Characterizing Viral Videos Methodology and Applic

Machine Translated by Google
Vedeți discuțiile, statisticile și profilurile de autori pentru această publicație la: https://www.researchgate.net/publication/305696923
Caracterizarea videoclipurilor virale: Metodologie și aplicații
Articolul în Cercetare și aplicații în comerțul electronic · iulie 2016

DOI: 10.1016/j.elerap.2016.07.002
CITAȚII CITEȘTE
13 1.992
3 autori, printre care:
Stefan Franta Mahyar Sharif Vaghefi
Universitatea de Stat din Mississippi 9 PUBLICAȚII 57 CITAȚII
30 PUBLICAȚII 583 CITAȚII
VEZI PROFIL
VEZI PROFIL
Tot conținutul care urmează acestei pagini a fost încărcat de Stephen France la 11 octombrie 2017.
Utilizatorul a solicitat îmbunătățirea fișierului descărcat.

Caracterizarea videoclipurilor virale: Metodologie și

Aplicații
Francea, , Mahyar Sharif Vaghefib , Huimin Zhaob Stephen L.
aCollege of Business, Mississippi State University, 114

McCool Hall, 40 Old Main, PO Box 5288, MS 39762, SUA bLubar School of
Business, Universitatea din Wisconsin-Milwaukee,
PO Box 742, Milwaukee, WI 53201-0742 , cerb
Abstract
Se estimează că piața de publicitate video online va avea o valoare de 8 miliarde de dolari
până în 2016, în creștere de la 4 miliarde USD până în 2013. În consecință, este nevoie de valori
pentru a ajuta la analiza și înțelegerea acestei piețe în creștere rapidă. Această lucrare ajută
satisface această nevoie prin descrierea unui cadru pentru modelarea comportamentului video online,
care se bazează pe modelarea curbei de creștere. Diferite categorii de comportament video
sunt definite, inclusiv comportamentul „viral întârziat” și comportamentul „viral inițial”. The
cadrul descris în această lucrare poate fi utilizat pentru a analiza comportamentul video online,
Clasificați videoclipurile pe baza modelelor de creștere și preziceți vizionările viitoare. În
lucrări empirice asociate, vizualizările video sunt analizate pentru patru seturi de date diferite.
Primul este un set video empiric, compilat din liste media de videoclipuri virale. The
al doilea este un eșantion „populație” de videoclipuri, selectat aleatoriu de pe YouTube.
Al treilea este un set de date măsurat la diferite niveluri de granularitate pe scară de timp. The
forth este un set de videoclipuri lansate pentru anumite canale YouTube. Utilizări manageriale
pentru cadru sunt descrise și sunt date scenarii specifice pentru ambele conținuturi
design și previziunea veniturilor pentru publicitatea online.
Cuvinte cheie: social media, videoclipuri virale, modelarea curbei de creștere, logistică
distribu iile
Am dori să mulțumim recenzenților anonimi pentru feedback-ul cu privire la o versiune anterioară

a lucrării trimise la PAKDD 2014 și pentru recenzenții anonimi de la Electronic Commerce Research and
Applications. Autor
corespondent Adresă de
e-mail: sfrance@business.msstate.edu (Stephen L. Franța)
Preprint trimis la Cercetare și aplicații în comerțul electronic 21 iulie 2016

1. Introducere
Având în vedere tendințele corporative către o mai mare responsabilitate (Seggie et al., 2007),
utilizarea unor metrici pentru a măsura succesul de marketing a devenit din ce în ce mai importantă
portant. Cercetătorii au descoperit că performanța de marketing a unei firme
5 efortul este corelat pozitiv cu capacitatea unei firme de a-și măsura efortul de marketing
(O'Sullivan și Abela, 2007). Odată cu creșterea internetului și a rețelelor sociale
ca canale, agențiile de publicitate reduc cheltuielile pentru media tradițională și
mută mai multe resurse către canalele online (Uitz, 2012). Cu toate acestea, măsurarea efortului de
marketing social media prezintă mai multe provocări (Hoffman 10 și Fodor, 2010). Metrici pentru
măsurarea succesului efortului de marketing
sunt de obicei concentrate pe rentabilitatea investiției (ROI). De fapt, un sondaj al practicienilor de
marketing (Ambler et al., 2004) a constatat că cele mai frecvent utilizate valori de marketing au fost
măsurile bazate pe finanțe/contabilitate, cum ar fi profitul, vânzările,
și marja brută. Poate fi dificil să aplicați valorile tradiționale ale ROI în rețelele sociale
15 campanii media. Ecosistemul rețelelor sociale include un număr mare de
interacțiunile dintre clienți, firmă, angajați, investitori, guvern și
furnizori (Ambler et al., 2004). Măsurarea acestor interacțiuni în termeni de venituri
este problematică, dar s-au făcut încercări de a dezvolta metrici care să măsoare
efort de marketing pe rețelele sociale. Aceste valori includ măsuri de implicare,
20 conștientizare, și cuvântul în gură (Hoffman și Fodor, 2010; Uitz, 2012).
Această lucrare examinează valorile pentru un domeniu al rețelelor sociale, cel online
Videoclipuri. Pe măsură ce consumatorii accesează din ce în ce mai mult conținut media online, creșterea
videoclipurile online au fost explozive. Pentru a da câteva statistici, videoclipul de pe YouTube
site-ul de partajare are peste 1 miliard de vizitatori unici pe lună (YouTube, 2014) și se estimează că
videoclipurile online vor reprezenta 69% (Systems, 2013) din toate site-urile web.
trafic până în 2017. Videoclipul online are o importanță deosebită pentru marketeri, cu online
cheltuielile de publicitate video în SUA sunt estimate să crească de la aproximativ
4 miliarde USD în 2013 până la 8 miliarde USD în 2016 (Abramovici, 2013).
De o importanță deosebită este conceptul de „videoclipuri virale”. Videoclipurile virale sunt
2
30 un fenomen cultural important. Mass-media populară și presa apar adesea
videoclipuri care au devenit „virale” și există mai multe topuri care listează cele mai populare
videoclipuri virale ulare. Cu toate acestea, există puțin acord cu privire la ceea ce constituie un virus
video și există foarte puține instrumente pentru analizarea naturii virale a videoclipurilor online.
Această lucrare umple acest gol, oferind un cadru pentru analiza vizionării
35 de modele de videoclipuri online. Cadrul se bazează pe o metodologie de ajustare a curbei
ogie, bazându-se pe munca inițială privind utilizarea curbelor de creștere descrise în mod independent
în Franța și Vaghefi (2013); Jiang i colab. (2014); Richier i colab. (2014). Sev-
Pentru aceasta sunt prevăzute aplicații și interpretări generale legate de management
cadru. Lucrarea din această lucrare descrie modul în care videoclipurile online pot fi clasificate
40 ca având modele de vizionare „virale întârziate”, „virale inițiale” sau „polinom”. A
Videoclipul „viral întârziat” este definit ca un videoclip care pornește de la o bază inițială scăzută
de vizualizări și apoi câștigă rapid popularitate prin mecanisme virale legate de
partajarea socială, înainte de a se echilibra. Un videoclip „viral inițial” este descris ca un videoclip
cu un număr inițial mare de vizualizări urmat de un declin lent. Un „polinom”
Modelul de vizualizare 45 este în esență „un model de vizualizare care nu este de mai sus”, afișat
o tendință polinomială intermediară.
Restul lucrării este organizat după cum urmează. Există o literatură re-
vedere, care sintetizează material din tehnologia informației, marketing și
statistici. Este prezentat un cadru de modelare propus pentru vizualizările video online. A
50 de seturi de experimente au fost efectuate pe date din peste 150 de videoclipuri declarate virale în
presa populară. Folosind acest set de date pentru a testa cadrul, sunt date rezultate
atât în ceea ce privește potrivirea modelului, cât și acuratețea predictivă. În plus, un empiric
este dată analiza parametrilor de funcție și rezultatele sunt comparate cu re-
rezultate obținute dintr-un eșantion aleatoriu de populație de peste 10000 de videoclipuri YouTube.
55 Stabilitatea cadrului pe diferite niveluri de granularitate la scară de timp este
analizate. Este descris un experiment de utilizator care leagă rezultatele cadrului
la antecedentele emoționale ale viralității video. Se face o demonstrație despre cum
cadrul descris în această lucrare, împreună cu analiza statistică, poate fi
folosit pentru a ajuta la analiza și monitorizarea canalelor video online. Implicații generale
60 și concluziile pentru cadru sunt descrise și aplicații manageriale la
3
sunt date managementul conținutului și predicția veniturilor din publicitate.
2. Studiul literaturii
Ce este mai exact un videoclip viral? O explicație simplă este că videoclipurile virale sunt
videoclipuri care câștigă popularitate fiind distribuite și recomandate online
65 cuvânt din gură. În timp ce definiția tradițională a unui videoclip viral necesită doar
cont de partajarea online și recomandări, în realitate situația este mai mult
complex. Există o interacțiune puternică între rețelele online și cele offline (Wellman și colab., 2002)
și este greu să se desprindă partajarea online de partajarea offline sau
din alți factori. De exemplu, luați în considerare o situație în care o persoană descrie a
70 de videoclipuri virale către prietenii de la o cafenea, care apoi caută videoclipul pe YouTube.
Ea postează, de asemenea, un link către videoclip pe pagina ei de Facebook și accesul prietenilor ei
videoclipul făcând clic pe adresa URL. Ea a distribuit videoclipul de către ambii online
și mijloacele offline, dar mecanismele sociale pentru ambele sunt foarte asemănătoare. În
Broxton i colab. (2013), vizionările video sunt fie atribuite social, fie non-social
75 de categorii. O vizualizare este atribuită să fie socială dacă spectatorul a vizitat videoclipul web-
pagină fie făcând clic pe un link extern URL, fie introducând direct adresa URL.
O vizualizare este atribuită ca non-social dacă spectatorul a vizitat pagina web a videoclipului
fie prin intermediul motorului intern de căutare/recomandări YouTube, fie printr-un motor de
căutare extern. Desigur, această clasificare nu poate fi 100% precisă, deoarece utilizatorii 80 pot
auzi despre un videoclip în mod social (fie offline, fie online) și apoi pot căuta online
pentru videoclip.
Procesul prin care un videoclip devine viral este unul aleatoriu (Bruyn și
Lilien, 2008) și este greu de prezis ce videoclipuri vor deveni virale. Cu toate acestea, prin
însămânțarea judicioasă a unui videoclip pentru consumatori (Liu-Thompkins, 2012) și 85 prin
proiectarea caracteristicilor acestuia (Kalyanam și colab., 2007), se poate optimiza
șansa ca acesta să devină viral.
