Peer-reviewed scientific journal

Recenzovaný vědecký časopis / Peer-reviewed scientific journal Ročník / Year: 2014 Číslo / Number: 2 (Speciální číslo / Special issue) ISSN: 1805-4951

Vydává / Publisher: Vysoká škola ekonomická v Praze / University of Economics Prague

Recenzovaný vědecký časopis / Peer-reviewed scientific journal Ročník / Year: 2014 Číslo / Number: 2 (Speciální číslo / Special issue) Místo vydání / Place of edition: Praha (Prague) ISSN 1805-4951 Vydává / Publisher: Vysoká škola ekonomická v Praze / University of Economics Prague nám. W. Churchilla 4 130 67 Praha 3 Czech Republic (The European Union) IČ / ID: 61384399 Web: http://aip.vse.cz

Kontakt a informace / Contact and information: Václav Řezníček – [email protected] Zdeněk Smutný – [email protected]

Speciální číslo na téma Online marketing bylo podpořeno grantem – F4/18/2014, Vysoké školy ekonomické v Praze / This special issue on Online marketing was prepared with the support of grant – F4/18/2014, University of Economics in Prague.

Redakční rada / Board of editors: Stanislava Mildeová1 | University of Economics Prague, Czech Republic Klára Antlová | Technical University of Liberec, Czech Republic Martin Boháček | University of Economics Prague, Czech Republic Tomáš Bruckner | University of Economics Prague, Czech Republic Vesna Čančer | University of Maribor, Slovenia Rasa Daugėlienė | Kaunas University of Technology, Lithuania Jiří Fišer | Jan Evangelista Purkyne University in Ústí nad Labem, Czech Republic Milan Houška | Czech University of Life Sciences Prague, Czech Republic Miloslav Hub | University of Pardubice, Czech Republic Petr Kučera | Independent consultant, Prague, Czech Republic Petr Máša | Partners Financial Services, Prague, Czech Republic Jan Ministr | VSB-Technical University of Ostrava, Czech Republic Eve Mitleton-Kelly | London School of Economics, United Kingdom Ingeborg Němcová | University of Economics Prague, Czech Republic Jan Rauch | University of Economics Prague, Czech Republic Václav Řezníček | University of Economics Prague, Czech Republic Markus Schwaninger | University of St. Gallen, Switzerland Antonín Slabý | University of Hradec Králové, Czech Republic Zdeněk Smutný | University of Economics Prague, Czech Republic Olga Štěpánková | Czech Technical University in Prague, Czech Republic Prokop Toman | Czech University of Life Sciences Prague, Czech Republic Milan Turčáni | Constantine the Philosopher University in Nitra, Slovakia Viktor Vojtko | University of South Bohemia in České Budějovice, Czech Republic Jan Voráček | College of Polytechnics Jihlava, Czech Republic

1

Šéfredaktorka / Editor in Chief

OBSAH / CONTENT:

Recenzované stati / Peer-reviewed papers Demografické cílení internetové reklamy ............................................................................ 137 / Demographic Targeting of Internet Advertising Václav Stříteský, Marek Stříteský Analýza nestrukturovaných dat z bankovních stránek na sociální síti Facebook ................. 154 / Unstructured Data Analysis from Facebook Banking Sites Lucie Šperková Prezentace bankovního a telekomunikačního sektoru na Google+ ...................................... 168 / Presentation of the banking and telecommunications sector on Google+ Libor Měsíček Kreovanie, šírenie a recepcia komunikačných stereotypov v on-line médiách .................... 181 / Creation, Dissemination and Reception of Communication Stereotypes in On-line Media Juraj Rusnák Postinternet Marketing: For a Philosophy and Art of Online Marketing ............................. 192 Václav Janoščík Rethinking the Concept of Just Noticeable Difference in Online Marketing....................... 204 Viktor Vojtko

Miscelanea – Rozhovor / Interview Jan Egem: Znalost zákaznických dat a jejich propojování v marketingu............................. 219 / Jan Egem: Knowledge of Customer Data and Their Integration in Marketing Stanislav Mildeová, Zdeněk Smutný

Acta Informatica Pragensia 3(2), 2014, 137–153, DOI: 10.18267/j.aip.42 Online: aip.vse.cz

Sekce / Section: Recenzované stati / Peer-reviewed papers

Demografické cílení internetové reklamy Demographic Targeting of Internet Advertising Václav Stříteský1, Marek Stříteský2 1 2

Katedra marketingu, Fakulta podnikohospodářská, Katedra personalistiky, Fakulta podnikohospodářská, Vysoká škola ekonomická v Praze nám. W. Churchilla 4, 130 67 Praha 3

{vaclav.stritesky, marek.stritesky}@vse.cz

Abstrakt: Významnou roli v oblibě internetu jako reklamního média hrají široké možnosti cílení. Ačkoli současné technologie umožňují využívat data získaná sledováním uživatelského chování, tradiční způsob cílení reklamy pomocí afinity je stále široce používaný. Cílem článku je prostřednictvím analýz dat projektu NetMonitor zhodnotit možnosti tradičního způsobu demografického cílení dle pohlaví a věku na českém internetu. Výsledky ukazují, že v určitých případech může být tradiční metoda cílení s využitím afinity efektivní. Jedná se zejména o cílení na muže a mladší uživatele. Na druhé straně tato metoda generuje určitou část zbytečných zobrazení reklamy mimo cílovou skupinu. To je problematické zejména při cílení na starší věkovou skupinu uživatelů. Lze tak očekávat postupné rozšiřování modernějších technik cílení internetové reklamy, které jsou založeny na sledování uživatelských dat. Klíčová slova: Internetová reklama, cílení reklamy, demografické cílení, uživatelé internetu, pohlaví a věk. Abstract: Thanks to its wide range of targeting, Internet has become a very attractive medium for advertisers. Although the current technologies can collect data about an individual's online activities and utilize it for a precise targeting, the traditional way of targeting based on affinity is still widely used. The goal of this paper is to evaluate the possibility of the traditional way of demographic targeting by gender and age on the Czech Internet thorough data mining of NetMonitor database. Research findings show that, in certain cases, traditional affinity-based ad targeting can be effective. This is especially true when targeting men and younger users. On the other hand, this method also generates wasted ad impressions outside the target group. This is particularly problematic when targeting elderly users. Modern techniques of ad targeting which are based on tracking users’ activities are likely to further expand. Keywords: Internet Advertising, Ad Targeting, Demographic Targeting, Internet Users, Gender and Age.

138 V. Stříteský, M. Stříteský

1 Úvod S rostoucí penetrací se stal internet důležitým marketingovým kanálem, který dnes prakticky žádná společnost nemůže přehlížet ve svých úvahách o efektivním způsobu oslovení cílové skupiny zákazníků. Česká republika se řadí mezi evropský průměr, pokud jde o míru rozšíření internetu v domácnostech. Internetovým připojením disponovalo v roce 2013 67 % domácností (Český statistický úřad, 2014a). Stěžejní význam má internet zejména při oslovení mladší populace, kde penetrace dosahuje mnohem vyšších hodnot. Např. jednotlivců ve věku 16 – 24 let je možné přes internet oslovit 96,5 %, starších lidí ve věku 65 a více let pouze 18,9 % (Český statistický úřad, 2014b). Z dat Českého statistického úřadu je dále patrné, že v internetové populaci jsou nadprůměrně zastoupeni mladí lidé s vysokoškolským vzděláním, spíše muži, dále také studenti ve věku 16 a více let. Internet je jako jeden z mediatypů stále oblíbenější mezi zadavateli reklamy (Chitu, 2009). Dlouhodobě jeho podíl na výdajích do reklamy roste. V roce 2013 tvořily výdaje do internetové reklamy 19,4 % z celkových inzertních výkonů na českém trhu (viz Tab. 1, inzertní výkony jsou v ceníkových cenách). MEDIA TYP

2011

PODÍL

2012

PODÍL

2013

PODÍL

V TIS. KČ

%

V TIS. KČ

%

V TIS. KČ

%

TV

29 162 723

46,8

30 118 949

47,1

27 804 864

40,5

Tisk

19 500 741

31,3

17 654 511

27,6

17 455 451

25,4

Internet*

8 900 469

14,3

11 151 399

17,4

13 344 832

19,4

OOH

3 676 360

5,9

4 001 669

6,3

4 274 895

6,2

Rozhlas**

1 122 994

1,8

1 068 142

1,7

5 845 992

8,5

CELKEM

62 363 287

100,0

63 994 670

100,0

68 726 034

100,0

*Výkony za internet jsou částečně v reálných, nikoli ceníkových cenách (vyhledávání, RTB, obsahové sítě) **V roce 2013 započítány ve výkonech rozhlasu i regionální prodeje reklamy Tab. 1. Vývoj podílu inzertních výkonů dle jednotlivých typů médií. Zdroj (Sdružení pro internetovou reklamu, 2014).

Obliba internetu jako inzertního média však není podmíněna pouze jeho přijatelnou penetrací na trhu. To je sice nezbytná, avšak nikoli postačující podmínka. Vedle tradičních výhod internetu, mezi které řadí Sedláček (2006, s. 25) např. nadregionální a nadnárodní rysy, konstantní náklady této globálnosti, obousměrnost a interakci, možnosti personalizace a přizpůsobení, multimediálnost, okamžitost, jsou z hlediska internetové reklamy stěžejní zejména schopnost velmi přesného cílení reklamních kampaní, dobrá interakce se spotřebitelem, možnost využití celé řady nástrojů, strategií a taktik. Zcela zásadní je pak relativně snadná měřitelnost výsledků a přesné zhodnocení efektivity reklamních kampaní. Globální dosah jako stěžejní odlišnost internetu od dalších typů médií zdůrazňují Boudreau a Watson (2006). Z tohoto důvodu přikládají zároveň strategický význam vazby internetové reklamy na celopodnikovou strategii v případě mezinárodních firem. Jelikož internet umožňuje účinně oslovovat více potenciálních zákazníků při nižších nákladech, otvírá nové možnosti také

Acta Informatica Pragensia 139 inzerentům ze zemí jako je Indie (Khare, 2009), kde nyní online inzertní trh dynamicky roste (Ziaul, 2014). Možnost velmi přesně měřit a vyhodnocovat výsledky internetové reklamy může na druhé straně směřovat ke spoléhání pouze na viditelné obchodní indikátory výkonnostní reklamy, zejména generovaný obrat a zisk. To však může vést k podceňování účinku reklamy v dlouhodobějším horizontu. Bok (2014) proto doporučuje zapojit do hodnocení i méně viditelné indikátory účinnosti internetové reklamy, jako je povědomí a rozpoznání značky, kupní záměr a další komunikační efekty. Účinnost internetové reklamy, stejně jako reklamy v tradičních médiích, je do značné míry determinována správným zacílením. Internet na jedné straně nabízí řadu inovativních možností cílení reklamy. Na druhé straně je pro mnohé inzerenty důležité, např. při plánování tzv. crossmediálních kampaní, cílit na tradičně vymezené skupiny zákazníků dle demografických proměnných, jako je tomu u dalších typů médií. Přestože internet poskytuje řadu pokročilých způsobů cílení reklamy, nabízí se otázka, nakolik lze efektivně zacílit uživatele na největších reklamních serverech v ČR dle základních demografických charakteristik. Cílem tohoto článku je zhodnotit možnosti demografického cílení internetové reklamy dle pohlaví a věku na českém internetu na základě analýzy chování takto vymezených cílových skupin uživatelů. Pozornost je věnována možnostem tradičního způsobu cílení pomocí afinity při cílení dle typu (tematického zaměření) serveru.

2 Cílení internetové reklamy Vhodné zacílení reklamy je jedním ze základních předpokladů její účinnosti. To platí rovněž pro internet, kde cílená reklama vykazuje mnohem vyšší odezvu příjemců. Některé způsoby oslovení uživatelů internetu jsou velmi málo nákladné. To může inzerenty odrazovat od vynakládání jakéhokoli úsilí reklamní aktivity na internetu lépe cílit. Inzerenti by však v těchto případech měli v potaz rovněž otázku etického chování (Cheyne & Ritter 2001). Tradičně bylo smyslem cílení reklamy snižovat ztráty ze zbytečné reklamy minimalizováním její distribuce skupinám příjemců, kteří nepatří do aktivních uživatelů kategorie (Iyer, Soberman & VillasBoas, 2005). Současné možnosti cílení reklamy však umožňují mnohem více, než nezobrazovat reklamu neuživatelům. Lze skutečně cílit reklamu dle definovaných tržních segmentů, respektujících mj. jejich preference, kupní a mediální zvyky. K tomu dnes mají inzerenti jednak informace a dále vhodné prostředky, jako jsou nová média a nové technologie. K přesnějšímu zacílení reklamy přispěly i současné změny směrem k fragmentaci médií (Nelson-Field & Riebe, 2011). Bergemann a Bonatti (2011) navíc prokázali, že rozvoj v cílení reklamy má dopad na nižší cenu pro inzerenty. Zjednodušeně lze základní charakteristiky cílové skupiny rozdělit na geografické, demografické a psychografické (Vysekalová, Mikeš, 2007, s. 42). Důležité jsou rovněž behaviorální charakteristiky, které jsou pro segmentaci trhu ústřední a pro současnou internetovou reklamu velmi aktuální. Současné technologie totiž umožňují sledovat chování uživatelů a na základě jejich identifikovaného profilu zobrazovat relevantní reklamní sdělení. Demografické charakteristiky však stále tvoří základ pro vymezení cílových skupin. Obliba demografických kritérií při definici cílových skupin v marketingové komunikaci vychází z několika skutečností (Koudelka, 2005, s. 60). Tradiční kritéria segmentace jsou často logicky spojena s odlišným chováním spotřebitelů. Výhodou je však také jejich snadná měřitelnost a tím snadná vyjádřitelnost míry odlišnosti. Podstatným argumentem je dostupnost informací ze sekundárních zdrojů dat, neboť tradiční demografické znaky jsou běžně sledovanými údaji ve většině spotřebitelských výzkumů.

140 V. Stříteský, M. Stříteský V kontextu výše uvedených hlavních skupin segmentačních kritérií lze internet označit za typ média s univerzálními možnostmi cílení. Navíc v mnoha případech umožňuje využívat kombinací jednotlivých metod. Geografická kritéria spolu s jazykem uživatele patří mezi výchozí způsoby cílení u reklamních kampaní s mezinárodním dosahem. Geografické cílení se typicky realizuje na základě identifikace IP adresy uživatele. Moderní reklamní systémy uvažují i další indicie k přesnější lokalizaci příjemce sdělení. Cílení tak lze upřesnit nikoli pouze na vybranou zemi, ale často i na region či dokonce na úžeji vymezenou oblast. Jazyk uživatele je standardní součástí cílení mezinárodních kampaní, identifikuje se nejčastěji podle jazykového nastavení prohlížeče. Mezi tradiční způsoby lze bezesporu zařadit cílení dle témat či typu serveru. Internet nabízí k umístění reklamy bohatý výběr oborově specializovaných serverů. V případě českého trhu je v rámci oficiálního měření internetu definováno 21 oborových kategorií serverů. Z obsahového zaměření serverů lze nepřímo usuzovat na zájmy i demografické charakteristiky návštěvníků, avšak technicky se jedná o cílení na typ serveru, nikoli typ uživatele. S cílením dle obsahu pracuje i tzv. kontextová reklama. V tomto případě se jedná o automatizované umístění reklamy na webové stránky dle jejich obsahu, který odpovídá zadaným klíčovým slovům inzerenta. Opět se reklama v podstatě zobrazuje podle tématu stránek, cílení bere v potaz typ serveru a jeho zaměření, nikoli uživatele. V některých reklamních systémech mají zadavatelé možnost vybrat celou tematickou kategorii serverů. Jedná se tak o alternativní způsob mezi cílením podle umístění na konkrétní server a kontextové cílení podle klíčových slov v obsahu stránky. V širším pojetí lze pod kontextové cílení reklamy řadit reklamu ve vyhledávání, která se zobrazuje v kontextu dotazu uživatele. Toto cílení přináší nesporné výhody v možnosti reagovat na aktivní poptávku uživatelů, oslovovat potenciální zákazníky v pokročilých fázích nákupního cyklu. Tato forma cílení je v podstatě obdobou zájmově orientované reklamy, kdy zájem uživatelů je deklarován v podobě zadaného dotazu ve vyhledávání. Zde již cílení reklamy pozvolna přechází z tradičního cílení podle serveru na cílení podle uživatele. Patří sem cílení podle zájmu uživatelů. V dřívějších dobách tato možnost existovala pouze v platformách, kde uživatel při registraci své zájmy deklaroval. To mělo zásadní nevýhodou ve skutečnosti, že s rostoucím věkem uživatelů se jejich zájmy mohly dramaticky měnit, ale profil uživatele zůstával platný z doby registrace. Tuto nevýhodou změnil přelomový způsob v cílení internetové reklamy – tzv. behaviorální cílení. Obecně se jedná o cílení podle minulého chování uživatelů. Předpokladem je tedy sledování chování uživatelů, na základě něhož jsou uživatelé s podobným profilem řazeni do zájmových kategorií, na něž je umožněno zadavatelům reklamy cílit. Reklama se tak může zobrazovat na tematicky nesouvisejících webových stránkách, avšak s relevancí k aktuálnímu zájmu uživatele. Sběr údajů o chování uživatelů na internetu však vyvolává v lidech obavy a ústí ve snahy o přísnou regulaci zákonem (Goldfarb & Tucker, 2011; Berger, 2011). To je jistě pro marketéry nepříjemná skutečnost, neboť dle provedených studií se jedná o velmi efektivní způsob cílení. Goldfarb & Tucker (2011) zjistili, že v případech, kde byla regulací omezena behaviorální reklama, se snížil dopad reklamy na záměr koupit inzerovaný produkt přibližně o 65 %. Behaviorální cílení může navíc přinášet vyšší zisky i samotným poskytovatelům obsahu (reklamním serverům), a to až dvojnásobné (Jianqing & Stallaert, 2014). Do behaviorálního cílení lze také řadit specifickou formu, která se nazývá „retargeting“. Jedná se o oslovení uživatelů na základě předchozí interakce s webovými stránkami inzerenta. V širším pojetí však retargeting zahrnuje využití širších zdrojů dat, než je samotný pohyb po firemních webových stránkách, např. údaje ze CRM. Technologie dnes již v podstatě umožňují cílit diferencovaně dle uskutečněného nebo dokonce zamýšleného nákupu zákazníka. Cenu lze navíc určovat dynamicky dle jeho

Acta Informatica Pragensia 141 očekávané hodnoty. V úvahu by se však neměla brát pouze současná hodnota, ale spíše budoucí hodnota zákazníka (Tahal, 2014). To je v oblasti internetové reklamy výzva pro další vývoj. Přestože se objevuje názor, že cílení podle zájmu uživatelů snižuje význam tradičního demografického cílení (např. Bailey et al., 2012), jsou zřetelné snahy nabídnout možnost demografického cílení i v pokročilých reklamních systémech, které musely prvně objevit technologické možnosti identifikace demografických znaků návštěvníků. Řada studií navíc potvrzuje význam demografického cílení a jeho pozitivní vliv na účinnost internetové reklamy (např. Banerjee & Dholakia, 2012; Jansen & Solomon, 2010). Demografické cílení na internetu využívá tři základní přístupy. Pokročilé technologie umožňují identifikovat demografický profil uživatele podle jeho chování, tedy podle navštívených serverů nebo vyhledávání určitých témat. Jedná se tedy o data, která využívá behaviorální cílení. Je třeba počítat s určitou chybovostí, např. pohlaví uživatele může být teoreticky identifikováno jiné na osobním a jiné na pracovním počítači. To se např. stává u žen pracujících v oborech afinitních spíše k mužům, jako je IT. Mnohem spolehlivější metodou je cílení podle demografie u platforem, kde se uživatelé registrují a demografické charakteristiky deklarují. To je typické pro reklamy na sociálních sítích, ale podobně využívají data z registrací i jiné platformy (částečně např. i Google díky své síti Google Plus). Předpokladem je zde přirozeně dostatečná míra pravdivosti uváděných údajů. Třetím přístupem je odhad demografie dle typu serveru. Bez potřebných dat lze s jistou spolehlivostí odhadovat profil návštěvníků dle zaměření serveru. Dnes však zadavatelé reklamy nemusí demografický profil návštěvníků odhadovat. Stejně jako u ostatních typů médií existují výzkumné projekty poskytující data nejen o sledovanosti, ale rovněž o sociodemografickém profilu konzumentů obsahu (např. peoplemetrové šetření u TV), také pro internet mají inzerenti k dispozici data z oficiálního měření tohoto média. V České republice se jedná o rozsáhlý výzkumný projekt NetMonitor. Na základě zakoupených dat z tohoto projektu lze získat velmi přesné informace o návštěvnosti a profilu návštěvníků pro zapojené reklamní servery. Cílit pak lze na servery s nadprůměrným výskytem dané cílové skupiny. Tento tradiční způsob demografického cílení je určitým kompromisem, neboť neumožňuje čistý zásah definované cílové skupiny, lze se mu pouze přiblížit správnou volbou serverů pro umístění reklamy (podle tzv. afinity). Nakolik lze s dostatečnou kvalitou tímto tradičním způsobem zasáhnout demograficky vymezené skupiny dle pohlaví a věku na českém internetu, pomohou odpovědět následující analýzy.

3 Metody a zdrojová data Výzkum pro účely tohoto článku je založen na analýzách dat projektu NetMonitor. Jedná se o rozsáhlý výzkumný projekt, který je oficiálním zdrojem dat o velikosti a sociodemografickém profilu české internetové populace. Zadavatelem projektu je Sdružení pro internetový rozvoj (SPIR), realizátorem je společnost Gemius, S.A. ve spolupráci se společností Mediaresearch, a.s. Výzkum profilu internetové populace je realizován na tzv. joint panelu o velikosti přibližně 30 000 respondentů. Data za návštěvnost měřených serverů jsou sbírána pomocí javascriptových kódů. Analyzována jsou data za červen 2014. Zapojených serverů do projektu bylo 457. Celkový dosah NetMonitoru činil v červnu 2014 97,7 % a naměřeno bylo 6 350 643 reálných uživatelů (RU). Velikost české internetové populace tak byla dle výsledků měření v daném měsíci 6 500 147. V rámci analýz je pozornost zaměřena na stěžejní demografická kritéria – pohlaví a věk. Netmonitor měří internetovou populaci ve věku 10 a více let. Věkové intervaly pro analýzu byly stanoveny následovně: 

junioři – 10 - 29 let,

142 V. Stříteský, M. Stříteský 

střední věk – 30 – 49 let,



senioři – 50 a více let.

V analýzách je pracováno s tematickými kategoriemi serverů, kterých NetMonitor definoval 21. Výstupy analýz ukazují na diference v chování uživatelů podle pohlaví a věku. Za tímto účelem jsou využity následující ukazatele: 

Počet reálných uživatelů (RU) - počet uživatelů internetu v příslušné cílové skupině, kteří vygenerovali alespoň jedno zobrazení na vybraném webovém serveru během daného měsíce (týdne, dne).



Průměrný strávený čas na návštěvníka (ATS) - celkový strávený čas průměrným návštěvníkem (reálným uživatelem) z příslušné cílové skupiny na vybraném webovém serveru během daného měsíce



Profil reache - poměr počtu návštěvníků (reálných uživatelů) z příslušné cílové skupiny, kteří navštívili vybraný webový server, k celkovému počtu návštěvníků, kteří navštívili vybraný webový server během daného měsíce (týdne, dne).



Index afinity - poměr složení návštěvníků příslušné cílové skupiny pro vybraný webový server ke složení návštěvníků příslušné cílové skupiny pro skupinu všech měřených serverů.

Afinita vyšší než 100 ukazuje na vhodnost dané kategorie serverů či přímo konkrétního serveru pro oslovení definované cílové skupiny (znamená nadprůměrné zastoupení cílové skupiny na tomto serveru, kategorii). K analýze dat byl využit analytický software Gemius Explorer ver. 5.6.40.0.

4 Tradiční demografické cílení na českém internetu Na základě analýzy dat výzkumného projektu NetMonitor je možné zhodnotit diference v chování uživatelů internetu a posoudit tak vhodnost tradičního demografického cílení internetové reklamy. To je realizováno na základě umístění reklamního formátu na internetové servery s co nejvyšší afinitou a zároveň dosahem vymezené cílové skupiny. Analýza je provedena za hlavní demografické proměnné pohlaví a věk, včetně jejich překřížení. KATEGORIE

POČET RU

TOP SERVER

POČET RU

HP rozcestníků

5 728 186

Seznam.cz - Homepage

5 317 113

Databáze a katalogy

4 700 222

Mapy.cz

2 808 534

Zpravodajství

4 470 459

Novinky.cz - Zpravodajství 3 517 353

Komunikační služby 4 351 230

Seznam.cz - Email

3 881 881

E-commerce

Heureka.cz

2 235 915

4 038 878

Tab. 2. TOP 5 kategorií podle počtu návštěvníků (RU). Zdroj autoři, vytěženo z dat Netmonitor - SPIR Mediaresearch & Gemius, červen 2014.

Pro následující analýzy je užitečné získat představu o návštěvnosti kategorií internetových serverů za celou internetovou populaci. To umožní snazší zhodnocení specifik chování jednotlivých demografických skupin. Jak bylo uvedeno v metodické části, v červnu 2014 bylo naměřeno v České republice 6 351 tis. reálných uživatelů ve věku 10 a více let. Jelikož

Acta Informatica Pragensia 143 výzkumný projekt NetMonitor má dosah 97,7 %, velikost celé internetové populace (ve věku 10+) je 6 500 tis. Nejvíce navštěvované kategorie měřených serverů zobrazuje Tab. 2.

