Yapay Zekâ ve Sosyal Medya Verileri ile Yeni Marka Ortaklıkları Nasıl Keşfedilebilir?

Pazarlama dünyasında marka iş birliklerinin giderek daha popüler ve güçlü bir pazarlama stratejisine dönüştüğüne tanık oluyoruz. Yeni kitlelere ulaşmak ve tüketicilerin ilgisini çekmek isteyen şirketler için bu ortaklıklar büyük fırsatlar sunuyor; ancak potansiyel iş ortaklarını belirlemek marka yöneticileri açısından genellikle yüksek maliyetli ve zaman alıcı anketlere ya da karmaşık eleme süreçlerine dayanıyor. Yakın zamanda yayımlanan yeni bir araştırma, bu süreci kökünden dönüştürebilecek veri odaklı bir yaklaşım ortaya koyuyor.

Information Systems Research dergisinde yayımlanan çalışmaya göre araştırmacılar, tüketicilerin sosyal medyadaki paylaşımlarından yararlanarak gelecek vadeden marka ortaklıklarını tespit edebilen yapay zekâ destekli bir sistem geliştirdi. Geleneksel marka niteliklerini sosyal medyada markaların birlikte anıldığı paylaşımlarla harmanlayan bu modelin, yöneticilere kendi işletmelerine özel potansiyel iş birliği olanakları sunabildiğini görüyoruz. Üstelik sistem yalnızca öneride bulunmakla kalmıyor; bu ortaklıkların nasıl yürütülebileceğine dair pratik stratejiler de sağlıyor.

Samanlıkta İğne Aramak: Sosyal Medya Verisi ve Sinyal Füzyonu

Marka iş birliklerini tespit etmenin samanlıkta iğne aramaya benzediğini belirten Penn State Smeal İşletme Fakültesinde tedarik zinciri ve bilgi sistemleri yardımcı doçenti olan ortak yazar Keran Zhao durumu şu sözlerle özetliyor:

Marka iş birlikleri bulmak samanlıkta iğne aramaya benzer. A markası B, C ve D markalarını birer seçenek olarak düşünebilir; ancak tüm marka ağını hiçbir zaman bütünüyle kavrayamaz. Geliştirilen çerçevenin sunduğu avantaj, yüzlerce markayı sistematik biçimde değerlendirmesinin yanında bir fırsatın arkasında yatan gerekçeleri ve yöntemi de ayrıntılı olarak açıklamasıdır.

Araştırmacıların önerdiği çerçeve, iki temel kavram üzerine inşa edilen dört aşamalı bir yapıdan oluşuyor: sinyal füzyonu ve eyleme dökülebilirlik. İlk aşama, farklı bilgi kaynaklarını tutarlı bir içgörüde birleştirmeyi ifade eden sinyal füzyonuna odaklanıyor. Bu aşamada gerçek dünyadaki marka bilgileriyle sosyal medyadaki eş anılma verileri bir araya getirilerek potansiyel ortaklıkları saptayabilen kapsamlı bir ilişki ağı kuruluyor.

Ekip bu doğrultuda doğrudan tüketiciye hitap eden en büyük 450 markanın gelişmişlik ve bilinirlik gibi marka kişiliği verilerini topladı. Ardından 2020 yılında Twitter (günümüzdeki adıyla X) üzerinde bu markaların bir arada geçtiği 477.933 paylaşım incelendi. Araştırmacılar yapay zekâ tabanlı metin sınıflandırıcıları kullanarak şikâyet odaklı paylaşımları ayıkladı; tüketicilerin bu markaları birbirini tamamlayıcı mı yoksa rakip mi olarak gördüğünü çözümledi. Zhao yapay zekânın sağladığı ölçek avantajını şu sözlerle ifade ediyor:

Dördümüz bir araya gelip sekiz ila on saat boyunca Twitter gönderilerini okusak bile bu markalar etrafında dönen sohbetlerin yalnızca küçük bir kısmını görebilirdik. Yapay zekâ bu bilgiyi çok daha geniş bir ölçekte analiz etmemizi sağlıyor.

Modelin henüz gerçekleşmemiş gelecekteki ittifakları öngörme becerisi de test edildi. Yapılan analizler, modelin veri toplama sürecinin bitiş tarihinden sonra hayata geçen 251 gerçek marka ortaklığından 213 tanesini doğru biçimde tahmin edebildiğini gösterdi.

Modelin Doğrulanması: Marka Yöneticilerinin Kararları ve Başarı Oranları

Çerçevenin ikinci aşaması, modelin ürettiği önerileri paydaş anketleriyle sınayarak sistemi doğrulamaya odaklanıyor. Araştırmacılar 350 katılımcıyla gerçekleştirdikleri tüketici anketinde, katılımcıların modelin tavsiye ettiği eşleşmeleri elenen çiftlere kıyasla açık bir farkla tercih ettiğini belirledi. Ekip bunun yanı sıra 57 marka yöneticisinin katıldığı kapsamlı bir değerlendirme yaparak sektör profesyonellerinin önerilere yaklaşımını inceledi.