Videoclipurile virale de succes atrag utilizatorii și atrag emoțiile lor (Bradzell
et al., 2008). Videoclipurile virale pot fi produse pentru o serie de aplicații, inclusiv marketing
pentru consumatori (Miller, 2011), campanie politică (Wallsten, 2010) și
4
90 crearea de conținut generat de utilizatori (UGC). O definiție a unui videoclip viral este dată
în O'Neill (2011). Aici, un videoclip viral este descris ca având proprietăți
de spectatori, zgomot, parodie și longevitate. Vizualizarea este pur și simplu numărul
de vizualizări pe care le primește un videoclip. Buzz este cantitatea de impact social și de partajare
generate de videoclip. Parodia descrie de câte ori este copiat un videoclip,
95 fie nemodificat, fie ca parte a unui amestec. Longevitatea este o măsură a cât de bine
popularitatea videoclipului este susținută.
Conceptul de buzz viral este strâns legat de cel de eWOM (electronic
Cuvântul în gură). Au existat mai multe studii care analizează fenomenul
eWOM și factorii și antecedentele acestuia. Conducătorii comportamentului din gură în gură
100 sau includ factori legați de subiectul eWOM, cum ar fi interesul
(Berger și Schwartz, 2011), controverse (Angelis și colab., 2012) și furie (Fan și colab., 2014), precum și
factori legați de indivizii care transmit eWOM, cum ar fi auto-îmbunătățirea (Chen și Berger, 2013). ).
Un cadru general pentru antecedentele eWOM virale este oferit în Berger și Milkman (2012). Iată-l
105 au descoperit că articolele din ziare care induc emoții de excitare ridicată, cum ar fi uimirea,
furia și anxietatea duc la un comportament viral mai puternic decât articolele din ziare
care induc emoții de excitare scăzută, cum ar fi tristețea. Această lucrare este validată de
Rim (2009), care discută despre modul în care experiențele emoționale conduc la împărtășirea socială a
emoții. Această idee a răspunsurilor emoționale la conținut care influențează comportamentul viral
110 este ceva relevant pentru videoclipurile virale și este ceva care este analizat
în experimentele manageriale din această lucrare.
Au existat încercări recente de a descrie comportamentul video viral folosind
model de vizionări video de-a lungul timpului. O măsură a longevității video numită pop-
raportul de ularitate (PR) este introdus în Broxton et al. (2013) și este dat în (1).
115 Lucrări empirice în Broxton et al. (2013) arată că PR este invers core-
legat de procentul de opinii sociale. Acest lucru aproape contrazice afirmația din O'Neill (2011) că
videoclipurile virale vor atinge longevitate în comparație cu alte videoclipuri.
Este posibil ca videoclipurile cu o audiență puternică încorporată să aibă un atractiv care durează
5
dincolo de răspândirea virală a videoclipului.
Vizualizări în a doua lună

PR = (1)
Vizualizări în primele zece zile
120 Lucrările empirice (Broxton et al., 2013; Crane și Sornette, 2008; Figueiredo, 2013) sugerează că
majoritatea videoclipurilor online au un singur vârf de vizionare, adică dacă un grafic
este desenat cu timpul trasat pe axa x și cu vederi zilnice reprezentate pe y-
atunci graficul rezultat al distribuției vizualizărilor zilnice va fi în esență
unimodal. Acest vârf este mai definit atunci când mai multe vizionări sunt sociale (Broxton
125 și colab., 2013). Majoritatea videoclipurilor atinge vârful relativ rapid. De fapt, pentru un eșantion mare de
videoclipuri preluate de pe YouTube, 75% dintre videoclipuri au atins vârful cu cinci săptămâni și peste 95%
de videoclipuri a atins vârful cu zece săptămâni (Borghol et al., 2011). Acest lucru sugerează că
perioada dinamică de creștere virală pentru un videoclip are loc de obicei în stadiile incipiente ale
eliberarea acestuia. Acest proces dinamic poate fi modelat ca un proces Possion (Crane 130 și
Sornette, 2008). Pe baza acestui proces, videoclipurile pot fi clasificate în virale
videoclipuri, videoclipuri de calitate și videoclipuri nedorite. Acest model este simplificat în Figueiredo
et al. (2011). Aici, vpeak(d) este definită ca fracțiunea de vizualizări care apar în ziua cu numărul maxim
de vizualizări, vârf (d). Videoclipurile virale, de calitate și nedorite sunt
definit folosind un prag de calitate φ, cu videoclipuri virale având cel mai mic vârf,
135 din cauza partajării sociale în cascadă în întreaga rețea de socializare și rezultând în a
distribuție mai extinsă a vederilor. Videoclipurile „junk” nu au această cascadă
efect, așa că după un impuls inițial, numărul de vizualizări scade rapid.
V iral vpeak(d) φ
Categorie = Calitate φ < vpeak(d) (1 φ) (2)
Junk vpeak(d) > (1 φ)
În timp ce munca descrisă mai sus face inferențe generale despre videoclipurile virale,
diferite categorii de videoclipuri pot produce un comportament diferit de spectator. Popularitate
140 de tendințe pentru videoclipurile YouTube la nivel de categorie sunt examinate în Chowdhury și
Makaroff (2013), utilizând datele de vizualizare colectate de la un crawler web pe o perioadă
de 149 de zile. S-a constatat că diferite categorii de videoclipuri au avut abandonuri diferite
rate și distribuții diferite ale popularității. De exemplu, videoclipurile muzicale au fost
6
s-a dovedit a avea o rată relativ scăzută de abandon școlar și un procent relativ ridicat de
145 de videoclipuri mai populare. Atât în Chowdhury și Makaroff (2013), cât și în Figueiredo (2013),
modelele de creștere video au fost analizate cu gruparea serii de timp, dar în Chowdhury și
Makaroff (2013), acest lucru a fost realizat pe categorii. A fost găsit
că diferite categorii au produs grupuri diferite de vederi de-a lungul timpului i astfel
a manifestat un comportament de popularitate diferit.
150 Pentru a rezuma, a existat o mare varietate de aspecte atât empirice, cât și conceptuale.
munca desfășurată în domeniul analizei videoclipurilor online și eWOM. Acest
munca este rezumată în Tabelul 1. Aici, referința este dată în prima coloană,
tipul de lucrare este dat în coloana a 2-a (teorie, empiric sau modelare), iar un rezumat al
contribuției este dat în coloana a 3-a (de exemplu,
155 tip de model).
Sintetizând lucrările din tabelul 1 duce la o definiție formală a videoclipurilor virale,
pe care îl folosim ca bază pentru munca de modelare descrisă ulterior în aceasta
hârtie. Din Franța și Vaghefi (2013); Jiang i colab. (2014), video cumulat
vederile pot fi modelate folosind o serie de funcții. Dacă este prezent un comportament viral
160 atunci funcțiile sunt susceptibile de a avea un singur vârf (Crane și Sornette, 2008)
și este posibil ca diferite videoclipuri să aibă modele de vizionare semnificativ diferite
(Figueiredo, 2013; Chowdhury și Makaroff, 2013), care depind de
răspunsurile sociale (Broxton et al., 2013). Pentru a îngloba aceste concepte, împreună
cu lucrări empirice despre partajare de la Berger și Milkman (2012); Berger și
165 Schwartz (2011); Bradzell i colab. (2008), definim o vizionare „viral întârziată”.
faza ca o perioadă în care vizionările video încep la un punct inițial scăzut, cresc la a
maxim datorită eWOM sau proceselor de partajare și apoi refuzați înapoi la o bază
nivel". Nu toate videoclipurile includ o astfel de fază virală. Unele videoclipuri (Franța și
Vaghefi, 2013; Jiang et al., 2014) au un număr mare de vizionări inițiale, care
170 scade în timp. Aici, buzz-ul inițial eWOM este prezent înainte de lansarea lui
videoclipul, dar se risipește după lansare. Videoclipuri cu acest model sau foarte scurt
perioadă înainte de începerea comportamentului viral au adesea mai multe distribuiri decât videoclipurile cu a
model de vizionare „viral întârziat” (Anon., 2015). Deoarece comportamentul video viral este
adesea bazat pe partajarea video (Broxton et al., 2013; Figueiredo et al., 2011), noi
7
Tabelul 1: Prezentare generală a literaturii
Hârtie Tip rezumat
Angels et al. (2012) Din punct de vedere empiric, Rate relative de transmitere a eWOM negativ/pozitiv.
Teorie
Berger și lapte- Empiric, Cadrul general pentru antecedentele videoclipurilor virale.
bărbat (2012) Teorie
Berger și Empiric Antecedente ale comportamentului viral.
Schwartz (2011)
Bradzell et al. Empiric Răspunsul emoțional ca antecedent al comportamentului viral.
(2008)
Broxton i colab al. Modelare, Clasificare socială, raport de popularitate și vizionare
(2013) Empiric vârf.
Chen și Berger Empiric, Controversa ca antecedent al partajării virale.
(2013) Teorie
Crane și Sornette Modelare, Un singur vârf de vizualizare/proces Poisson.
(2008) Empiric
Chowdhury și Modelare Gruparea seriilor temporale pe categorii.
Makaroff (2013)
Bruyn și Lilien Empiric, Modelarea proceselor virale aleatorii.
(2008) Teorie
Fan i colab. (2014) Empiric Mânie/bucurie în eWOM.
Figueiredo (2013) Modelare Agruparea serii temporale.
Figueiredo i colab. Modelare Vizualizări de vârf ca proporție din vizualizările generale.
(2011)
Fran a i Vaghefi Modelare Lucrări de bază asupra curbelor de creștere (logistică, Gompertz, neg-
(2013) exp).
Jiang i colab. (2014) Modelare Lucrări de bază asupra curbelor de creștere.
Kalyanam și colab. Modelare, Ecuația virală și caracteristicile produsului.
(2007) Empiric
Liu-Thompkins Empiric, Strategii de însămânțare pentru videoclipuri virale.
(2012) Teorie
O'Neill (2011) Modelare Definiția audienței, zgomotului, parodiei și longevității.
Anon. (2015) Empiric Comportament viral și împărtășire.
Wallsten (2010) Empiric Efectul emoțiilor asupra comportamentului viral.
Wellman i colab. Empiric Analiza conexiunilor în comunitățile online/offline.

8
(2002)
175 încă se referă la aceste videoclipuri drept „virale”, dar descriu modelul ca fiind „viral inițial”
model.
3. Modele propuse de creștere virală
Accentul major al acestei lucrări este pus pe modelarea popularității
videoclipuri individuale, spre deosebire de modelarea agregată descrisă în secțiunea 2.
180 Motivul pentru această abordare este că prin atribuirea de seturi de parametri la
videoclipuri, se poate începe să caracterizeze comportamentul videoclipurilor, în special
în ceea ce privește comportamentul „viral” și popularitatea.
Lăsați numărul de vizionări pentru un videoclip de-a lungul timpului să fie desemnat ca vizualizare de densitate
funcția (DVF) sau f(t). Lăsați să se termine numărul cumulat de vizionări pentru un videoclip
185 timp să fie notat ca funcția de vizualizare cumulativă (CVF) sau F(t). De calculat
gradientul CVF dă DVF. Conform cercetărilor din Broxton et al.