4.1

Kritérium pohlaví

Složení uživatelů internetu v České republice je z hlediska pohlaví poměrně vyrovnané, mírně převažují muži. To je jeden z rozdílů v profilu běžné a internetové populace. Z analýzy vyplývá, že v červnu 2014 navštívilo český internet 3 239 tis. mužů ve věku 10 a více let. Ve stejném období to bylo 3 094 tis. žen. Jak bylo uvedeno výše, uživatelé internetu navštěvují nejčastěji poměrně tradiční kategorie internetových serverů, jako je např. zpravodajství nebo komunikační služby (e-mail). Z hlediska dosahu cílových skupin podle pohlaví lze tak očekávat podobné složení kategorií serverů jako v případě celkové populace. Pokud by však zadavatel reklamy cílil reklamní sdělení pouze dle dosahu internetového serveru, v mnoha případech by značná část placených zobrazení reklamy míjela cílovou skupinu. Z analýzy dat je zřejmé, že muži navštěvují nejčastěji kategorie serverů v podobném pořadí, v jakém je navštěvuje celá internetová populace. Oproti pořadí za celou internetovou populaci (viz Tab. 2.) dávají muži přednost kategorii Tv, rádia (2 022 tis. RU) před kategorií Ecommerce, která je u mužů až šestým nejnavštěvovanějším tématem na internetu (2 020 RU). Muži se dále zajímají o bulvární magazíny (1 945 tis. RU) a servery zaměřené na IT a mobilní a digitální technologie (1 701 tis. RU). Ženy navštěvují nejčastěji stejné kategorie serverů jako průměrná internetová populace, avšak pořadí v návštěvnosti se mění již se třetí nejnavštěvovanější kategorií. Více žen na internetu využívá komunikačních služeb, které upřednostňují před konzumací obsahu zpravodajských serverů (2 206 tis. RU oproti 2 122 tis. RU). Další kategorie již sledují pořadí za populaci. Následují tak kategorie E-commerce (2 019 tis. RU), Bulvární magazíny (1 927 tis. RU), Tv a rádia (1 826 tis. RU) a Magazíny zaměřené na ženy a módu (1 784 tis. RU). Z uvedených výsledků nevyplývají mezi muži a ženami větší rozdíly v návštěvnosti nejvýznamnějších kategorií internetových serverů. Při srovnání skutečných hodnot návštěvnosti (ukazatel RU) a dosahu (ukazatel reach) je patrné, že relativně více mužů dává přednost zpravodajství (70,5 % mužů oproti 67,0 % žen) a sledování či poslechu internetových televizních a rozhlasových stanic (61 % mužů oproti 58 % žen). Naopak ženy relativně více navštěvují komunikační služby (70,0 % žen oproti 64,4 % mužů). Zbylé nejnavštěvovanější kategorie se v dosahu u žen a mužů příliš neliší, naopak velmi přesná shoda v počtu reálných uživatelů se ukazuje u kategorie E-commerce (2 020 tis. RU – mužů a 2 019 RU – žen). Rozdíly v preferencích mužů a žen lépe postihnou vypočtené indexy afinity a profil reache (složení návštěvníků), které ukazují na vhodnost dané kategorie serverů k oslovení definované cílové skupiny. Tato analýza odpovídá na otázku, zda lze nalézt na českém internetu servery s homogenní návštěvností z hlediska pohlaví. Tab. 3. zobrazuje oblíbené kategorie serverů mezi muži, které jsou naopak nejméně oblíbené mezi ženami. Významnost diference je parná z hlediska hodnoty analyzovaných ukazatelů. Výsledky analýzy ukazují, jaké internetové servery jsou nadprůměrně zajímavé pro mužské uživatele. Kategorie serverů nejsou z hlediska pohlaví příliš homogenní. Muže lze zasáhnout relativně efektivně na serverech obsahově zaměřených přímo na tuto cílovou skupinu, tedy Mužské magazíny o životním stylu (výsledné statistiky viz Tab. 3.). Ukazatel složení návštěvníků je však i zde překvapivě necelých 64 %. To znamená, že reklamní sdělení cílené na celou kategorii zasáhne téměř z 36 % ženy, které tvoří rovněž nemalou část návštěvnosti dané kategorie. Podobné výsledky pro ukazatel indexu afinity a profilu reache vykazuje

144 V. Stříteský, M. Stříteský předvídatelná kategorie Auto-moto, která je tak rovněž typicky mužskou kategorií. Přestože v pěti nejvíce přitažlivých kategoriích serverů najdeme i nemalou část ženské návštěvnosti, je z výsledků analýzy čitelné, jakým směrem se ubírá hlavní zájem mužů na českém internetu, která témata jsou pro tuto cílovou skupinu zajímavá. Vedle uvedených mužských lifestylových magazínů a auto-moto se tak jedná rovněž o sportovní a IT servery. POŘADÍ KATEGORIE SERVERŮ

INDEX

PROFIL

AFINITY REACHE 1.

Mužské magazíny o životním stylu

123,99

63,57%

2.

Auto-moto

123,57

63,36%

3.

Sport

116,45

59,71%

4.

IT servery, mobilní a digitální technologie 110,85

56,84%

5.

Ekonomika, finance, právo

53,50%

104,35

Tab. 3. Preference mužů na internetu. Zdroj autoři, vytěženo z dat Netmonitor - SPIR - Mediaresearch & Gemius, červen 2014.

Přesnější zacílení na mužské uživatele vyžaduje pečlivější výběr konkrétních serverů s vyššími hodnotami indexu afinity, popř. profilu reache. Je však nutné počítat s mnohem nižším dosahem uživatelů. Provedená analýza potvrzuje, že lze nalézt takovéto servery s relativně vysokou homogenitou návštěvníků. Tyto servery vykazují návštěvnost v desítkách tisíc RU. Příkladem jsou Eurogamer.cz (index afinity 171,09, profil reache 87,72 %), Tryhard.cz (index afinity 168,15, profil reache 86,22 %), Jiskreni.cz (index afinity 166,05, profil reache 85,14 %), Sportrevue.cz (index afinity 161,28, profil reache 82,69 %). Najdou se však také servery s návštěvností ve stovkách tisíc RU, jako např. Autorevue.cz se zajímavými hodnotami indexu afinity a složení návštěvníků (152,59, 78,24 %). Pokud jde o ženy, zde analýza ukazuje na relativně nižší možnosti efektivního zásahu reklamní kampaní při cílení na tematickou kategorii. Preference žen na českém internetu ukazuje Tab. 4. POŘADÍ KATEGORIE SERVERŮ

INDEX

PROFIL

AFINITY REACHE 1.

Těhotenství a rodičovství

132,35

64,49%

2.

Zdraví

121,99

59,44%

3.

Zájmové servery, hobby

112,21

54,68%

4.

Komunitní a teens servery, fotogalerie 108,51

52,87%

5.

Zábava a hry

52,22%

107,16

Tab. 4. Preference žen na internetu. Zdroj autoři, vytěženo z dat Netmonitor - SPIR - Mediaresearch & Gemius, červen 2014.

Ve srovnání s mužskými kategoriemi dosahují pro ženy typické kategorie nižších hodnot indexů afinity, jsou tedy méně homogenní z hlediska pohlaví. Výjimkou je pouze první tematická skupina serverů zaměřených na těhotenství a rodičovství s indexem 132,35. Na návštěvnosti těchto serverů se ženy podílejí z 64,5 %. První dvě kategorie s nejvyšší hodnotou profilu reache však mají relativně nižší dosah, každá necelých 600 tis. RU. Ve srovnání s mužskými kategoriemi serverů je tak cílení na ženy v tomto ohledu náročnější. U mužů hned

Acta Informatica Pragensia 145 druhá nejvhodnější kategorie Auto-moto nabízí zároveň velmi zajímavý dosah této cílové skupiny, a to 1 126 tis. RU. Další tři kategorie ženských serverů již naopak vykazují poměrně nízkou homogenitu. V těchto skupinách se již vyskytuje významný počet mužské návštěvnosti. Z analýzy vychází také překvapující výsledek, že kategorie zaměřená na ženy a módu je sice z pohledu indexu afinity přitažlivější pro ženy (index afinity 106,4), avšak z důvodu menšího zastoupení žen v české internetové populaci je návštěvnost v absolutním vyjádření v podstatě shodná s mužskou internetovou populací (ženy tvoří v této kategorii pouze 51,82 % návštěvnosti). Stejně jako v případě mužů lze také u žen zefektivnit cílení reklamy pečlivým výběrem vysoce afinitních individuálních serverů. Je však třeba přirozeně počítat s jejich nižším dosahem. Nejvyšších hodnot indexu afinit dosahují servery s nižšími desítkami tisíc návštěvníků. Příkladem jsou Stastnezeny.cz (index afinity 173,87, profil reache 84,72 %), Porodnice.cz (index afinity 173,39, profil reache 84,49 %), Elle.cz (index afinity 167,71, profil reache 81,72 %), Abecedazdravi.cz (index afinity 166,84, profil reache 81,29 %). Servery s řádově vyšší návštěvností ve stovkách tisíc RU lze nalézt také, jedná se např. o server Votocvohoz.cz (index afinity 157,19, profil reache 76,59 %) nebo Modrykonik.cz (index afinity 154,7, profil reache 75,38 %). Rozdíly v chování mužů a žen lze pozorovat i na základě průměrného stráveného času za měsíc na návštěvníka. Tento ukazatel tedy vyjadřuje, u kterých témat na internetu muži a ženy tráví nejvíce času. První dvě kategorie serverů jsou shodné u mužů i žen a jedná se o tyto: 1. HP rozcestníků (8 h 16 min u mužů, 7 h 39 min u žen), 2. Komunikační služby (4 h 47 min u mužů, 6 h 07 min u žen), Třetí kategorií s nejvyšším stráveným časem na návštěvníka je u mužů Zpravodajství (2 h 11 min), které u žen z hlediska stráveného času zaujímá až desátou příčku (pouze 1 h 09 min). Muži dále tráví nejvíce času u serverů zaměřených na e-commerce (2 h 08 min) a sport (2 h 03 min). Ženy věnují e-commerce podobný čas, avšak je to zde hned třetí kategorie s nejvyšším stráveným časem (2 h 02 min). Dále je to kategorie Zábava a hry (1 h 37 min) a Bulvární magazíny (1 h 31 min), kterým muži věnují pozornost menší (56 min) s dvanáctým pořadím dle stráveného času.

4.2

Kritérium věk

Jak bylo uvedeno v metodické části, pro analýzu cílových skupin podle věku byly zvoleny tři základní věkové kategorie. Nejmladší uživatelé ve věku 10 – 29 let, střední věková kategorie ve věku 30 – 49 let a nejstarší věková kategorie ve věku 50 a více let. Tyto kategorie mají na internetu různé zastoupení. Na internetové populaci se podílí nejmladší uživatelé z 30,72 %, střední věková kategorie je zastoupena nejvíce, tvoří 41,65 % internetové populace, nejmenší podíl má pak nejstarší věková skupina, ale rozdíl k nejmladší generaci již není tak znatelný (27,63 %). Věková struktura je jednou z hlavních odlišností mezi internetovou a běžnou populací, kdy roli hraje právě zastoupení seniorské generace. Pro posouzení diferencí v chování jednotlivých věkových skupin uživatelů internetu je vhodné analyzovat nejnavštěvovanější kategorie serverů (podle ukazatele RU a dosahu). Lze očekávat, že i v případě věku bude zastoupení nejnavštěvovanějších kategorií serverů podobné preferencím celé internetové populace (viz Tab. 2.).

146 V. Stříteský, M. Stříteský Z výsledků provedené analýzy vyplývají určitá specifika v chování vymezených věkových skupin uživatelů. Není překvapením, že nejnavštěvovanější kategorie serverů je společná napříč věkovými skupinami, jedná se o hlavní strany tzv. rozcestníků, jako je Seznam.cz nebo Centrum.cz. V případě nejmladší a střední věkové skupiny je rovněž druhá nejnavštěvovanější kategorie – Databáze a katalogy - shodná s celou internetovou populací, dokonce s velmi podobným dosahem (u populace je dosah v této kategorii 72,31 %, u juniorské generace 72,46 %). Nejmladší věková skupina uživatelů má sice podobné složení pěti nejnavštěvovanějších kategorií jako celá internetová populace, odlišnost je ale hned na 3. příčce nejnavštěvovanějších serverů. V populaci se jedná o Zpravodajství, které však mladou generaci tolik neoslovuje, neboť z pohledu návštěvnosti zde zaujímá až 6. místo s dosahem 60,71 % (oproti 68,77 % internetové populace). Mladí lidé upřednostňují více kategorii Komunikační služby, dále E-commerce a Tv a rádia. Střední věková skupina, která má v internetové populaci největší zastoupení, zcela kopíruje pořadí nejnavštěvovanějších kategorií celé populace. Určité rozdíly lze nalézt pouze v dosahu, kdy např. střední věkovou skupinu relativně více přitahují zpravodajské servery a komunikační služby. V nejstarší věkové skupině lze jednak identifikovat odlišné pořadí nejnavštěvovanějších kategorií, v prvních pěti nejsou zastoupeny servery z kategorie E-commerce, ale Bulvární magazíny. Ty mají u nejstarší populace nadprůměrný dosah (64,03 % oproti 59,56 % v celé populaci). Velmi oblíbené jsou u nejstarší věkové skupiny uživatelů zpravodajské servery, ty zaujímají hned druhou příčku v návštěvnosti s dosahem 77,94 % (oproti 68,77 % celé populace). Pak následují kategorie Databáze a katalogy a Komunikační služby, obě kategorie mají u této věkové skupiny zhruba o 2 procentní body vyšší dosah než je v internetové populaci. V další části analýzy jsou již vyhodnoceny diference v chování jednotlivých věkových skupin podle indexu afinity a složení návštěvníků (profilu reache). Výsledky ukazují na tematické kategorie internetových serverů s největší homogenitou návštěvnosti podle věku. Jelikož do analýzy vstupují tři cílové skupiny, je očekávatelné, že homogenita za širší tematické kategorie bude spíše nižší. Profil reache v žádné z kategorií jistě nepřesáhne hodnotu 50 %. POŘADÍ KATEGORIE SERVERŮ

INDEX

PROFIL

AFINITY REACHE 1.

Mužské magazíny o životním stylu

144,74

45,60%

2.

Zábava a hry

132,15

41,63%

3.

Komunitní a teens servery, fotogalerie 117,50

37,02%

4.

Těhotenství a rodičovství

116,57

36,72%

5.

Zdraví

115,14

36,27%

Tab. 5. Preference uživatelů do 29 let. Zdroj autoři, vytěženo z dat Netmonitor - SPIR - Mediaresearch & Gemius, červen 2014.

Tab. 5. ukazuje kategorie serverů nadprůměrně zajímavých pro nejmladší věkovou skupinu od 10 do 29 let. Nejmladší věková skupina se vyznačuje relativně nejvyššími hodnotami indexu afinity u preferovaných kategorií serverů. Hned první kategorie – Mužské magazíny o životním stylu – je v podstatě ryze juniorská. Necelou polovinu návštěvnosti tvoří právě tato věková skupina. Další témata nejsou nijak překvapující, kategorie Zábava a hry se rovněž vyznačuje významnou dominancí mladých návštěvníků do 29 let. Jedná se zároveň o kategorii s velkým dosahem (49,94 %). V porovnání s nejhomogennější kategorií mužských magazínů o životním

Acta Informatica Pragensia 147 stylu je to znatelný rozdíl, tam je dosah této věkové skupiny pouze 14,77 %. Z dalších kategorií jsou pro mladou internetovou populaci nadprůměrně zajímavé Komunitní a teens servery, fotogalerie, spolu s kategorií Zdraví jde stále o servery, kde pouze uživatelé ve věku 10 – 29 let dosahují hodnoty indexu afinity vyšší než 100. Nadprůměrně navštěvovaná kategorie Těhotenství a rodičovství je velmi oblíbenou zároveň u střední věkové kategorie (viz dále), naopak se jeví nezajímavou pro nejstarší věkovou skupinu. V analýze kritéria věku byly rovněž prověřeny odlišnosti v chování podle pohlaví každé věkové skupiny. Je přirozené, že pro muže i ženy budou v dané věkové skupině vycházet odlišná témata dle nadprůměrné návštěvnosti příslušné kategorie serverů. Zároveň zřejmě vyjdou mnohem vyšší hodnoty indexů afinity. V případě nejmladších mužů se jedná o tyto kategorie serverů: 1. Mužské magazíny o životním stylu (index afinity 201,26), 2. Zábava a hry (index afinity 138,12), 3. IT servery, mobilní a digitální technologie (index afinity 125,08), 4. Auto-moto (index afinity 118,19), 5. Komunitní a teens servery, fotogalerie (index afinity 107,43). Pokud jde o nejmladší ženy, největší homogenitu návštěvnosti s významným podílem této cílové skupiny lze nalézt v následujících kategoriích serverů: 1. Těhotenství a rodičovství (index afinity 140,09), 2. Zdraví (index afinity 136,24), 3. Zábava a hry (index afinity 127,61), 4. Komunitní a teens servery, fotogalerie (index afinity 125,18), 5. Zájmové servery, hobby (index afinity 117,94). Z provedené analýzy vyplývá, že u nejmladší věkové skupiny lze nalézt tematické kategorie serverů s relativně homogennější návštěvností spíše u mužů než u žen. Nejvhodnější ženská kategorie „Těhotenství a rodičovství“ dosahuje očekávatelně ještě vyšších hodnot při zúžení cílení na věkový interval 20 - 29 let (index afinity 158,61, pro dívky 10 – 19 let je také tato kategorie zajímavá, hodnota indexu je 104,13). I v tomto případě ale nedosahuje takové homogenity jako první uvedená kategorie u mužů. Pro ucelený pohled na preference témat nejmladší věkové skupiny a možnost jejich efektivního zásahu byl vyhodnoceny i konkrétní servery v jednotlivých kategoriích. Při pečlivém výběru lze pro nejmladší cílovou skupinu nalézt řadu serverů se zajímavými hodnotami indexu afinity a profilu reache. Jedná se o servery s měsíční návštěvností v desítkách tisíc RU, popř. i stovkách tisíc RU. Příkladem jsou servery Tryhard.cz (index afinity 293,55, profil reache 92,48 %), Eurogamer.cz (index afinity 278,31, profil reache 87,68 %), Lamer.cz (index afinity 269,30, profil reache 84,84 %), Jenproholky.cz (index afinity 263,52, profil reache 83,02 %). Návštěvnost v nižších stovkách tisíc mají např. Titulky.com (index afinity 261,41, profil reache 82,35 %) nebo Loupak.cz (index afinity 252,91, profil reache 79,68 %). Střední věková skupina uživatelů od 30 do 49 let je dominantní věkovou skupinou v české internetové populaci. Tato skutečnost se odráží v relativně vysokých hodnotách složení návštěvníků na serverech v typických kategoriích témat pro uživatele středního věku. Na druhé

148 V. Stříteský, M. Stříteský straně je logické, že indexy afinity za tematické kategorie budou spíše nižších hodnot. Výsledky analýzy zobrazuje Tab. 6. POŘADÍ KATEGORIE SERVERŮ INDEX

PROFIL

AFINITY REACHE 1.

Auto-moto

111,73

46,95%

2.

Těhotenství a rodičovství

108,24

45,49%

3.

Bydlení a reality

104,17

43,78%

4.

Sport

101,40

42,61%

5.

Komunikační služby

101,31

42,57%

Tab. 6. Preference uživatelů ve věku 30 - 49 let. Zdroj autoři, vytěženo z dat Netmonitor - SPIR - Mediaresearch & Gemius, červen 2014.

U střední věkové skupiny uživatelů je pozorovatelný nadprůměrný zájem o servery kategorie Auto-moto a Těhotenství a rodičovství. Jedná se o kategorie s nejvyšším indexem afinity a zastoupení dané cílové skupiny v jejich návštěvnosti. Problematickým se však ukazuje dosah, jelikož nabývá spíše nižších hodnot. Kategorie Auto-moto má ještě dosah zajímavý, dokáže zasáhnout zhruba třetinu této věkové skupiny (30,64 %). Oproti tomu kategorie Těhotenství a rodičovství zasáhne pouze 14,72 % těchto uživatelů. Relativně zajímavá se pak jeví kategorie Bydlení a reality s nižším indexem afinity, avšak dosahem 32,84 %. Kategorie s vyšším dosahem již trpí nízkou homogenitou návštěvníků z hlediska věku. Při zohlednění pohlaví u této věkové skupiny uživatelů vycházejí rozdílné preference tematických kategorií s vyššími hodnotami indexu afinity. Muži ve věku 30 – 49 let navštěvují nadprůměrně tyto kategorie serverů: 1. Auto-moto (index afinity 137,62), 2. Mužské magazíny o životním stylu (index afinity 116,28), 3. Sport (index afinity 115,64), 4. IT servery, mobilní a digitální technologie (index afinity 106,28), 5. Ekonomika, finance, právo (index afinity 100,47). Ženy v této věkové skupině vykazují nadprůměrný zájem o tyto kategorie serverů: 1. Těhotenství a rodičovství (index afinity 139,55), 2. Zdraví (index afinity 115,46), 3. Zájmové servery, hobby (index afinity 110,39), 4. Komunikační služby (index afinity 108,50), 5. Bydlení a reality (index afinity 108,23). Ve střední věkové kategorii lze nalézt spíše méně homogenní kategorie jak u mužů, tak u žen. Typicky ženských kategorií je zde více, což je rozdíl oproti nejmladší věkové skupině. Pro střední věkovou kategorii existují rovněž internetové servery s relativně vysokými hodnotami indexu afinity a profilu reache, spíše ale s nižším dosahem. Vzhledem k velkému zastoupení této věkové skupiny zde nejsou vůbec zastoupeny servery s indexem afinity vyšším

Acta Informatica Pragensia 149 než 200, jako tomu bylo u nejmladších uživatelů. Příkladem mohou být servery Powerplaymanager.com (index afinity 163,11, profil reache 68,55 %), I-creative.cz (index afinity 146,42, profil reache 61,53 %), Mtbs.cz (index afinity 146,36, profil reache 61,51 %), Mojebetynka.cz (index afinity 144,27, profil reache 60,63 %) nebo Mojetehotenstvi.cz (index afinity 143,73, profil reache 60,40 %). Vyšší návštěvnosti dosahuje např. server Tipcars.com (index afinity 128,93, profil reache 54,18 %). Větší servery s homogenní návštěvností ryze pro věkovou kategorii 30 – 49 let nejsou v podstatě k dispozici. Cílení podle afinity se zde ukazuje jako relativně problematické. Nejstarší věková skupina uživatelů tvoří menší část internetové populace. Tato skutečnost se odráží v relativně nižších hodnotách ukazatele složení návštěvníků (profilu reache). Při cílení na starší internetovou populaci prostřednictvím afinitních kategorií serverů bude efektivita zásahu nižší, jelikož větší část impresí reklamy i na těchto serverech zasáhne spíše mladší věkové skupiny. Z hlediska hodnot indexu afinity patří mezi nadprůměrně navštěvované kategorie serverů Sport a Ekonomika a právo. Primárně se jedná o informační servery, což je v souladu s předpokladem, že na internetu se pohybují ve srovnání s běžnou populací spíše vzdělanější lidé. Výsledky analýzy za věkovou skupinu 50 a více let zobrazuje Tab. 7. Jednotlivé kategorie se přirozeně liší také dosahem. Zatímco profil reache je pro nejstarší věkovou skupinu v uvedených pěti kategoriích velmi podobný, největší dosah nabízí kategorie Zpravodajství, a to 77,94 %. Naopak servery zaměřené na bydlení a reality nabízejí dosah pouze 35,81 %. POŘADÍ KATEGORIE SERVERŮ

INDEX

PROFIL

AFINITY REACHE 1.

Sport

119,10

31,53%

2.

Ekonomika, finance, právo

118,04

31,25%

3.

Bydlení a reality

113,62

30,08%

4.

Zpravodajství

113,32

30,00%

5.

Magazíny zaměřené na ženy a módu 112,01

29,65%

Tab. 7. Preference uživatelů ve věku 50 a více let. Zdroj autoři, vytěženo z dat Netmonitor - SPIR Mediaresearch & Gemius, červen 2014.

Pokud jde o rozdíly preferencí mezi nejstaršími muži a ženami, výsledky analýzy ukazují na poměrně odlišné preference. Nadprůměrný zájem mužů ve věku 50 a více let lze pozorovat u těchto kategorií: 1. Sport (index afinity 132,53), 2. Ekonomika, finance, právo (index afinity 122,63), 3. Zpravodajství (index afinity 115,82), 4. Společenské magazíny (index afinity 110,94), 5. Auto-moto (index afinity 110,36). Ještě výrazněji se tedy projevuje zájem o informační obsah zpravodajských serverů, včetně témat sportu, ekonomiky, financí a práva. Ženy ve věkové skupině 50 a více let projevují nadprůměrný zájem o následující kategorie:

150 V. Stříteský, M. Stříteský 1. Bydlení a reality (index afinity 124,82), 2. Magazíny zaměřené na ženy a módu (index afinity 118,39), 3. Společenské magazíny (index afinity 112,83), 4. Ekonomika, finance, právo (index afinity 110,19), 5. Zdraví (index afinity 109,99). Ženy v nejstarší věkové kategorii relativně nejvíce upřednostňují zájmově a společensky orientované servery. Stejně jako u nejmladší věkové skupiny lze nalézt návštěvností homogennější kategorie serverů spíše u mužů než u žen. Pokud jde o konkrétní servery, kde je možné mnohem efektivněji zacílit nejstarší věkovou skupinu, nabízí se z hlediska indexu afinity poměrně zajímavý výběr. Slabší jsou pak bohužel hodnoty profilu reache, které – jak bylo uvedeno výše – jsou způsobeny nižším zastoupením této věkové kategorie v internetové populaci. Příkladem vhodných serverů jsou Moneymag.cz (index afinity 283,78, profil reache 75,12 %), Spa.cz (index afinity 232,34, profil reache 61,50 %), Prazskypatriot.cz (index afinity 219,75, profil reache 58,17 %), Ecards.cz (index afinity 214,01, profil reache 56,65 %). Tyto servery dosahují měsíční návštěvnosti v desítkách tisíc. Řádově vyšší návštěvnost nabízí server Eurozpravy.cz se stále zajímavou afinitou 211,51 (profil reache 55,99 %). I v případě věkových skupin byla věnována pozornost analýze průměrného stráveného času na uživatele za měsíc. Tento ukazatel doplňuje pohled na atraktivitu jednotlivých tematických kategorií serverů intenzitou konzumace jejich obsahu. První dvě kategorie serverů se neliší napříč věkovými skupinami, neboť je pro ně delší strávený čas typický v celé internetové populaci. Jedná se o již uvedené kategorie HP rozcestníků (7 h 20 min u nejmladší, 8h 44 min střední a 7 h 27 min nejstarší věkové skupiny uživatelů) a Komunikační služby (3 h 35 min u nejmladší, 6 h 0 min u střední a 6 h 40 min u nejstarší věkové skupiny). Nejmladší uživatelé ve věku 10 – 29 let dále tráví nejvíce času v kategoriích Komunitní a teens servery, fotogalerie (2 h 09 min), E-commerce (2 h 06 min) a Sport (1 h 58 min). Střední věková kategorie tráví nejvíce času dále v kategoriích E-commerce (2 h 08 min), Komunitní a teens servery, fotogalerie (1h 38 min) a Těhotenství a rodičovství (1 h 32 min). Nejstarší skupina uživatelů ve věku 50 a více let se kromě uvedených dvou kategorií vyskytuje nejčastěji v kategorii Zpravodajství (2 h 47 min), E-commerce (1 h 59 min) a rovněž tráví relativně hodně času při hraní her (1 h 57 min). U kategorie Zábava a hry je typická tím, že průměrný strávený čas zde roste s věkem. Mladí lidé zde tráví v průměru pouze 1 h 19 min, střední věková skupina pak 1 h 25 min.

