Brand equity assessment: a computational model for mining consumer perceptions in social media

Abstract

The proliferation of Big Data & Analytics in recent years has compelled marketing practitioners and business decision-makers to search for new methods for generating insights when faced to measure brand performance during campaign appraisals. Marketers are constantly asked by upper management to justify the impact of online marketing activities in terms of brand performance in the marketing mix. Financial measures such as sales and profit provide partial indicators of brand performance, leading marketers to also turn towards assessment of intangible market based assets such as brand equity. To address this gap, marketers over the past 20 years have introduced various approaches that assess key conceptual dimensions of brand equity from a consumer perspective. Prevailing methods focus on the multidimensionality of the construct using confirmatory factor analysis with structural equations modeling for evaluating their models. Although these measurement approaches have and continue to be used for assessment of brand equity during marketing campaign cycles, a well-observed challenge is that these methods heavily rely on traditional data collection and analysis methods, such as questionnaires, face to face or telephone interviews, and have a significant time lag. Recent years have witnessed a fundamental shift on how consumers choose to convey their experience during their interaction with a brand. The rise of social media platforms has empowered consumers worldwide to influence and shape perceptions of brands, leaving no choice to organizations than to adapt, invest in and monitor these channels. With mobile growth driving the change towards a connected consumer who with the power of a smartphone now has access to information previously only available through conventional means, marketing and technology are more than ever drawing towards a merge. Information is now digitized and stored—in the form of news, blogs, forum posts and social networks— making it increasingly important not to neglect such means. New computational tools that help organize, search, and understand this vast amount of information should now be used during decision making.In line with this paradigm shift, this study introduces a novel approach of CBBE assessment, through the application of big data and machine learning techniques in data collected from social media. We develop and introduce a conceptual model of steps that lays out a proposed method of how fundamental dimensions of CBBE, such as brand awareness and brand meaning, could be optioned from consumer perceptions, starting from a marketing perspective and describe the technical steps necessary to construct the measure. At the core of the proposed model lie topic and sentiment detection approaches to elicit the influential subjects that govern the generation process of CBBE. Instead of estimating brand equity based on low-level online social verbatim features (e.g. frequency of words with negative or positive sentiment polarity) we propose a high-level abstraction computational model which estimates CBBE based on the central discussion topics on online social networks. The model utilizes a novel genetic algorithm to address the problem of topic clustering in text data. The proposed topic clustering method is anchored on the Latent Dirichlet Allocation (LDA) probabilistic topic modeling framework, aiming at identifying cluster formations that are optimal in terms of semantic coherence. This work focuses on reformulating the clustering problem as a discrete optimization problem within the n-dimensional standard simplex since all the LDA-based data patterns correspond to n-valued probability distribution vectors. In this way, the NP - hard cluster assignment problem reduces to the problem of locating the optimal cluster-centroid positions within the n-dimensional standard simplex given that the number of clusters to be identified is equal to the number of topics to be extracted by the LDA probabilistic modeling technique. The novelty of the proposed genetic algorithm approach lies primarily upon the adaptation of the centroid-based encoding scheme, in the sense that cluster assignments are implicitly extracted by assigning each data point to the nearest cluster center.To illustrate the validity of our model we employ two case studies, in different business verticals, that collect brand related data from social media channels, such as Twitter, unveiling key CBBE dimensions during marketing performance assessments. In particular the first case study evaluates the model in the mobile telecommunications business sector, focusing on the two leading carriers in the USA, AT&T and Verizon while the second case study applies the model on the mobile app market, unveiling constitutional elements of CBBE relating to the UBER transportation network.The theoretical and managerial contributions of this research outline the need for marketing researchers and practitioners to adopt state of the art machine learning techniques and methods, when faced to assess specific marketing constructs, such as customer based brand equity. Our research contributes towards this end by outlining a step by step computational model that starts from a marketing perspective, describes the necessary technological steps and concludes with the insights that can be generated.