(2013), pentru majoritatea videoclipurilor virale, DVF crește până la un vârf și apoi scade
pe măsură ce timpul îndepărtat din vârf crește. Această creștere a popularității este similară
la o funcție de densitate de probabilitate pentru o funcție de tip logistic. Pentru a modela videoclipul
190 de popularitate, vă propunem utilizarea funcțiilor de ajustare a curbei rezumate în Tabelul 2.
Tabelul 2: Prezentare generală a montajului video
Funcții de tipar Descriere
Întârziat logistica, Funcțiile logistice se potrivesc tiparelor de vizionare video
Viral Gompetz și unde există o bacterie/viră semnificativă
Richardson faza de crestere.
Ini ială Expoziție inversă- Funcția exponențială inversă se potrivește video
Viral neential modele de vizualizare unde există rapid, dar de-
dezintegrarea sifonata de la un numar mare de initiale
vederi.
Alte Polinom Funcțiile polinomiale se potrivesc tiparelor de vizionare video
care nu afișează virale întârziate sau virale inițiale
modele.
9
Funcțiile logistice au fost folosite pentru a modela creșterea popularității știrilor
(Funkhouser și McCombs, 1972) și în difuzarea noilor produse (Bass, 1969), deci ar trebui
să fie adecvate pentru modelarea difuziei/creșterii vizualizărilor video virale.
Lucrările din această lucrare utilizează versiuni ale funcțiilor logistice, care au fost re-
195 parametrizați pentru a modela „creșterea bacteriană” (Zwietering și colab., 1990, 1992). The
analogia creșterii bacteriene este utilă pentru modelarea videoclipurilor, deoarece creșterea bacteriană con-
constă dintr-o fază inițială cu foarte puțină creștere, o fază de creștere logistică cu
creștere rapidă și apoi în scădere, ceea ce se potrivește cu „întârziatul
virală” dată în secțiunea anterioară și oferă un DVF care este similar
200 la funcția de vârf validată empiric pentru videoclipuri virale în Broxton și colab.
(2013). Aceste modele au fost utilizate într-o gamă de aplicații de difuzare a produselor
(Morrison, 1996) și sunt potrivite pentru produse cu cicluri de viață scurte (Meade, 1984;
Trappey și Wu, 2008). Ele cad sub stindardul general al
modelul Schnute, care este un model general parametrizat pentru funcțiile de creștere.
205 tions. Cu toate acestea, creșterea bacteriană și creșterea virală descriu subiacente diferite
procesele fizice, păstrăm cu convenție și descriem creșterea vizualizării video
ca „viral” mai degrabă decât „bacterian”. Parametrii includ un parametru de întârziere
(λ), un parametru de creștere/gradient maxim (µm) și un parametru de vizualizare virală
cumulativă (A). Conceptualizăm acești parametri în termenii CVF. The
210 relația dintre parametri și CVF este ilustrată în Figura 1.
Parametrul de întârziere (λ) oferă durata de timp înainte de faza de creștere virală
Acest parametru nu este neapărat pozitiv. Dacă un videoclip este lansat și
primește un număr mare de vizionări inițiale, apoi videoclipul este lansat în cadrul
faza de creștere virală și valoarea lui (λ) pot fi negative. Valoarea lui (µm) este
215 rata maximă de creștere, care are loc în punctul de inflexiune în logistică
curba. Valoarea lui (A) este numărul cumulat de vizualizări datorită funcției de creștere
virală.
Funcția logistică de bază re-parametrizată este dată în (3). Acest cumul
funcția logistică este adesea descrisă ca având o curbă „în formă de S”, din cauza
forma modelului de creștere. Rata de schimbare a logisticii cumulate
funcția este simetrică față de axa y în punctul de inflexie. Astfel, pentru a
10
Figura 1: Parametrii curbei
aplicație video, DVF-ul va fi simetric. Rata maximă de creștere pentru
func ia logistică are loc în punctul de inflexiune.
4 µm
F (t) = A 1 + exp A (λ t) + 2 (3)
Funcția Gompertz este dată în (4). Funcția Gompertz (Gompertz, 1825) este similară
cu funcția logistică, dar tranzițiile între fraze
sunt puțin mai treptate. Emitem ipoteza că acest model poate fi mai bun decât
o curbă logistică simplă pentru montarea unui CVF video „viral întârziat”, ca anterior
dovezi empirice (Borghol et al., 2011; Broxton et al., 2013) arată că
creșterea la maximum a vizionărilor videoclipurilor are loc într-un ritm mai rapid decât scăderea
vizualizări video de la maximum.
µm exp(1)
F (t) = A · exp exp A (λ t) + 1 (4)
Funcția curbei de creștere Richards (Richards, 1959) are o formă suplimentară
parametrul, v, care permite o flexibilitate suplimentară în forma curbei.
µm ( 1/v)
F (t) = A 1 + v · exp (1 + v) · exp A (1 + v) (1+ 1v ) (λ t) (5)
Propunem utilizarea funcției exponențiale negative pentru modelarea „ini-
virale” videoclipuri cu popularitate inițială ridicată și partajarea acestora ulterior
11
220 se descompun rapid. Funcția exponențială negativă este folosită în mod obișnuit pentru modelare
degradare funcțională și a fost folosit anterior pentru a modela creșterea video virală
(Avramova et al., 2009). Funcția exponențială negativă cu trei parametri este dată în (6). În funcție
de funcțiile logistice, A este numărul total de vizualizări datorate
la functie. Parametrii β0 și β1 sunt parametrii de compensare și scalare pentru
225 potrivindu-se formei dezintegrarii exponentiale.
F (t) = A (1 exp ( (β1t + β0))) (6)
În scopuri de comparație, pentru CVF-uri care nu includ nici „virale întârziate”
sau modele de creștere „virale inițiale”, funcții polinomiale simple de grad k sunt
rezumat în (7).
k
i
F (t) = groapă (7)
i=1
Toate funcțiile logistice intră în cele din urmă într-o etapă staționară de creștere zero.
230 Această ipoteză nu este realistă pentru un CVF video, mai ales ca și după
la finalul etapei sale virale, un videoclip va apărea în rezultatele căutării și va fi social
legat de alte videoclipuri. Din Borghol et al. (2011); Broxton i colab. (2013), unu
se poate aștepta la o linie de vedere de bază odată ce faza de creștere sau virală s-a încheiat.
Astfel, se presupune că CVF total este o funcție a CVF viral și a unora
235 funcția de vizualizare a liniei de bază non-virale. Aceste vederi suplimentare sunt modelate folosind a
funcție liniară. Pentru toate funcțiile, CVF începe cu o linie de bază de 0. Pentru
funcții de creștere polinomială și „virală întârziată”, DVF începe de la 0, înainte
crescând.
4. Experimentare
240 A fost efectuat un set de experimente pentru a testa potrivirea curbei ipotetice
funcții cu privire la un set de videoclipuri online. Motivul a fost de a testa
ce funcții au dat cele mai bune rezultate pe ce videoclipuri și apoi arată cum
performanța relativă a diferitelor tipuri de funcție de montare, împreună cu
12
valorile parametrilor ajustate pentru funcții, ar putea fi utilizate pentru a ajuta la caracterizare
245 comportamentul video online.
Când se testează funcțiile de potrivire a curbei, criteriul principal este bunătatea de potrivire.
Conform Zwietering și colab. (1990), potrivirea curbei a fost calculată folosind
suma uală a pătratelor (RSS), care este diferența la pătrat dintre cele potrivite
curba și datele reale. Pentru coerență, o metrică normalizată, varianța
contabilizat (VAF), a fost raportat și este dat în (8), unde T este numărul de puncte de timp, F (t)
este valoarea datelor CVF la momentul t, Fˆ (t) este valoarea ajustată a CVF la momentul t, iar F¯
(t) este valoarea medie a datelor CVF
peste toate valorile lui t.
T T
2 2
V OF = 100 1 Fˆ (t) F (t) F (t) F¯ (t) (8)
t=1 t=1
4.1. Experiment video viral
Funcțiile de potrivire a curbei propuse au fost testate prin potrivirea lor la vedere
date din videoclipuri virale de pe YouTube. După cum este descris în revizuirea literaturii, acolo
este o confuzie cu privire la ceea ce constituie un videoclip „viral”. Definițiile virale
250 de videoclipuri se pot baza pe mai mulți factori, inclusiv numărul de vizionări sau
creștere rapidă și scădere a numărului de vizualizări. Mai multe ziare i
revistele online își listează cele 10 sau 20 de videoclipuri virale „de top” pentru fiecare an. Acest
informațiile au fost combinate și adunate, alegând toate videoclipurile din lista de top pentru care
Statisticile YouTube erau disponibile. Am analizat 151 de videoclipuri virale menționate în
255 40 de liste de top din 2010 până în 2013. A existat un anumit acord în primele liste, cu
unele videoclipuri menționate pe mai multe liste. Au fost luate 365 de zile de vizualizare a datelor
pentru fiecare videoclip (unele dintre videoclipurile din 2013 au avut mai puțin decât atât). Pentru a
asigura coerența parametrilor pentru videoclipuri, vizionările au fost scalate în intervalul [0, 100].
Fiecare dintre cele patru funcții descrise anterior (logistică, Gompertz, Richards,
260 și exponențial negativ) a fost inclus singur și cu o linie de bază liniară
func ie. Funcții polinomiale cu același număr de termeni ca și vi-
au fost incluse funcțiile virale rale și inițiale (cu gradul M variind de la 3 la 4).
pentru a găsi videoclipuri pentru care nu a existat un „viral întârziat” sau „viral inițial”
13
model. Întrucât CVF-urile video încep de la 0 vizionări, nu a fost inclus un termen constant
265 și un polinom cu gradul k avea k parametri. Fiecare funcție a fost testată
cu fiecare videoclip. Procedura de ajustare a curbei a fost implementată în R și
curbele s-au potrivit cu nlsLM (cele mai mici pătrate neliniare Levenberg-Marquardt
Metoda Mor´e (1978)) din pachetul R minpack.lm (Elzhov et al., 2013).
Pentru aplicațiile de potrivire în curbe, trebuie să fim conștienți de potențialul de supra-
270 potrivirea curbei (Spanos, 2007). Adăugând în mod repetat componente suplimentare
și parametrii unei funcții de ajustare a curbei, se poate obține o potrivire aproape perfectă
la curbă, dar poate exista o interpretare sau o valoare predictivă mică
să fie luate din parametrii funcției. S-a luat în considerare o eventuală supraajustare
căci în trei moduri. În primul rând, doar funcțiile de potrivire curbe cu același număr de
Au fost comparați direct 275 de parametri. În al doilea rând, pentru a compara potrivirea curbei
funcții cu un număr diferit de parametri, a fost utilizat un test F, ca de-
scris în Zwietering et al. (1990). Să considerăm o situație în care modelul 1 are k1
parametrii iar modelul 2 este un model mai restrâns cu parametri k2 < k1 .