5

Závěr

Internet jako jeden z typů marketingových médií je pro zadavatele reklamy velmi přitažlivý z mnoha důvodů, mj. však pro pestré možnosti přesného cílení reklamních sdělení. Jedním z mnoha způsobů cílení, který se snaží reklamní systémy inzerentům nabídnout, je cílení podle demografických znaků uživatelů. U řady reklamních systémů byla tato metoda cílení náročnou výzvou pro sběr údajů o návštěvnících internetu a z těchto důvodů byla zpřístupněna se značným zpožděním. Zřetelnou konkurenční výhodou tak bylo demografické cílení u platforem, kde mohla být data získávána registrací uživatelů. Typicky se jedná např. o sociální sítě, jako je Facebook nebo Google Plus, který je dalším zdrojem demografických údajů pro

Acta Informatica Pragensia 151 obsahovou síť reklamního systému Google AdWords. Nevýhodou bývá relativně omezený dosah těchto systémů, zejména pak pro vybrané cílové skupiny, který je dán počtem a profilem registrovaných uživatelů dané služby. Google proto musí pro neregistrované uživatele odhadovat demografický profil z jejich chování (navštívených webových stránek a vyhledávání). Limitem bývá rovněž možnost oslovit uživatele pouze v rámci návštěvy dané sociální sítě (viz Facebook), kde připravenost k nákupu bývá velmi omezená. Alternativou je tak tradiční způsob cílení umístěním reklamy na obsahové servery, u kterých je znám demografický profil návštěvníků. Umístění reklamy na internetové servery s vysokou návštěvností a zároveň afinitou k vymezené cílové skupině může představovat velmi účinný způsob cílení. Z výsledků analýzy vyplývá, že tento tradiční způsob demografického cílení klade i v prostředí internetu s velkým množstvím tematicky zaměřených serverů poměrně vysoké nároky na plánování reklamních kampaní. Pro široce definované cílové skupiny podle pohlaví a věku lze v některých případech nalézt tematické kategorie s vysokou hodnotou indexu afinity, uspokojivějších výsledků je však dosaženo až při pečlivém výběru konkrétních internetových serverů. Homogenita návštěvnosti je napříč tematicky vymezenými kategoriemi internetových serverů spíše nižší. Uspokojivé výsledky prokázala analýza při cílení na muže, kdy hned dvě široké kategorie serverů mají zastoupení mužů více než 60 %. Jedná se o kategorie Mužské magazíny o životním stylu a Auto-moto. Pro ženy je takto příznačná pouze jedna kategorie internetových serverů, a to Těhotenství a rodičovství. Velmi překvapujícím zjištěním je téměř poloviční zastoupení mužů mezi návštěvníky magazínů zaměřených na ženy a módu. Obecně z analýzy vycházejí vyšší nároky plánovaní reklamy při cílení na ženy. Pečlivým výběrem konkrétních serverů lze však na obě pohlaví cílit při oslovení dané supiny s přesností mezi 80 – 90 %, avšak s přihlédnutím k nižším hodnotám dosahu reklamní kampaně. V případě věkových skupin ukazují výsledky analýzy na homogennější návštěvnost u nejmladších uživatelů. Byly zde identifikovány široké kategorie internetových serverů s relativně vysokým podílem na jejich návštěvnosti (mezi 40 a 50 %) a zároveň uspokojivým dosahem. Vysoké hodnoty indexu afinity vychází zejména pro mladé muže, které lze efektivně zasáhnout reklamou na mužských magazínech o životním stylu. Výběrem konkrétních internetových serverů lze dosáhnout i na podíl mladých návštěvníků s hodnotou přes 90 %. U střední věkové kategorie, která mezi návštěvníky českého internetu převažuje, je obtížné nalézt témata s vyšší hodnotou indexu afinity. Největší podíl na návštěvnosti tvoří zejména v kategorii Auto-moto (týká se především mužů středního věku) a Rodičovství a těhotenství (týká se zejména žen středního věku). V této věkové skupině bylo identifikováno více ženských než mužských kategorií internetových serverů. Cílení lze opět zpřesnit výběrem konkrétních internetových serverů, podíl na návštěvnosti je zde i přesto relativně nižší, mezi 60 a 70 %. U starší věkové skupiny (50+) se stále ukazuje využití internetu pro efektivní oslovení jako problematické. Některé kategorie jsou pro starší věkovou skupinu charakteristické, jedná se zejména o informační servery. Homogennější preference v této věkové skupině se prokázaly spíše u mužů, kdy bylo identifikováno několik širokých kategorií internetových serverů s relativně vysokými hodnotami indexu afinity. Problematickým je však ukazatel složení návštěvníků, kdy starší populace tvoří maximálně třetinu návštěvnosti a reklamní sdělení tak z větší části mine cílovou skupinu. Umístění reklamy na vybrané internetové servery řeší tento problém pouze částečně, lze sice vybrat servery s vysokými hodnotami indexu afinity, avšak opět spíše s nižší hodnotou složení návštěvníků, která se pohybuje maximálně mezi 50 a 60 %. S rostoucí penetrací internetu u této věkové skupiny lze však očekávat postupné zvyšování efektivity takto cílené reklamy.

152 V. Stříteský, M. Stříteský Výsledky analýzy tedy ukázaly, že zejména při cílení podle pohlaví, zvláště pak na muže, a při cílení na mladší věkové kategorie lze poměrně účinně využívat tradičního způsobu plánování reklamních kampaní dle afinit. Na druhé straně nelze opomíjet současný rozmach cílení internetové reklamy na základě uživatelských dat, které řeší problém neefektivních zobrazení reklamy mimo cílovou skupinu, kterému se při tradičním způsobu demografického cílení nelze nikdy zcela vyhnout. Poděkování: Článek vznikl za pomoci prostředků institucionální podpory na dlouhodobý koncepční rozvoj výzkumné organizace VŠE (IP306012). Data pro výzkumné účely laskavě poskytlo Sdružení pro internetový rozvoj (SPIR).

Seznam použitých zdrojů Bailey, A., Benedek, M., Reisman, G., & Deutch, L. (2012). Is interest-based targeting replacing demographic targeting as the new model? DM News, 16. Banerjee, S. & Dholakia, R. R.. (2012). Location-based mobile advertisements and gender targeting. Journal of Research in Interactive Marketing, 6(3), 198-214. doi: 10.1108/17505931211274679. Bergemann, D., & Bonatti, A. (2011). Targeting in advertising markets: Implications for offline versus online media. The Rand Journal of Economics, 42(3), 417-443. Berger, D. D. (2011). Balancing consumer privacy with behavioral targeting. Santa Clara Computer and High Technology Law Journal, 27(1), 3-61. Bok, H. J. (2014). An empirical study on factors influencing internet advertising effects. Advances in Management, 7(9), 6-11. Boudreau, M., & Watson, R. T. (2006). Internet advertising strategy alignment. Internet Research, 16(1), 23-37. Český statistický úřad. (2014a). Informační společnost v číslech: Domácnosti. http://notes.czso.cz/csu/2014edicniplan.nsf/t/AD0026B98C/$File/061004-14_B.pdf .

Retrieved

from

Český statistický úřad. (2014b). Informační společnost v číslech: Jednotlivci. http://notes.czso.cz/csu/2014edicniplan.nsf/t/AD0026B98D/$File/061004-14_C.pdf.

Retrieved

from

Cheyne, T., & Ritter, F. (2001). Targeting audiences on the internet. Communications of the ACM, 44(4), 94-98. Chitu, I. (2009). SOME ASPECTS REGARDING INTERNET ADVERTISING. Bulletin of the Transilvania University of Brasov. Economic Sciences Series, 2(51), 27-30. Goldfarb, A., & Tucker, C. (2011). Online advertising, behavioral targeting, and privacy. Communications of the ACM, 54(5), 25-27. doi:10.1145/1941487.1941498 Iyer, G., Soberman, D., & Villas-Boas, J. M. (2005). The targeting of advertising. Marketing Science, 24(3), 461476. doi:10.1287/mksc.1050.0117. Jansen, B., & Solomon, L. (2010). Gender demographic targeting in sponsored search. In Conference on Computer Human Interaction – CHI, (pp. 831-840). doi:10.1145/1753326.1753448. Jianqing, C., & Stallaert, J. (2014). An economic analysis of online advertising using behavioral targeting. MIS Quarterly, 38(2), 429. Khare, N. (2009). Cross-Culture Internet Advertising. Indian Journal of Economics and Business, 8(1), 167-177. Nelson-Field, K., & Riebe, E. (2011). The impact of media fragmentation on audience targeting: An empirical generalisation approach. Journal of Marketing Communications, 17(1), 51-67. doi:10.1080/13527266.2010.484573. NetMonitor. (2012). NetMonitor má nové obsahové http://www.netmonitor.cz/netmonitor-ma-nove-obsahove-kategorie.

kategorie.

Retrieved

from

Acta Informatica Pragensia 153 Sdružení pro internetovou reklamu. (2014). TZ Internetová inzerce loni přesáhla 13 miliard, za posledních pět let vzrostla dvojnásobně. Retrieved from http://www.spir.cz/tz-internetova-inzerce-loni-presahla-13-miliardza-poslednich-pet-let-vzrostla-dvojnasobne. Sedláček, J. (2006). E-komerce: internetový a mobil marketing od A do Z. Praha: Ben. Tahal, R. (2014). Loyalty Programs in E-commerce and their Perception by the Young Adult Internet Population. Central European Business Review, 2(3), 7-13. Vysekalová, J. a Mikeš, J. (2007) Reklama: Jak dělat reklamu. Vyd. 2. Praha: Grada Publishing. Ziaul, H. (2014). Perception towards internet advertising: A study with reference to delhi, mumbai and kolkata. Advances in Management, 7(9), 27-32.

Acta Informatica Pragensia 3(2), 2014, 154–167, DOI: 10.18267/j.aip.44 Online: aip.vse.cz

Sekce / Section: Recenzované stati / Peer-reviewed papers

Analýza nestrukturovaných dat z bankovních stránek na sociální síti Facebook Unstructured Data Analysis from Facebook Banking Sites Lucie Šperková1 1

Katedra informačních technologií, Fakulta informatiky a statistiky Vysoká škola ekonomická v Praze nám. W. Churchilla 4, 130 67 Praha 3 [email protected]

Abstrakt: Sociální sítě jako novodobý kanál pro sdílení online Word of Mouth představuje pro bankovní společnosti příležitost, jak analyzovat komunikaci a názory svých zákazníků, které zde veřejně sdílejí. Článek ukazuje proces a výsledky pokročilé kontextové analýzy těchto nestrukturovaných dat vybraných veřejných bankovních stránek na sociální síti Facebook. Analýza zákaznických názorů, problémů a přání může hrát významnou roli pro pozici těchto společností na trhu a jejich orientaci na zákazníky. Využity byly metody shlukování a sentiment analýz, výsledky odrážejí stav chování zákazníků a bank na této síti. Článek zdůrazňuje důležitost problematiky Word of Mouth a jeho analýz informačními technologiemi. Zároveň diskutuje, jak analýza kontextu může přenést marketing na další úroveň identifikace zákazníkova chování a jeho vztahu ke společnosti. Klíčová slova: Nestrukturovaná data, Facebook, shlukování, sentiment analýza, Voice of Customer, Word of Mouth, banka. Abstract: Social networks as a modern channel for sharing online Word of Mouth is an opportunity for banking companies to analyse the communications and opinions of their customers, which they are sharing publicly. The article shows the process and results of these advanced contextual analyses of unstructured data of selected public banking pages on social networking site Facebook. The analysis of customer opinions, problems and desires may play an important role for the position of these companies in the market and their orientation to customers. Clustering methods and sentiment analysis were used, results reflect the state of the behaviour of customers and banks in this network. Paper highlights the importance of the issue of Word of Mouth and its analyses by information technology. At the same time discusses how context analysis can migrate marketing to the next level of identification of customer behaviour and his relationship to the company. Keywords: Unstructured data, Facebook, Clustering, Sentiment analysis, Voice of Customer, Word of Mouth, bank.

Acta Informatica Pragensia 155

1

Úvod

S neustále vyšším používáním sociálních sítí mezi populací je generováno také čím dál větší množství nestrukturovaných dat. Ta mohou obsahovat vysoký potenciál pro získávání informací a marketingový výzkum. Zůstat konkurenceschopný v těchto podmínkách trhu znamená být více orientovaný na zákazníky a vést efektivní sociální marketingové kampaně. Kritickým faktorem tohoto úsilí je primárně analýza Voice of Customer (zkratka VoC), takzvaného hlasu zákazníka, jindy nazývaného jako Word of Mouth (zkratka WoM), v překladu slovo z úst. Přestože se tyto pojmy v literatuře zaměňují a je jimi chápáno to samé, lze v jejich definicích nalézt určité rozdíly. Hu et al., (2006) chápou WoM je veškerou neformální komunikaci směrovanou dalším konzumentům o vlastnictví, používání nebo charakteristikách daného produktu či služby nebo jejich prodejců, tedy společnosti a značky. Helm a Schlei (1998) definovali WoM marketing jako monitorování ústní komunikace, pozitivní i negativní, mezi zákazníky, dodavateli, nezávislými experty o značce, produktech, službách a dalších věcech týkajících se vybrané firmy. Tato druhá definice se ovšem více blíží definici Voice of Customer, kterému se věnují (Griffin a Hauser, 1993). Ti tvrdí, že cílem miningu VoC (dnes bychom řekli opinion miningu) je pochopení zákazníkových potřeb a jejich transformace do klíčových funkčních požadavků. Neříkají tedy nic o doporučování, hlavním záměrem většiny výzkumů WoM na internetu. Helm a Schlei (1998) rozdělují WoM na spontánní, které odpovídá definici VoC, organické, jímž je míněno ono doporučování a dále WoM amplifikované, jež je výsledkem marketingových aktivit cíleně podporujících šeptandu mezi lidmi. Zjednodušeně tedy lze říci, že pokud analyzujeme veškerý obsah, který uživatel napsal či řekl, analyzujeme tak jeho „hlas“, tedy VoC. Jeho vliv na další účastníky tohoto „hovoru“ lze pak řadit mezi WoM. Internetová verze WoM, v literatuře nazývaná také jako digitální (Hu et al., 2006), elektronické WoM (Choi a Scott, 2012) nebo online, se tak stává majoritním informačním zdrojem pro zákazníky. Jakýkoliv konzument na světě se může připojit na internet a přečíst si názory jiných. Tato komunikace má velmi významné důsledky pro širokou škálu manažerských činností, jako je například ‐ budování značky, ‐ získávání a udržení zákazníků, ‐ vývoj produktu, ‐ zajištění kvality. WoM doporučení skrz internet a sítě jsou jednoduchá, zdarma, volně dostupná a relativně efektivní data v šumu informací, jež nás obklopují. Lidé mají tendence věřit názorům ostatních více než letákům ve schránce, což má také důležitý dopad na jejich rozhodovací procesy. Ty jsou WoM ovlivňovány nejvíce, když zákazníci chtějí koupit produkt poprvé, je relativně drahý, nebo když zcela ne úplně rozumí produktu nebo službě, kterou aktuálně spotřebovávají (Bughin et al., 2010). Poslední případ je vidět zejména v oblasti bankovnictví. V takovém případě mají tendence hledat si více informací a srovnávat mezi několika službami, protože podmínky nákupu v tomto případě nejsou pro spotřebitele jasné a pochopitelné. Sociální síť, poskytující spotřebitelům vhodnou platformu pro sdílení jejich názorů, tak představuje posun v komunikaci tzv. „jeden na jednoho“ na šíření informace z jednoho uzlu na několik, viz výzkum Han a Niu (2012). Stejně tak umožňuje organizacím kromě propagace také naslouchat požadavkům a přáním svých uživatelů a tak zlepšovat své služby a produkty.

156 Šperková Obecně využívanou praktikou marketérů je manuální identifikace klíčových zákaznických potřeb z masových dotazníků, výzkumů a rozhovorů. Tyto nahodilé, těžko škálovatelné a k chybám náchylné procesy jsou časově a zdrojově velice náročné. Celkově společnosti utrácí za marketing značné části svých rozpočtů, v posledních letech většinou na komplikovaně koncipované kampaně, které potom manuálně vyhodnocují. (Bughin et al., 2010) Na zákaznická data se také soustředí datově řízené analytické moduly CRM napojené na frontend aplikace. Většina těchto metod je založena na standardizovaných strukturovaných datech a relačních schématech, kdy datová pozice determinuje chování algoritmu, především na základě klasifikací nebo asociačních pravidel typu if-then. I tyto procesy vyžadují velké úsilí a stojí za nimi aktivity třídění, čištění a transformace nestrukturovaných dat do matic, proto nejsou pro kontinuální exponenciální růst nestrukturovaných dat vhodné. Relační modely nejsou schopny odpovídat na otázky vyžadující nestrukturovaná data, tedy dodávat indiskrétní odpovědi na otázky obsahu a sentimentu daného textu. Data na webu jsou dynamická již ze své podstaty, jak se mění díky neustálé aktualizaci a doplňování nových informací ze strany uživatelů. Neschopnost tato data analyzovat uživatelsky přívětivou cestou představuje nejen technologickou výzvu, ale i změnu myšlení pro marketéry, kteří si význam těchto analýz musí uvědomit a především porozumět, jak generovat koordinované, konzistentní, relevantní odpovědi ve správný čas těm správným lidem. Jedině tak lze ovlivnit zákazníkovo rozhodování, doporučení, spokojenost a loajalitu.

1.1

Sociální marketing

Pravděpodobně nejpoužívanější metodou v digitálním sociálním marketingu je monitoring sociálních sítí. Obecně však výpočty návratnosti investic nelze uspokojit jen měřením počtu typu imprese či počtu fanoušků na síti. Pro hlubší zkoumání zákazníkovy loajality, chování a spokojenosti by data měla být čtena v širším kontextu, analyzován jejich obsah, sentiment a vztahy mezi daty a jejich kontextem. Dle Heudeckera (2013) nejsou sociální analýzy vyspělou technologií, přesto mají dobře identifikovány případy užití, které vysvětlují jejich hodnotu pro marketingový výzkum. Han a Niu (2012) provedli výzkum propagace WoM na sociálních sítích, ale cíl byl ukázat vliv různých uzlů v síti, nikoliv dolování kontextu. Navzdory popularitě sociální sítě Facebook, neexistuje moc prací řešící sentiment v této síti, např. (Bermingham et al., 2009). Více analyzovanými sítěmi jsou sítě mikroblogovací (Go et al., 2009; Pak a Paroubek, 2010; Barbosa a Feng, 2010). Veeck a Hoger (2014) provedli studii s určením kroků pro projekt marketingového výzkumu pro bakalářské stadium analyzující sociální média. Někteří dodavatelé analytiky již přidali do svých řešení nástroje pro sociální analýzy jako text miningové nástroje. Také open source komunity hledají jak využít analýzy obsahu pro lepší porozumění veřejného mínění a jeho sentimentu. Existují dodavatelé nabízející SaaS API pro analýzy extraktů nestrukturovaných dat v cloudu, které dohromady s velkým objemem informací dostupných na internet akcelerují vývoj a adopci na tomto poli. Pro konkurenceschopnost dodavatelů jednoduchého monitoringu je nutné se posunout k hlubším analýzám a speciálním aplikacím. (Heudecker, 2013)

1.2

Stav bankovnictví v ČR

Bankovnictví v České republice zažilo v letech 2007-2011 růst, co se týče nově příchozích hráčů na trh (ČNB, 2014) a reorganizaci trhu, kdy tyto nové nízkonákladové instituce (konkrétně mBank S. A., organizační složka, Fio banka a.s., Air Bank a.s., ZUNO BANK AG, organizační složka a Equa bank a.s) přebírají klienty již zavedených bank, především velké čtyřky ČSOB, Komerční banky, České spořitelny a UniCredit Bank. Nedisponují sice

Acta Informatica Pragensia 157 hustou pobočkovou sítí, jsou považovány spíše za banky internetové, ale jako vůbec první na českém trhu lákají prospekty na nízké či nulové poplatky, úrokové sazby a rychlé jednoduché transparentnější služby ve formě internetových aplikací. Za několik let existence se jim podařilo převést více než více než 1,4 milionů klientů (Nacher, 2014) a velké bankovní domy na to musí reagovat, pokud nechtějí nadále ztrácet své klienty. Nové technologie přinesly do bankovního sektoru v posledních letech mnoho inovací. Klesá tak konkurenční výhoda velkých bank s hustou pobočkovou sítí, jejichž význam již není tak vysoký. Vícekanálová distribuce, digitalizace (Půlpánová, 2007), cloud banking, big data, komoditizace a sociální sítě jsou trendy udávající směr, kterým by se banky měly co nejdříve vydat. Právě sociální sítě mohou dle Morrisey (2012) bankám výrazně pomoci v posilování důvěryhodnosti a transparentnosti. Jejich prostřednictvím lze snadno šířit reklamu v podobě zákaznických doporučení. Budování klientské loajality je v současných podmínkách, kdy je možno snadno a často měnit banku, pro tyto instituce ještě důležitější než dříve. Analýza Voice of Customer může být proto kritická pro udržení konkurenceschopnosti na finančním trhu. Potenciál skrývá identifikace klientských potřeb a zájmů, trendů v bankovnictví, oblastí, kde je nutné zlepšování služeb, kde a jakým zákazníkům pomáhat s jejich problémy a zejména jak s nimi komunikovat v oblasti sociálních sítí.

2

Analytické metody využité při analýze WoM

Analýza byla provedena pomocí technologie Autonomy IDOL1 poskytující infrastrukturu pro řízení a procesování větších objemů nestrukturovaných dat. Data nejsou uložena relačně, ale v proprietární dokumentové struktuře a optimalizována pro rychlé zpracování. IDOL dokáže kontextuálně rozumět obsahu dat nezávisle na formátu. Pomocí statistických metod, dominujících nezávisle nad metodami přirozeného zpracovávání jazyka, provádí s daty analytické operace. Jádrem je identifikace vzorů, které se přirozeně vyskytují v textu na základě jejich užití a výskytu, které za určitých podmínek korespondují s daným kontextem. Technologie si buduje svou vlastní pravděpodobnostní mapu různých termínů, dle níž poté vrací relevantní výsledky na uživatelovy spuštěné operace, funkce a dotazy. Datový vzorek byl získán ze sociální sítě Facebook přes Autonomy konektory pro sociální média. Obsahuje veškeré veřejně dostupné příspěvky z veřejných stránek českých bankovních institucí za dobu jednoho roku od dubna 2013 do března 2014. Celkově 28 289 dokumentů od průměrně 200 uživatelů měsíčně se skládá v názvosloví Facebooku z 22 629 komentářů, 4 542 feedů, 1 061 fotografií a 746 postů. Najít užitečné informace v takových datech není triviální problém, musí se postupovat kaskádově po kouscích informací vydolovaných z textu. V takových situacích vyvstávají otázky, jako zda bude informace užitečná, či jak by měla vypadat, aby užitečná byla. Cílem bylo vyhnout se vymýšlení případů, které by mohly, ale také nemusely nastat. Je třeba také zmínit, že analýza nebere v potaz cenzury textů (mazání nevhodných příspěvků) ze strany administrátorů dané stránky, což je z hlediska vyhodnocování třetí stranou nereálné. Pokud by tímto vyhodnocovatelem byla sama banka, je možné zohlednit její vlastní cenzuru ovšem nikoliv konkurence. Analýza vycházela z výzkumu provedeným Harvard Business Review v roce 2010 (H.b., 2010) zkoumající různé aspekty a problematiku vztahů firmy a sociálních sítí. Část výzkumu je zaměřena na tématiku primárních benefitů společností využívajících sociální sítě a jejich

1

Technologie zakoupená společností HP. IDOL = Intelligent Data Operating Layer.

158 Šperková práce s nimi. Ukazuje, které primární důvody pro využívání sítí převládají v efektivních společnostech: ‐ Zvyšování povědomí o organizaci, značce, jejích produktech a službách mezi cílovými zákazníky. ‐ Zvyšování pozitivnějšího vnímání organizace a jejích produktů. ‐ Schopnost monitorovat, co bylo o organizaci řečeno. (H.b., 2010) Pokud budeme uvažovat bankovní instituce jako efektivní byznys uživatele sociálních sítí, závěry analýzy musí zodpovědět přinejmenším otázku, jak si organizace vede ve třech oblastech zmíněných výše. Na základě analytických výsledků by potom měly být spuštěny procesy vedoucí ke spokojenějším a loajálním zákazníkům. Povědomí bylo analyzováno srovnáním vývoje počtu příspěvků na sociálních stránkách jednotlivých institucí a identifikací počtu unikátních přispěvatelů v jednotlivých měsících. Jelikož datový vzorek obsahoval velké množství příspěvků, jejichž obsah nebyl znám, bylo využito shlukování jako nesupervizované techniky Machine Learningu. Ta se používá za podmínek, kdy není určena třída, se kterou by byl výstup asociován, ale vstupní instance mohou být rozděleny do přirozených skupin – shluků, které jsou navzájem homogenní ale mezi sebou heterogenní. Literatura popisuje mnoho algoritmů shlukování, např. (Feldman a Sanger, 2007; Berka, 2003; Witten at al., 2011; Tsiptsis a Chorianopoulos, 2009; Kruengkrai a Jaruskulchai, 2002). Nestrukturovaná data vstupují do shlukování jako celé dokumenty, kde jsou data pro lepší přístup uložena v předdefinované struktuře, v tomto případě v XML a IDX 2 formátu. Dokumenty jsou rozděleny do individuálních shluků reprezentujících konceptuální prostor se znalostní bází obsahující sadu položek se společnými charakteristikami. Základním předpokladem je hypotéza, že relevantní dokumenty mají tendenci si být navzájem více podobné než ty irelevantní, a tak pomáhají zlepšovat efektivitu vyhledávání, pokud je omezeno pouze na relevantní dokumenty. Postup analýzy byl proveden shora-dolů, z velkých jednotek shluků jsme tvořili pod-shluky, které zúžily data na jednotlivá témata. Nad těmito shluky jsme pak tvořili statistiky, dle kterých byl dodatečně dohledáván kontext, který objasňuje, co bylo o dané bance řečeno. K objasnění významu jednotlivých shluků byly příspěvky rozděleny do tří skupin dle sentimentu, jenž byl předem napočítán: ‐ Příspěvky spjaté s negativním sentimentem, ‐ příspěvky spjaté s pozitivním sentimentem, ‐ všechny příspěvky nehledě na sentiment. Analýza sentimentu pak dává také odpověď na otázku, jak je banka vnímána jejími zákazníky či prospekty. Kromě evaluace sentimentu je možné v datech číst také počty „líbí se mi“ pod každým příspěvkem a jejich součty za dané banky porovnávat v čase. Sentiment analýza využívá množství algoritmů, některé popisuje (Liu, 2008). V tomto výzkumu bylo využito klasifikační metody, tzv. opinion classification, jež využívá polarity sentimentu klasifikující, zda daný dokument vyjadřuje pozitivní nebo negativní o určitém objektu. (Kaur et al., 2013) V této analýze byl započítáván také neutrální sentiment, jehož váha je rovna nule a bipolární sentiment nesoucí negativní a pozitivní sentiment zároveň. Bipolární klasifikace se ale těžko určuje na jakémkoliv měřítku. V našem případě má daný termín skóre v negativním (záporná váha) i pozitivním případě (kladná váha), ale výsledek a přesnost musí být odvozena z datového vzorku. Váhy sentimentu jednotlivých slov jsou již přednastaveny v knihovně IDOL ve slovnících pro jednotlivé jazyky, sentiment chybějících 2

XML = Extensible Markup Language a IDX (proprietární Autonomy formát) jsou typy značkovacího jazyka, které strukturují daný soubor.

Acta Informatica Pragensia 159 slov lze ručně nadefinovat. Váha sentimentu je počítána jako souhrnné (absolutní) skóre sentimentu vyděleného součtem (rozdílem pro absolutní skóre) počtu negativního a pozitivního výskytu sentimentu. Výsledkem algoritmu je pak příznak s typem sentimentu a jeho hodnotou. Poté, co je spočítán sentiment nad příspěvkem, slovník vypíše polaritu a váhu sentimentu každého ze slov v příspěvku, vyhodnotí sentiment celého řetězce jako celku a určí téma (předmět), které tuto polaritu determinuje. function handler(document) positive = 0 negative = 0 score = 0 type = 0 for ii,field in ipairs { document:findField("*") } do local fieldname = document:fieldGetName(field) --print(fieldname) if fieldname == "SENTIMENT_POSITIVE" then positive = positive + 1 type = 1 elseif fieldname == "SENTIMENT_NEGATIVE" then negative = negative + 1 type = -1 elseif fieldname == "SCORE" then if type == 1 then score = score + document:fieldGetValue(field) elseif type == -1 then score = score - document:fieldGetValue(field) end end end document:addField("SENTIMENT_POSITIVE_COUNT", positive) document:addField("SENTIMENT_NEGATIVE_COUNT", negative) document:addField("SENTIMENT_COUNT", positive - negative) document:addField("SENTIMENT_SCORE", score) document:addField("SENTIMENT_WEIGHT", score / (positive + negative)) document:addField("SENTIMENT_WEIGHT2", math.abs (score) / (positive - negative)) end

Tabulka 1: Kód edukčního modulu pro počítání sentimentu. Zdroj (Autonomy, 2013).

