دانلود ترجمه مقاله بررسی رویکردهای بازاریابی ویروسی به واسطه شبیه سازی اجتماعی

نتیجه گیری و پیشنهادات آینده:
این مقاله پیشرفت های اخیر در استفاده از شبیه سازی اجتماعی مبنی بر عامل را توسعه می دهد. هدف این مقاله در واقع طراحی و اعتبارسنجی استراتژی های بازاریابی ویروسی در توییتر است. اگرچه مقالات زیادی در مورد تحلیل داده های توییتری وجود دارد (مانند کتاب های راسل، 2011a,b). تا آنجایی که نویسنده مطلع است، این پژوهش اولین تحقیقی است که با دستورالمعل های مشخص، از داده های توییتری در تحقیقات ABSS استفاده می کند. روش ارائه شده مطالب زیر را مورد بررسی قرار می دهد: طراحی مدل مبنی بر عامل. مدل سازی استراتژی های بازاریابی، پاک کردن داده ها و پیش پردازش، تحلیل داده های اکتشافی، ساخت مدل، بررسی صحت آزمایش ها و استراتژی آزمایش. علاوه بر بحث درباره روش ارائه شده، این مقاله به خوبی در مورد بازاریابی ویروسی مطالعه کرده است. با این کار بازاریابی ویروسی، کنترل شایعه و انتشار آن در شبکه های اجتماعی به خوبی توضیح داده می شود. با مروری کلی بر کارهای مربوطه، مشخص شد که مدل سازی اپیدمیلوژیک یک روش برتر برای مدل سازی انتشار اطلاعات غلط است. مقاله حاضر، درستی این روش را بررسی می کند. در این مقاله فرض شده است، کاربرانی که شایعه غلط را در منتشر می کنند در گروه های زیر قرار می گیرند: 1) ضدشایعه را منتشر نمی کنند، 2) یا اینکه شواهد تجربی ای در مورد نپذیرفتن شایعه وجود ندارد. بنابراین کاربران اصلاح شده بر اصلاح همسایگان خود تاثیری ندارند (شکل 3). پژوهش های آینده در مورد تحقیق حاضر می تواند ترکیب مدل های ارائه شده را تکنولوژی های داده های کلان باشد. همچنین می توان در مطالعه بازاریابی ویروسی، قدرت گره ها را نیز در نظر گرفت. همانطور که توسط دی و همکاران (2014) بیان شده است، تقابل داده ها می تواند برای پیش بینی نیروی گره ها استفاده شود. گره ها در گروه های ضعیف، متوسط یا قوی قرار می گیرند. به علاوه، وقایعی که اطلاعات جدید را منتقل می کنند، ترجیحا به سمت گره های ضعیف می روند، به عنوان مثال لینک های متصل کننده گروه های مختلف (گرابوویکر و همکاران، 2012). این پیوندها به سرعت پیام ها را منتشر کرده و به بخش بزرگی از کاربران شبکه های اجتماعی دسترسی پیدا می کنند.

Conclusion and future works:
This paper advances the state of the art in the use of Agent-based social simulation (ABSS) to design and validate viral marketing strategies in Twitter. Although there are extensive works in Twitter data analysis such as Russell's books (Russell, 2011a, 2011b), to the best of the authors' knowledge, this is the first research work where guidelines are given to use Twitter data in an ABSS research. The method proposed contemplates among others: the agent-based model design, modeling the marketing strategies, the data scraping and preprocessing, the exploratory data analysis, the model construction, the validation experiments, and the strategies experiments. In addition to the method discussion, this work has followed a well studied problem of viral marketing to illustrate it, the rumor control and diffusion in social networks. An extensive review of related works reveals that the epidemiological modeling is the hegemonic approach to model misinformation spreading. This paper challenges that approach by assuming that users who realize that have spread a false rumor in Twitter typically: (1) will not spread anti-rumors, or (2) there will not be empirical evidence of the retraction. Therefore, the recovered users will not affect the recovery of their neighbors (Fig. 3). The main future work in this research line is the integration of the presented models with Big Data technologies. Another important future work is to consider the strength of ties in the study of viral marketing strategies. As proposed by De Meo, Ferrara, Fiumara, and Provetti (2014), interaction data can be used to predict the strength of ties: weak, intermediary, or strong. Moreover, events transmitting new information go preferentially through weak ties, i.e. links connecting different groups (Grabowicz, Ramasco, Moro, Pujol, & Eguiluz, 2012). These links quickly spread messages and touch large segments of social networks users.