Statistica F se calculează ca (9).1
(RSS2 RSS1)/(DF2 DF1) = (RSS2 RSS1)/(k1 k2)

F= (9)
RSS1/DF1 RSS1/(T k1 1)
280 În al treilea rând, a fost testată acuratețea predictivă a curbei. Dacă o funcție de potrivire
se poate potrivi cu precizie în punctele de date viitoare, apoi poate fi utilizat pentru a oferi o perspectivă asupra
comportamentul de vizionare viitor. Pentru a testa acuratețea predictivă, algoritmul de potrivire a fost
rulează pe subseturi de 5%, 10%, 25%, 50% și 75% din datele de vizionări pentru fiecare videoclip.
Vizualizările au fost apoi prezise pentru următoarele 20 de zile și comparate cu cele reale
285 de vizualizări pentru această perioadă. Diferența dintre aceste valori a fost apoi folosită
calculați MSPE (eroare medie pătratică de predicție) pentru prognoze. Valorile MSPE au fost
calculate pentru 5, 10 și 20 de zile și apoi au fost agregate. The
1 Această statistică este distribuită cu F (DF2 DF1, DF1) grade de libertate. Dacă F
statistica este semnificativă, atunci potrivirea suplimentară oferită de modelul 1 este considerată a justifica
parametri suplimentari.
14
formula pentru MSPE este dată în 10. Aici, yi este numărul real de vizualizări, ˆyi este
numărul prezis de vizualizări și n este numărul de perioade de predicție.
2
1 t+n yi yˆi
MSP E = (10)
n
i=t+1 do
290 Rezultatele inițiale au sugerat că odată ce numărul de parametri a ajuns la 5, acolo
a fost o supraadaptare substanțială și o creștere substanțială a valorilor MSPE, mai ales
în general pentru predicții pentru cantități mici de date (5% și 10%). Astfel, pentru
de dragul parcimoniei, sunt comparate doar funcțiile cu 3 și 4 parametri.
Rezultatele potrivirii sunt rezumate în Tabelul 3. Prima coloană prezintă rezumatul
295 nume pentru funcție și al doilea descrie gradul oricărui polinom
termeni. De exemplu, Logistic-P1 are atât o funcție logistică, cât și un grad I
termen polinom. Pentru fiecare funcție, tabelul oferă media VAF (VAF),
mediana VAF (VAF) și procentul de câștiguri (cel mai mare VAF). Masa este
împărțit la numărul de parametri. În general, funcția exponențială negativă
300 au produs cele mai multe „câștiguri” în ceea ce privește VAF. Acest lucru sugerează că majoritatea videoclipurilor
descrise drept „virale” au o cantitate mare de viziuni inițiale, care apoi scad,
dând modelul „viral inițial” descris în cadru. Logistica si
Funcțiile Gompertz au reprezentat aproximativ 13% din câștigurile pentru modelul cu 3 parametri
și aproximativ 40% din câștigurile pentru modelele cu 4 parametri.
305 Acest lucru sugerează că atunci când se modelează CVF de creștere virală, o linie de bază suplimentară
este necesară funcția de creștere liniară.
În general, valorile medii ale VAF au crescut atunci când funcționează tendința liniară
a fost adăugat. Acest lucru sugerează că adăugarea unei tendințe liniare ajută la capturarea suplimentară
vizualizări necaptate de componenta virală a funcției. Aceasta a fost examinată
310 mai departe prin calcularea statisticii F date în (9) pentru modelul cu 3 până la 4 parametri
comparații pentru funcția Gompertz. Folosind un test F cu un α = 0,05
nivel de semnificație, îmbunătățirea a fost semnificativă de la 3 la 4 parametri pt
96,69% din videoclipuri. Performanța puternică a modelelor cu 4 parametri sugerează
că, pentru majoritatea videoclipurilor, există o tendință liniară suplimentară în CVF.
15
Tabelul 3: Funcții testate de ajustare a curbei
Rezumat Poli Termeni VAF VAF % Câștiguri
WAF
Logistică 0 3 94.991 96.519 1.987
Gompertz 0 3 95.641 97.138 10.596
NegExp 0 3 95.994 97.591 74.834
Poli-3 3 3 87.504 91.684 12.583
Logistic-P1 1 4 98.202 99.568 5.960
Gompertz-P1 1 4 98.789 99.670 33.775
Richards 0 4 96.300 97.725 3.311
NegExp-P1 1 4 98.719 99.642 49.669
Poli-4 4 4 93.836 96.012 7.285
2
315 În tabelul 4, mediana Valorile MSPE sunt date pentru fiecare combinație de
tehnică, lungimea predicției (Prd) și procentul de antrenament (Trn). Un element de bază
funcția de prognoză (AddMult) (Makridakis și colab., 1997), care încorporează aditiv
și tendințele multiplicative, este inclusă ca tehnică comparativă. Cel mai mic
valoarea MSPE pentru fiecare combinație de lungime de predicție și procent de antrenament
320 este făcut îndrăzneț. Valorile MSPE predictive au un model similar cu VAF
valori, dar există dovezi de supraadaptare pe modelele polinomiale, cum ar fi
modelele polinomiale au valori MSPE mult mai mari decât „viralele întârziate”
și modele „virale inițiale”, în special pentru cazurile în care un număr mare de
sunt necesare predicții de la un set mic de antrenament. Numărul de persoane
325 de câștiguri video (în termeni de MSPE minim) sunt rezumate în Tabelul 5. Din nou,
cel mai bun rezultat pentru fiecare combinație de lungime de predicție și procent de antrenament
este făcută îndrăzneață. Aici, funcția Gompertz-P1 are cele mai multe rânduri câștigătoare,
2 A fost utilizată mediana, datorită unui maxim de două videoclipuri pentru fiecare tehnică care dă
rezultate foarte slabe, neconcordante cu celelalte rezultate. Astfel, mediana dă cel mai bun total
rezumatul distribu iilor rezultatelor. Mai multe rulări pentru parametrii NegExp-P1 nu au făcut-o
converge. Acestea au fost numărate la finalul distribuției performanței.
16
Tabelul 4: Predicția MSPE
Prd Trn AddMult Gomp Gomp-P1 Log Log-P1 NExp NExp-P1 Poly-3 Poly-4 Bogat-4
5 5 0,15171 0,00359 0,00038 0,00824 0,00159 0,00129 0,00096 0,01773 0,01665 0,00081
10 0,19945 0,00528 0,00024 0,00828 0,00074 0,00319 0,00021 0,01549 0,00816 0,00245
25 0,14659 0,00788 0,00023 0,00909 0,00048 0,00551 0,00016 0,02958 0,00936 0,00513
50 0,10271 0,00441 0,00020 0,00526 0,00026 0,00337 0,00010 0,02078 0,01253 0,00355
75 0,08069 0,00242 0,00011 0,00352 0,00023 0,00203 0,00015 0,01619 0,00858 0,00178
10 5 0,57883 0,01827 0,00289 0,03891 0,00970 0,00640 0,00384 0,21637 0,60068 0,00482
10 0,55966 0,01641 0,00108 0,02468 0,00284 0,00949 0,00097 0,15084 0,13179 0,00907
25 0,33406 0,01906 0,00069 0,02166 0,00128 0,01440 0,00047 0,11627 0,06127 0,01441
50 0,22441 0,01060 0,00051 0,01237 0,00069 0,00779 0,00025 0,06355 0,04593 0,00818
75 0,16987 0,00554 0,00030 0,00798 0,00049 0,00480 0,00028 0,04154 0,02641 0,00428
20 5 2,64690 0,10106 0,01950 0,17340 0,07092 0,04403 0,02341 4,38178 43,64095 0,03260
10 1,79554 0,06850 0,00609 0,09282 0,01369 0,04044 0,00529 2,34205 3,36823 0,03791
25 0,86093 0,05390 0,00247 0,06397 0,00424 0,04185 0,00166 0,75131 0,82903 0,04163
50 0,52197 0,02764 0,00145 0,03214 0,00208 0,01949 0,00117 0,26029 0,28763 0,02131
75 0,36220 0,01355 0,00089 0,01929 0,00141 0,01118 0,00080 0,12743 0,11789 0,01015
urmată de funcția NegExp-P1. Acest lucru sugerează că adăugarea unei tendințe liniare
la o funcție „virale întârziată” sau la o funcție „virală inițială” crește predictiv
330 putere.
Tabelul 5: Câștiguri de predicție
Prd Trn AddMult Gomp Gomp-P1 Log Log-P1 NExp NExp-P1 Poly-3 Poly-4 Rich-4
5 5 1 3 45 0 9 27 14 7 7 38
10 1 3 42 3 17 18 48 3 5 11
25 2 1 78 0 20 16 5 6 7 16
50 1 3 82 1 16 16 6 5 6 15
75 0 6 20 1 25 17 60 2 8 12
10 5 1 3 47 0 9 32 22 2 2 33
10 2 2 42 2 15 23 44 3 6 12
25 1 3 84 0 18 18 3 4 5 15
50 1 1 86 1 17 16 4 6 5 14
75 1 7 19 0 25 18 60 3 6 12
20 5 3 7 38 0 8 39 28 1 1 26
10 2 2 43 2 18 23 46 0 2 13
25 0 2 87 0 21 17 2 3 4 15
50 1 0 85 2 17 21 2 5 5 13
75 1 7 17 0 28 22 54 4 6 12
Pentru a examina rezultatele în continuare, pentru fiecare dintre cele patru funcții de parametri cu
câștiguri semnificative (logistică, Gompertz, exponențială negativă și polinom), the
au fost trasate trei „cele mai bune” victorii, utilizând datele nenormalizate, astfel încât
17
ramemetrele erau legate de vederi. Cele mai bune victorii au fost luate ca videoclipurile cu
335 cea mai mare depășire a performanței, adică diferența dintre cea mai bună funcție VAF
și a doua cea mai bună funcție VAF și sunt date în figurile 2-5. Videoclipurile
sunt ordonate în termeni de performanță peste a doua cea mai bună funcție. Pentru fiecare
video, timpul t este dat pe axa x și numărul de vizualizări video
pe axa y. Vizualizările video reale, F (t), sunt reprezentate de cercuri negre.
340 Vizualizările video adaptate, Fˆ (t), sunt reprezentate de o linie subțire, ușor colorată.
Figura 2: Cele mai bune videoclipuri Gompertz
Ca grup, cele mai bune câștiguri Gompertz afișează un model „viral întârziat”, cu
o perioadă de viziuni în creștere urmată de o perioadă de viziuni în scădere. The
trecerea de la faza virală la faza non-virală este destul de graduală. The
Cele mai puternice potriviri generale sunt pentru videoclipurile „Letter Fred” și „Nyan Cat”. The
Videoclipul 345 Nyan Cat are o perioadă virală care se schimbă lent, alungită, slabă (µ = 54.511
vizionări pe zi), care începe în jurul zilei 80 (λ = 82.106) și reprezintă majoritatea vizionărilor
video (A = 12.148.217 din 26.492.873). Videoclipul „Letter Fred” are o perioadă virală mult mai
puternică (µ = 219.450 de vizionări pe zi), mai condensată, care începe în jurul zilei 30 (λ =
35,296) și din nou reprezintă doar
350 peste 50% (A = 2.699.172 din 4.753.491) din totalul vizionărilor video.