3

Průběh a výsledky analýzy dat z Facebooku

Z identifikace společných vrcholů počtu příspěvků jednotlivých bank (Graf 2) lze pozorovat, kdy všechny banky vložily více příspěvků než předtím a kdy lze pozorovat významný pokles, který v tomto případě následuje vždy po vysokém růstu. Interpretovat to lze skutečností, že v určitý čas začnou banky promovat určitý produkt, nějakou událost nebo řešit nějaký problém aktivně s uživateli. Pokud je problém vyřešen, událost se již konala nebo nemá smysl dále promovat, počet příspěvků začne silně klesat. Z celkového počtu příspěvků měsíčně (Graf 1) byl vypozorován největší nárůst v říjnu 2013 (následovaný opětovným poklesem). Z analýzy kontextu a sentimentu (Graf 4, 5 a Tabulka 2) bylo vyvozeno, že tento nárůst byl způsoben vyřešením některých problémů spojených s internetovým bankovnictvím u Komerční banky. Na začátku října Komerční banka upravila svou aplikaci pro internetové

160 Šperková bankovnictví MojeBanka bez nutnosti běhu uživateli neoblíbené Javy. Pozornosti se také dočkalo otevření nové pobočky na Smíchově. Na konci října se také výrazně zvýšil počet příspěvků České spořitelny. Kontextová analýza ukázala, že nárůst způsobilo uvedení kampaně, kdy Česká spořitelna ke každému novému účtu dávala kávovar jako dárek, což způsobilo mnoho jak pozitivních, tak negativních uživatelských ohlasů. Česká spořitelna byla aktivní také v uvedení dalších programů jako zvyšování finanční gramotnosti mezi dětmi nebo navrácení uměleckých exhibic do galerie České spořitelny. Graf 3 srovnává počty příspěvků obsahujících název banky v součtech po týdnech. Zajímavé je odmlčení na konci roku, kdy si pravděpodobně uživatelé nechtěli kazit vánoční svátky psaním příspěvků o bankách. Oproti tomu lze sledovat vysoké nárůsty v příspěvcích zmiňujících Fio banku na konci září. Na základě shluku provedeným nad tímto obdobím bylo zjištěno, že banka spustila akci „karta Fio banky s Jawou kolem světa“. Ve 40. týdnu lze z množství příspěvků České spořitelny vyčíst uvedení a silné propagování loajálního programu IBod, odstartovaného 5. října. V prvních šesti týdnech se objevil IBod v příspěvcích průměrně osmkrát. Program byl vnímán velmi pozitivně. Nárůst příspěvků mBank na začátku roku 2014 způsobil vznik a prezentace nového internetového bankovnictví. Zajímavé jsou nízké hodnoty ČSOB. Tato banka není mezi autory vlastních příspěvků, proto také není mezi monitorovanými bankami. Naměřené hodnoty byly získány skrz zmínky na stránkách jiných bank. Naopak Unicredit banka sama vytvořila 587 postů jako sedmá nejvíc aktivní banka, ale její křivka je pouze o něco výše než ČSOB, protože není často zmiňována v obsahu příspěvků a lidé o ní tolik nemluví.

Graf 1: Celkový počet příspěvků měsíčně. Zdroj: Autorka.

Acta Informatica Pragensia 161

Graf 2: Počet příspěvků bank měsíčně. Zdroj: (Sperkova, 2014).

120 100 80 60 40

0

2013/07 2013/09 2013/11 2013/13 2013/15 2013/17 2013/19 2013/21 2013/23 2013/25 2013/27 2013/29 2013/31 2013/33 2013/35 2013/37 2013/39 2013/41 2013/43 2013/45 2013/47 2013/49 2013/51 2013/53 2014/02 2014/04 2014/06 2014/08 2014/10

20

Air bank Fio banka

Česká spořitelna GE Money

ČSOB Komerční banka

Equa bank mBank

Graf 3: Počet uživatelských příspěvků nesoucí název banky týdně. Zdroj: (Sperkova, 2014).

Dle výpočtu sentimentu popisovaným Tabulkou 1 vznikl Graf 4. Pokud je vyznění příspěvků spíše pozitivní, jsou bubliny více vlevo nahoře, naopak negativní jsou vpravo dole. Velikost bubliny ukazuje, kolik příspěvků daný název banky obsahoval. Sentiment analýza ukázala, že nejpozitivněji uživatelé mluví o Fio Bance, kdežto nejzápornější hodnocení má Zuno. Obě banky jsou zmiňovány ve stejném množství příspěvků. Nejméně příspěvků obsahuje název Raiffeisenbank, důvodem může být její malá aktivita na síti, je autorem pouze patnácti postů. Jiný důvod může být, že v analýze jsou brány v potaz pouze oficiální názvy bank, nikoliv mutace vytvořené uživateli, jako např. „Raiffka“. Nejvíce záznamů obsahuje Komerční banka s relativně pozitivním výsledkem.

Kladné hodnocení

162 Šperková

6 5 4 3 2 1 0

‐2

0

2

4

6

8

‐1

10

Záporné hodnocení KB

ČS

GE

RB

ČSOB

EQUA

FIO

AIR

ZUNO

Graf 3: Sentiment analýza příspěvků obsahujících název banky. Zdroj: (Sperkova, 2014)

Přes celou finanční oblast vzniklo 6 shluků, z nichž těmi největšími byly: Online bankovnictví/internet banking, Platební karty a Genius gratis. Přes klíčová slova v těchto shlucích byly vytvořeny pod-shluky (Tabulka 2), jejichž počet je udán v závorce za výrazem a ty největší jsou uvedeny pod výrazy.

Acta Informatica Pragensia 163

• • • • •

• • • •

• •

„úrok“ (12) • spořící účet „kreditní“ (1) • Kreditní karta / debetní karta „poplatky“ (1) • Studentský účet „úvěr“ (1) • Anuitní, hypoteční, splacené „Air“ (9) • srovnání s dalšími bankami • úrokové sazby na vkladových účtech • dostupnost online služeb „Zuno“ (1) • srovnání s dalšími „novými“ bankami „Equa“ (2) • srovnání s dalšími „novými“ bankami • spořící účet „GE Money“ (2) • Genius Gratis • před-nabité bezkontaktní nálepky „Komerční banka“ (3) • internetové bankovnictví • mobilní banka • refinancování „ČSOB“ (4) • srovnání s dalšími bankami • bankomat ČSOB „Česká spořitelna“ (1) • klientské centrum, péče o klienty

Tabulka 2: Seznam pod-shluků vytvořených nad klíčovými slovy. Zdroj: Autorka

S využitím JavaScript knihovny, vyhledávacích slov a výsledků ze shlukování byla vytvořena bundling mapa (Graf 5) obsahující vztahy mezi tématy, které se často spolu vyskytují. Nutné bylo data pročistit, aby v mapě zůstaly jen silné pojmy, tedy ty, které se vyskytovaly nejčastěji a zároveň měly silné vazby na pojmy další. Například pojem „re-půjčka“ se sice vyskytuje ve 104 příspěvcích, ale jeho další vazby nejsou nejspíše natolik silné, aby dávalo smysl je zobrazovat, proto mu zůstala vazba pouze na pojem „úvěrový účet“. Lze vidět, že názvy bank se často vyskytují spolu, jak lidé mají tendence služby bank porovnávat. Která banka si v povědomí lidí vede lépe je vidět v bublinovém Grafu 4.

164 Šperková

Graf 4: Mapa vazeb mezi tématy. Zdroj: (Sperkova, 2014)

Jelikož na Facebooku nelze přispívat anonymně, jsou tak známy autoři všech příspěvků. Graf 6 ukazuje nejoblíbenější stránky (líbí se mi) uživatelů, kteří na stránkách bank nechali 50 a více příspěvků a zároveň přispívali v říjnu 2013, který byl vyhodnocen jako nejaktivnější měsíc. Zajímavostí je, že z těchto asi 300 uživatelů byla jen zhruba třetina žen. Z těchto vysledků lze odvodit, že se nejvíce lidí zajímá kromě bank také o telekomunikace, seriály či řetězec Lidl. Velikost obdélníku znamená vyšší počet lidí. Z výsledku této analýzy vyplývá doporučení spolupráce s jinými firmami, o které se zákazníci zajímají nejvíce, např. vytvořením společného produktu, darování poukázek na produkty druhé firmy, vytvořením společných akcí apod. Příkladem je akce České spořitelny, která ke každému novému účtu darovala kávovar firmy, se kterou kooperuje. Z analýzy bylo dále identifikováno pět nejaktivnějších autorů a jejich aktivita v čase (Graf 7). Analýzou uživatelských „líbí se mi“ jsme zjistili, že tito uživatelé jsou aktivní také v jiných oblastech než finance, jako telekomunikace, politika nebo IT. Vzhledem k jejich aktivitě na síti tak mohou mít vysokou autoritu mezi dalšími uživateli jako tzv. opinion makers. Druhou možností je, že jsou to bankami najatí uživatelé, jejichž prací je právě přispívat na jejich stránkách a ovlivňovat tak zákazníky.

Acta Informatica Pragensia 165

Graf 5: Počty "líbí se mi" nejaktivnějších uživatelů za říjen 2013. Zdroj: Autorka

Graf 6: Identifikace nejaktivnějších uživatelů dle součtu jejich příspěvků. Zdroj: (Sperkova, 2014)

4

Diskuze a závěr

Ačkoliv výzkum provedený Harvard Business Review (2010) dospěl k názorům, že společnosti pracující efektivně se sociálními sítěmi jsou mimo jiné také více zaměřeny na zlepšování vnímání firmy zákazníkem, musí být poznamenáno, že jakékoliv úsilí v tomto

166 Šperková smyslu má svá omezení, která nemohou být ignorována. Je třeba si uvědomit, že v bankovnictví se jedná pouze o jeden z kanálů, se kterými zákazník přichází do styku s bankou. Jenom existence samotných sociálních sítí neznamená konec tradičních kanálů jako bankovních přepážek či call center nebo omezení jejich významu a vhodnosti. Lze ale tvrdit, že na rozdíl od těchto kanálů je Facebook veřejný, jedinečný obousměrný komunikační kanál, revoluční ve své bezprostřednosti a blízkosti bank svým zákazníkům. Obsah vidí daleko více zákazníků či prospektů, tedy tak může regulovat jejich názor na danou banku více než jiné kanály. Facebook tak má významný vliv na vytváření všeobecného vnímání zákazníky. Banka se může buď veřejně ztrapňovat, nebo ukázat, že je svým zákazníkům nápomocná. Přesto je těžké určit, do jaké míry je reputace banky je měněna skrz její aktivity na síti a jak vysoký podíl na tom má reálná hodnota jejích produktů a služeb. Nicméně data na Facebooku mohou reflektovat vliv banky na své zákazníky jak skrz sítě, tak skrz jiné kanály. Tento vztah mezi kanály a reputací banky je M:1. Bankovní sektor je na rozdíl od retailového sektoru nabízejícího spotřební zboží specifický i lehce rozdílným chováním svých uživatelů na sociálních sítích. Lze vyvodit, že lidé využívají sítě bankovních institucí relativně aktivně, pokud jde o nějaký problém, např. s internetovým bankovnictvím, výši poplatků za vedení účtů, dále diskutují názory na kampaně vedené bankou a srovnávají banky mezi sebou. V datech také bylo často zaznamenáno, že dle názorů uživatelů, banky nejsou schopny řešit problémy svých zákazníků skrz návštěvu na pobočce nebo volání na call-centrum. Využívají tak Facebook jako technickou podporu. Ostatní lidé reagují na problémy druhých celkem aktivně a bezprostředně, proto je nutné soustředit pozornost na vhodné metody, jak reagovat na tyto stížnosti. To je nutné uvážit i při definici profilu zaměstnanců, kteří řídí bankovní sociální sítě, jejich přípravě a školení. Doporučení pro banky je přispívat, chovat se aktivně a proaktivně tak, aby měl koncový zákazník dojem, že i přestože má banka problém, je schopna ho řešit, což se nyní v mnoha případech neděje. Produkty by měly být promovány kontinuálně, nikoliv nárazově, a zároveň interaktivní cestou. I když na druhou stranu je nutné říct, že kontinuálnost je v současné době v praxi nereálné zejména z finančních a procesních důvodů. Musel by se tedy klást také důraz na změnu v těchto procesech. V dnešní spotřebitelské době nemají lidé problém se nahlas ozvat, když se jim něco nelíbí a je nutné, aby na tato volání byli poskytovatelé schopni flexibilně reagovat. Poděkování: Tento příspěvek byl vytvořen díky podpoře z grantu IGA F4/18/2014 řešeném na Fakultě informatiky a statistiky, VŠE v Praze.

Seznam použitých zdrojů Barbosa, L., & Feng, J. (2010, August). Robust sentiment detection on twitter from biased and noisy data. In Proceedings of the 23rd International Conference on Computational Linguistics: Posters (pp. 36-44). Association for Computational Linguistics. Berka, P. (2003). Dobývání znalostí z databází. 1. vydání. Praha: Academia, 366 s. ISBN 80-200-1062-9. Bermingham, A., Conway, M., McInerney, L., O'Hare, N., & Smeaton, A. F. (2009, July). Combining social network analysis and sentiment analysis to explore the potential for online radicalisation. In Social Network Analysis and Mining, 2009. ASONAM'09. International Conference on Advances in (pp. 231236). IEEE. Bughin, J., Doogan, J., & Vetvik, O. J. (2010). A new way to measure word-of-mouth marketing. McKinsey Quarterly, 2, 113-116.

Acta Informatica Pragensia 167 ČNB. (online 11. 6. 2014) Seznam měnových finančních institucí v České republice. [cit: 2014-11-06] Retrieved from ČNB: http://www.cnb.cz/miranda2/export/sites/www.cnb.cz/cs/statistika/menova_bankovni_stat/seznamy_mbs/s eznam_mfi/CZ_MFI_CZ_verze.xls Feldman, R., & Sanger, J. (Eds.). (2007). The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge University Press. Go, A., Bhayani, R., & Huang, L. (2009). Twitter sentiment classification using distant supervision. CS224N Project Report, Stanford, 1-12. Griffin, A., & Hauser, J. R. (1993). The voice of the customer. Marketing science, 12(1), 1-27. H.b. (01. 08. 2010). The New Conversation: Taking Social Media from Talk to Action. [online] 24 pages. Harvard Business Review, 10815-PDF-ENG. Retrieved from http://www.sas.com/resources/whitepaper/wp_23348.pdf Han, X., & Niu, L. (2012). Word of mouth propagation in online social networks. Journal of Networks, 7(10), 1670-1676. Helm, S., & Schlei, J. (1998). Referral potential–potential referrals. An investigation into customers' communication in service markets. In Track 1 Market Relationships, Proceedings 27th EMAC Conference, Marketing Research and Practice (pp. 41-56). ISQA. Hu, N., Pavlou, P. A., & Zhang, J. (2006, April). Can online word-of-mouth communication reveal true product quality? Experimental insights, econometric results, and analytical modeling. In Proceedings of the 7th ACM Conference on Electronic Commerce, Ann Arbor, Michigan, USA, June. Choi, J. H., & Scott, J. E. (2013). Electronic word of mouth and knowledge sharing on social network sites: a social capital perspective. Journal of theoretical and applied electronic commerce research 8(1), 69-82. Kaur, H. (2013). Opinion Mining Task and Techniques: A Survey. International Journal of Advanced Research in Computer Science, 4(3). Kruengkrai, C., & Jaruskulchai, C. (2002, July). A parallel learning algorithm for text classification. In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 201-206). Liu, Bing. (2008) Web data mining. Exploring hyperlinks, contents, and usage data, Corr. 2. print. Data-centric systems and applications. Springer, Berlin. Morrissey, S. (2012). Digitální svět nové generace mění bankovnictví. In Bankovnictví v proměnách času: Sborník textů k 20 letům České bankovní asociace. Praha: ČBA, s. 72-75. ISBN 978-80-260-3016-4. Nacher, P. (online 30.9.2014) Druhá fáze přechodu bankovních klientů se blíží. Bankovní poplatky. Retrieved from http://www.bankovnipoplatky.com/druha-faze-prechodu-bankovnich-klientu-se-blizi-25121 Pak, A., & Paroubek, P. (2010, May). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. In 7th International Conference on Language Resources and Evaluation, (pp. 1320-1326). Půlpánová S. (2007). Komerční bankovnictví v České republice. 1. vyd. Praha: Oeconomica, 338 s. ISBN 97880-245-1180-1. Sperkova, L. (2014) Word of Mouth Analysis on Facebook in Banking. In Marketing Identity: Explózia inovácií. Trnava. Tsiptsis, K., & Chorianopoulos, A. (2011). Data mining techniques in CRM: inside customer segmentation. John Wiley & Sons. Veeck, A., & Hoger, B. (2014). Tools for Monitoring Social Media: A Marketing Research Project. Marketing Education Review, 24(1), 37-72. Witten, I. H., Frank, E., & Mark, A. Hall (2011). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Acta Informatica Pragensia 3(2), 2014, 168–180, DOI: 10.18267/j.aip.45 Online: aip.vse.cz

Sekce / Section: Recenzované stati / Peer-reviewed papers

Prezentace bankovního a telekomunikačního sektoru na Google+ Presentation of the banking and telecommunications sector on Google+ Libor Měsíček1 1

Katedra informatiky, Přírodovědecká fakulta, Univerzita Jana Evangelisty Purkyně v Ústí nad Labem České mládeže 8, 400 96 Ústí nad Labem [email protected]

Abstrakt: Příspěvek se zaměřuje na charakteristiku přítomnosti vybraných zástupců bankovního a telekomunikačního sektoru na sociální síti Google+. V první části je charakterizován zkoumaný soubor, následně jsou jednotlivé profily popsány z pohledu míry, způsobu jejich využití a také vystupování zástupců společnosti. V druhé části článku jsou diskutovány vybrané příspěvky významných osob na Google+ vztahující se ke zkoumaným sektorům. Byl zjištěn rozdíl ve způsobu používání profilů společnostmi a to jak ve frekvenci tvorby příspěvků, způsobu vystupování, tak i ve formě reakce na kritické příspěvky a komentáře. Zároveň byl na příkladech příspěvků významných osob popsán stav, kdy reakce zástupce společnosti přispěla k další eskalaci konfliktu a jeho šíření sociální sítí. Klíčová slova: Google+, bankovní sektor, telekomunikace, příspěvek, sociální síť. Abstract: The article focuses on examples of the presence of the banking and telecommunications sector on Google+. In the first part investigated set is described, and then the individual profiles are discussed from the perspective of the ways of their use and also behaving of company representatives is mentioned. In the second part of the article chosen posts of important individuals on Google+ related to the investigated sectors are discussed. The difference was found in the ways how companies use their profiles, in the posting frequency, communication styles and goals, as well as in the form of responses to critical posts and comments. Also, the examples of the contributions of significant individuals were described where the response of the representative contributed to the further conflict escalation and spread through social network. Keywords: Google +, Banking sector, Telecommunications, Post, Social network.

Acta Informatica Pragensia 169

1

Úvod

Sociální sítě jako je Facebook nebo Google+ jsou již každodenní součástí životů velkého procenta spotřebitelů. Proto se na ně společnosti musí dívat jako na informační zdroj současného i potenciálního zákazníka, kanál rychlé zákaznické podpory i komunitní nástroj. Uživatelé sociální sítě Google+ mohou jednotlivým příspěvkům a komentářům přidělovat tzv. +1, což je obdoba Like na Facebooku. U příspěvku s vysokým počtem +1 a komentářů roste pravděpodobnost, že bude zařazen do kanálu „O čem se mluví“ a tím osloví další potenciální zákazníky. V článku (Paniagua & Sapena, 2014) je prokázána pozitivní korelace mezi počtem sdílení příspěvků, kladného hodnocení na sociální síti a tržní hodnotou společnosti. Sektory bankovnictví a mobilních operátorů byly zvoleny především proto, že jde o oblast podnikání s nízkou bariérou přechodu ke konkurenčnímu dodavateli služeb mj. díky přenositelnosti mobilních čísel, kodexu mobility klientů bank a zároveň vysoce homogenním produktem. Dalším významným faktorem při volbě těchto sektorů byla nasycenost trhu a tím i vysoký důraz na udržení stávajících zákazníků na rozdíl od situace v devadesátých letech minulého století.

2

Rešerše a výzkumné metody

Sociální sítě slouží mj. k rychlému sdílení aktuálních informací o událostech, na které klasická média nejsou schopna dostatečně pružně reagovat a v některých případech slouží pro zpravodajské stanice a média jako pohotový zdroj informací s diskutovatelnou spolehlivostí a v závislosti na použité platformě i odlišné formě šíření informace (Scifleet, Henninger & Albright, 2013). Zároveň je možné identifikovat korelaci mezi určitou událostí a špičkou v zájmu o určité slovo, téma nebo hashtag (Zhao et al., 2012). Míra virálnosti šíření jednotlivých příspěvků se může lišit mj. podle použitých forem vyjádření sdělení (Guerini, Staiano & Albanese, 2013). Problematika řízení vztahu se zákazníkem, propagace i přítomnosti na sociálních sítích je diskutována v řadě publikací. V případě nespokojenosti s úrovní poskytovaných služeb společnosti může u zákazníků vnikat pocit nespokojenosti, frustrace, hněvu až ukřivdění. Takový zákazník se pak může snažit šířit na různých webových portálech, fórech a sociálních sítích o společnosti negativní informace. Dalším důsledkem je klesající loajalita ze strany onoho zákazníka a ochota nadále používat produkty dané firmy. S rostoucí mírou nespokojenosti pak roste i pravděpodobnost, že svoji nespokojenost vyjádří nejen ve virtuálním prostředí, ale rozhodne se opustit danou společnost (Kalamas; Laroche & Makdessiann, 2008). Počet osob, které může osoba nespokojená s kvalitou služeb s minimálními náklady na šíření informace ovlivnit, roste s jejím významem a pozicí v sociální síti. Jak popisuje (Huffaker, 2010) z pohledu sítě významné osoby mohou jednoduše ovlivňovat ostatní vyjadřováním k určitému tématu především díky schopnosti jasně formulovat myšlenku, asertivitou a vysokou aktivitou v síti. Jedním ze stále relevantních nástrojů pro určitý segment populace (Generace Y) přesto zůstává e-mailová kampaň zaměřená na konkrétní zákazníky či další tradiční marketingové nástroje pro propagaci bankovních služeb (Kabirou & Gao, 2013).

170 Měsíček

2.1

Metodologie

Prvním cílem článku je popsání přítomnosti vybraných významných společností působících v České republice a zároveň na sociální síti Google+ z pohledu využití tohoto nástroje k propagaci svých produktů a služeb, budování pozitivního obrazu společnosti a řešení potenciálně konfliktních reakcí na příspěvky. Druhým cílem je zjištění míry vlivu a vyjadřování se ke kvalitě služeb nejvýznamnějšími osobami na sociální síti Google+ z pohledu počtu sdílení jejich příspěvků, diskuze získaných dat a vyvození závěrů o daném vzorku. K získání informací o situaci na sociální síti Google+ byl použit nástroj CircleCount (www.circlecount.com). Na základě informací o subjektech působících ve vybraných sektorech byl proveden předvýběr vhodných profilů společností k diskuzi a hodnocení. U každého sledovaného profilu byly zkoumány veřejné příspěvky a komentáře z období 2012 až 2014 s důrazem na rok 2014. Nástroj CircleCount se pak omezuje na období posledních 4 týdnů.

Průměrný počet +1 na příspěvek

K charakteristice příspěvků na Google+: Obrázek 1 popisuje průměrný počet udělených +1 u příspěvků za poslední 4 týdny a zároveň u maximálně posledních 50 příspěvků na jednotlivých profilech z ČR s více než 10 000 sledujícími. Z grafu na Obrázku 1 je patrné, že jen 8 profilů evidovaných pod Českou republikou má podle CircleCount průměrný počet udělených +1 u svých příspěvků vyšší než 10 za poslední 4 týdny a u maximálně posledních 50 příspěvků.

Obr. 1. Průměrný počet udělených +1 u příspěvků na profilech z ČR s více než 10 000 sledujícími za poslední 4 týdny a u maximálně posledních 50 příspěvků. Zdroj (CircleCount, 2014).

Pokud se zaměříme na nejkomentovanější (průměrný počet komentářů na jeden příspěvek) profily na Google+ jednoznačně vede T-Mobile CZ díky politice přibližně jednoho příspěvku za měsíc. Obrázek 2 ilustruje další významné profily z pohledu průměrného počtu komentářů pod příspěvky za poslední 4 týdny a u maximálně posledních 50 příspěvků.

Průměrný počet komentářů na příspěvek

Acta Informatica Pragensia 171

Obr. 2. Průměrný počet komentářů u příspěvků z ČR na Google+ pro profily s více než 10 000 sledujícími účty za poslední 4 týdny a u maximálně posledních 50 příspěvků. Zdroj (CircleCount, 2014).

Pro identifikaci významných osob z pohledu sdílení, počtu sledujících a počtu přidělených +1 byl opět použit CircleCount.

3

Řešení a výsledky

3.1

Segment mobilních operátorů

Do průzkumu chování a přítomnosti na Google+ byli zahrnuti všichni tři hlavní mobilní operátoři působící na území České republiky a vybraní virtuální operátoři v jejich sítích. Tabulka 1 shrnuje základní charakteristiky jejich profilů na Google+. Klíčem k volbě uvedených operátorů z množiny téměř 80 operátorů působících v České republice byl především jejich tržní podíl a aktivita (počet příspěvků a komentářů vztažených k danému operátorovi) na Google+. Operátor

Profil

Počet fanoušků

Počet zobrazení

Počet příspěvků za listopad 2014

CANISTEC s.r.o. (Voocall)

+VoocallCz

114

21 809

0

MAFRA a.s. (Mobil.cz)

280

97 596

0

MAXPROGRES mobile, s.r.o. (99mobile)

14

25 904

0

31 157

1 752 351

5

5

19 895

0

O2 Czech Republic a.s.

+O2 CZ

SAZKA a.s. (Sazka Mobil) T-Mobile Czech Republic a.s.

+TMobileCZ

32 790

1 019 035

1

Vodafone Czech Republic a.s.

+VodafoneCZ

31 700

1 106 455

3

Tab. 1. Přehled vybraných profilů mobilních operátorů na Google+. Zdroj autor.

172 Měsíček Vzhledem k nízké aktivitě virtuálních operátorů se další analýza zaměří na O2, T-Mobile a Vodafone. T-Mobile používá příspěvky především k propagaci služeb (např. mobilní televize, pokroku v pokrytí území), nových zařízení a informací ze zákulisí společnosti. V diskuzích pod příspěvky reaguje zástupce společnosti zpravidla do druhého dne a dokáže se vyrovnat i s nespokojenými zákazníky, zároveň poskytne rady spojené s nepříliš komplexními problémy. Frekvence publikování příspěvků je ovšem nízká. Vodafone využívá účet na Google+ k propagaci svých produktů a podpoře svých dalších marketingových kanálů. Příkladem může být aktuální kampaň s Tomášem Vernerem a tvorba očekávání u sledujících osob před samotným odhalením kampaně. Na profilu jsou zmíněny i charitativní aktivity a další činnosti. Struktura odpovědi zástupce operátora je v podstatě vždy strukturována: +Jméno tazatele, Pozdrav, Křestní jméno tazatele, Odpověď, Křestní jméno odpovídajícího. Tento standard může přispívat k dalšímu posílení loajality zákazníka. Na komentáře pod příspěvky stejně jako zástupci ostatních operátorů dokáže zástupce Vodafone reagovat s krátkou prodlevou a obvykle tak, že nedochází k další eskalaci konfliktu. Příklad zvládnutí situace je na Obrázku 3.

Obr. 3. Příklad komunikace zástupce společnosti Vodafone na Google+. Zdroj (Google+, 2014a).

O2 zveřejňuje své příspěvky častěji než T-Mobile, díky tomu má možnost udržovat se ve streamu sledujících osob, obsah příspěvků je obdobný jako u Vodafone. Komentáře zástupce operátora pak mají podobnou strukturu jako u Vodafone s tím rozdílem, že často používají zdrobnělinu křestního jména odpovídajícího zástupce O2. Pokud nereaguje na komentář pod příspěvkem společnosti její zástupce, jeho roli v některých případech přebírá běžný uživatel, který se snaží objasnit problém a situaci vyřešit. Příkladem je příspěvek na profilu O2 vztahující se k podvodným e-mailům s žádostí o úhradu vyúčtování. Přestože na komentář pana Hájka zástupce společnosti O2 nereagoval, problém objasnili další uživatelé sítě (viz Obrázek 4).

Acta Informatica Pragensia 173

Obr. 4. Příklad vyřešení dotazu dalšími uživateli sítě bez zásahu zástupce společnosti. Zdroj (Google+, 2014g) upraveno autorem.

3.2

Segment bankovních institucí

V české republice v současnosti podle (ČNB, 2014) působí 45 bank nebo poboček zahraničních bank, 11 družstevních záložen, 15 zastoupení zahraničních bank a 358 úvěrových společností. Z této množiny subjektů byla vybrána podmnožina (uvedena v Tabulce 2) opět podle kritéria podílu na trhu a aktivity na sociální síti.

