E VERYONE S AN I NFLUENCER : Q UANTIFYING I NFLUENCE ON T WITTER – B AKSHY ET AL Ricardo Prudêncio TAIA –

W ORD - OF - MOUTH Opinião PúblicaAdoção de Inovações Marketing e Propaganda Brand Awareness Informação

W ORD - OF - MOUTH Influenciadores Difusão Cascatas de influência

P ERGUNTAS Quem seriam os influenciadores? Como a difusão ocorre em rede? Seria possível induzir cascatas de informação? Qual seria o valor dos influenciadores?

I NFLUENCIADORES Credibilidade? Expertise? Entusiasmo? Conectividade?

D IFICULDADES Redes de influência raramente são observáveis Estudos são tendenciosos em direção a eventos de difusão e casos de sucesso Oportunidade para uso do Twitter!!!

E VERYONE S AN INFLUENCER : Q UANTIFYING I NFLUENCE ON T WITTER E. Bakshy (University of Michigan), J. Hofman, W. Mason, D. Watts (Yahoo! Research) Fourth International Conference on Web Search and Data Mining, 2011

V ISÃO G ERAL Predição de influência dos usuários no Twitter Monitoramento de difusão de URLs no Twitter Influência = número de usuários que repostaram uma URLs a partir do post inicial Definição de atributos usados para predição Análise de custo dos influenciadores

D ADOS 1.03B de tweets – 13 Setembro a 15 Novembro 87M tweets com URLs do serviço bit.ly URL = evento de difusão distinto Seed = usuário que originou o evento 74M eventos associados aos seeds ativos tanto no primeiro como no segundo mês de observação 1.6M de usuários seed Grafo de seguidores com os usuários que postaram pelo menos uma URL – 56M de usuários

C ASCATAS DE I NFORMAÇÃO OU Á RVORES DE I NFLUÊNCIA Influência post = No. de usuários na árvore Influência usuário = Média da influência dos posts iniciados pelo usuário

C ASCATAS DE I NFORMAÇÃO OU Á RVORES DE I NFLUÊNCIA A maioria dos eventos não se propaga e grandes cascatas são eventos muito raros

P REDIÇÃO DE I NFLUÊNCIA - A TRIBUTOS (1) Atributos do usuário # de seguidores # de amigos # tweets data de join no Twitter (2) Influência passada Média, mínimo e máximo da influência total Média, mínimo e máximo da influência local

P REDIÇÃO DE I NFLUÊNCIA - E XPERIMENTOS Modelos de Árvores de regressão Exemplos de treinamento: Atributos preditores computados no 1º. mês Atributo alvo: influência medida no 2º. mês Validação cruzada para avaliação

Á RVORE DE R EGRESSÃO Atributos importantes: # de seguidores e influência local passada

R 2 = 0.34 # de seguidores e influência local passada são condições necessárias mas não suficientes

D IRECIONANDO ESTRATÉGIAS Como otimizar difusão direcionando ações para classes específicas de indivíduos? Qual o valor da adesão (cooperação) dos influenciadores?

M ODELO DE C USTO Função de custo: Custo fixo de aquisição # de seguidores Custo por seguidor ($ 0,01)

M ODELO DE C USTO α baixo implica em escolher indivíduos com poucos seguidores que são numerosos e baratos α alto implica em escolher indivíduos com muitos seguidores para compensar custo de aquisição Dado α que usuários devem ser alvo para maximizar influência/custo?

R ESULTADOS α = 0 (Ca = $0) Usuários menos influentes geram ganho relativo 15 vezes maior que os mais influentes α = (Ca = $1.000) Usuários mais influentes são os mais efetivos α = (Ca = $100) Usuários mais efetivos ainda não são os mais influentes

C ONCLUSÕES Influenciadores comuns (medianos ou abaixo da média) podem ser mais efetivos Cuidados: Dados observacionais nem sempre implicam em causalidade Resultados se referem a um modelo de custo específico

C ONCLUSÕES Flexibilização de estratégias de marketing Difusão via um conjunto maior de cascatas menores iniciadas por usuários comuns Big-Seed Marketing

R EFERÊNCIAS A DICIONAIS Influentials, Networks and Public Opinion Formation. D. Watts; J. Peretti (2007)