Cele mai bune victorii logistice afișează un model similar cu victoriile Gompetz, dar
tranziția între faza virală și faza non virală este mai bruscă. Cel mai puternic
Potrivirile generale sunt pentru videoclipurile „Zach Wahls” și „Seeing Her Again”, care ambele
prezintă o creștere liniară stabilă și perioade virale scurte, puternic definite. „Zach
Videoclipul 355 Wahls” este deosebit de interesant, deoarece are o creștere liniară stabilă pentru
18
Figura 3: Cele mai bune videoclipuri logistice
primele 300 de zile după lansare (λ = 298,432), urmate de o perioadă virală puternic definită (µ
= 383.923 vizualizări pe zi), care reprezintă doar o mică proporție (A = 2.652.919 din 17.457.804)
din totalul vizualizărilor.
Figura 4: Cele mai bune videoclipuri exponențiale negative
Cele mai bune câștiguri exponențiale negative sunt caracterizate de un număr mare de
Vizualizări inițiale 360 , urmate de o scădere lină la o tendință liniară. Cel mai bun per total
potrivirile din cele mai bune victorii sunt pentru „Snowpocalype Now” și „YN Richkids”
Videoclipuri. Videoclipul „Snowpocolypse Now” are o scădere exponențială β1 mai puternică
parametru decât videoclipul „YN RichKids” (0,153 vs. 0,026). Funcția exponențială negativă
reprezintă aproximativ 30-40% din vizionările totale pentru fiecare videoclip
365 (A = 411.552 din 1.454.842 și respectiv A = 2.918.324 din 7.263.401).
Videoclipurile incluse în cele mai bune câștiguri polinomiale sunt, în esență, „niciuna dintre
cele de mai sus". Cele mai bune potriviri generale sunt pentru „Honey Badger” și „Telekinetic
Videoclipuri cu cafea. Ambele videoclipuri au atras atenție relativ constantă,
19
Figura 5: Cele mai bune videoclipuri polinomiale
cu CVF „Blusucul de miere” prezentând o ușoară convexitate și „Telekinetic
370 Coffee” CVF care prezintă o ușoară concavitate.
Cele două funcții cu cele mai multe câștiguri sunt funcția exponențială negativă
și funcția Gompertz. De fapt, performanța relativă a lui Gompertz
funcția vs. funcția exponențială negativă ar putea fi utilizată pentru a clasifica un videoclip
în categoriile „viral inițial” și „viral întârziat”. Pentru a explora această posibilitate,
375 am examinat diferențele în mediana (pentru a lua în considerare valorile aberante) Gompertz
parametrii dintre victoriile Gompertz și victoriile exponențiale negative într-un cap
pentru a conduce competiția între cele patru variante de parametri ale fiecăreia dintre cele două
funcții. Diferențele dintre mediane sunt analizate folosind Mann-
Testul sumei de rang Whitney/Wilcoxon. Rezultatele sunt prezentate în Tabelul 6.
Rândurile de 380 MW oferă scoruri standardizate pentru test (echivalent cu un scor Z pentru a
test normal). Rândurile cu valoarea p oferă semnificațiile statistice ale diferențelor
între valorile parametrilor medii.
După cum s-a descris anterior, pentru acest experiment, vizionările video au fost scalate
în intervalul [0, 100] pentru a suporta consistența parametrilor. Parametrul A este
385 amplitudinea func iei virale. O valoare mai mare de 100 indică faptul că
perioada de timp modelată nu acoperă întreaga distribuție, adică creșterea în
CVF virală va continua după sfârșitul perioadei de timp înregistrate. Valoarea
de A a scăzut atunci când a fost adăugat termenul de tendință liniară. Acest lucru este de așteptat, așa cum
termenul de tendință liniară din funcția Gompertz modificată reprezintă o parte
390 de vizualizări, lăsând mai puține vizualizări care să fie încadrate de funcția Gompertz. Valoarea a
20
Tabelul 6: Comparația medie a parametrilor Gompertz
Victorie Polinomul A m l p1
Adevărat 0 108.181 0.525 46.294
Fals 0 110.316 0.283 -95.637
Std. MW 0 0,911 4.707 6.815
valoarea p 0 0,362 0.000 0.000
Adevărat 1 44.730 3.245 3.772 0,171
Fals 1 49.724 1.308 -6.189 0.155
Std. MW 1 1.953 3.429 8.586 0,921
valoarea p 1 0,051 0,001 0,000 0,357
µm sau parametrul de gradient maxim a fost mult mai mare pentru „câștigurile” Gompertz
decât pentru „câștigurile” exponențiale negative (p < 0,001 atât pentru 3, cât și pentru 4 parametri)
eters). Cele mai clare diferențe (p < 0,001 atât pentru 3 cât și pentru 4 parametri) au fost
probabil pentru parametrul de întârziere λ. Atât pentru funcția Gompertz, cât și pentru cea modificată
395 Gompertz, parametrul de decalaj mediu a fost pozitiv pentru Gompertz
victorii, dar negativ pentru pierderile lui Gompertz. Rezultatele sunt explorate în continuare în
Figura 6. Aici, valorile lui λ și µm se potrivesc cu funcția Gompertz modificată
sunt reprezentate pentru fiecare videoclip. Câștigurile Gompertz sunt indicate cu cruci și
câștigurile exponențiale negative sunt indicate cu triunghiuri. Există destul de distinct
400 linie de despărțire între câștigurile Gompertz și câștigurile exponențiale negative la
λ = 0. O valoare negativă a lui λ pentru funcția Gompertz indică faptul că numai a
porțiune din faza virală poate fi potrivită de funcție. Pe măsură ce această porțiune devine
mai mic, este mai probabil ca un videoclip să aibă numărul maxim de vizionări în prima zi
de lansare a acestuia. Valoarea lui λ poate fi considerată un „prag de viralitate”, adică,
405 punctul în care se știe că un videoclip este pe cale să devină viral. Astfel, o valoare
λ > 0 ar putea fi utilizat în aplicațiile de monitorizare ca un indicator timpuriu al unui videoclip
devenind virală.
Pentru a testa stabilitatea modelelor, a fost utilizată validarea holdout. Rezista
validarea presupune potrivirea unui model cu un subset disponibil de date și
21
Figura 6: Compararea parametrilor Win
410 apoi prezicerea valorilor de date rămase. Poate fi folosit împreună cu
o tehnică precum bootstrap sau Jacknife pentru a estima standardul
eroare pentru fiecare parametru, care este o măsură a consistenței parametrului și
stabilitate și astfel oferă o anumită măsură a fiabilității modelului. Ambele bootstrap
și validarea Jacknife au fost implementate. În medie, erorile standard pentru
415 parametrii au fost < 5% din valorile totale ale parametrilor, ceea ce arată că
estimările parametrilor sunt robuste la mici modificări ale datelor de bază.
4.2. Experiment empiric
Pentru a da o anumită validitate managerială rezultatelor, un experiment
a fost derulat unde 10 studenți au vizionat 100 dintre videoclipuri
420 (toate videoclipurile din 2010-2012) și și-au înregistrat emoțiile folosind scala
dezvoltat în O'Neill (2011). Emoțiile înregistrate au fost „emoționale-
ity”, „pozitivitate”, „superiune”, „furie”, „anxietate” și „tristețe”. Fiecare a fost măsurat
pe o scară Likert de 7 valori. În Figura 7, rezultatele sunt mediate pentru fiecare dintre
emoții pentru câștigurile fiecăreia dintre cele patru funcții. Videoclipurile câștigate de
425 de funcții „virale întârziate” au valori mai mari de furie, tristețe și emoționalitate
decât videoclipurile câștigate prin funcții „virale inițiale” și polinomiale. Rezultatele sunt
amestecat pentru uimire și pozitivitate. Nivelurile mai înalte de furie și emoționalitate pt
câștigurile „virale întârziate” conferă o oarecare validitate față de ideea că videoclipurile cu nr
baza inițială de utilizatori trebuie să provoace emoții puternice. Aceste rezultate sunt în acord cu anterior
22
430 de studii. După O'Neill (2011), emoțiile mai puternice ar trebui să inducă mai multă viralitate.
De fapt, lucrările empirice din Nelson-Field et al. (2013) concluzionează că puterea
a emoției este mai importantă decât polaritatea emoției ca factor determinant al vi-
comportament video ral. Ca strategie managerială pentru producerea de material viral, în
Teixeira (2012) se recomandă ca, pentru a provoca un răspuns viral, mass-media ar trebui
435 „creați bucurie sau surprindere imediat”.
Figura 7: Win Video Emotions
4.3. Eșantion de populație
Toate videoclipurile testate în „Experimentul video viral” descris anterior
secțiunea au fost identificate drept „virale” de către sursele de știri. Pentru a testa în continuare validitatea
dintre tehnicile descrise în această lucrare, experimentul inițial a fost repetat,
440 , dar cu un eșantion de 10.893 de videoclipuri selectate aleatoriu de pe YouTube. Pentru
de dragul parcimoniei, rezultatele complete nu sunt date, dar sunt disponibile de la autori.
Sunt date procentele de câștig, cu procentele de câștig pentru videoclipurile virale de la
experimentul anterior dat între paranteze. Pentru soluțiile cu 3 parametri,
rezultatele sunt Logistic 14,700% (1,987%), Gompertz 18,696% (10,596%), Neg. Exp
445 40,068% (74,834%) și Poly 26,535% (12,583%). Pentru soluția cu patru parametri
Rezultatele sunt Logistic 22,730% (5,960%), Gompertz 15,239% (33,775%),
23
Neg. Exp 24,966% (49,669%), Poly 22,192% (7,285%) și Richardson 14,928% (3,311%). Testarea
dependenței dintre setul de date și clasa win cu un chi-
testul de asociere la pătrat, dă valori p pentru dependența de < 0,0001 pentru ambele 3
450 și 4 parametri.
Principala diferență dintre setul de date „virale” și eșantionul populației
setul de date este că există mult mai puține videoclipuri exponențiale negative și mult mai multe
videoclipuri polinomiale în eșantionul de populație. Acest lucru sugerează că multe videoclipuri
care sunt etichetate virale de presă au un model „viral inițial” cu un mare
455 de vizionări inițiale care scad rapid pe toată durata de viață a videoclipului.
Pentru a testa dacă există o legătură mai generală între categoria câștigătoare
și numărul de vizualizări, a fost efectuat un test ANOVA, cu vizualizări ca fiind dependente
variabilă și win funcționează ca variabilă independentă. Cu toate acestea, rezultatele au fost
neconcludent, cu un test ANOVA cu un singur factor fiind marginal semnificativ, dar având o
460 dimensiune redusă a efectului R2 = 0,001 .