174 Měsíček Subjekt

Profil

Počet fanoušků

Počet zobrazení

Počet příspěvků za listopad 2014

Air Bank a.s.

+airbank

1778

663 569

3

255

556 213

2

Česká spořitelna, a.s. Equa bank a.s.

+equabank

206

147 250

1

Fio banka, a.s.

+fiobanka

372

163 403

7

Komerční banka a.s.

+komercnibanka 54

724 74

25

mBank S.A., organizační složka

+mbankcz

576 022

9

1531

Tab. 2. Přehled vybraných profilů bankovních institucí operátorů na Google+. Zdroj autor.

Air Bank využívá příspěvky jako nástroj pro posílení vztahu se zákazníkem, neomezuje se pouze na propagaci svých produktů a služeb, ale zároveň informuje o dění v bance, jejím rozvoji, zmínkách o produktech společnosti v televizních pořadech (Applikace) nebo o ocenění svých produktů v testech. Reakce na komentáře je zpravidla ještě ten samý den, nedrží se ovšem na rozdíl od Vodafonu pevně daného schématu. Česká spořitelna svůj profil používá obdobným způsobem jako Air Bank, informuje o produktech, akcích podporovaných společností nebo se prostřednictvím profilu snaží zvýšit informovanost klientů v oblasti bezpečnosti. Na druhou stranu zástupce společnosti na komentáře pod příspěvky v podstatě nereaguje a to ani na ty pochvalné. Equa bank propaguje na svém profilu produkty (např. pojištění, půjčky atd.) a zároveň informuje o soutěžích, oceněních společnosti, dosažní důležitých milníků a dění ve společnosti. Na občasné komentáře klientů ovšem reaguje spíše stroze a zřídka (od srpna do listopadu 2014 pod šesti příspěvky jen 7 komentářů a jeden komentář pod hlavičkou společnosti). Fio banka při používání profilu sleduje podobný trend jako např. Air bank, s klienty, i těmi potenciálními, se snaží udržovat kontakt ne jen nabídkou služeb, ale i informacemi o akcích banky, oceněními. Zároveň zapojuje své klienty do betatestování a designu svých aplikací. Právě to, že dochází k zapojení budoucích uživatelů komerčního softwaru do vývoje a reflektování jejich požadavků i velkými společnostmi lze onačit za jeden z trendů roku 2014 při procesu vývoje (viz Microsoft a způsob vývoje Windows 10). Obdobně zapojuje do vývoje aplikací své klienty např. Air Bank. Zároveň zástupce banky průběžně reaguje na komentáře pod příspěvky, ovšem v některých případech s prodlevou. Komerční banka používá profil aktivně (až desítky příspěvků měsíčně) a ke splnění široké palety cílů. Kromě tradiční propagace produktů a služeb se pokouší o odlehčené informování o zajímavostech spojených s předmětem podnikání ale i zapojení do různých akcí (např. Movember). Je třeba konstatovat, že na většinu výzev k diskuzi nad nějakým tématem nikdo nereagoval. Dochází tak k situacím, kdy snaha o velký počet příspěvků může působit na návštěvníka negativně. Příkladem neúspěšného příspěvku je Obrázek 5.

Acta Informatica Pragensia 175

Obr. 5. Příklad příspěvku, který po téměř měsíci po uveřejnění může působit na návštěvníka negativně. Zdroj (Google+, 2014b).

mBank využívá profil především k informování klientů o produktech a službách a jejich úpravách, bezpečnostních rizicích a udělení cen. Pod příspěvky se ovšem často objevují negativní reakce, např. na změny v internetovém bankovnictví nebo ocenění děleným prvním místem ve srovnávacím testu, které bylo bankou prezentováno výrazně pozitivněji, než jaká byla podle čtenářů realita. Zároveň zástupce banky nedokázal zcela adekvátně reagovat na kritiku (viz Obrázek 6).

Obr. 6. Příklad reakce mBank na negativní komentář. Zdroj (Google+, 2014c).

3.2.1

Prezentace společnosti významnými uživateli

Předchozí text byl zaměřen především na obraz mobilních operátorů a bank tvořený samotným subjektem. Zásadním prvkem sociálních sítí a webu obecně je ovšem svoboda tvorby obsahu samotnými uživateli. Při hledání informací a dat nalezne uživatel celou řadu příspěvků týkající se těchto subjektů. I tyto příspěvky, především pokud pochází od osoby s velkým počtem sledujících, mohou přispět k pozitivnímu nebo negativnímu vnímání zmíněné společnosti. Příkladem je účet Marka Lutonského. Tento účet má 5 858 fanoušků a 3 063 588 zobrazení, tedy více než čtyřikrát vyšší návštěvnost než nejnavštěvovanější zkoumaný profil bank a zároveň byl v době přípravy článku na šestém místě v rámci České republiky v průměrném

176 Měsíček počtu komentářů pod jeho příspěvky, sedmý v České republice v průměrném počtu sdílení jeho příspěvků a 25. v průměrném počtu udělených +1. Dalším účtem, který se vyjadřuje k bankám a zároveň disponuje vysokým počtem sledujících (9 228) a především s více než 87 miliony zobrazení je František Fuka. Pokud uživatel hledá informace např. o mBank nebo Equa bank mezi prvními výsledky na Google+ se pravidelně objevují příspěvky právě těchto a jim podobných významných účtů. Příklad negativního příspěvku analyzujícího změny, který se zobrazí při hledání mBank je na Obrázku 7. Tento příspěvek během 6 dnů přímo sdílelo 8 dalších účtů, přidáno bylo 34 komentářů a 48 +1.

Obr. 7. Příklad kritického příspěvku o mBank šířícího se sítí. Zdroj (Google+, 2014d) upraveno autorem.

Příklad negativního příspěvku o České spořitelně a zmínka o mBank a Fio bance je na Obrázku 8 společně s mapou dalšího šíření tohoto příspěvku. Tento příspěvek ačkoli je z roku 2012 je stále mezi prvními při vyhledávání České spořitelny na Google+. Pokud bude potenciální zákazník hledat podrobnější informace o bance, nalezne tuto zkušenost a informaci o konkurentech v rámci daného sektoru. Zároveň se pod tímto příspěvkem rozvinula diskuze o změně banky a jeden z účtů začal mBank kritizovat za nevhodné načasování úpravy sazebníků. Zástupce společnost se diskuze v komentářích nezúčastnil (nelze vyloučit, že použil některý z „neověřených“ účtů). Je otázkou, zda by jeho otevřené vyjádření mohlo situaci uklidnit a nebo by jen přispělo k dalšímu zhoršení situace a rozšířilo řady diskutujících. Možnou strategií by bylo přiznání problému s „povinným“ vyplněním dotazníku, objasnění motivace a především omluva.

Acta Informatica Pragensia 177

Obr. 8. Příklad příspěvku kritického příspěvku vůči České spořitelně a doporučení služeb konkurence společně s mapou sdílení příspěvku. Zdroj (Google+, 2014e).

Dalším příspěvkem a ukázkou nevhodné reakce zástupce společnosti je na Obrázku 9. Situace s nefungujícím rušením souhlasu s inkasem po přechodu na novou verzi internetového bankovnictví mBank vyvolala řadu negativních reakcí a způsob, kterým reagoval zástupce mBank situaci jen dále rozdmýchal. Jeho odpověď zároveň byla do jisté míry anonymní neboť svou odpověď nijak nepodepsal a tím nezosobnil. Právě zosobnění a lepší promyšlení struktury odpovědi mohlo situaci do jisté míry uklidnit jako v příkladu na Obrázku 3 popisujícího stížnost na pokrytí signálem.

178 Měsíček

Obr. 9. Příspěvek k problému nové verze bankovnictví mBank a reakce zástupce společnosti. Zdroj (Google+, 2014f).

4

Diskuze a závěr

Na uvedených příkladech byl demonstrován rozdíl mezi obrazem, který se o sobě snaží tvořit vybrané společnosti prostřednictvím sítě Google+ (podle komunikační strategie kterou společnost zastává je to např. u Air Bank srozumitelnost, otevřenost, vstřícnost v duchu firemního motta) a obrazem, který vytvářejí významní uživatelé této sítě (např. problémy s elementárními požadavky, odpor ke změnám). Je patrný rozdíl v počtu, způsobu, struktuře i dopadu reakcí na příspěvek vložený např. zástupcem banky anebo významnou osobou v rámci Google+. Především proto že profily významných soukromých osob mají i řádově vyšší celkový počet návštěv než profily zkoumaných společností. Na základě zhodnocení jednotlivých profilů a strategií je patrné, že některé banky nebo mobilní operátoři preferují vysokou frekvenci příspěvků a aktivní přístup ke klientům a jejich komentářům (např. Vodafone vs. T-Mobile), mají definovanou standardní strukturu odpovědi

Acta Informatica Pragensia 179 a reakční čas (např. Air Bank vs. Česká spořitelna), jiné v podstatě doplňují příspěvky svoji webovou prezentaci a poslední skupina jen založila profil a aktivně s ním nepracuje (např. MAFRA – Mobil.cz). Dalším způsobem využití profilu je zapojení budoucích uživatelů do testování aplikací společnosti (např. Air Bank nebo Fio Banka) a tím možné posílení vztahu zákazníka se společností. Zároveň zástupci společností často nereflektují ve svých odpovědích význam osoby tazatele v rámci sítě. V opačném případě by bylo nepravděpodobné, že by např. zástupce mBank reagoval na příspěvek Marka Lutonského způsobem popsaným na Obrázku 9. Právě příspěvky pocházející z okolí banky nebo mobilního operátora jsou často kritické a mají díky pozici významného autora v síti relativně velký počet zasažených osob. Je na zvážení zástupců těchto institucí, zda svou komunikační strategii více nepřizpůsobit právě těmto negativním hlasům. Tedy, při řešení dotazu, stížnosti i zmínky o společnosti by se zástupce společnosti měl zběžně seznámit s profilem tázajícího, zda již v minulosti s bankou prostřednictvím sítě komunikoval, jakého výsledku dosáhl, jaký je jeho komunikační styl, reakce na argumentaci, jaké je jeho postavení v sociální síti a tím i potenciální dopad jeho spokojenosti či nespokojenosti na společnost a těmto parametrům přizpůsobit obsah i formu své odpovědi. Na závěr lze také doporučit zástupcům společnosti na sociální síti zosobnění odpovědí podobným způsobem jako toho dosahuje Vodafone nebo O2, stanovení maximální reakční doby na příspěvek nebo komentář za předpokladu, že je reakce vhodná a nehrozí vysoké riziko vyvolání negativní odpovědi.

5

Seznam použité literatury

CircleCount. (2014). CircleCount.com ─ Google+ Statistics - Get your CircleRank & see the most popular people at Google+ (Czech Republic). Retrieved from http://www.circlecount.com/cz/popularpages/ ČNB

(2014) Celkový přehled počtu subjektů ke https://apl.cnb.cz/apljerrsdad/JERRS.WEB24.SUBJECTS_COUNTS_2

dni.

Retrieved

from

Google+ (2014a). Nadace Vodafonu už ve své Laboratoři pomohla rozjet Rekola nebo spustit… Retrieved from https://plus.google.com/+VodafoneCZ/posts/RYj78RqY1uy Google+ (2014b). Doplňte větu: „Pojištění mě zachránilo, když: _____________“ Retrieved from https://plus.google.com/118255011975815152253/posts/8zPH8kytpSH Google+ (2014c). mBank.cz – Google+ Retrieved from https://plus.google.com/+mbankcz/posts/Xo4eTV28vjW Google+ (2014d). Krásnou stránku nám +mBank.cz připravila k prezentaci svých změn od 1. března. Retrieved from https://plus.google.com/113016773678273684999/posts/YKPmawFrQAB Google+ (2014e). Byl jsem v nejmenované bance (OK, byla to +Česká spořitelna) zrušit všechno…. Retrieved from https://plus.google.com/106378848135270560799/posts/EpLVTLKBKHg Google+ (2014f). MBank se přechod na nový systém skutečně https://plus.google.com/113016773678273684999/posts/YfwH87xeiG8

nepovedl.

Retrieved

from

Google+ (2014g). Upozornění na podvodné e-maily s žádostí o úhradu vyúčtování Někteří naši…. Retrieved from https://plus.google.com/+O2CZ/posts/Gkeds2Lrkah Guerini, M., Staiano, J. & Albanese, D., (2013). Exploring Image Virality in Google Plus. In ASE/IEEE INTERNATIONAL CONFERENCE ON SOCIAL COMPUTING (SOCIALCOM) (pp. 671-678). Huffaker, D. (2010). Dimensions of Leadership and Social Influence in Online Communities. HUMAN COMMUNICATION RESEARCH, 36(4), 593-617.

180 Měsíček Kabirou, A. & Gao, Y. (2013). Marketing Banking: Identifying the Insightful Marketing Mix in Banking. In Hu, J (Eds.), 3RD INTERNATIONAL CONFERENCE ON APPLIED SOCIAL SCIENCE (ICASS 2013), VOL 1 (pp. 9-15). Kaunas: Walter Verlag. Kalamas, M.; Laroche, M. & Makdessiann, L. (2008). Reaching the boiling point: Consumers' negative affective reactions to firm-attributed service failures. JOURNAL OF BUSINESS RESEARCH, 61(8), 813-824. Paniagua, J. & Sapena, J. (2014). Business performance and social media: Love or hate?. BUSINESS HORIZONS, 57(6), pp. 719-728 Scifleet, P., Henninger, M., & Albright, Kathryn K. H. (2013). When social media are your source. INFORMATION RESEARCH-AN INTERNATIONAL ELECTRONIC JOURNAL, 18(3). Zhao, W. X., Shu, B. Jiang, J., Song, Y., Yan, H. & Li, X. (2012). Identifying event-related bursts via social media activities. In EMNLP-CoNLL '12 Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (pp. 1466-1477).

Acta Informatica Pragensia 3(2), 2014, 181–191, DOI: 10.18267/j.aip.46 Online: aip.vse.cz

Sekce / Section: Recenzované stati / Peer-reviewed papers

Kreovanie, šírenie a recepcia komunikačných stereotypov v on-line médiách Creation, Dissemination and Reception of Communication Stereotypes in On-line Media Juraj Rusnák1 1

Katedra komunikačních a mediálních štúdií, Filozofická fakulta, Prešovská univerzita v Prešove 17. novembra 1, 080 78 Prešov 1 [email protected]

Abstrakt: V tomto příspěvku jsou analyzovány hlavní trendy ve vytváření a recepci specifických útvarů komunikační provozu v on-line médiích - komunikačních stereotypů jako ustálených znakových struktur. Interpretačním východiskem je teze, že fungování komunikačních stereotypů v on-line médiích je kulturně, sociálně a mentálně podmíněné a výsledkem tohoto fungování je konstruování sociokulturních izoglos ve společnosti, tedy rozšíření použití jistých komunikačních významů, jistého způsobu "čtení textu". Zvláštní pozornost je v textu věnována fungování mediálních presetů, komplexně zpracovávaných a šířených šablon a důsledkům, které použití presetů v on-line médiích vyvolává (i vzhledem k jejich využití v marketingovaej komunikaci): extenzifikaci on-line provozu a oslabování interpretačního vztahu uživatele k textu. Klíčová slova: Komunikační stereotyp, on-line média, populární kultura, sociokulturní izoglosa, preset. Abstract: In this paper are analyzed the main trends in the creation and reception of specific communication services operating in on-line media - communication stereotypes as a steady character structures. Interpretative starting point is the thesis that the functioning of communication stereotypes in online media is culturally, socially and mentally conditioned, a result of this function is construct of the sociocultural izoglosis in society, namely the extension of the use of certain communication of meaning, the same way of "reading the text". Particular attention is paid to the functioning of the media presets, comprehensively processed and disseminated templates and effects that use presets in online media raises (also with regard to their use in marketing communication): extensification on-line operation and weakening of user interpretative relation to the text. Keywords: Communication stereotype, On-line media, Popular culture.

182 Rusnák

1

Úvod

Fungovanie efektívnej komunikácie je podmienené viacerými kontextuálnymi okolnosťami (predovšetkým kultúrnym, resp. sociálnym, ale aj ideologickým pozadím). Cieľom nasledujúcich úvah je interpretovať povahu súčasných foriem elektronickej mediálnej produkcie, v ktorej sú, domnievame sa, tieto indície zreteľne manifestované. Metodologické perspektívy, ktoré používame v nasledujúcich riadkoch (exegetickú zberom a vyhodnocovaním údajov o texte a ich vzájomným porovnávaním a interpretačnú vysvetľovaním nejasností, odhaľovaním správneho významu jednotiek textu), nám umožňujú nielen sledovať inventár možností transformácie propriálneho, jedinečného textu na mediálny text apelatívny, univerzálny, ale aj prehmatávať možné indicie tohoto vývoja (s prihliadnutím na ich využitie v marketingovom prostredí). Začiatkom februára 2013 zverejnila na verejnom internetovom portáli YouTube skupina austrálskych tínedžerov vystupujúca ako The SunnyCoastSkate krátky hudobno-tanečný skeč zo študentského internátu pod názvom Harlem Shake1 a iniciovala tak rozsiahlu vlnu rôznych napodobenín pôvodného videa. Anarchistická radosť z porušovania pravidelnosti, systémovosti, všednosti života, stelesnená v nekonečne variovaných tridsaťsekundových napodobeninách videa Harlem Shake sa stala, podobne ako v prípade on-line existencie podobných videotextov Gangnam Style 2 či Happy 3 dôležitým znakom súčasnej on-line prevádzky: svojou hravou, až recesistickou formou ovládla začiatkom roka internet, bez ťažkostí prenikla do vysielania svetových a domácich médií, v extrémne krátkom čase zasiahla aj iné priestory popkultúry (dokonca aj erotický a pornografický priemysel4) a stala sa objektom diskusií o fungovaní stereotypných mem5 v súčasnej medziľudskej komunikácii.

2

Koncept mediálneho stereotypu ako predvídateľnej komunikačnej situácie

Komunikačné stereotypy, príkladom ktorých môžu byť aj masovo šírené hudobné videá na internete, samozrejme, nie sú objavom on-line médií, vznikali prirodzene v prostredí medziľudskej komunikácie: tieto znakové sústavy s komplexnou štruktúrou, signifikantné svojou stabilizovanou formou, zreteľnou nemennosťou, boli vytvárané kvôli uľahčeniu prenosu šírenej informácie; ich účelom je manifestovať kultúrne, sociálno-ekonomické a mentálne indikatívy komunikácie. Treba však pripomenúť, že osobitne vhodný je na takýto typ komunikácie mediálny enviroment, ktorého najdôležitejšie parametre (komplexnosť 1

Viac pozri The Harlem Shake v1. http://www.youtube.com/watch?v=384IUU43bfQ 2 Hudobný videoklip skladby Gangnam Style ako videoprezentáciu osemnásteho singla kórejského speváka a tanečníka menom PSY si od júla 2012 na videoportáli YouTube pozrelo viac než dva bilióny divákov, viac pozri McIntyre, 2014. 3 Pôvodnú verziu videoklipu Happy speváka Pharella Williamsa parafrázovalo množstvo známych osobností z celého sveta, nápady použité v pôvodnom videoklipe boli využité aj na prezentáciu prešovského primátora, viac pozri Frank, 2014. 4 Porov. napr. The Harlem Shake: Naked (Porn Edition, SFW version). http://www.youtube.com/watch?v=XLbN_yCYlrQ&feature=player_embedded 5 Termín mem je používaný v moderných teóriách vytvárania, šírenia a spotreby mediálnej kultúry na označenie jednotiek kultúrneho významu, ktoré v sebe nesú kultúrne myšlienky a to tak triviálne (populárne piesne, formy čierneho humoru, módne trendy), ako aj monumentálne (náboženstvá, jazyky, filozofia) a replikujú sa predovšetkým v mediálnom priestore. Myšlienky filozofie „memetiky“ sa rozšírili medzi teoretikmi postmodernej kultúry 80. rokov (J. Baudrillard, A. Kroker) najmä vďaka práci Media Virus D. Rushkoffa, ktorý argumentoval tým, že moderné médiá sú „živými organizmami, hostiteľmi vytvárajúcimi „datasféru“, ktorá je neustále kompromitovaná zavádzaním nových „memov“ (Rushkoff, 1994, s. 19 – 43).

Acta Informatica Pragensia 183 ponuky, rýchlosť informačného toku a extenzivita prevádzky) umožňujú šíriť aj komplexnejšie stereotypné produkcie (slávnostné prehliadky, spoločensko-politické eventy a pod.). Zložitosť znakovej štruktúry komunikačných stereotypov je pritom zreteľná nielen kvôli spájaniu rôznych typov znakov (teda symbolov, indexov, ale aj ikon vnútri štruktúry komunikácie), ale aj kvôli tomu, že sa v komunikačných stereotypoch odrážajú nielen invariantné, gnómické, ale aj aktuálne, variantné znakové „pásma“. Pripomíname ešte, že invariantné znaky reprezentujú trvalé, stabilizované sociálne, psychologické a kultúrne aspekty komunikácie (statusy, roly), variantné znaky zvyčajne vyjadrujú okamžité, aktuálne stavy účastníkov komunikácie a vzťahy medzi nimi (momentálne interaktívne konfigurácie). Veľmi časté je využívanie komunikačných stereotypov v prostredí on-line šírenej mediálnej prevádzky, ktorá je svojou povahou na ich manifestáciu mimoriadne vhodná. Variantné znaky sú v komunikačných stereotypoch predstavené najmä ako ikony (napríklad, dekorácie scény v internetovej reklame propagujúcej alkoholické nápoje – drahé auto, lukratívny dom, ale aj vzorne fungujúca rodina – predstavujú stabilný „odtlačok“ prosperity podľa hodnôt modernej civilizovanej spoločnosti, iné indikácie luxusu však boli do reklamy vložené pred päťdesiatimi rokmi a iné dnes; bližšie o fungovaní komunikačných stereotypov pozri Rusnák, 2010d, s. 217 – 218). Postupná stabilizácia, až petrifikácia znakových štruktúr komunikačných stereotypov v médiách a ich postupná transformácia spoločnosťou do podoby kánonu často vedie k vzniku špecifických prejavov medziľudskej komunikácie v mediálnom prostredí, tzv. komunikačných rituálov. Za užitočné považujeme predovšetkým pripomenúť definíciu rituálu v prostredí teórie komunikácie, podľa ktorej je rituál komunikačnou udalosťou (v angloamerickej literatúre sa používa najčastejšie termín performance) s viac alebo menej invariantnými sekvenciami formalizovaných aktov a komunikátov (porov. Rappaport, 1989, s. 467 – 473). Vzájomné prepojenie variantných a invariantných súčastí textu, o ktorých sa uvažuje v teórii komunikácie, je pri komunikačných rituáloch veľmi frekventovaným úkazom – príkladom môže byť štruktúra otváracieho ceremoniálu olympijských hier, v ktorej je možné okrem zreteľne formalizovaných prvkov (povinné formuly prednášané pri slávnostnom otvorení olympiády, vztyčovanie olympijskej vlajky, zapaľovanie olympijského ohňa) postrehnúť aj súčasti s voľnejšou dramaturgiou (predstavovanie účastníkov súťaží, tvarovanie kultúrneho programu, ale aj spôsob transportu a zapaľovania olympijského ohňa priamo na mieste obradu; podrobnejšie o fungovaní komunikačných rituálov v prostredí elektronických médií pozri Rusnák, 2010c, s. 191 – 192). Túto všeobecnokomunikačnú perspektívu vnímania rituálu doplňme ešte perspektívou psychologickou, ktorá je vhodná najmä pri interpretácii mediálnych foriem štandardných textov a ich marketingovom využití: komunikačný rituál v tomto zmysle slova predstavuje formálne (a formalizované) vyjadrenie ritualizovaného správania, pre ktoré je typické vysoký stupeň stereotypie a výskyt vo významovo podobných kontextoch ako prostriedok uľahčujúci, resp. odľahčujúci komunikáciu (Hartl, 2000, s. 335). Práve prediktabilita tkaniva komunikačných rituálov umožňuje otvoriť nové komunikačné situácie bez vysokého rizika náhlej komunikačnej zmeny. G. Kaufmann-Huber definuje potom rituál ako špecificky ľudský spôsob archetypálneho správania, ktorým človek reflektuje zmenu – či už vývojovú, individuálnu, alebo spoločenskú – a ritualizované správania človeka interpretuje, odvolávajúc sa na hlbinnú psychológiu C. Junga, ako výraz prapodstaty samotnej ľudskej existencie (Kaufmann-Huber, 1998, s. 23). Inscenačnú potenciu komunikačných rituálov zdôrazňujú najmä autori vychádzajúci z prostredia antropológie, keď pripomínajú jej komunikačnoperformatívny charakter. R. Murphy (2001, s. 129) napríklad hovorí o rituáli ako o inscenovanej udalosti, ktorá sa riadi štandardnými predpismi, V. Turner (1972, s. 1104) ako o

184 Rusnák súbore stereotypných sekvencií činností zahŕňajúcich gestá, slová a predmety, vykonávaných v špecificky určenom priestore a v záujme účastníkov komunikácie.