Çalışmada her marka yöneticisi 12 tanesi model tarafından öngörülen, 12 tanesi ise elenen 24 marka çiftini inceledi ve en umut verici gördüğü sekiz adede kadar iş birliğini seçti. Yöneticiler modelin önerdiği ortaklıkları ortalama %34 oranında seçerken, elenen çiftlerde bu oran yalnızca yaklaşık %7 seviyesinde kaldı. Bu tablo, modelin önerdiği eşleşmelere yönelik ilginin elenenlere kıyasla yaklaşık beş kat daha yüksek olduğunu ortaya koyuyor.

Araştırmacılar bu ikinci aşamanın yalnızca bir doğrulama testi niteliğinde olduğunu özellikle vurguluyor. Dolayısıyla modelin gerçek dünyadaki iş uygulamalarında yöneticilerin benzer anketler düzenlemesine gerek kalmayacağı belirtiliyor.

Eyleme Dökülebilir Stratejiler: Dört Çeyrekli Matris ve Üretken Yapay Zekâ

Sistemin üçüncü ve dördüncü aşamaları, belirlenen ortaklık fırsatlarından doğrudan uygulanabilir içgörüler türetmek amacıyla kurgulandı. Üçüncü aşamada araştırmacılar verideki örüntülerden öğrenen makine öğrenmesi algoritmalarından yararlandı. Önerilen iş birlikleri; markaların paylaşımlarda birlikte geçme sıklığına, paylaşımlardaki genel duygu durumuna ve etkileşim sayılarına (beğeni, yanıt ve yeniden paylaşımlar) göre sınıflandırıldı.

Elde edilen öneriler dört farklı çeyrekten oluşan bir matris üzerine yerleştirildi. Bu matris en güçlü ve en yüksek görünürlüğe sahip ittifakları simgeleyen öncelikli fırsatlardan, gelişmekte olan niş pazarlardaki daha keşifsel adımları işaret eden gizli nişlere kadar geniş bir yelpazeyi kapsıyor. Zhao bu aşamanın gerekliliğini şu şekilde açıklıyor:

Bir marka yöneticisi modeli çalıştırdığında sistem iş birliği yapabileceği 100 farklı marka önerebilir. Bunların hepsini hayata geçirmek pratikte imkânsızdır; bu nedenle söz konusu aşama, markalara fırsatların ne kadar kritik olduğunu ve hangilerine öncelik vermeleri gerektiğini açıklayan daha sistematik bir bakış açısı sunuyor.

Oluşturulan bu matris farklı paydaşların ihtiyaçlarına göre esnetilebiliyor; şirket içi marka rekabetini tespit etmeye yarayan portföy düzeyinde bir bakış açısı sunabildiği gibi sektörler arası fırsatları aydınlatmak amacıyla sektörel temelde de yapılandırılabiliyor.

Dördüncü ve son aşamada ise sosyal medya paylaşımlarının bağlamından yararlanmak için doğal dil işleme ve üretken yapay zekâ teknikleri devreye sokuldu. Model iki temel pratik rehberlik çıktısı üretiyor: İlki tüketici söyleminde hangi pazarlama unsurunun (örneğin ürünler veya kampanyalar) baskın olduğunu ortaya koyarken, ikincisi bu söylemin stil ya da sürdürülebilirlik çabaları gibi hangi temalar etrafında şekillendiğini çözümlüyor. Zhao yapay zekânın bu roldeki gücüne şöyle dikkat çekiyor:

Yapay zekâ bilgiyi özetleme konusunda oldukça güçlü. Müşterilerin nelerden bahsettiğini tespit edip bu veriyi yapay zekâya aktarabilirsek, bir marka ittifakı fırsatını değerlendirirken hangi yöne gitmemiz gerektiğine dair doğrudan çıkarımlar elde edebiliriz.

İster ortaklaşa piyasaya sürülen bir ürün ister ortak bir reklam kampanyası olsun, doğru marka ittifakını keşfetmek başlı başına meşakkatli bir uğraş niteliği taşıyor. Ancak böyle bir ortaklığa resmî olarak adım atmanın; harcanan zaman, bütçe ve ortaya konan marka itibarı düşünüldüğünde işletmeler için göz ardı edilemeyecek riskler barındırdığını da biliyoruz. Zhao ve çalışma arkadaşları sistemi eğlence amacıyla beklenmedik marka kombinasyonlarıyla denediklerini belirtirken geleceğe dair şu değerlendirmede bulunuyor:

Gelecek vadeden fırsatları belirleyebilen ve nasıl ilerleneceğine dair somut öneriler sunabilen ölçeklenebilir bir sistem, marka yöneticileri için paha biçilmez bir araç ve kitle kaynaklı yaratıcılık adına ilgi çekici bir kaynak olabilir. Çok şaşırtıcı sonuçlar ortaya çıkabiliyor.