Majoritatea videoclipurilor YouTube primesc o categorie de către persoana care a încărcat. Este cunoscut
din lucrările anterioare (Broxton et al., 2013) că categoriile video pot afecta videoclipurile
viralitate. Dimensiunea mare a eșantionului de populație permite o analiză detaliată a
acest fenomen, care are implicații pentru strategia managerială. Însă
465 de procese sociale implicate în clasificarea video sunt complexe (Yew et al., 2011), deci
poate exista o clasificare greșită. Pentru a testa dacă a existat dependență între
categorie și clasificare, am testat dependența dintre categorii și
clasificările video folosind un test chi-pătrat. Valorile p pentru dependență
au fost < 0,0001 atât pentru 3 cât și pentru 4 parametri. Pentru a ilustra această dependență,
470 relația dintre categorie și funcția câștigătoare este dată în Figura 8.
Se poate vedea că relativul câștigă pentru exponențialul negativ „viral inițial”
funcția sunt cele mai puternice pentru sport, jocuri și categorii nonprofit, toate categoriile
unde există o probabilitate mai mare de videoclipuri „profesionale” cu mai multă conștientizare/
popularitate inițială. În cazul videoclipurilor lansate de canalele YouTube, aceasta
475 va echivala cu o bază mare de abonați, care vor fi notificați când apare un videoclip
eliberată. În plus, poate exista un grad de imediatitate în conținut pentru
aceste canale. De exemplu, momentele evidențiate dintr-un joc sportiv vor avea cele mai bune
24
interesul iubitorilor de sport imediat după meci. Animalele de companie, auto
și vehiculele și categoriile de film și animație sunt cel mai probabil să se potrivească cel mai bine
480 funcțiile „virale întârziate”. Acest lucru se poate datora faptului că există mai mulți amatori
videoclipuri din aceste secțiuni. Acest lucru este evident mai ales la animalele de companie
categorie, care constă în principal din utilizatori care încarcă videoclipuri proprii
animale de companie, un fenomen descris în Myrick (2015).
Figura 8: Câștiguri pentru fiecare categorie și funcție video
4.4. Granularitatea serii temporale
485 Experimentele anterioare folosesc toate datele de vizionare zilnică, ca YouTube istoric
informațiile sunt disponibile doar la nivel zilnic. Cu toate acestea, date la scări diferite
poate conține diferite distribuții de eroare. Vezi, de exemplu, Hodge și Milligan
(2011). Orice tehnică de prognoză sau modelare ar trebui să fie utilă la diferite granulări la scară
(Orrell et al., 2009). Pentru a examina efectul scalei de timp asupra
490 funcția de predicție, datele de vizualizare YouTube pentru aproximativ 4000 de videoclipuri au fost
colectate la intervale de 5 minute (timpul minim de actualizare) pe o perioadă de două
luni. Datele au fost agregate la intervale orare și zilnice pentru a da trei
25
seturi de date diferite. Pentru fiecare combinație de video și scară de timp, datele au fost
se potrivesc cu fiecare dintre funcțiile cu 3 și 4 parametri conținute în cadrul
495 de lucru și pentru fiecare număr de parametri a fost înregistrată funcția câștigătoare.
Au fost create tabele de urgență pentru fiecare combinație de parametri și timp
pereche de scari. Aceasta a dat șase tabele de urgență. De exemplu, tabelul de urgență
pentru compararea între scara de 5 minute și oră pentru parametrul 3
funcțiile este prezentată în tabelul 7.
Tabelul 7: Tabelul de contingență al câștigurilor pentru datele de 5 minute și oră, cu 3 parametri
5 min\oră Exp Gomp Logistic Poly
Exp 2505 9 5 26
Gomp 4 310 8 1
Logistică 0 4 490 0
Poli 5 2 0 562
500 Testele chi-pătrat au fost efectuate pentru fiecare dintre tabelele de contingență. Toate cele șase ta-
bles au arătat dependență semnificativă (cu p < 0,0001). Efectul Cramer v
dimensiunile pentru comparații au fost 0,97 (3 parametri, 5 min/oră), 0,91 (3 parametri,
oră\zi), 0,90 (3 parametri, 5 min\zi), 0,94 (4 parametri, 5 min\oră), 0,87 (4
param, oră\zi), 0,86 (4 param, 5 min\zi). Toate aceste dimensiuni ale efectului sunt considerate
„ mari” (Cohen, 1988) și indică stabilitate în cadru (și ca-
funcții de potrivire asociate) în diferite granularități de timp. În concluzie, cel
cadrul descris în această lucrare este stabil într-o gamă de granulări pe scară de timp.
larii. Având în vedere un scenariu în care un manager sau un analist trebuie să analizeze date
înregistrate la mai multe granularități, rezultatele ar putea fi raportate pe diferite granularități,
510 cu parametrii λ și µ redimensionați pentru echivalență. Alternativ, intrarea
datele ar putea fi agregate la cea mai mare scară de timp.
5. Exemplu: Canale YouTube
Un canal video online permite unui creator de conținut video să grupeze videoclipuri și
lansați videoclipuri sub aceeași marcă sau titlu. Canalele YouTube au fost
26
515 creat pe o serie întreagă de subiecte, inclusiv comedie, sport și divertisment.
Unele canale, de exemplu, canalul de comedie online YouTube „College Hu-
mor”, sunt pur online. Alte canale sunt create pentru a completa un offline
prezența unui canal sau a mărcii, de exemplu, un canal care conține videoclipuri muzicale pentru a
artist celebru. Un avantaj major al utilizării canalelor este acea reputație sau zgomot
520 din videoclipurile anterioare încărcate pe un canal se vor răspândi asupra celor nou încărcate
Videoclipuri. De fapt, utilizatorii se pot abona la un canal și pot primi notificări despre orice noutate
Videoclipuri. Deversarea în ceea ce privește reputația și vânzările între produsele co-branded
ucts a fost larg documentat în literatura de afaceri (Baumgarth, 2004;
Sullivan, 1990; Balachander și Ghose, 2003). Efectul spillover a fost
525 observate în filme și în continuarea lor (Yong și colab., 2013), așa că s-ar putea ipoteza
dimensiune pe care s-ar aplica și altor produse media video cu marcă comună, cum ar fi
videoclipuri online. Pentru a oferi o perspectivă asupra modului în care ar putea fi aplicat cadrul
videoclipuri virale, mai multe canale video au fost examinate și analiza statistică a fost
efectuat. Spre deosebire de secțiunile anterioare, scopul analizei statistice
530 sis nu este de a compara tehnici, ci de a ajuta la demonstrarea modului în care cadrul
descrise în această lucrare pot fi combinate cu analiza statistică pentru a
oferă informații pentru managerii de brand. Canalele sunt prezentate în tabelul 8.
Tabelul 8: Canale YouTube

Nume ID-ul URL YouTube Nu. Rezumatul videoclipurilor
Caspar Spune 125 Blog personal
Jenna Marbles JennaMarbles 210 Blog personal/sfaturi
O singura directie OneDirectionVEVO 108 Trupa muzicala
Farsă vs. Farsă FarsăvsPrank 142 Farse/comedie
Pisica lui Simon Simonscat 48 Comedie/animație
Slo Mo Băieți theslowmoguys 81 Îndemânare/comedie
Taylor Swift TaylorSwiftVEVO 64 Artist muzical
Thatcher Joe ThatcherJoe 80 Blog personal
Zoella zoella280390 167 Sfaturi de machiaj
27
Pentru fiecare canal, pentru fiecare videoclip lansat de cel puțin 6 luni, vizionări, sub-
s-au adunat inscrieri, share-uri, aprecieri si dezavantaje, toate acestea colectate
535 de pe YouTube. Procedura de montare (folosind cele 4 funcții parametrice) a fost
apoi rulați pentru fiecare combinație de funcție video și adaptare. Fiecare videoclip a fost
clasificat ca viral inițial, viral întârziat sau polinom, pe baza celei mai bune potriviri
din func iile de montare. Pentru a explica comportamentul viral întârziat/inițial,
au fost testați posibili factori explicativi pentru videoclipurile din cadrul canalelor. Două lo-
Au fost efectuate 540 de regresii generale, una cu IsDelayedV iral {0, 1} ca variabilă dependentă și
cealaltă cu IsInitialV iral {0, 1} ca variabilă dependentă.
Canalul video, zile de la lansare, vizionări, abonamente, distribuiri, aprecieri și
spre deosebire de acestea, au fost considerate posibile variabile independente. În plus, rela-
Au fost luate în considerare abonamentele per vizionare, distribuiri, aprecieri și neaprecieri. Ini ială
Explorarea 545 a arătat o coliniaritate semnificativă între variabilele independente,
astfel încât a fost efectuată o regresie exhaustivă în trepte înainte și înapoi pentru a găsi
combinație de parametri care a minimizat cel mai bine AIC (criteriul de informare Akaike), care este
un criteriu comun pentru selecția variabilelor de regresie logistică (Hosmer și colab., 1989).
550 Rezultatele pentru regresia „virală inițială” sunt date în Tabelul 9 și pt
regresia „virale întârziată” din Tabelul 10. Numele, coeficientul estimat,
eroare standard, valoare t-statistică, valoare p și indicator de semnificație ( p < 0,1,
p < 0,05, p < 0,01) sunt date pentru fiecare variabilă independentă. Rezultatele
se oglindesc unul pe altul, deși nu perfect, datorită câștigurilor polinomului. The
555 cel mai semnificativ parametru non-canal, cu |z| > 6 și p < 0,001 pentru ambele
regresii, este de zile. Pe măsură ce canalele devin mai mature, probabilitatea a
modelul viral întârziat scade și probabilitatea unui model viral inițial
crește. Alte variabile semnificative includ acțiuni, abonamente și nelike-uri
pe vizualizare. Acțiunile sunt relativ negative, iar subscrierile sunt relativ pozitive
560 pentru videoclipurile „virale întârziate” și opusul este valabil pentru videoclipurile „virale inițiale”, care
sugerează că comportamentul de partajare este mai probabil să apară pentru canalele stabilite,
dar această creștere a abonamentelor este mai rapidă cu noile canale video. Acest
intuitiv are sens. Un canal nou creează rapid abonamente, până la majoritatea
28
Tabelul 9: Regresia logistică virală întârziată

Nume Estimare Std. Eroare t p Spune.