3

Efekty fungovania komunikačních stereotypov v on-line médiách: gramatika sociokultúrnych izoglos a mediálnych presetov

Fungovanie komunikačných stereotypov v on-line médiách má, ako sme sa usilovali manifestovať vyššie, kultúrnu, sociálnu a mentálnu dimenziu a výsledkom tohto procesu je vytváranie sociokultúrnych izoglos v spoločnosti. Termín izoglosa sa štandardne používa najmä v lingvistickom diskurze – izoglosa v tomto zmysle slova istým špecifickým módom – najčastejšie teritoriálne – ohraničuje použitie istého komunikačného javu (porov. Mistrík a kol., 1993, s. 199). V širšom, všeobecnokomunikačnom zmysle pojmom izoglosa vymedzujeme rozšírenie použitia istých komunikačných významov. Izoglosa v tomto zmysle slova lokalizuje istý enviroment (teritoriálny, kultúrny, sociálny a pod.) s odporúčaným „čítaním textu“. Termínom sociokultúrna izoglosa ako „izosémy“ možno potom identifikovať priestor (pochopiteľne, aj v on-line komunikácii), v ktorom sa znaky kultúry tvoria, šíria, ale aj prijímajú istým, vopred predpísaným spôsobom (napr. manuály vytvárania zdvorilostných vzorcov pri on-line komunikácii – tzv. netiketa, zaznamenávanie citových stavov v četoch prostredníctvom tzv. emotikonov, ale aj spôsoby emitovania špecifických typov mytologických reťazcov v internetovom mediálnom prostredí, vyústením ktorých sú v úvode príspevku spomínané virálne videá; bližšie o termíne sociokultúrna izoglosa pozri Rusnák, 2010a, s. 104 – 105). Operovanie kultúrnym manuálom (presnejšie, viacerými manuálmi súčasne) v prostredí online komunikácie súčasne znamená, že sociokultúrne izoglosy vymedzujú priestor, v ktorom je potrebná istá „kultúrna akreditácia“ – v prostredí on-line médií tak vznikajú pestré mediálne komunity – športové a hudobné fankluby, účastníci internetových elektronických konferencií, združenia hráčov počítačových hier, ale aj čitateľov fantasy serálov či divákov telenoviel. Formálne prostriedky, ktoré v komunikačných obradoch pripravujú priestor pre takéto „identifikačné protokoly“ (nazvime ich gramatikou predvídateľnosti), je možné rozdeliť do viacerých skupín – dekorácií, rekvizít a insígnií. Dekorácie predstavujú hlavné súčasti časovej a priestorovej dramatizácie komunikačných stereotypov. Tvorba a šírenie dekorácií ako časopriestorových indikatívov stereotypného komunikačného aktu môžu byť vynútené kultúrnymi, resp. sociálno-psychologickými okolnosťami: ticho ako príznakový prvok komunikácie býva nahradzované v elektronických médiách prediktabilnejšími kulisami, v rozhlasovom a televíznom vysielaní je pri rozhovoroch zaraďovaný zvukový podklad navodzujúci zodpovedajúcu atmosféru, v reklame sprevádza uvedenie novej služby hudobná podhrávka, ktorá spresňuje rekonštrukciu emitovaného posolstva, internetové mediálne prostredie navyše ponúka predvídateľné dekoratívne prvky využiť pri konštruovaní vzhľadu stránky, práci s animovanou grafikou či pri prezentácii loga. Rekvizity predstavujú „funkčné súčasti scénického vybavenia, fungujúce pri komunikačnej performancii, prvky scénického inventára, ktoré slúžia predovšetkým na zefektívnenie pôsobenia na cielené publikum“, porov. Rusnák, 2002a, s. 36 – 37): medzi rekvizity komunikačných stereotypov v elektronickej mediálnej prevádzke patrí najmä extrémna žoviálnosť, preexponovaná emocionalita; identifikujúca moderátora rozhlasovej či televíznej relácie s najvernejšou skupinou poslucháčov, v prostredí on-line médií okrem toho pribúda aj ustálené narábanie s tvarom titulku a jeho syntaxou, ale aj využívanie už spomínaných emotikonov a akronymov simulujúcich emotívne a sociálne väzby v komunikácii. Osobitne možno identifikovať insígnie komunikačných stereotypov, „formálne vyjadrenia pozície, statusu v komunikačnej

Acta Informatica Pragensia 185 performancii, „znaky hodnosti“, ktoré ako súčasť ritualizovaného správania precizujú kultúrne a sociálne pozadie komunikačnej udalosti“ (Rusnák, 2002a, s. 37), re/prezentujú príslušnosť k sociálne a kultúrne špecifikovanému prostrediu ako vyjadrenia pozície moci. Insígnie posilňujú účinok komunikačných stereotypov napr. v on-line šírenom spravodajstve a reklame (výberom a formálnou gramatikou účinkujúcich podľa osvedčených šablón) alebo v telenovelách či sitkomoch (prediktabilným správaním hlavných hrdinov, protikladne konštruovanými obrazmi luxusu a biedy, striedaním komických a tragických tonalít a pod.). Práve zmeny v konfigurácii zmien komunikačných insígnií najcitlivejšie odkazujú na možné transformácie v hodnotovej orientácii mediálneho publika a často predznamenávajú zmeny v spoločnosti, prípadne ich ustaľujú a potvrdzujú. Treba pritom pripomenúť, že zmena spoločenských hodnôt, reflektovaná (aj) v prostredí masovej komunikácie, sa v oblasti vytvárania, ustaľovania a použitia sociokultúrnych izoglos odohráva len veľmi pomaly. V živote spoločnosti sa istý spôsob vyššie spomínaného „čítania textov“, navigátormi ktorého sú sociokultúrne izoglosy, ustaľuje pomerne dlho – je preto pochopiteľné, že zmena v tejto oblasti je rovnako zdĺhavá, často sprevádzaná reziduálnymi reakciami „čitateľov“ (príkladom môžu byť resentimentálne nálady mediálneho publika pri hodnotení zmien po Novembri 1989). Teoretik médií tak môže skúmaním úsilia zachovať/meniť kontinuitu fungovania sociokultúrnych izoglos vnútri mediálnej komunikácie odhaľovať vývojové tendencie v správaní mediálneho publika. Symptómy situácie, v ktorej je skutočnosť v prostredí masových médií stereotypizovaná v záujme efektívnej tvorby, šírenia a spotreby, sa objavovali už od samotného začiatku dejín zaznamenávania skutočnosti masovými médiami – prostý záznam skutočnosti sa realizoval optikou cinema direct, resp. cinema verité. 6 Vytváranie manuálov, ktoré potom tento štandardizovaný, stereotypizovaný obraz produkovali, možno súhrnne pomenovať presetizáciou – procesom, pri ktorom dochádza k „prednastavovaniu skutočnosti“, akceptovateľnému tvorcami svojou efektivitou a publikom svojou prístupnosťou. Označenie preset ako „upravovanie hodnôt systému pred jeho vlastným použitím“ (Oxford Dictionaries, 2013) sa pôvodne začalo používať najmä v prostredí digitálnej audiovizuálnej a grafickej tvorby na označenie matrice prednastavených parametrov, ktoré „ošetria“ transformáciu skutočného sveta na svet (multi)mediálny – osvetlením, strihom záberov, použitím svetelných efektov, filtrov a pod. Všeobecne sa týmto pomenovaním dá označiť proces (šírený aj/najmä v on-line médiách), pri ktorom sa jedinečná skutočnosť transformuje podľa sociokultúrnych, ekonomických či ideologických manuálov na jej štandardizovaný obraz: pripomíname, že tak boli kedysi naformátované správy z prvomájových sprievodov či spravodajské šoty zo slávnostného prestrihnutia pásky odovzdávania diaľnice, ktoré ako preset pripútali pozornosť publika efektívnejšie, než reportáže o dôvodoch nacvičovania „spontánneho“ sprievodu či informácie o dôvodoch prekročenia finančného rozpočtu stavby (ktoré by však pre investigatívnu žurnalistiku mohli byť nielen zaujímavejšie, ale aj objektívnejšie).

6

Cinema direct a cinema verité – filmové prúdy v dokumentárnom filme odmietajúce akúkoľvek rekonštrukciu; film je založený na autenticite obrazu a zvuku, jeho snahou je čo najobjektívnejšie zachytiť vonkajšiu skutočnosť, nezasahovať do nakrúcanej reality. Autori väčšinou predkladajú film bez záverov a hodnotení, hodnotiace stanovisko a analýza ostáva na diváka. Autori dokumentárnych filmov v štýle cinema direct často inklinujú aj k využívaniu skrytej kamery. Prvky dokumentárnych žánrov cinema direct a cinéma vérité využívala aj hraná tvorba, tzv. čistý film vo francúzskej kinematografii (francúzska nová vlna) – filmová produkcia mimo veľkých produkčných spoločností, nízkorozpočtové filmy s využívaním nehercov, snaha byť čo najbližšie autenticite, reálnemu prostrediu, skutočnosti. Podobne ako cinema direct majú autori žánru cinéma vérité snahu o čo najväčšiu autenticitu, no na rozdiel od cinema direct prezentované osoby si uvedomujú prítomnosť kamier (televízne okrúhle stoly, diskusie a pod.), porov. Sabol, 2010, s. 22.

186 Rusnák Prezentácia udalostí v prostredí on-line mediálnej prevádzky, pri ktorej je hlavnou ambíciou akceptácia zo strany čo najširšieho publika, takúto presetizáciu priamo predpokladajú: ako hovoríme v úvodnej kapitole príspevku, predvídateľný svet je na vnímanie menej náročný než jedinečná skutočnosť, opakované prvky v komunikačnom tkanive (už spomínané dekorácie, rekvizity a insígnie) uisťujú účastníkov o správnosti ich recepčnej voľby a pomáhajú chaos jedinečných informácií meniť na systém pravidelného životného obradu. Ide, pravdaže, o prednastavenie zjednodušené a výrazne štandardizované – prvomájová apoteóza totalitného režimu nepotvrdzovala, že sa v tomto systéme spravovania vecí verejných dalo slobodne žiť, položenie základného kameňa ešte neznamená, že sa budova dokončí, po prestrihnutí pásky nemusí platiť, že sa diaľnica bude naozaj dať trvalo používať a zapálenie olympijského ohňa ešte nezaručí, že sa na olympiáde nebude strieľať.7 Masovým médiám ako priestoru, v ktorom dominuje extenzívna prevádzka, však takéto zjednodušovanie skutočnosti, takáto presetizácia neprekáža, skôr naopak: pôvodné ambície nových šíriteľov informácií a aj vzdelávania publika sú dnes čoraz častejšie nahradzované prioritnou ambíciou produkovať zisk, čo, pravdaže, vyvoláva záujem majiteľov mediálnych korporácií o čo najefektívnejšie zhodnotenie ich investície (teda stále rastúce ukazovatele sledovanosti).

4

Konzekvencie fungovania mediálnych stereotypov v on-line prevádzke

Domnievame sa, že práve presety používané v mediálnom prostredí tvoria z tohto druhu medziľudskej komunikácie silnú a účinnú zbraň pri zmocňovaní sa skutočnosti aj v iných než v totalitných systémoch riadenia moci: intenzívne sa o ne už dávnejšie zaujímala nielen inštitucionalizovaná propaganda (svet nadšene zdieľaných ideí, predstavený v nacistickom filmovom týždenníku Die Deutche Wochenschau 8 nie je preto až tak vzdialený od sveta Týždňa vo filme, ktorý v päťdesiatych rokoch mediálne habilitoval totalitnú moc u nás, ale aj programové oddelenia komerčných médií, ktoré rýchlo postrehli účinnosť používania mediálnych presetov pri zvyšovaní sledovanosti, resp. počúvateľnosti vlastných relácií a reagovali na to tzv. playlistami9 či už spomínanými mediálnymi eventami. Presetizácia, proces prednastavovania parametrov zobrazovania skutočnosti, sa rozširuje na celú oblasť mediálnej produkcie. Po prvých symptómoch tejto tendencie (formátovanie rozhlasových a neskôr televíznych spravodajských relácií; ich akceptácia bola odskúšaná už

7 Pripomíname tu tragické udalosti počas priebehu olympijských hier v Mníchove 1972, keď v olympijskej dedine zastrelili arabskí teroristi športovcov z izraelskej výpravy – viac napr. Macák, 2013. 8 Die Deutsche Wochenschau, nemecký filmový týždenník, bol uvádzaný v kinách v Nemecku a na okupovaných územiach v Európe od júna 1940 do marca 1945, bližšie informácie pozri Deutsche Wochenschau, 2013 9 playlist (z angl. play – hrať, list – zoznam) – súpis skladieb určených na odohranie; termín používaný najmä v rozhlasovej praxi komerčných médií; zvyčajne sa ním označuje zoznam hudobných nahrávok, ktoré sú v programovom bloku príslušného rozhlasového (niekedy aj televízneho) média pripravené vopred (najčastejšie hudobným dramaturgom). Vytváranie playlistov úzko súvisí predovšetkým s dlhodobým úsilím o vytváranie tzv. hudobného formátu média, teda so snahou zachovať istú “hudobnú tvár” (smerom k vybraným hudobným štýlom, niekedy aj interpretom či hudobným rodom), často aj s reklamnou a marketingovou praxou jednotlivých médií (hudobné vydavateľstvá pri podpore nových nahrávok komunikujú s rozhlasovými stanicami práve pri vytváraní playlistov s cieľom dosiahnuť dohodu o istej miere opakovania nimi vydávaných titulov v hudobnej ponuke média (tzv. rotácie v playliste). Vytváranie playlistov – osobitne v časoch tzv. prime timu – môže priniesť na relatívne malom mediálnom trhu aj isté nivelizovanie hudobnej ponuky komerčných rozhlasových staníc, viac pozri Rusnák, 2010b, s. 150.

Acta Informatica Pragensia 187 na úsvite dejín elektronických médií pri uvedení Vojny svetov10) a postupnom rozširovaní do tvarov rozhlasovej a televíznej zábavy (popkultúrny preset televíznej zábavy zvaný Ed Sullivan Show11 vydržal v americkom televíznom éteri viac než dvadsať rokov; podobne boli úspešné paralelné presety humoru v slovenskom rozhlase – Maratón – a v slovenskej televízii – Vtipnejší vyhráva) je dnes presetizácia mimoriadne aktívna, ako sme už viackrát naznačili, najmä v prostredí multimédií: poslednými príkladmi môžu byť pestré ponuky vytvárania virtuálnych druhých, „paralelných životov“ na internete12 (na sociálnych sieťach sa vytvárajú nekonečné variácie konštruktov vlastných existencií bez rizika ich verifikácie) či v počítačových hrách (v ktorých je možné súťažiť v simulovanej populárnej speváckej súťaži spoločne s inými speváckymi telebritami). Prežiť mediálnu existenciu podľa presetu je možné aj prostredníctvom virálnych videí (porov. Rusnák, 2013a)13 – všade vo vyššie spomínaných príkladoch dominuje úsilie zaznamenať množstvo, extenzitu. Inak povedané, najdôležitejšou vlastnosťou mediálneho presetu je jeho schopnosť neustálej replikácie: prvomájové oslavy či slávnosť odovzdávania nového úseku diaľnice sú tak mediálne „naformátované“ podobne ako priebeh stužkovej slávnosti alebo eufória zo zisku titulu futbalového či hokejového šampióna 14 a fotoreportáž z dovolenky na sociálnej sieti môže navodiť ilúziu, že všetky dovolenky pri mori sú vlastne rovnaké (čo, pravda, obratne využívajú aj cestovné kancelárie pri grafických návrhoch svojich firemných katalógov...). Extenzivita ako koncept mediálneho presetu sa presadzuje nielen ako zásadný dramaturgický prvok súčasného mediálneho textu, ale ovplyvňuje aj jeho vizuálnu a auditívnu gramatiku: podľa šablón sa stále intenzívnejšie tvoria a recipujú nielen zábavné programy, ale aj športové reportáže, hudobné hitparády i spravodajské texty, v ktorých úsilie formálne „pokryť“ skutočnosť môže prekryť jej obsahovú potenciu. Príkladom takého presadzovania presetov môže byť mediálne spracovanie reportáže z priebehu a výsledku voľby Svätého Otca, ktoré sa (nielen v slovenskom on-line prostredí) sústredilo na extenzívne (a teda „presetovateľné“) parametre, najmä na zobrazovanie emócií prítomných veriacich po oznámení výsledku voľby. Pripomíname tu nielen zábery na tešiace sa davy na vatikánskom námestí po vyhlásení voľby Svätého Otca, ale aj „klonované“ reportáže o „nefalšovaných emóciách“ na iných miestach

10

War of the Worlds (Vojna svetov), rozhlasová dramatizácia sci-fi novely H. G. Wellsa, bola 30. októbra 1938 vysielaná v rozhlasovej sieti americkej stanice CBS formou rozhlasovej reportáže zachytávajúcej reálne udalosti, čo vyvolalo rozsiahle panické reakcie obyvateľstva, porov. napr. Rosenberg, 2013. 11 Ed Sullivan, pôvodne rozhlasový moderátor, dokázal v priebehu viac než dvoch desaťročí formovať popkultúrny vkus amerického televízneho diváka zreteľným spájaním elitnej a masovej kultúry – vo svojich televíznych estrádach uvádzal ukážky operných árií, baletných výstupov, prednesov poézie, ale aj speváckych čísel hviezd populárnej hudby či komikov a kúzelníkov, bližšie o relácii pozri Toast of the Town, 2013. 12 Upozorniť možno najmä na projekt Second Life, multimediálny 3D svet, v ktorom funguje nielen transfer zábavných a oddychových informácií, ale aj virtuálne knižnice, univerzity a nákupné centrá, viac pozri Second Life, 2013. 13 O memetickej povahe virálnych videí a ich väzbách na fungovanie tzv. sociokultúrnych izoglos a symptómoch zbližovania masovej a populárnej kultúry sme uvažovali už dávnejšie, kde konštatujeme, že pribúda stále viac takých úkazov, ktoré v sebe obsahujú pôvodne málo kompatibilné prvky oboch útvarov – na jednej strane sú inštitucionalizované a štandardizované, na strane druhej aktivizujú užívateľov k prejavom vlastnej kreativity a tvoria komunikačný reťazec, ktorý svojím charakterom opúšťa pôvodne pevne stanovený priestor pôsobenia, žijú, takpovediac, vlastným životom. Viac pozri Rusnák, 2013. 14 Televízne reportáže zaznamenávajúce oslavovanie futbalových či hokejových fanúšikov sa stále viac stereotypizujú, o spektakulárnych formách oslavovania zisku titulu majstrov sveta v ľadovom hokeji na Slovensku v roku 2002 a ich reflexii v mediálnom prostredí (aj s indikáciou zreteľnej expresivity na úkor fakticity textu) som písal už pred viac než desiatimi rokmi – bližšie pozri Rusnák, 2002b.

188 Rusnák sveta. 15 Skutočný, hĺbkový rozmer začiatku misie nového pápeža, ktorý v priamom televíznom prenose pred prvým požehnaním svetu poprosil prítomných o modlitbu pre svoju misiu, však médiá nechali takmer nepovšimnutý.16 Na príklade o mediálnej projekcii voľby nového pápeža ako jednej z najvýznamnejších verejných udalostí roka 2013 sa usilujeme naznačiť, že mediálny preset môže nielen skutočnosť korigovať, či dokonca „vylepšiť“, ale umožňuje aj jeho používateľovi rezignovať na interpretačný vzťah k zobrazovanej realite – voľba Svätého Otca sa pre on-line médiá stáva skôr mediálnou atrakciou než spirituálne prežívanou radosťou, skôr eufóriou okamihu než radosťou z príchodu nových časov. Extenzivitu, takú príznačnú pre tvorbu a spotrebu súčasných mediálnych presetov, tak sprevádza ďalší dôležitý znak – dnešná mediálna produkcia je silne aktualizovaná, je sústredená na to, čo práve beží, čo nedokáže odolávať tlaku času. Mediálne šablóny síce reflexiu reality výrazne uľahčujú, ale na druhej strane rezignujú na ontologickú kvalitu a v zmenenom čase a priestore strácajú svoje opodstatnenie: príkladom môžu byť televízne reportáže zo spartakiádnych apoteóz bývalého politického režimu, ktoré boli vytvárané a šírené s nevšednou starostlivosťou a dôslednosťou, s veľkým nasadením ľudských a technologických prostriedkov a v čase ich emitácie bola pravidelne menená štandardná programová syntax elektronických médií. Krajné póly aktualizácie mediálnych presetov môžu v československej televíznej a rozhlasovej praxi predstavovať priame prenosy zo zjazdov Komunistickej strany Československa, s extrémne ritualizovanou dramaturgiou – grafikou prenosu, monotónne predčítavanými textami, zdravicami pionierov či skandovaním predpísaných hesiel a rytmizovaným potleskom prítomného publika. Dnes sú však podľa tejto logiky krátkeho života mediálnych presetov rovnako nepoužiteľné aj nákladné zábavnosúťažné projekty komerčných i verejnoprávnych televízií, ktoré stratili akreditačnú silu vzápätí po ich odvysielaní (súťažná relácia Správny kľúč17, reality game show Big Brother a pod.). Súčasná mediálna kultúra, v ktorej je inkorporované silné tkanivo karnevalizácie a spektakulárnosti (porov. Rusnák, 2013), vnáša do zobrazovania verejných udalostí ešte jeden dôležitý prvok – nesúlad, disproporčnosť jednotlivých jeho prvkov. Súčasťou procesu vytvárania (pred)rekonštruovanej skutočnosti je preto aj úsilie predstaviť svet mediálnej reality ako svet dôslednej kontradikcie medzi vysokým a nízkym, medzi krásnym a škaredým, medzi vznešeným a všedným. Svet permanentného mediálneho výkyvu potom produkuje aj nových hrdinov mediálnych presetov, samozrejme, nielen z prostredia mediálnej zábavy, ale aj z prostredia verejného života – a tak okrem nových Máriov Toráčov18, Lacov Meliškov19 či nových Martiniek z Turca20 prichádzajú na mediálne javisko aj tragikomické etudy v podaní 15

V slovenskom mediálnom prostredí rezonovala najmä reportáž redaktora J. Tribulu pod názvom Slováci sa tešia z pápeža, bližšie o presetovateľných emóciách v tomto príspevku píše napr. M. Kernová, porov. Falšuje Markíza nefalšované emócie?, 2013. 16 V tomto duchu o voľbe Svätého Otca informovala väčšina slovenských on-line médií, porov. napr. aktuality.sk: Rozhodnuté! Máme nového pápeža Františka !, 2013 17 Viac pozri sme.sk: STV nemá podľa našich informácií záujem ani o ďalšiu zábavnú reláciu - Správny kľúč, 2013. 18 Mário Toráč uvádzal televízne telefonické súťaže, tzv. participation programs na televíznych staniciach Nautik TV a neskôr Ring TV, svoje moderovanie často obohacoval o prvky insitného humoru, porov. Nautik Kvíz, 2012. 19 Nahrávky Prievidžana Laca Meliška, v ktorých vulgárne reaguje na problémy vo svojej domácnosti, sa stali populárnymi na sociálnych sieťach a prenikli aj do spravodajských šotov o pirátskom prieniku do vysielania mestského rozhlasu v Liptovskom Mikuláši, porov. Ladislav Meliško, 2010. 20 Martinka z Turca, niekedy označovaná aj ako Kleopatra z Turca, resp. Popoluška z Turca, účinkovala vo viacerých reality TV programoch televízie JOJ (napr. Farmár hľadá ženu) a vďaka svojim kontroverzným

Acta Informatica Pragensia 189 politikov, ktorí už nielen spievajú na rozlúčku svojej politickej kariéry, ale aj fyzicky napádajú novinárov či svojich parlamentných kolegov 21 ... Karnevalový potenciál takýchto verejných udalostí dokážu rekonštruovať elektronické médiá asi najefektívnejšie a genéza tohto úkazu v slovenskom mediálnom prostredí by si zaslúžila aj podobnejšiu analýzu, pripomínam v tejto súvislosti zrejme jednu z prvých disproporčne ladených televíznych textúr po novembri 1989, v ktorej sa v priamom televíznom prenose podarilo takýmto spôsobom konštruovať rozhovor s Vladimírom Mináčom.22

5

Záver

Aktualizačné, extenzívne a disproporčné parametre súčasnej produkcie mediálnych presetov plne vyhovujú stále silnejšej požiadavke väčšej interaktivity v mediálnej prevádzke, ktorá mení štandardný produkčno-recepčný model masovej komunikácie s vysielateľom, kanálom a prijímateľom na priestor, v ktorom dominuje „po/užívateľ“ (user). Pravda, okrem užitočných konzekvencií tohto vývoja (po/užívateľ v tomto prípade spolupracuje pri konštrukcii mediálnej reality, je takpovediac zaangažovaný do procesu tvorby mediálneho presetu – signifikantné sú nielen iniciatívy spoluvytvárať virtuálne sociálne siete, ale aj rozhlasové call-in relácie23 či záujmy televíznych spravodajských štábov o príspevky divákov na internetových serveroch televíznych staníc) možno postrehnúť aj neželané efekty – v hyperprodukcii presetov sa postupne stráca exkluzivita textu, autorstvo: čoraz častejšie možno identifikovať komunikačnú situáciu, pri ktorej je dôležitejší nie okamih tvorby obrazu skutočnosti a jeho verifikácia, ale schopnosť jeho okamžitej participácie inými, teda čas „zdieľania“: podľa tejto receptúry, pri ktorej sa mechanicky zratúva počet zhliadnutí, „lajkov“ sa čoraz častejšie zabúda na to, že pozerať neznamená vždy aj vidieť a rozprávať sa neznamená vždy aj rozumieť si... Tvary mediálneho presetu, o ktorých sme uvažovali v predchádzajúcich riadkoch sa teda ustaľujú – svojou expresivitou, spoločne prežitým zážitkom, zábavou a mixážou vášne a pitoresknosti nadobúdajú v súčasnom popkultúrnom komunikovaní parametre veľkého, ako keby nekonečne trvajúceho karnevalu. Svet médií, ako sme sa usilovali priblížiť na vyššie uvedených príkladoch, dokumentuje, aké parametre začínajú dominovať pri medziľudskej komunikácii na začiatku 21. storočia. Dnešný používateľ médií, pre ktorého sú masové médiá prirodzeným enviromentom (nazvime ho homo medialis) nie je preto až tak vzdialený svojim predkom, je pravdepodobne len technologicky obratnejší.

Zoznam použitých zdrojov Aktuality.sk (2013, November 17). Rozhodnuté! Máme nového pápeža Františka! Retrieved from http://www.aktuality.sk/clanok/224827/online-konklave-volba-papez-13-marec-2013-2/ Frank, M. (2014, May 14). Hagyari tancuje v klipe Happy, vznikla už aj paródia. Prešovský korzár.

vystúpeniam sa stala súčasťou spin-off programov tejto televízie, aj v hlavných vysielacích časoch počas vianočných sviatkov v roku 2010., pozri viac Martinka – Popoluška z Turca, 2013 21 Známym šarvátkam zo slovenského parlamentu v septembri 2013 sa venovali nielen bulvárne, ale aj mienkotvorné médiá, porov. napr. TA3: V parlamente sa v noci strhla bitka o papierovú maketu premiéra Fica, 2013. 22 V televíznej moderovanej besede s V. Mináčom, ktorú uviedla Slovenská televízia koncom decembra 1989, pripomínali študenti jeho politickú minulosť, viac pozri napríklad Závodský, 2013. 23 call-in (angl. call-in – zavolať) – označenie pre typ diskusnej relácie najmä v rozhlasovom prostredí, v obsahu ktorej účinkujú aj samotní poslucháči (najčastejšie zavolaním prostredníctvom telefónnej linky priamo do štúdia).

190 Rusnák Deutsche Wochenschau Nr. 681/40/1943 http://www.imdb.com/title/tt0035803

(2013,

November

17).

Retrieved

from

Hartl, P. (2000). Psychologický slovník. Praha: Portál. Kaufmann-Huber, G. (1998). Děti potřebují rituály. Praha: Portál. Kernová, M. (2013, November 17). Falšuje Markíza nefalšované emócie? http://omediach.blog.sme.sk/c/323364/Falsuje-Markiza-nefalsovane-emocie.html

Retrieved

from

Ladislav Meliško (2010, October 14). Retrieved from http://www.facebook.com/melisko.html Macák, T. (2013, November 17). Spomienka na Mníchov 1972. http://www.rozhlas.sk/Spomienka-na-Mnichov-1972?l=1&c=0&i=45527&p=1 Martinka – Popoluška z Turca (2012, http://www.youtube.com/watch?v=6yxPIRGo0j0

September

14).

Retrieved Retrieved

from from

McIntyre, H. (2014, June 16). At 2 Billion Views, 'Gangnam Style' Has Made Psy A Very Rich Man. Forbes. Retrieved from http://www.forbes.com/sites/hughmcintyre/2014/06/16/at-2-billion-views-gangnam-stylehas-made-psy-a-very-rich-man/ Mistrík, J. et all. (1993). Encyklopédia jazykovedy. Bratislava: Obzor Murphy, R. F. (2006). Úvod do kulturní a sociální psychologie. Praha: Slon – Sociologické nakladatelství. Nautik Kvíz (2012, September 14). TV Nautik 14. júna 2001 o 23.15 hod. Retrieved from http://www.youtube.com/watch?v=oUNu-0P8m7Y Oxford Dictionaries (2013, November 17). Preset. http://www.oxforddictionaries.com/definition/english/preset?q=preset

Retrieved

from

Rappaport, R. A. (1989). Ritual. In: Barnouw, E. (ed.), International Encyclopedia of Communications Vol. III. (pp. 467 – 473). New York – Oxford: Oxford University Press. Rosenberg, J. (2013, November 17). War of http://history1900s.about.com/od/1930s/a/warofworlds.htm

the

Worlds.