Οι ραγδαίες τεχνολογικές εξελίξεις των τελευταίων χρόνων καθώς και το πλήθος των δεδομένων τα οποία δημιουργούνται με ρυθμό ταχύτερο από οποιαδήποτε άλλη φορά στην ιστορία, έχουν καταστήσει αναγκαία την προσαρμογή των επιχειρήσεων σε αυτό που σήμερα είναι ευρύτερα γνωστό στην Ελλάδα ως «στρατηγική ψηφιακής σύγκλησης». Ο κλάδος ο οποίος καλείται να προσαρμοστεί πιο απότομα απ’ όλους, λόγω της ευθείας σχέσης του με τον καταναλωτή, είναι αυτός του Μάρκετινγκ. Το πλήθος των δεδομένων το οποίο είναι διαθέσιμο σε ηλεκτρονικά μέσα, όπως τα κοινωνικά δίκτυα, οι ιστοσελίδες και τα ιστολόγια, δημιουργεί ένα καινούριο κανάλι γνώσης το οποίο πλέον δεν πρέπει να αμελεί κανείς όταν έρχεται αντιμέτωπος με ανάλυση βασικών εννοιών του μίγματος μάρκετινγκ. Ένα από τα βασικά στοιχεία το οποίο παραδοσιακά έχει πρωταρχικό ρόλο κατά την χάραξη της στρατηγικής μάρκετινγκ είναι η επίδοση που έχουν οι προωθητικές ενέργειες στο καταναλωτικό κοινό. Οικονομικοί δείκτες, όπως οι πωλήσεις και τα κέρδη, προσφέρουν μια μονοδιάστατη εικόνα της αξίας της επωνυμίας, με αποτέλεσμα ο εμπορικός κόσμος να στραφεί επίσης και στην διάσταση του υπολογισμού ενός άυλου αλλά πολύ σημαντικού περιουσιακού στοιχείου, ευρύτερα γνωστό στην βιβλιογραφία ως «καταναλωτική αξία εταιρικής επωνυμίας». Για την αντιμετώπιση αυτού του κενού έχουν εισαχθεί διάφορες προσεγγίσεις τα τελευταία 20 χρόνια, που αξιολογούν βασικές διαστάσεις της αξίας εταιρικής επωνυμίας από τη σκοπιά του καταναλωτή.Οι βασικές μέθοδοι επικεντρώνονται στον πολυδιάστατο χαρακτήρα της έννοιας, χρησιμοποιώντας παραδοσιακές μεθόδους ανάλυσης για την αξιολόγηση των μοντέλων τους. Οι προσεγγίσεις αυτές αν και εξακολουθούν να χρησιμοποιούνται μέχρι και σήμερα, βασίζονται σε μεγάλο βαθμό σε παραδοσιακές μεθόδους συλλογής και ανάλυσης δεδομένων, όπως ερωτηματολόγια, συνεντεύξεις πρόσωπο με πρόσωπο ή τηλεφωνικές συνεντεύξεις, και παρουσιάζουν μια πολύ σημαντική χρονική υστέρηση.Τα τελευταία χρόνια έχει παρατηρηθεί μια θεμελιώδη αλλαγή σχετικά με το πώς οι καταναλωτές επιλέγουν να μεταφέρουν την εμπειρία τους κατά την αλληλεπίδρασή τους με ένα εμπορικό σήμα, υπηρεσία ή προϊόν. Η άνοδος των πλατφορμών κοινωνικής δικτύωσης έχει δώσει σε καταναλωτές σε όλο τον κόσμο την δυνατότητα να επηρεάζουν και να διαμορφώνουν αντιλήψεις σχετικά με την αξία των εμπορικών σημάτων επιχειρήσεων. Το γεγονός αυτό δεν αφήνει καμία επιλογή στους οργανισμούς πάρα να προσαρμοστούν, να επενδύσουν και να παρακολουθούν αυτά τα κανάλια. Με την ανάπτυξη των φορητών συσκευών, οι οποίες προσφέρουν πρόσβαση στο διαδίκτυο, ανεξαρτήτως χρόνου και τόπου, οδηγούμαστε στην εποχή του συνδεδεμένου καταναλωτή, ο οποίος με τη δύναμη ενός «έξυπνου κινητού» έχει πλέον πρόσβαση σε πληροφορίες που προηγουμένως ήταν διαθέσιμες μόνο μέσω συμβατικών μέσων. Ζούμε την εποχή όπου το μάρκετινγκ και η τεχνολογία είναι περισσότερο από ποτέ κοντά στην σύγκλιση και τελικά την συγχώνευση. Οι πληροφορίες πλέον ψηφιοποιούνται και αποθηκεύονται σε πραγματικό χρόνο στο διαδίκτυο, καθιστώντας ολοένα και πιο σημαντικό για τις επιχειρήσεις να μην παραμελούν τέτοια μέσα. Νέα εργαλεία και υπολογιστικά μοντέλα που βοηθούν στην αναζήτηση, στην οργάνωση αλλά και στην κατανόηση της θάλασσας των δεδομένων είναι πλέον αναγκαίο να χρησιμοποιούνται κατά τη διάρκεια της διαδικασίας λήψης αποφάσεων.