(Intercepta) 0,4712 0,3428 1,3750 0,1693
ChannelJennaMarbles -0,9017 0,4287 -2,1030 0,0354 *
ChannelOneDirection 0.3589 0,3369 1,0660 0,2866
ChannelPrankvsPrank 1.0230 0,4378 2,3360 0,0195 *
ChannelSimonsCat 2,3740 0,7106 3,3410 0,0008 ***
ChannelSloMo 0,4040 0,3811 1,0600 0,2891
Channel TaylorSwift 2,8430 0,5336 5,3280 0,0000 ***
ChannelThatcherJoe -0,3729 0,3625 -1,0290 0,3037
ChannelZoella 1,1340 0,3917 2,8960 0,0038 **
Acțiuni (100k) -1,0780 0,4369 -2,4670 0,0136 *
Abonamente (100k) 2,7320 0,8697 3,1410 0,0017 **
Spre deosebire de PV -17,4400 7,6700 -2,2730 0,0230 *
AbonamentePV -0,7948 0,5804 -1,3700 0,1708
Zile -0,0023 0,0004 -6,2150 0,0000 ***
a pieței generale pentru canal este saturată și numărul de noi sub-
565 de scripturi încetinește. Odată ce canalul este matur, are un puternic implicat
baza de abonați, care au mai multe șanse să partajeze conținut. Acest lucru este de acord cu e-
munca pirica eWOM descrisă în Chu și Kim (2011) în care eWOM este foarte
strâns legat de implicare.
Pentru a ajuta la explorarea acestor modele în continuare, în Figura 9, pentru fiecare canal, o bară
Graficul 570 a fost creat cu ordinea de lansare a videoclipurilor pe axa x și numărul de vizionări
pe axa y. Videoclipurile au fost umbrite în funcție de tipul de funcție care
se potrivea cel mai bine cu CVF (viral întârziat, viral inițial sau polinom). Pe canal
eliberări, există o mișcare evidentă de la CVF virale și polinomiale întârziate
la inițiale CVF virale. Cu toate acestea, modelul exact depinde de videoclip
canal 575 . Pentru canalele Jenna Marbles, Caspar și Simon's Cat, acest model
este destul de distinctă. Pentru canalul Farsă vs. Farsă, există două întârzieri separate
29
Tabelul 10: Regresia logistică virală inițială

Nume Estimare Std. Eroare t p Spune.
(Intercepta) -0,5349 0,3209 -1,6670 0,0956 .
ChannelJennaMarbles 0,9088 0,4066 2,2350 0,0254 *
ChannelOneDirection -0,2265 0,3301 -0,6860 0,4927
ChannelPrankvsPrank -1,0010 0,4321 -2,3170 0,0205 *
ChannelSimonsCat -2,7540 0,6926 -3,9750 0,0001 ***
ChannelSloMo -0,7716 0,3645 -2,1170 0,0343 *
Channel TaylorSwift -3,6180 0,5510 -6,5660 0,0000 ***
ChannelThatcherJoe 0,5388 0,3578 1,5060 0,1321
ChannelZoella -1,1850 0,3827 -3,0960 0,0020 **
Acțiuni (100k) 1,0180 0,4279 2,3800 0,0173 *
Abonamente (100k) -2,6600 0,8527 -3,1200 0,0018 **
Spre deosebire de PV 6,5720 5,6130 1,1710 0,2417
AbonamentePV 0,7833 0,5663 1,3830 0,1667
Zile 0,0027 0,0004 7,4730 0,0000 ***
perioade virale, una când este introdus canalul și una pe la 80-
Al 100-lea videoclip, care, având în vedere creșterea medie a vizionărilor în această etapă, indică a
reumplerea canalului. Canalul Caspar are unul întârziat foarte popular
580 de videoclipuri virale într-o perioadă de videoclipuri virale inițiale. Singurul canal care nu
au o fază inițială de videoclipuri virale întârziate este canalul Thatcher Joe. Acest
poate fi pentru că canalul este o derivație a altui canal (Zoella) și astfel
faza virală întârziată inițială a fost prezentă în canalul părinte. Așa cum este descris
anterior, când se discută cadrul, videoclipuri „inițiale virale”, care au
Cele 585 cele mai multe vizionări în primele zile, generează mai multe distribuiri decât videoclipurile cu mai multe
modele de vizualizare alungite. În acest context, videoclipurile „virale întârziate” mai ales
apar atunci când canalele sunt noi și când sunt puțini abonați de distribuit
videoclipurile prin YouTube. În plus, partajarea socială generală care duce la
este posibil ca modelul viral întârziat să nu fie reflectat în statisticile de distribuire YouTube.
30
590 În această etapă, spectatorii generați de modelul „viral întârziat” sunt puțin probabili
să fie abonați și, prin urmare, au mai multe șanse să se aboneze, ceea ce ajută la explicație
semnele opuse pentru variabilele acțiuni și subscrieri în regresie
ecua ie.
Pe scurt, videoclipurile lansate ca parte a unui canal fac parte dintr-o dinamică
595 proces. Un canal câștigă popularitate și abonați datorită videoclipurilor care devin virale
de la o linie de bază scăzută. Cu toate acestea, odată ce un canal este stabilit, modelele de vizionare
a videoclipurilor lansate se schimbă. Există o audiență încorporată pentru orice videoclip lansat
pe canal și unele videoclipuri lansate au un declin exponențial negativ în
numărul de vizualizări de la un maxim inițial. Cu toate acestea, mai multe videoclipuri
600 afișează caracteristici „virale întârziate” și acestea corespund adesea videoclipurilor care
„Ieșire” din cifrele obișnuite de vizionare ale canalului. Capacitatea de a le identifica
videoclipurile „întârziate virale” și să examineze proprietățile videoclipurilor de succes ar trebui
fi de mare folos managerilor sau proprietarilor de canale video online.
6. Implicații manageriale și munca viitoare
605 Această lucrare descrie un cadru bazat pe modelarea creșterii, pentru a ajuta modelarea
și explicați comportamentul videoclipurilor online. Parametrii oferă un parsimo-
descriere bună a comportamentului video viral și poate fi folosită pentru a ajuta la caracterizare
comportamentul video online, analizați modelele de vizionare pe canalele video și anticipați
vizionări video viitoare. Conform rezumatului din tabelul 1, munca la videoclipurile virale scade
610 în domenii de modelare, empiric și teorie. Lucrarea noastră se află la intersecție
din aceste domenii și există spațiu pentru lucrări viitoare în toate aceste domenii.
Lucrările empirice descrise în această lucrare indică faptul că majoritatea videoclipurilor
descrise ca virale în presă sunt de fapt videoclipuri care au un număr „inițial” mare
de opinii și acțiuni care scad rapid cu un model exponențial negativ,
615 sugerând o mare popularitate inițială, dar nicio rezistență virală.
Acest lucru duce la ceva paradox în ceea ce privește descrierea videoclipurilor virale. În
literatură, de exemplu, O'Neill (2011), comportamentul viral este adesea discutat în termeni
de partajare a comportamentului. Cu toate acestea, distribuirile video sunt strâns corelate cu ambele vizualizări
31
și noi abonamente la canale și astfel un videoclip cu exponențial negativ
Modelul de vizualizare 620 este susceptibil să aibă un număr mare de acțiuni inițiale, ceea ce are
nu duce neapărat la longevitatea video. Este mai probabil să existe unele
proces latent, probabil legat de răspunsul emoțional (Berger și Milkman,
2012; Rim, 2009), care mediază relația dintre partajare și vizionare
comportament și că unul nu este neapărat un antecedent direct al celuilalt. Acest
625 pot fi explorate în cercetările viitoare. Există aici spațiu pentru ambele lucrări empirice
și pentru modele funcționale care încorporează vizualizări, acțiuni și abonamente.
Tehnicile de modelare descrise în această lucrare se potrivesc unei singure funcții generale.
tendință națională de-a lungul vieții unui videoclip. Parametrii funcției dau a
descrierea parcimonioasă a comportamentului de vizionare și să ofere predicții precise despre
630 de vizualizări viitoare. Cu toate acestea, la nivel micro, vizionările video pot fi afectate de in-
evenimente individuale, de exemplu, o lansare video populară pe același canal sau
expunere în revistă/TV pentru videoclipul viral. Astfel, există posibilitatea de a combina
modelele descrise în această lucrare cu o tehnică de diferențiere locală precum
netezire exponen ială (Gardner, 1985).
635 Măsurile de marketing devin din ce în ce mai importante ca instrumente de măsurare
efortul de marketing. Nu există „cele mai bune practici” sau un set de standarde fixe
pentru implementarea valorilor de marketing. De fapt, setul de metrici de marketing folosite
de către o companie se bazează adesea pe metode idiosincratice construite în timp
ca parte a culturii corporative (Ambler et al., 2004). Cu toate acestea, valori bune în
640 orice domeniu de afaceri trebuie să fie aplicabil și să poată ajuta la informarea afacerilor
decizii (Howell, 2006). Măsurile bazate pe funcții descrise în această lucrare
poate fi folosit pentru a examina succesul campaniilor video virale. YouTube
exemplu de canal începe să sugereze modul în care cadrul descris în această lucrare
ar putea fi implementat ca parte a unui sistem de sprijinire a deciziilor de marketing. Marketing
645 de sisteme de sprijinire a deciziilor (Little, 1979) combină modelele de marketing și datele în
un cadru și software asociat care poate fi folosit pentru a sprijini managementul
luarea deciziilor. Două exemple de procese de sprijinire a deciziilor care ar putea beneficia
din încorporarea modelelor descrise în această lucrare sunt date mai jos.
Este important ca sistemele de suport pentru deciziile de marketing să fie de înaltă calitate
32
650 (van Bruggen et al., 1996), ajută managerii să înțeleagă fenomenele de marketing
fiind modelat (Demoulin, 2007) și provoacă discuții (Lilien și colab., 2004).
Luați în considerare un manager de canal sau un proprietar care dorește să utilizeze tehnicile în acest sens
hârtie pentru sprijin decizional. Proprietarul canalului va lansa videoclipuri secven ial.
Conținutul din videoclipuri se va conforma unei teme sau categorii generale de canal,
655, de exemplu, Zoella este un blog de modă/machiaj, în timp ce băieții The Slo-Mo lansează
videografie cu încetinitorul. Cu toate acestea, în ciuda meta-categoriei generale, fiecare videoclip
are anumite micro-atribute specifice videoclipului, de exemplu, pentru blogul de modă, the
tipul de modă și stilul conversațional. Pentru fiecare videoclip, după o perioadă de
lansare, managerul de canal va avea numărul de vizualizări, iar după rulare
660 tehnicile din hârtie, vor avea modelul de vizionare video (întârziat viral,
viral inițial, sau polinom.) În plus, dacă videoclipul afișează un model „viral întârziat”, atunci managerul
va avea acces la timpul de decolare (λ) și amplitudinea virală maximă (µ). Prin corelarea acestor
rezultate vizionari video cu
atributele specifice ale videoclipurilor, poate în legătură cu analiza
665 de feedback ale consumatorilor din voturi și comentarii, managerul de canal poate începe
pentru a înțelege antecedentele videoclipurilor de succes și pentru a adapta ieșirea canalului
în consecin ă.