Retrieved

from

Rushkoff, D. (1994). Media Virus. New York: Ballantine Books. Rusnák, J. (2002a). „Správy z druhej ruky“. In Komunikačné stereotypy a ich fungovanie v médiách. Prešov: Filozofická fakulta Prešovskej univerzity v Prešove. Rusnák, J. (2002b). „Ciky caky ciky cak!“: O podobách štandardizovanej emocionality v štruktúre masmediálneho textu. In Rusnák, J. (ed.), O interpretácii masmediálneho textu (pp. 93 – 125). Prešov: Filozofická fakulta Prešovskej univerzity v Prešove. Rusnák, J. (2010a). Izoglosa, sociokultúrna. In: Rusnák, J. a kol., Texty elektronických médií. Stručný výkladový slovník (s. 104 – 105). Prešov: Vydavateľstvo Prešovskej univerzity v Prešove. Rusnák, J. (2010b). Playlist. In: Rusnák, J. a kol., Texty elektronických médií. Stručný výkladový slovník (s. 150). Prešov: Vydavateľstvo Prešovskej univerzity v Prešove. Rusnák, J. (2010c). Rituál v mediálnom texte, komunikačný. In: Rusnák, J. a kol., Texty elektronických médií. Stručný výkladový slovník (s. 191 – 192). Prešov: Vydavateľstvo Prešovskej univerzity v Prešove. Rusnák, J. (2010d). Stereotypy v médiách, komunikačné. In: Rusnák, J. a kol., Texty elektronických médií. Stručný výkladový slovník (s. 217 – 218). Prešov: Vydavateľstvo Prešovskej univerzity v Prešove. Rusnák, J. (2013). Elektronické médiá ako manuál: sociokultúrne konzekvencie. In Dobiaš, D. – Eštok, G. – BZDILLOVÁ, D. (eds.), Voľby 2012 – Kam kráčaš demokracia (pp. 407 – 415). Košice: Filozofická fakulta Univerzity Pavla Jozefa Šafárika v Košiciach. Sabol, J. (2010). Cinema verité. In: Rusnák, J. a kol., Texty elektronických médií. Stručný výkladový slovník (s. 22). Prešov: Vydavateľstvo Prešovskej univerzity v Prešove. TA3: V parlamente sa v noci strhla bitka o papierovú maketu premiéra Fica. (2013, November 17). Retrieved from http://www.ta3.com/clanok/1026964/v-parlamente-sa-v-noci-strhla-bitka-o-papierovu-maketupremiera-fica.html

Acta Informatica Pragensia 191 The Harlem Shake v1. (2013, November 17). Retrieved from http://www.youtube.com/watch?v=384IUU43bfQ The Harlem Shake: Naked (Porn Edition, SFW version). (2013, November 17). Retrieved from http://www.youtube.com/watch?v=XLbN_yCYlrQ&feature=player_embedded Sabol, J. S. (2010): Cinema direct. In: RUSNÁK, J. (ed.), Texty elektronických médií. Stručný výkladový slovník (p. 21). Prešov: Vydavateľstvo Prešovskej univerzity. Second Life. (2013, November 17). Retrieved from http://secondlife.com/whatis/?lang=en-US Sme.sk STV nemá podľa našich informácií záujem ani o ďalšiu zábavnú reláciu - Správny kľúč. (2013, November 17). Retrieved from http://www.sme.sk/c/2114454/stv-nema-podla-nasich-informacii-zaujemani-o-dalsiu-zabavnu-relaciu-spravny-kluc.html Toast of the Town. (2013, November 17). Retrieved from http://www.imdb.com/title/tt0040053/ Turner, V. (1972). Symbols in African Ritual. Science, 179, 1100 – 1105. Závodský, B. (2013. November 17). Kauza Mináč v TKM http://video.tyzden.sk/branislav-zavodsky/2009/12/20/kauza-1/

po

20.

rokoch.

Retrieved

from

Acta Informatica Pragensia 3(2), 2014, 192–203, DOI: 10.18267/j.aip.47 Online: aip.vse.cz

Sekce / Section: Recenzované stati / Peer-reviewed papers

Postinternet Marketing: For a Philosophy and Art of Online Marketing Václav Janoščík1 1

Academy of Arts, Architecture and Design in Prague Náměstí Jana Palacha 80, 116 93 Prague 1 Czech Republic [email protected]

Abstract: While we are living in rapidly changing environment driven by the online services, marketing has been rather reluctant in serious apprehending of these consequences. We do not aim to analyse this complex delay that we call conceptual jetlag here. (Conceptual consciousness of marketing is far behind the velocity of the plane online services.) Rather we try to establish certain switchback that is driven by concept of philosophy by Gilles Deleuze and Félix Guattari and the artistic notion of postinternet. By these means we aim at unveiling the general drive of marketing: The product (take Photoshop as an instance) is meant not only to satisfy our needs and desires. It is creates them. This basic assumption of marketing and the dominance of online environment can elucidate each other since the "fluid ontology" of virtual environment consists precisely in the possibility of being formed by the will of its users. Keywords: Marketing, Philosophy, Art, Postinternet, Deleuze, Jobs.

Acta Informatica Pragensia 193

1

Introduction

This article tends to refresh overall discussion about marketing by connecting it to the philosophical and postinternet discourse. By such train of thought I mean to explore possible interdisciplinary and new interpretive ground for theoretical background of marketing. Thus it forms rather newly defined field for further research and considerations. I aim at nothing more than a meeting that proceeds through three moments (postinternet, philosophy, marketing) and at articulating prospectives of their mutual dialog.

2

First moment: the Postinternet "What is even more interesting is the way in which people are starting to make what I've called "Post-Internet" (...) I think it's important to address the impacts of the internet on culture at large, and this can be done well on networks but can and should also exist offline." This is citation from interview (Debatty, 2008) with Marisa Olson.

Fig. 1. Artie Vierkant, Image objects, 2011 ongoing. Source (Vierkant, 2011).

Today’s online environment so as marketing floods us with plethora of instantaneous images and events which will in an instant lapse into web oblivion. The notion of postinternet can help us to conceptualize this dynamic and provide us with brief moment of philosophical reflection. It was introduced in 2008 in an interview with Marisa Olson on we-make-moneynot-art.com. It divides the net-based experience from its influence on general culture. "Less a novelty and more a banality." (McHugh, 2011) Of course it grasps primarily the practice of art but it assumes rather general stance towards the culture at large. Artist so as other users shifted from first excitement about the possibilities of net based and presumably non-

194 Janoščík hierarchical environment to more cynical reflection of resulting dominant forms of interaction. Marketing then is one of these modes ruling contemporary web environment. As such it also cannot just exploit the web environment and apply its former strategies to this new field. It must reflect the overall impact the Internet has on culture at large and accommodate its assumptions according to this "postinternet" condition. In other words, the term "postinternet" suggests that the focus of a good deal of artistic and critical discourse has shifted from "internet culture" as a discrete entity to the reconfiguration of all culture by the internet, or by internet-enabled neoliberal capitalism. (Connor, 2013) Thus though art and marketing are intuitively conceived of as mutually exclusive fields we are less assured of their contrast precisely because of their online presence. We can take elusive yet brutally actual Dismagazine 1 and their stock image database disimages as penultimate example of such trend. Although the encounter of those two spheres within postinternet is somehow self-evident, their subsequent theories are not and perhaps cannot catch the train of their rapid development. From the art related side we are flooded by intentionally fragmentarized views while marketing is satisfied with methodological selfaffirmation. Here possible philosophical perspective comes in question.

Fig. 2. DISimages may be used for art, exhibition, editorial, personal, or commercial use. Source (http://disimages.com).

3

Second moment: the Philosophy "In successive challenges, philosophy confronted increasingly insolent and calamitous rivals that Plato himself would never have imagined in his most comic moments. Finally, the most shameful moment came when computer

1

 See http://www.dismagazine.com 

Acta Informatica Pragensia 195 science, marketing, design, and advertising, all the disciplines of communication, seized hold of the word concept itself and said: "This is our concern, we are the creative ones, we are the ideas men! We are the friends of it in our computers." Gilles Deleuze and Félix Guattari (Deleuze, Guattari, 1994, p. 10)

Fig. 3. Illustration to the notion of concept and level of immanence from Deleuze, Guattari: What is Philosophy? Source (Deleuze, Guattari 1994).

Philosophy and marketing along similar lines as art and marketing do have rather difficult relation. Nonetheless it is precisely this tension and even rivalry that can be considered as their common ground. We just opened seminal work by Gilles Deleuze and Félix Guattari What is philosophy? in which they propose to delimit this tension: "Simply, the time has come for us to ask what philosophy is. We had never stopped asking this question previously, and we already had the answer, which has not changed: philosophy is the art of forming, inventing, and fabricating concepts. But the answer not only had to take note of the question, it had to determine its moment, its occasion and circumstances, its landscapes and personae, its conditions and unknowns." (Deleuze, Guattari, 1994, p. 2) Let me underlie the two points made here in respect to marketing. Philosophy is defined as the art of forming concepts and it is precisely this perspective that connects it with marketing,

196 Janoščík which claims this role in today’s world. Secondly philosophy as seen here by Deleuze and Guattari strives to reflect its present condition. More precisely it derives its practice from taking the present moment into the question. Then it seems to be one of its eminent tasks to respond to its actual relation or contrast with marketing as a competing sphere of concept fabrication. Deleuze and Guattari, before they immerse themselves into nuanced structure of philosophical production, can set our path a bit further. Because among other fields claiming the role of creating concepts (computer science, marketing, design, and advertising) they highlight the marketing as at least maintaining the crucial connection of concept and events "Marketing has preserved the idea of a certain relationship between the concept and the event. But here the concept has become the set of product displays (historical, scientific, artistic, sexual, pragmatic), and the event has become the exhibition that sets up various displays and the "exchange of ideas" it is supposed to promote. The only events are exhibitions, and the only concepts are products that can be sold." (Deleuze, Guattari, 1994, p. 10) Within their theory concepts do not represent anyhow transcendental or permanent truths. They exist thanks to diverse conditions that elucidate the event of its appearance. In this respect marketing again plays a considerable role. It presents us with emblematic event and decisive concept. The former can be named as presentation, exposition, denoting the very act of unveiling the concept. The latter generally represents the product. As if marketing is certain theoretically quite limited system of thought that actually betray our idea of thinking by reducing concepts to products. Philosophy then is framed by nonphilosophy. This edge, or more precisely parergon, nonetheless does not mean any rival sphere of concept fabrication. It represents the chaos from which philosophy so as marketing pull the concepts according to Deleuze and Guattari. In this process they need the nonphilsoophical sphere. This dynamic then is more visible and symptomatic in the field of marketing. It draws all its drive from our imagination. Marketing pulls concepts out of the chaos of potential desire, no matter if our longing was actually real (preexisting) or fabricated. From this point it seems obvious that our imagination and longing stimulated by marketing concerns not only the objects themselves but also the context of values they stand for: "What is recognized is not only an object but also the values attached to the object (values play a crucial role in the distribution undertaken to make good sense)." (Deleuze, 1994, p. 135) In a nutshell Deleuze and Guattari provide us with ground on which philosophical information of marketing can be realized. In their view marketing creates concept in form of products.

4

Third moment: the Marketing

"Stay hungry! Stay Foolish!" Steve Jobs2 Contrary to general opinion about decisive role of Steve Jobs as marketer there is little if no theoretical interest at all in his marketing. For his person might be considered as the model of such concept fabrication through marketing. His approach was based in assumption that customers do not know what they want. Then that is the role of marketing to create new concepts structuring our desires along with their commercial exploitation. Such an approach, no matter how cynical, actually fits the process of concept fabrication fairly well. It is rooted in the idea of newness of the product. It brings us ahead of time both in 2

 Steve Jobs giving his famous speech at Stanford. See: https://www.youtube.com/watch?v=gO6cFMRqXqU  

Acta Informatica Pragensia 197 relation to our competing marketers and general costumer imagination. Steve Jobs referred to such untimeliness by a joke from legendary hockey player Wayne Gretzky: "I skate to where the puck is going to be, not where it has been." (Block, 2007) Moreover so called "reality-distortion field" is ascribed to his practice. That means he aimed at restructuring our comprehension of reality by conceptual and even charismatic means compelling us to believe in new possibilities3. This brings us really close to the sketched phenomenon of postinternet. In its sphere we are no longer fascinated only by the possibility of creating or manipulating concepts online – for example consumer can be also in position of brand manager, because consumers are able to create their own content related to particular brand (Christodoulides, 2009; Simmons, 2008). We are shifting our user experience from online environment back into new material reality. 3D printers can be considered an emblem of such a reverse postinternet dynamic. What represented specifically online modes of interaction - sharing, individualization of interface and services, networking - is now being realized in our physicall reality and on general cultural level. Lev Manovich characterized virtual environment by their "fluid ontology". (Manovich, 2001, 206) That means that individual users form its very space. This cultural logic is now being transposed to our so-called physical reality and 3D printing can be considered its herald.

3

 See for instance:  http://www.folklore.org/StoryView.py?project=Macintosh&story=Reality_Distortion_Field.txt  

198 Janoščík

Fig. 4. Prospectives of 3D printer technology can be illustrated by its use in prosthetics, here on cover of October 12, 2014 issue of Parade.

4.1

"Yes we can": Imagination between philosophy and marketing

Let us brought one last instance of this marketing moment considering Jobs`s own view on marketing. When he reflected on the development of big companies like IBM, Pepsi or Xerox in particular he had seen great difference and struggle indeed between the marketers and designers.4 He tells us quite simply that for instance in certain segments you have very limited possibilities of coming up with new product (Pepsi Co.) and thus the marketers are the important people for success of the company a subsequently they are being promoted and run the company at the expense of the designers. But his happened even for the technology 4

 For Steve Jobs giving an interview about Xerox failure: https://www.youtube.com/watch?v=_1rXqD6M614  

Acta Informatica Pragensia 199 corporation, mainly because of their monopoly market share. That means if we rule certain segment of the market we are not motivated to innovate our products, but we can rise revenues by marketing means. This can go fairly well for some companies like Pepsi, but it turned out to be disastrous for technology companies for which the product innovation is essential. Thus when Xerox became to be run by marketers it gradually lost its drive. What is Jobs saying is basically that we need to broaden our horizon of prospective products in order to stay on top. We need to create not follow the needs of our (future) customers. Of course this particular attitude applies mainly to the biggest multinational corporations, but let us consider small businesses whose only chance to enter the contemporary market is to come up with something completely new within or to promote existing services in new markets. (Take Chinese company Alibaba as an example of such intersection of an old service with new market.) Anyway this dynamic opens up the rupture between our present concepts (products) and desired commercial utopia. This rupture has a philosophical name - it is imagination. For instance in Kant`s philosophical system it bears the key role of bridging the "thing-in-itself" (noumenon), which is generally unknowable, with our images of such things, which we nonetheless somehow have. (Oizerman, 1981; Rastovic, 2013; Kant, 1998, B103) It seems quite appropriate to interpret the marketing as spreading itself within this field of this Kantian "imagination". It creates products or images of our (supposed) desires, longings and even fears. Thus it connects the primordial chaos of potential aspiration with specific concepts or products. Let us note further that Žižek famously reactualized the concept of imagination by drawing it into discussion concerning todays (popular) culture. (Žižek, 1999)

4.2

Conceptual jetlag: challenges of today marketing

Nonetheless this approach is neither shared nor even dominant among other marketers. It took precisely the visionary individual to shift to new products as can by illustrated on the history of Apple Corporation and its present threshold. Marketing both in theory and practice suffers from astonishing conservatism and conceptual reproduction. From the perspective of the theoretical or methodological side consider the fact that the most know book on marketing, Kottler`s Marketing Management: Analysis, Planning, and Control generally considered to be the bible of marketing. It had been originally published in 1967 and it has been used ever since as main source of conceptual information about marketing, actually in its 14th edition. The author himself admits that marketing have changed entirely and he even assumes key role of the Internet in such shift. In 1967 (Kotler, 2002, Preface): "The Internet did not exist, nor did, for example, debit cards, smart cards, cellular phones, personal digital assistants, hypercompetition, cyberconsumers, customer equity, customer value analysis, customer relationship management, price transparency, value networks, hybrid channels, supply chain management, viral marketing, integrated marketing communication, and mobile marketing. Even if some people question the existence of a new economy, they need to acknowledge the new elements in today's marketplace." Nonetheless Kotler and his contemporary students are still reproducing the old scheme of supply-demand, product-customer. Of course there is considerable theoretical production in the field of marketing. From my perspective nonetheless even the progressive production is not willing to step out of the conceptual framework that was developed in the very beginning of the field of marketing. Consider for instance the actual special issue of the Marketing Theory journal dedicated to the problem of service dominant logic. (Brodie, Storbacka, 2014) It might be considered progressive in terms of opening (re-actualizing) the concept of

200 Janoščík services. This can be further connected to the problem of online environment with reference to its recent reconceptualization as the "Internet of services" (Wahlster, 2014). The concept of guerilla marketing5 or even broader basis of relationship marketing can be considered as a small exception among the marketing mainstream. Its example is the more valuable as it exactly evaluates the online environment not only as another channel to which old conceptual instruments (marketing mix) should be applied, but it actually exploit specificity of the online condition into new conceptual apparatus, although it originated long time before the Internet took place. (Egan, 2011) From pragmatic or practical point of view the best example seems to me the painstaking transition of music, cinema and other media to digital distribution. Consider for instance that first mp3 players were made in late nineties (first MP3 Music Player – MPMan is from 1997) while official and legal distribution channels have been established far later. ITunes introduced its iTunes store in 2003 and for quite some time became the only unrivalled platform for purchasing music. Similar delay took place in cinema and other media. While watching movies on desktops was possible from early nineties (Apple released its Quick Time in 1991) It took marketers almost two decades to find appropriate online distribution channel. Consider for instance that the first show, crucial television genre, made exclusively for web mediated screening is House of cards produced by Netflix in 2013. (McQuire, 2004) Of course there were some technological and even legal issues to be solved. Nonetheless the inability or even unwillingness of marketers to create new distribution channels (new concepts in Deleuzian sense) was the main obstacle here. This dynamic still forms the development of new forms of marketing. Moreover these trains of development are still not fully aware of the change that had not only brought new means of production and distribution, but also changed the very object. Movies and music is naturally perceived in considerably new manner when tracks are being downloaded separately or on the other hands whole shows are being accessed in their entirety to name just two common options newly available. This conceptual jetlag can be easily grasped when we consider the online environment and its challenges as a sort of threshold. Taking such an event into account would precisely mean forming the postinternet marketing. My thesis thus does not claim that there is no innovation or lack of theory itself in the field of marketing. Rather I would like to capture certain delay in its ability to reflect the online environment, certain jetlag caused from the velocity of new development.

5

Conclusion: Trojan horse of philosophy or Jennifer in paradise

Thus the insomnia of everlasting marketing imagination has caused its theoretical oversleeping the radical change of its very condition. The question is: Does it really need to realize its situation? Is not marketing fine with continuing the threadbare path? Is postinternet marketing as delimited above even possible? Or does it represent preferable or more efficient position? Well leave this perspective on marketers and managers themselves. Anyway our point of view as its willy-nilly consumers is (not without certain irony) different and our view of what marketing fails to capture might present a small advantage in ultimately uneven clash between advertisement industry and our online presence.

5

 See http://www.guerrillaonline.com 

Acta Informatica Pragensia 201

Fig. 5. Jennifer in Paradise.tif – the picture Photoshop co-creator John Knoll took of his future wife Jennifer in Bora Bora. Source (http://www.slrlounge.com).

Our present seemingly promiscuous position indeed turns out to be situated inside the field of marketing but it remains a philosophical one. From this point of view we can reflect the present condition of forming concepts along the lines of Deleuze and Guattari, thus reorient philosophy towards very unexpected relationship to marketing. It can reclaim its the question concerning its nature and contemporaneity situated on its very edge. From the perspective of marketing we have seen considerable challenges presented both by philosophy and the online environment. It is sound that its methodological reproduction and conceptually limited reception of Internet possibilities cannot last forever. Alternatives and new forms of products will eventually emerge. Marketing will shift to its postinternet stage in order to fill our (post-online) world with brand new products satisfying our prospective longings we have never even dared to hope for. We have an emblematic image of this drive towards new product and its promise to be not merely an artefact but also material for further imagination. This "stuff of dreams" to use phrase of curator David Elliott (Elliott, 2014) rematerializes itself in the picture of Jennifer in Paradise. The story quite complex. John Knoll took it on Bora Bora beach with his girlfriend Jennifer, just before proposing her to become his wife later on. Let me note they earned such vacation by painstaking work for Industrial Light & Magic, Lucasfilm's special-effects company. But the real moment of the picture came later when Knoll needed an image to use as a material for further manipulation. Thus Jennifer in paradise became the first photoshoped image. Over a decade later it has been forgotten while millions of other picture were easily manipulated by the software. Since it was not available online in sufficient quality postinternet artist who calls himself Constant Dullart brought it back as a piece of art representing the story of digital cultural economies. His reappropriation might be considered essential to the story nonetheless it continues to re-actualize it in similar manner as we do here. As such the picture represents a monument of new media imagination. Under its lascivious and kitschy exploitation of our imagination (paradise island, naked body) the very drive behind postinternet marketing unveils. The product (Photoshop) is meant not only to satisfy our needs and desires. It is creates them.

202 Janoščík In the online environment marketing enters not only significantly new stage of its practice, it comes closer to its very nature consisting in forming and creating our desires. Lev Manovich defines virtual space by its "fluid ontology". (Manovich, 2001, 206) That means it is created by the very behaviour of its users. In this respect Jennifer in Paradise represents the ideal of image manipulated by computer users. This logic is actually being transposed to our nondigital world or physical reality if you will. Marketing may function well without realizing this highly underestimated or original train of thought (art-philosophy-marketing). But in order to fully expose its meaning (creating products/concepts/desires) and in order to grasp the real challenge of online environment it must undertake this conceptual adventure. Long story short, online and virtual environment pose a model case of what marketing actually is. Thesis of this article further consist in arguing that this will become visible only in certain venture into art and philosophy that are for good reason vastly more elaborate and reflective. We have just undergone one possible route in such vector, which brings us to the postinternet marketing.

References Block, R. (2007). Live from Macworld http://www.webcitation.org/68egMPCDQ

2007:

Steve

Jobs

keynote.

Retrieved

from

Brodie, R. J., Storbacka, K. (2014). Collaborative theorising about markets and marketing and service-dominant logic. Marketing Theory, 14 (3), 231-237. doi: 10.1177/1470593114534338 Christodoulides, G. (2009). Branding in the post-internet era. Marketing Theory, 9 (1), 141-144. Connor, M. (2013, November). What's Postinternet Got to do with Net Art? Retrieved from http://rhizome.org/editorial/2013/nov/1/postinternet/ Debatty, R. (2008). Interview with Marisa Olson. Retrieved art.com/archives/2008/03/how-does-one-become-marisa.php

from

http://we-make-money-not-

Deleuze, G., (1994). Difference and Repetition. Trans. Paul Patton. New York: Columbia University Press. Deleuze, G., Guattari, F. (2004). Thousand Plateaus. London: A&C Black. Deleuze, G., Guattari, F. (1994). What is philosophy? New York: Columbia University. Egan, J. (2011). Relationship Marketing: Exploring Relational Strategies in Marketing. New York: Pearson. Elliott, D. (2014). Stuff of dreams. In: D. Elliott, T. Manina (Eds.), A Time for a Dream - 4th Moscow International Biennale for Young Art. Moscow: NCCA, MMOMA. McHugh, G. (2011). Post Internet. Brescia: Link. Kant, I., (1998). Critique of Pure Reason. Translated and edited by Paul Gyer, and Allen W. Wood. New York: Cambridge University Press. Kotler, P. (2002) Marketing Management. New Jersey: Prentice Hall. Manovich, L. (2001) Language of New Media. Cambrigde: MIT Press. McQuire, S. (2004). Slow train coming? The transition to digital distribution and exhibition in cinema. Media International Australia, (110), 105-119. Oizerman, T. I. (1981). Kant's Doctrine of the "Things in Themselves" and Noumena. Philosophy and Phenomenological Research, 41(3), 333–350. Rastovic, M. (2013). Kant's Understanding of the Imagination in Critique of Pure Reason. E-Logos – Electronic Journal for Philosophy, 1-13. Simmons, G. (2008). Marketing to postmodern consumers: Introducing the internet chameleon. European Journal of Marketing, 42 (3-4), 299-310. Vierkant, A. (2011). Image Objects. Retrieved from http://artievierkant.com/imageobjects.php

Acta Informatica Pragensia 203 Wahlster, W., Grallert, H.-J., Wess, S., Friedrich, H., Widenka, Th. (Eds.) (2014). Towards the Internet of Services: The THESEUS Research Program. Heidelberg: Springer. Žižek, S. (1999). The Ticklish Subject: The Absent Centre of Political Ontology. Lond

Acta Informatica Pragensia 3(2), 2014, 204–218, DOI: 10.18267/j.aip.49 Online: aip.vse.cz

Sekce / Section: Recenzované stati / Peer-reviewed papers

Rethinking the Concept of Just Noticeable Difference in Online Marketing Viktor Vojtko1 1

Department of Trade and Tourism, Faculty of Economics, University of South Bohemia in Ceske Budejovice Studentska 13, 370 05 Ceske Budejovice [email protected]

Abstract: The main goal of this study is to answer a question whether the just noticeable difference (JND) related marketing practices could survive in the world with social media and as a part of online marketing. Although the findings are limited, they suggest that using of such practices might be much riskier than it used to be before and marketers should be aware of that and consider their using more thoroughly. It also shows that usage of the agent based modelling (ABM) can be helpful in dealing with problems like this one and can provide further insight into dynamics of processes on consumer markets where the social media play crucial role in spreading of information. Keywords: Just Noticeable Difference, Marketing, Simulation, Agent-based Modelling, Social Media.

Acta Informatica Pragensia 205

1 Introduction The concept of Just Noticeable Difference (JND) is widely used in the fields of physiology, psychology of perception, consumer behaviour and marketing practice. JND generally refers to a relative threshold in perception by humans. When a change in stimulus value (i.e. change of perceived characteristic) reaches the threshold, the change becomes recognized. When the stimulus value change is below the threshold, the change is not being recognized. The problem with the concept of JND tactics use in marketing is that it is historically grounded in individual psychology and thus it doesn’t respect social relationships and recent widespread use of social media. It is easily possible to imagine a situation (and it has happened in reality) when such a small change, although below average JND, would be recognized by only a few customers who would share their discovery online. If these customers would be able to start an information avalanche in social media then it could lead to a huge feeling of deception amongst all the other customers and a loss of trust. For these reasons it is needed to rethink the concept of JND and validate whether and how these changed circumstances would influence its’ marketing use in online environments. Because such experimentation would be very complicated in the real world, it is necessary to use another approach which would allow to create and explore such an online environment artificially. Several possibilities exist for that, i.e. system dynamics, mathematical modelling or agent based modelling. For this study the author has chosen the agent based modelling (ABM) because this approach is especially suitable for problems where heterogeneous agents and their local interactions are sources of the overall emerging dynamics and it is possible to describe behaviour of agents using comprehensible algorithms based on existing knowledge. For this case, the agents represent consumers and links between them represent social relationships. Then it’s possible to define rules of behaviour of such agents and simulate and analyse diffusion processes that take place in such an artificial social network.

2 2.1

Literature Review and Research Methods The Concept of Just Noticeable Difference in Marketing

The original concept of Just Noticeable Difference was published by Ernst Heinrich Weber in 1834. The Weber’s Law states that the ratio of the increment threshold to the background intensity is constant (see Equation 1). ∆ (1) ΔI represents the Just Noticeable Difference threshold, I represents the initial stimulus value and k is constant. The first notion of the Just Noticeable Difference concept in marketing has been probably made by Miller (1962). Since that time, it has become a part of practically all main consumer behaviour textbooks, e.g. Solomon (2014), Schiffman & Wisenblit (2014) or Evans, Foxall, & Jamal (2009), and thus also marketing practices. The abovementioned authors argue, that in the context of marketing, tactics based on changes below JND are typically recommended for such changes of products that should not be easily recognized by customers – e.g. product size changes without packaging size changes, changes in taste, graphical changes in webpages, logotypes or packaging, gradual rebranding, small price or provided services changes etc. This should allow marketers to make changes that

206 Vojtko would be otherwise negatively perceived by their customers or gradually change their customers’ perception standards towards new preferred state. On the other hand, it might be also necessary to do the opposite and inform customers about certain changes. Then the change of stimulus value has to be significant enough to exceed the JND and the main concern of marketers is then to be able to inform their customers as efficiently as possible about the change. Although nowadays the concept of JND in its’ narrow interpretation is typically a matter of research in sensory perception analysis, marketing studies related to JND in broader terms can also be found – i.e. for package downsizing (Çakır & Balagtas, 2014), word-of-mouth marketing (King, Racherla, & Bush, 2014), website changes (Ainsworth & Ballantine, 2014) or price changes (Han, Gupta, & Lehmann, 2001).