Το κύριο αντικείμενο αυτής της διδακτορικής διατριβής είναι να εισάγει μια νέα μέθοδο για την εκτίμηση καταναλωτικής άξιας εταιρικής επωνυμίας, παρουσιάζοντας ένα υπολογιστικό μοντέλο εξόρυξης αντιλήψεων καταναλωτών από τα κοινωνικά δίκτυα. Για να το πετύχει αυτό χρησιμοποιεί υπολογιστικές μεθόδους τεχνητής νοημοσύνης και ανάλυσης δεδομένων. Πιο συγκεκριμένα εισαγάγει ένα εννοιολογικό μοντέλο διακριτών βημάτων που καθορίζει μια προτεινόμενη μέθοδο, για το πώς θεμελιώδεις διαστάσεις της καταναλωτικής άξιας εταιρικής επωνυμίας, όπως η αναγνωρισιμότητα του σήματος και η έννοια της μάρκας, θα μπορούσαν να αντληθούν από τις αντιλήψεις των καταναλωτών, ξεκινώντας από την σκοπιά του μάρκετινγκ και περιγράφοντας τα τεχνικά μέτρα που είναι αναγκαία για την κατασκευή του μέτρου αυτού. Στον πυρήνα του προτεινόμενου μοντέλου, βρίσκονται μέθοδοι ανίχνευσης συναισθήματος και προσεγγίσεις απόσπασης βασικών θεμάτων που διέπουν τη διαδικασία δημιουργίας της εκτίμησης καταναλωτικής άξιας εταιρικής επωνυμίας. Το μοντέλο αντί να βασίζεται στον υπολογισμό του μέτρου με βάση ανάλυση δεδομένων από παραδοσιακά μέσα (ερωτηματολόγια), προτείνει τον υπολογισμό βάση των κεντρικών θεμάτων συζήτησης στα κοινωνικά μέσα δικτύωσης.Πιο συγκεκριμένα το μοντέλο χρησιμοποιεί έναν γενετικό αλγόριθμο για την αντιμετώπιση του προβλήματος της ομαδοποίησης θεμάτων σε δεδομένα κειμένου. Η προτεινόμενη μέθοδος ομαδοποίησης δεδομένων σε συναφή θέματα βασίζεται στην τεχνική “ Latent Dirichlet Allocation (LDA)”, με σκοπό τον εντοπισμό σχηματισμών συμπλεγμάτων με βέλτιστη σημασιολογική συνοχή. Παράλληλα χρησιμοποιεί μια σειρά από τεχνικές τεχνητής νοημοσύνης για τον εντοπισμό συναισθήματος (θετικού ή αρνητικού) στους σχηματισμούς που ορίζονται από τον γενετικό αλγόριθμο. Με τον συνδυασμό των τεχνικών αυτών, το μοντέλο καταλήγει σε μια σειρά μετρικών οι οποίες αναδεικνύουν δύο σημαντικές διαστάσεις καταναλωτικής άξιας εταιρικής επωνυμίας, την αναγνωρισιμότητα της επωνυμίας και την σημασιολογική βαρύτητα που δίνει ο καταναλωτής. Για να αναδείξουμε την ισχύ και την ορθότητα του μοντέλου, τρέχουμε δύο μελέτες περίπτωσης που εφαρμόζουν το μοντέλο σε επιχειρήσεις διαφορετικών εργασιών. Στόχος και στις δύο περιπτώσεις είναι μέσα από την συλλογή δεδομένων από το κοινωνικό μέσο δικτύωσης, Twitter, να αναδειχθούν οι διαστάσεις της καταναλωτικής άξιας εταιρικής επωνυμίας μέσα από την διαδικασία ορισμού του αρχικού προβλήματος από σκοπιάς μάρκετινγκ. Πιο συγκεκριμένα, η πρώτη μελέτη αξιολογεί το μοντέλο στον τομέα των επιχειρήσεων κινητής τηλεφωνίας, με επίκεντρο τις δύο κορυφαίες φορείς στις ΗΠΑ, AT&T και Verizon, ενώ η δεύτερη μελέτη εφαρμόζει το μοντέλο στην αγορά εφαρμογών για κινητά, αναδεικνύοντας διαστάσεις της καταναλωτικής άξιας του δικτύου μεταφοράς UBER.Η συνεισφορά της παρούσας διατριβής στην βιβλιογραφία είναι πολλαπλή. Η σημαντικότερη συμβολή όμως αυτής της έρευνας έγκειται στην ανάδειξη της ανάγκης υιοθέτησης τεχνικών μηχανικής μάθησης σε προβλήματα στον χώρο του μάρκετινγκ, και την χρησιμοποίησης ενός τέτοιου μοντέλου, όταν οργανισμοί έρχονται αντιμέτωποι με την αξιολόγηση στρατηγικών σχετικά με την άξια εταιρικής επωνυμίας από την σκοπιά του καταναλωτή. Η έρευνά μας συμβάλλει προς αυτή την κατεύθυνση, εισάγοντας ένα τέτοιο υπολογιστικό μοντέλο, που ξεκινά από την πλευρά της αγοράς, περιγράφει τα απαραίτητα τεχνολογικά βήματα και καταλήγει με τις ιδέες που μπορούν να δημιουργηθούν.