2.2

Modelling Diffusion of Information in Online Social Media Using Agent Based Modelling (ABM)

In general, a diffusion of information through online social networks can be modelled using formal models similar to those that are used in epidemiology for modelling of spreading of infection diseases (Anderson & May, 1992). These models can be created either on macro (equations describing dynamics of whole population – e.g. system dynamics, econometric models) or on micro level (nodes, agents and their interactions). The use of ABM in this context has according to Schramm, Trainor, Shanker, & Hu (2010) and Rand & Rust (2011) several advantages – agent behaviour can be grounded in proper theories and influenced by other agents as well as by global and local settings (e.g. demographic attributes). This allows to respect heterogeneity when needed and to see emergent result on global scale. The ABM has been extensively used for modelling of diffusion processes in social networks (Rand & Rust, 2011). For instance, Delre, Jager, & Janssen (2007) and Peres (2014) studied diffusion dynamics of new products according to different social network topologies. Watts & Dodds (2007) studied impact of influentials in diffusion. Goldenberg, Han, Lehmann, & Hong (2009) investigated network hubs influence. Schramm et al. (2010) focused their research on diffusion respecting brand influence, pricing, individual consumer characteristics and social influence and Kvasnička (2014) studied viral video diffusion in a fixed network. To be able to draw meaningful conclusions, agent based models of diffusion process in online social networks have to be based on network topologies that properly reflect structure of the real online social networks. The evolution of approaches to model such a network using computers has gone through several influential milestones. Watts & Strogatz (1998) have introduced small world effect emergence which mimics one important feature of social networks – that nodes in such networks are both well connected and with large clustering coefficients. Barabási & Albert (1999) proceeded further with a principle of preferential attachment building of social networks which allows to model scale-free networks. Holme & Kim (2002) proposed a way how to complement preferential attachment models with triad formation which generates networks with both scale-free and small world properties. Pasta, Zaidi, & Rozenblat (2014) added principles how to involve demographic properties to such networks. And Li et al. (2014) showed how it is possible to artificially build social networks which are sparse/dense and assortative/dissassortative and where these properties my change over the social network evolution.

Acta Informatica Pragensia 207

3 Solutions and Results 3.1

Agent Based Model

To validate the marketing tactics based on JND an information diffusion agent based model has been developed using Netlogo (Wilensky, 1999). Agents in this model represent consumers which have undirected links to others which shape their social interactions – in this case information spreading and receiving. The model is based on network topology building algorithm suggested by Li et al. (2013) and Li et al. (2014) which allows to generate artificial social networks with realistic properties, a given average degree (amount of social relationships) and amount of nodes (agents, i.e. consumers). The artificial social network of 1500 nodes used in this study was created using the following algorithm: 1. At the beginning, a network of few nodes is created with random links. 2. At every following step, a new node is created and randomly connected to one of existing nodes and a certain amount of activated nodes is randomly selected to connect to one of their unconnected second neighbour nodes. If there are no activated nodes available, nodes for connection are being chosen fully on random basis. The nodes in the network are being activated when their state function φ(i,t) exceeds a given threshold (i denotes the node index, t denotes the time step). The state function is calculated using the following reaction-diffusion-like equation (Li et al., 2013): ,

1

,

1

(2)

where φ0 and μ are constants and summation represents changes in degrees of all neighbouring nodes kj (j denotes the neighbour node index). During the time, the state function value is increasing for each node until it reaches threshold value. Then the node is available for new connections and the function value is reset to zero in the next time step. Another situation when the value is being reset to zero is when a new connection with this node is being made – either randomly or based on actions of the other nodes. Because the main purpose of this agent based model is to validate JND marketing tactics it was necessary to incorporate the concept of JND into the model. It has been done by adding variable of JND-threshold to each agent. The value is randomly generated when agent is created and in this case follows normal distribution with the mean = 0.5 and standard deviation = 0.1 (meaning that 96 % of individual JND thresholds will be between 0.3 and 0.7). It can be assumed that the agents can get information about given change either through their own experience with the product (when the change is above their individual JND-threshold) or through social media – in this case the value of their individual JND-threshold is irrelevant. To reflect different situations that may occur, global variables size-of-change, amount-ofinfluenced-per-tick, probability-of-information-spreading and probability-of-informationreceiving have been added to the model. The variable size-of-change denotes the relative change that is being done by marketers. It is quantified on a scale between 0 and 1 and the value can be easily compared to the individual JND-threshold of each agent. Using this comparison it is possible to investigate effects of changes below and above the average JND.

208 Vojtko The variable amount-of-influenced-per-tick represents an amount of randomly selected agents that are directly influenced by the abovementioned change in each time step. It is possible to imagine them as customers buying or consuming the products in the given time. The value has been set up to 20 for all the following scenarios – so we can expect each agent to be selected on average 4 times during the simulation. The variables probability-of-information-spreading and probability-of-information-receiving denote agents’ propensity to spread the information to their peers and probability of receiving the information through social network. The algorithm of information spreading is being implemented in the following very simple sequence for each time step (tick): 1. All the red agents send with the given probability-of-information-spreading a message to their social neighbours and turn brown. 2. Receiving agents with the given probability-of-information-receiving turn red. 3. Amount-of-influenced-per-tick agents are randomly selected and their individual JNDthreshold is being compared with the induced size-of-change – if the threshold is below the change size and it is the first time for the agent to get such an information, agents will change their colour to red.

Fig. 1. User interface of the created agent based model. Source own elaboration.

3.2

Simulated Scenarios

For the validation of JND marketing tactics with the agent based model, 2700 runs have been simulated using BehaviorSpace function of NetLogo and the process described in Fig. 2.

Acta Informatica Pragensia 209

Network density

Size of change

• Loosely connected (avg. degree = 3) • Densely connected (avg. degree = 15)

• Change below avg. JND (0.25) • Change equal to avg. JND (0.5) • Change above avg. JND (0.75)

Probability of spreading information

Probability of receiving information

• 25% • 50% • 75%

• 25% • 50% • 75%

Fig. 2. Simulated scenarios. Source own elaboration.

At first, a loosely connected social network with average degree 3 has been generated. This setup reflects the situation before social media have been introduced. Then each of 27 following combinations (size of change vs. probability of spreading information vs. probability of receiving information) was simulated 50 times and data about diffusion of information were analysed as follows in the Section 3.3. As the next step, a densely connected social network with average degree 15 has been generated which reflects online social media and easiness of information sharing. Then again each of 27 combinations was simulated 50 times and data about diffusion of information were analysed as follows in the Section 3.4.

3.3

Loosely Connected Social Network Simulation Results

It is possible to see the results for simulations in the loosely connected social network in Figures 3 – 5. Figure 3 shows diffusion of information for changes below the average JND threshold, Figure 4 shows the same for changes equal to the average JND threshold and Figure 5 shows results for changes above the average JND threshold. The results for small changes below the average JND threshold generally show that under these circumstances there could be a lot of variance in results and when probabilities of spreading and receiving information are low, it is possible on average to achieve very low and close to zero coverage of population. It might suggest that practices based on changes below JND might really work very well and the risk for marketers if the change is not favourable to customers is very low too. This might explain why JND marketing tactics used to be working well in practice in the past.

210 Vojtko

0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

0

50 100 150 200 250 300

0

50 100 150 200 250 300 time

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

time

100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

50 100 150 200 250 300

50 100 150 200 250 300 time

%

% 0

0

time

%

100 90 80 70 60 50 40 30 20 10 0

time

100 90 80 70 60 50 40 30 20 10 0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

time

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 75 %

%

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 50 %

time

%

Probability of information receiving = 75 %

Probability of information receiving = 50 %

Probability of information receiving = 25 %

Probability of information spreading = 25 %

100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

Nodes = 1500, average degree in network = 3, average JND treshold = 0.5, average JND standard deviation = 0.1, size of change = 0.25, amount of consumers influenced per tick = 20 Solid lines are average values, dashed lines are maximum values, dotted lines are minimum values for 50 simulation runs Fig. 3. Diffusion of information for changes below average JND threshold, loosely connected social network. Source own elaboration.

Acta Informatica Pragensia 211 When the changes are equal to the average JND threshold, variance in the diffusion becomes very low and it is possible to see slightly different diffusion patterns according to the different probabilities of spreading and receiving information. With higher probabilities, the information diffusion is generally faster and covers higher proportion of population.

0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

0

50 100 150 200 250 300

0

50 100 150 200 250 300 time

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

time 100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

50 100 150 200 250 300

50 100 150 200 250 300 time

%

% 0

0

time

%

100 90 80 70 60 50 40 30 20 10 0

time 100 90 80 70 60 50 40 30 20 10 0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

time

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 75 %

%

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 50 %

time

%

Probability of information receiving = 75 %

Probability of information receiving = 50 %

Probability of information receiving = 25 %

Probability of information spreading = 25 %

100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

Nodes = 1500, average degree in network = 3, average JND treshold = 0.5, average JND standard deviation = 0.1, size of change = 0.50, amount of consumers influenced per tick = 20 Solid lines are average values, dashed lines are maximum values, dotted lines are minimum values for 50 simulation runs Fig. 4. Diffusion of information for changes equal to average JND threshold, loosely connected social network. Source own elaboration.

212 Vojtko The results for changes above the average JND threshold are very similar as the previous ones, the only difference is in higher speed and proportion of population being covered by the information diffusion.

0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

0

50 100 150 200 250 300

0

50 100 150 200 250 300 time

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

time 100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300

50 100 150 200 250 300

50 100 150 200 250 300 time

%

% 0

0

time

%

100 90 80 70 60 50 40 30 20 10 0

time 100 90 80 70 60 50 40 30 20 10 0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

time

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 75 %

%

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 50 %

time

%

Probability of information receiving = 75 %

Probability of information receiving = 50 %

Probability of information receiving = 25 %

Probability of information spreading = 25 %

100 90 80 70 60 50 40 30 20 10 0

time

0

50 100 150 200 250 300 time

Nodes = 1500, average degree in network = 3, average JND treshold = 0.5, average JND standard deviation = 0.1, size of change = 0.75, amount of consumers influenced per tick = 20 Solid lines are average values, dashed lines are maximum values, dotted lines are minimum values for 50 simulation runs Fig. 5. Diffusion of information for changes above average JND threshold, loosely connected social network. Source own elaboration.

3.4

Densely Connected Social Network Simulation Results

Again, it is possible to see the results for simulations in the densely connected social network in Figures 6 – 8. Figure 6 shows the diffusion of information for changes below the average JND threshold, Figure 7 shows the same for changes equal to the average JND threshold and Figure 8 shows results for changes above the average JND threshold. In comparison to the results for the loosely connected social network it is possible to see a dramatic change in the increase of population information coverage even when the probabilities of spreading and receiving information are low and the change is below the JND threshold.

Acta Informatica Pragensia 213 The importance of such diffusion pattern change is clearly visible not just on average but also on minimum values (dotted lines) in Fig. 6.

0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

0

50 100 150 200 250 300

0

50 100 150 200 250 300 time

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

time 100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

50 100 150 200 250 300

50 100 150 200 250 300 time

%

% 0

0

time

%

100 90 80 70 60 50 40 30 20 10 0

time 100 90 80 70 60 50 40 30 20 10 0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

time

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 75 %

%

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 50 %

time

%

Probability of information receiving = 75 %

Probability of information receiving = 50 %

Probability of information receiving = 25 %

Probability of information spreading = 25 %

100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

Nodes = 1500, average degree in network = 15, average JND treshold = 0.5, average JND standard deviation = 0.1, size of change = 0.25, amount of consumers influenced per tick = 20 Solid lines are average values, dashed lines are maximum values, dotted lines are minimum values for 50 simulation runs Fig. 6. Diffusion of information for changes below average JND threshold, densely connected social network. Source own elaboration.

214 Vojtko When the results for changes equal to the average JND threshold are being compared to the loosely connected social network, the coverage of population is faster and higher.

0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

0

50 100 150 200 250 300

0

50 100 150 200 250 300 time

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

time 100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

50 100 150 200 250 300

50 100 150 200 250 300 time

%

% 0

0

time

%

100 90 80 70 60 50 40 30 20 10 0

time 100 90 80 70 60 50 40 30 20 10 0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

time

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 75 %

%

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 50 %

time

%

Probability of information receiving = 75 %

Probability of information receiving = 50 %

Probability of information receiving = 25 %

Probability of information spreading = 25 %

100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

Nodes = 1500, average degree in network = 15, average JND treshold = 0.5, average JND standard deviation = 0.1, size of change = 0.50, amount of consumers influenced per tick = 20 Solid lines are average values, dashed lines are maximum values, dotted lines are minimum values for 50 simulation runs Fig. 7. Diffusion of information for changes equal to average JND threshold, densely connected social network. Source own elaboration.

Acta Informatica Pragensia 215 The results for changes above the average JND threshold are very similar as the previous ones, the only difference is again in higher speed and proportion of population being covered by the information diffusion.

0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

0

50 100 150 200 250 300

0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

0

time

50 100 150 200 250 300 time

100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

50 100 150 200 250 300

50 100 150 200 250 300 time

%

% 0

0

time

%

100 90 80 70 60 50 40 30 20 10 0

time 100 90 80 70 60 50 40 30 20 10 0

50 100 150 200 250 300

100 90 80 70 60 50 40 30 20 10 0

time

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 75 %

%

%

%

100 90 80 70 60 50 40 30 20 10 0

Probability of information spreading = 50 %

time

%

Probability of information receiving = 75 %

Probability of information receiving = 50 %

Probability of information receiving = 25 %

Probability of information spreading = 25 %

100 90 80 70 60 50 40 30 20 10 0

0

50 100 150 200 250 300 time

Nodes = 1500, average degree in network = 15, average JND treshold = 0.5, average JND standard deviation = 0.1, size of change = 0.75, amount of consumers influenced per tick = 20 Solid lines are average values, dashed lines are maximum values, dotted lines are minimum values for 50 simulation runs Fig. 8. Diffusion of information for changes above average JND threshold, densely connected social network. Source own elaboration.

4 Discussion and Conclusion When comparing the overall results, it is clear that higher average degree of the simulated social network lead to faster diffusions which also covered higher proportions of population. If the changes below the average JND are being analysed in more detail, the results suggest that in the world without social media (i.e. with low average degrees in the network of social relationships) it would be possible to easily “hide” the changes below the average JND threshold.

216 Vojtko On the other hand, in the world with social media (i.e. with higher degrees in the network of social relationships) the results are dramatically different and in all simulations at least 70 % of population got the information later or sooner. This means that also the level of risk for marketers using JND tactics should increase significantly in such circumstances and these practices could be harmful for companies. This is also at least partially in contrary to the older consumer behaviour and marketing findings and recommendations as mentioned in the literary review which do not take these influences into consideration. In all the scenarios of changes below the average JND threshold less than 1 % of consumers were able to recognize the change, meaning that only their individual JND thresholds were above the size of change being applied by marketers. Even such a small proportion was able to start information avalanches through social networks as can be seen on Fig. 6 on maximum values for the proportion of population being covered by the information diffusion. For the changes equal to the average JND threshold the information diffusion was only partially successful for the world without social media where the proportion of population was less than 60 % after 300 time steps of simulation. On the other hand, in this case it was just a matter of time to get to higher population proportions. From marketing perspective, it would be meaningful in such situation to use other than social media to support information diffusion. In the world with social media the information spreads much faster and all the simulations got to 70 % of population in a very short time even though each node sends information just once. In this situation it would be meaningful for marketers to support not the other media but diffusion processes between consumers which could be more efficient due to lower costs. The very similar suggestion applies to changes bigger than the average JND threshold. The study presented here has of course certain limitations. One of the limitations is that only two artificially generated social networks were used. On the other hand the algorithm for their building was properly tested and validated in previous studies (Li et al., 2013) and further tests with different social networks generated by the same algorithm showed consistent results. And because the findings are more of qualitative nature this limitation should not undermine them. Another limitation could be related to the size of social network being simulated. Because the building of such a social network is dependent on a computer processing power and time available, size of 1500 nodes was selected for experiments as a compromise. Bigger networks (10000 nodes) were tested too to see whether the results are consistent and the behaviour patterns were fully comparable. This study had one main goal – to answer the question whether the just noticeable difference related marketing practices could survive in the world with social media and as a part of online marketing. Although the findings are limited, they suggest that using of such practices might be much riskier than it used to be before and marketers should be aware of that and consider their using more thoroughly. In this sense, also consumer behaviour and marketing textbooks should be updated accordingly. It was also shown that the agent based modelling can be helpful in dealing with problems like this one and can provide further insight into dynamics of processes on consumer markets where the social media play crucial role in spreading of information.

Acknowledgement This paper has been supported from a project GAJU 79/2013/S – Rolínek.

Acta Informatica Pragensia 217

References Ainsworth, J., & Ballantine, P. W. (2014). That‫׳‬s different! How consumers respond to retail website change. Journal of Retailing and Consumer Services, 21(5), 764–772. doi:10.1016/j.jretconser.2014.06.003 Anderson, R. M., & May, R. M. (1992). Infectious Diseases of Humans: Dynamics and Control (Reprint edition.). Oxford University Press. Barabási, A.-L., & Albert, R. (1999). Emergence of scaling in random networks. Science, 286(5439), 509–512. doi:10.1126/science.286.5439.509 Çakır, M., & Balagtas, J. V. (2014). Consumer Response to Package Downsizing: Evidence from the Chicago Ice Cream Market. Journal of Retailing, 90(1), 1–12. doi:10.1016/j.jretai.2013.06.002 Delre, S. A., Jager, W., & Janssen, M. A. (2007). Diffusion dynamics in small-world networks with heterogeneous consumers. Computational and Mathematical Organization Theory, 13(2), 185–202. doi:10.1007/s10588-006-9007-2 Evans, M. M., Foxall, G., & Jamal, A. (2009). Consumer Behaviour (2nd edition.). Chichester, England ; Hoboken, NJ: Wiley. Goldenberg, J., Han, S., Lehmann, D. R., & Hong, J. W. (2009). The Role of Hubs in the Adoption Process. Journal of Marketing, 73(2), 1–13. doi:10.1509/jmkg.73.2.1 Han, S., Gupta, S., & Lehmann, D. R. (2001). Consumer price sensitivity and price thresholds. Journal of Retailing, 77(4), 435–456. doi:10.1016/S0022-4359(01)00057-4 Holme, P., & Kim, B. J. (2002). Growing scale-free networks with tunable clustering. Physical Review E Statistical, Nonlinear, and Soft Matter Physics, 65(2), 026107/1–026107/4. doi:10.1103/PhysRevE.65.026107 King, R. A., Racherla, P., & Bush, V. D. (2014). What We Know and Don’t Know About Online Word-ofMouth: A Review and Synthesis of the Literature. Journal of Interactive Marketing, 28(3), 167–183. doi:10.1016/j.intmar.2014.02.001 Kvasnička, M. (2014). Viral Video Diffusion in a Fixed Social Network: An Agent-based Model. Procedia Economics and Finance, 12, 334–342. Li, M., Guan, S., Wu, C., Gong, X., Li, K., Wu, J., … Lai, C.-H. (2014). From sparse to dense and from assortative to disassortative in online social networks. Scientific Reports, 4. doi:10.1038/srep04861 Li, M., Zou, H., Guan, S., Gong, X., Li, K., Di, Z., & Lai, C.-H. (2013). A coevolving model based on preferential triadic closure for social media networks. Scientific Reports, 3. doi:10.1038/srep02512 Miller, R. L. (1962). Dr. Weber and the Consumer. Journal of Marketing, 26(1), 57–61. doi:10.2307/1249633 Pasta, M. Q., Zaidi, F., & Rozenblat, C. (2014). Generating online social networks based on socio-demographic attributes. Journal of Complex Networks, cnu034. doi:10.1093/comnet/cnu034 Peres, R. (2014). The impact of network characteristics on the diffusion of innovations. Physica A: Statistical Mechanics and Its Applications, 402, 330–343. doi:10.1016/j.physa.2014.02.003 Rand, W., & Rust, R. T. (2011). Agent-based modeling in marketing: Guidelines for rigor. International Journal of Research in Marketing, 28(3), 181–193. doi:10.1016/j.ijresmar.2011.04.002 Schiffman, L. G., & Wisenblit, J. (2014). Consumer Behavior (11 edition.). Boston: Prentice Hall. Schramm, M. E., Trainor, K. J., Shanker, M., & Hu, M. Y. (2010). An agent-based diffusion model with consumer and brand agents. Decision Support Systems, 50(1), 234–242. doi:10.1016/j.dss.2010.08.004 Solomon, M. R. (2014). Consumer Behavior: Buying, Having, and Being (11 edition.). Boston: Prentice Hall. Watts, D. J., & Dodds, P. S. (2007). Influentials, Networks, and Public Opinion Formation. Journal of Consumer Research, 34(4), 441–458. doi:10.1086/518527 Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of “small-world” networks. Nature, 393(6684), 440– 442. doi:10.1038/30918

218 Vojtko Wilensky, U. (1999). NetLogo. Evanston, IL: Center for Connected Learning and Computer-Based Modeling, Northwestern University. Retrieved from http://ccl.northwestern.edu/netlogo/

Acta Informatica Pragensia 3(2), 2014, 219–221, DOI: 10.18267/j.aip.50 Online: aip.vse.cz

Sekce / Section: Miscelanea – Rozhovor / Interview

Jan Egem: Znalost zákaznických dat a jejich propojování v marketingu Jan Egem: Knowledge of Customer Data and Their Integration in Marketing Stanislava Mildeová1, Zdeněk Smutný1 1

Katedra systémové analýzy, Fakulta informatiky a statistiky, Vysoká škola ekonomická v Praze nám. W. Churchilla 4, 130 67 Praha 3 [email protected]

Abstrakt: Rozhovor s Janem Egem, ředitelem společnosti KBM Group CEE (součást celosvětové skupiny WPP) zabývající se firemním marketingovým řešením, které je založeno na znalostech získaných z dat. Do oblasti činnosti této firmy však patří také webová analytika, optimalizace a monetizace. Jan Egem vystudoval Vysokou školu ekonomickou v Praze a několik let také pracoval v obdobně zaměřené společnosti Wunderman. Klíčová slova: Rozhovor, trendy, Marketing Intelligence. Abstract: Interview with Jan Egem, director of KBMG CEE (part of a global group WPP), that deals with corporate marketing solution that is based on the knowledge gained from the data. Other activities include web analytics, optimization and monetization. Jan Egem graduated from the University of Economics in Prague and also worked for several years in a similarly focused company Wunderman. Keywords: Interview, Trends, Marketing Intelligence.

220 Mildeová, Smutný Co si může čtenář představit ve spojení marketing a big data? Jak velká jsou vlastně big data? K dispozici je ohromné množství dat. Jen digitálních dat je přibližně 2,7 zetabytů. 90 % z nich vzniklo za poslední dva roky a odhaduje se, že do roku 2020 jich bude 50 krát víc. Množství dat není ani pro marketing problém? Kde ten problém tedy vidíte? Problém není s tím, jestli big data jsou nebo nejsou k dispozici, těch je opravdu hodně. V současnosti se big data spíše zpracovávají v nekomerční sféře, ať už v rámci výzkumů, univerzit, atd. Prostor je zcela jistě v komerční sféře. Tam, kde jsou firmy nyní velmi silné, je schopnost data sledovat a uchovávat. V každé velké firmě je oddělení, které se zabývá webovou analytikou, e-mailingy, mediálními daty, social media atd. Problém je ale v tom, že tato data firmy neumí navzájem propojit, a tudíž z nich dostat další přidanou hodnotu. Znamená to, že nikoli znalost dat, ale jejich propojování je pro moderní marketing primární? Podle mého názoru propojování různých zdrojů dat a jejich využívání pro marketingové účely je největší výzvou dneška. Přitom to není zase žádná věda. Když se například podíváte na Amazon, tak ten jako základ používá jen několik málo typů dat. Můžete uvést konkrétní případy takových marketingových kampaní? Club Matas je největší kosmetický řetězec v Dánsku, který před pár lety založil věrnostní program. Personalizace přes všechny své kanály byla založena na věrnostní kartě a kromě standardních touchpointů jako je newsletter, aplikace či Facebook, personalizují např. i účtenku v obchodě nebo generují osobní webové stránky. Obsah je vytvářen na základě konkrétního nákupního chování, oblíbenosti komunikačního kanálu a responze na jednotlivé typy informací. Club Matas je velmi úspěšný, za prvních šest měsíců získali půl milionu členek, po třech letech fungování je členkou každá druhá žena v Dánsku. Máte nějaké příklady z vlastních řešení v rámci ČR? Slevomat je největší slevový portál v České republice s více než milionem zákazníků. Zpracovali jsme jejich transakční data (kategorie zboží, výše ceny, objem nákupů, co vyhledávají na webu, způsob platby, adresa atd.) a vytvořili segmentaci zákazníků Slevomatu. Abychom dokázali obohatit tyto segmenty i měkká data, doplnili jsme je o data z Facebooku, kde jsme například získali informaci o preferované politické straně, do jaké restaurace chodí, jestli preferují spíše sport nebo hudbu, jestli chodí do té či oné kavárny atd. Jako případovou studii číslo dvě bych uvedl tzv. Brand stories – odráží životní styl ve spotřebovávaných značkách. Základem byly tentokrát reálné transakce na platebních kartách jedné nejmenované banky v ČR. Výstupem analýzy dat byl řádek, který sdružuje značky objevující se na platebních kartách. Značky charakterizují určitý vzorec nákupního chování člověka, což je už samo o sobě zajímavé a my jsme to obohatili o pohled, jak se tito lidé chovají na Facebooku, jaké jsou jejich zájmy, jaké jsou další preferované značky nebo média, přes které je můžeme oslovit. Zkoušeli jste ještě další alternativy? Ano, testovali jsme trigger based komunikaci založenou na propojování různých zdrojů dat. Tento nástroj dokáže systémy propojit bez nutnosti jakéhokoliv zásahu do vašeho IT. Přes JSON nebo jiné brány propojíme tyto zdroje dat. A vy jako marketér si jednoduše nastavíte automatizované scénáře komunikace. Například pokud někdo napíše na Twitteru nebo Facebooku cokoliv o mé firmě, pak mohu přednastavit požadované reakce. Podle toho, jaký

Acta Informatica Pragensia 221 mám na něj kontakt nebo podle toho, zda jsem identifikoval pozitivní nebo negativní sentiment. Bude-li se rozčilovat, napíšu mu něco jiného, než když nás bude chválit. To jsou velmi jednoduché scénáře. Mohu samozřejmě jít dál a navázat to na kamenné prodejny, zavolání do call centra, nedokončený nákupní košík v e-shopu, atd. Můžete závěrem uvést jiné moderní trendy? Zajímavá byla segmentace restaurací a klubů, kterou jsme dělali pro velký český pivovar. Využili jsme mimo jiné i data z Foursquare pro analýzu určitých klasických vzorců chování lidí v pražské klubové scéně. A zjistili jsme, odkud kam se jednotlivé segmenty pohybují, jaké jsou předchozí kluby a kam pokračují. A to lze samozřejmě využít nejen pro restaurace, ale v zásadě pro cokoliv dalšího (od poboček bank, letiště, nádraží nebo kina). Dalším trendem, který jsme zaznamenali, je využívání emocí pro marketing. Například Facebook dokáže analyzovat, kdy se zamilujete. Nebo Apple analyzuje vaši náladu monitorováním pulsu v rámci aplikací a zároveň kombinací výrazů obličeje. V obou případech to firmy využívají k tomu, aby svým inzerentům nabídli reklamu na cílové zákazníky v tu chvíli, kdy jsou emocionálně připraveni tuto reklamu přijmout. Co zde vnímáte jako „high-tech”? I obyčejné kamery nainstalované v obchodních řetězcích či bankách umí identifikovat člověka i jeho pohyb. Zároveň konkrétního zákazníka můžeme identifikovat přes iBeacon (nebo jiný systém). A to když navíc propojíme s analýzou reálných transakcí dotyčného zákazníka, dostáváme tak velmi unikátní informace, jak se zákazník reálně v daném prostoru chová, jak se v prodejně pohybuje a jaký to má vliv na byznys.

Acta Informatica Pragensia Recenzovaný vědecký časopis / Peer-reviewed scientific journal ISSN: 1805-4951 Články v časopise podléhají licenci Creative Commons Uveďte autora 3.0 This work is licensed under a Creative Commons Attribution 3.0 License