Majoritatea canalelor video online se bazează pe publicitate online pentru venituri. Chiar
blogurile individuale pot aduce venituri semnificative din publicitate. De exemplu, cel
Canalul de blog 670 Zoella aduce peste 25.000 USD în venituri din publicitate pe lună (Ives,
2015). A fi capabil să prezică cu exactitate veniturile viitoare este important pentru orice
Afaceri. În cazul videoclipurilor online, veniturile din publicitate sunt direct proporționale
la numărul de vizualizări, deci este necesar să poți prezice vizionări viitoare
condiție pentru estimarea veniturilor viitoare. Odată un model viral inițial sau un viral
Modelul de decolare 675 (Golder și Tellis, 1993) este evident, vizionările video pot fi prezise
pentru perioadele de timp viitoare. Tehnicile descrise în această lucrare pot fi folosite pentru
specificați modelul general de vizionare pentru videoclip, parametrizați videoclipul și
apoi utilizați previziunile din model pentru a estima veniturile viitoare.
33
Referințe
680 Abramovici, G., 2013. 15 statistici uimitoare despre publicitatea video online,
http://www.cmo.com/content/cmo-com/home/articles/2013/8/27/video -
15 uluitoare.html.
Ambler, T., Kokkinaki, F., Puntoni, S., 2004. Evaluarea performanței de marketing:
Motive pentru selectarea valorilor. Journal of Marketing Management 20, 475–498.
685 Angelis, M.D., Bonezzi, A., Peluso, A.M., Rucker, D.D., Costabile, M., 2012.
Despre lăudăroși și bârfe: o relatare de auto-îmbunătățire a genului de vorbire în gură
era ie i transmitere. Journal of Marketing Research 49, 551–563.
Anon., 2015. De ce unele videoclipuri devin virale. Harvard Business Review 93, 34–35.
Avramova, Z., Wittevrongel, S., Bruneel, H., Vleeschauwer, DD, 2009. Analiza-
690 sis și modelarea evoluției popularității video în diverse conținuturi video online
sisteme: legea puterii versus decăderea exponențială, în: Borcoci, E., McKee, S.,
Bogliolo, A., Dini, O. (Eds.), Evolving Internet, 2009. INTERNET '09. Primul
Conferință internațională despre, IEEE, New York, NY. pp. 95–100.
Balachander, S., Ghose, S., 2003. Reciprocal spillover effects: A strategic benefit
695 de extensii de marcă. Journal of Marketing 67, 4–13.
Bass, FM, 1969. O nouă creștere a produselor pentru bunuri de folosință îndelungate de consum. Om-
agement Science 15, 215–227.
Baumgarth, C., 2004. Evaluări ale co-brandurilor și efectelor de propagare: în continuare
rezultate empirice. Journal of Marketing Communications 10, 115–131.
700 Berger, J., Milkman, KL, 2012. Ce face conținutul online viral? Jurnalul de
Cercetări de marketing 49, 192–205.
Berger, J., Schwartz, EM, 2011. Ceea ce determină cuvântul imediat și continuu despre
gură? Journal of Marketing Research 48, 869–880.
34
Borghol, Y., Mitra, S., Ardon, S., Carlsson, N., Eager, D., Mahanti, A., 2011.
705 Caracterizarea și modelarea popularității videoclipurilor generate de utilizatori. perfor-
mance Evaluare 68, 1037–1055.
Bradzell, J., Bardzell, S., Pace, T., 2008. Emotion, Engagement and Internet
Video. One to One Interactive, Boston, MA.
Broxton, T., Interian, Y., Vaver, J., Wattenhofer, M., 2013. Catching a viral
710 video. Journal of Intelligent Information Systems 40, 241–259.
van Bruggen, GH, Smidts, A., Wierenga, B., 1996. Impactul calității
a unui sistem de sprijin pentru deciziile de marketing: Un studiu experimental. Interna ional
Journal of Research in Marketing 13, 331–343.
Bruyn, AD, Lilien, GL, 2008. Un model în mai multe etape al influenței cuvântului în gură
715 prin marketing viral. Jurnalul Internațional de Cercetare în Marketing 25,
151–163.
Chen, Z., Berger, J., 2013. Când, de ce și cum provoacă controversele conversația.
Journal of Consumer Research 40, 580–593.
Chowdhury, SA, Makaroff, D., 2013. Modele de creștere a popularității YouTube
720 videoclipuri - un studiu bazat pe categorii, în: 9th International Conference on Web
Sisteme și tehnologii informaționale, pp. 1–10.
Chu, SC, Kim, Y., 2011. Determinanți ai angajamentului consumatorilor în electronică
cuvântul în gură (ewom) în site-urile de rețele sociale. Jurnalul Internațional al
Publicitate 30, 47–75.
725 Cohen, J., 1988. Statistical Power Analysis for the Behavioral Sciences. 2 ed.,
Lawrence Erlbaum Associates, Mahwah, NJ.
Crane, R., Sornette, D., 2008. Videoclipuri virale, de calitate și nedorite pe YouTube: septembrie-
analizarea conținutului din zgomot într-un mediu bogat în informații., în: Lerman,
K., Gutelius, D., Huberman, B., Merugu, S. (Eds.), AAAI Social Information
730 Procesare, Biblioteca digitală AAAI. pp. 18–20.
35
Demoulin, NTM, 2007. Deschiderea sistemului de sprijinire a deciziilor de marketing: un mijloc
de îmbunătă ire a în elegerii de către manageri a fenomenelor de marketing. Decizie
Sisteme de asistență 44, 79–92.
Elzhov, TV, Mullen, KM, Spiess, AN, Bolker, B., 2013. Pachetul CRAN
735 „minpack.lm”. URL: http://cran.r-project.org/web/packages/minpack.
lm/.
Fan, R., Zhao, J., Chen, Y., Xu, K., 2014. Furia este mai influentă decât bucuria:
Corelația sentimentelor în Weibo. PloS one 9, e110184.
Figueiredo, F., 2013. Despre predicția popularității tendințelor și a hit-urilor pentru utilizator
740 videoclipuri generate, în: Proceedings of the Sixth ACM International Conference
pe Web Search and Data Mining, ACM, New York, NY, SUA. pp. 100-1 741–746.
Figueiredo, F., Benevenuto, F., Almeida, JM, 2011. Tubul în timp: char-
care caracterizează creșterea popularității videoclipurilor YouTube, în: Proceedings of the Fourth
Conferința internațională ACM privind căutarea web și extragerea datelor, ACM, Nou
745 York, NY, SUA. pp. 745–754.
Franța, SL, Vaghefi, MS, 2013. Un cadru de curbă de creștere pentru videoclipuri virale,
document de lucru, Universitatea din Wisconsin-Milwaukee.
Funkhouser, GR, McCombs, ME, 1972. Predicting the diffusion of informa-
ținerea publicului de masă. Jurnalul de sociologie matematică 2, 121–130.
750 Gardner, ES, 1985. Netezire exponen ială: starea tehnicii. Jurnalul de
Prognoza 4, 1–28.
Golder, PN, Tellis, GJ, 1993. Avantaj de pionier: logica de marketing sau piața-
legendă? Journal of Marketing Research 30, 158–170.
Gompertz, B., 1825. Despre natura funcției expresive a legii lui
755 mortalitatea umană și asupra unui nou mod de determinare a valorii vieții continu-
genții. Tranzacțiile filosofice ale Societății Regale 115, 513–583.
36
Hodge, BM, Milligan, M., 2011. Distribuțiile erorilor de prognoză a energiei eoliene
pe mai multe intervale de timp, în: 2011 IEEE Power and Energy Society General
Întâlnire, IEEE, Picastaway, NJ, SUA. pp. 1–8.
760 Hoffman, DL, Fodor, M., 2010. Puteți măsura rentabilitatea investiției rețelelor dvs. de socializare
marketing? MIT Sloan Management Review 52, 41–49.
Hosmer, DW, Jovanovic, B., Lemeshow, S., 1989. Cele mai bune subseturi de regres logistic
sion. Biometrie 45, 1265–1270.
Howell, MT, 2006. Măsurarea performanței acționabile: o cheie a succesului.
765 1 ed., ASQ Quality Press, Milwaukee, WI.
Ives, N., 2015. Ce atrage o celebritate YouTube: S-ar putea să fii surprins de
numere. Advertising Age , 30 noiembrie 2015.
Jiang, L., Miao, Y., Yang, Y., Lan, Z., Hauptmann, AG, 2014. Video virale
stil: O privire mai atentă la videoclipurile virale de pe youtube, în: Proceedings of Interna-
770 Conferință națională privind recuperarea multimedia, ACM, New York, NY, SUA. pp. 100-1
193:193–193:200.
Kalyanam, K., McIntyre, S., Masonis, JT, 2007. Experimentarea adaptivă
în marketing interactiv: Cazul marketingului viral la Plaxo. Jurnalul de
Marketing interactiv 21, 72–85.
775 Lilien, GL, Rangaswamy, A., Bruggen, GHV, Starke, K., 2004. DSS effect-
abilitate în deciziile de alocare a resurselor de marketing: realitate vs. percepție.
Cercetarea sistemelor informaționale 15, 216–235.
Little, JDC, 1979. Sisteme de sprijinire a deciziilor pentru managerii de marketing. Jurnal
de Marketing 43, 9–26.
780 Liu-Thompkins, Y., 2012. Seeding viral content: The role of message and net-
factori de lucru. Journal of Advertising Research 52, 59–71.
Makridakis, SG, Wheelwright, SC, Hyndman, RJ, 1997. Prognoza: Meth-
cote și aplicații. 3 ed., Wiley, New York, NY.
37
Meade, N., 1984. Utilizarea curbelor de creștere în prognoza dezvoltării pieței?a
785 revizuire și evaluare. Journal of Forecasting 3, 429–451.
Miller, M., 2011. YouTube pentru afaceri: Marketing video online pentru orice afacere.
2 ed., Pearson Education, Indianapolis, IN.
More, JJ, 1978. Algoritmul Levenberg-Marquardt: Implementare și
teorie. Analiza numerică 630, 105–116.
790 Morrison, J., 1996. Cum se utilizează modele de difuzie în prognoza de produse noi.
Journal of Business Forecasting 15, 6.
Myrick, JG, 2015. Reglarea emoțiilor, amânarea și observarea pisicii
videoclipuri online: Cine se uită la pisici de pe internet, de ce și cu ce efect? calculator-
ers în Human Behavior 52, 168–176.
795 Nelson-Field, K., Riebe, E., Newstead, K., 2013. Emoțiile care conduc virale
Videoclipuri. Australasian Marketing Journal (AMJ) 21, 205–211.
O'Neill, M., 2011. Ce face un videoclip „viral”? Social Times.
Orrell, D., McSharry, P., et al., 2009. O abordare sistemică a prognozei. inainte-
vedere 14, 25–30.
800 O'Sullivan, D., Abela, AV, 2007. Capacitatea de măsurare a performanței de marketing
și performanță fermă. Journal of Marketing 71, 79–93.
Richards, FJ, 1959. O funcție de creștere flexibilă pentru uz empiric. Jurnalul de
Botanica experimentală 10, 290–301.
Richier, C., Altman, E., Elazouzi, R., Jimenez, T., Linares, G., Portilla, Y., 2014. Modele bio-
805 inspirate pentru caracterizarea vizualizării YouTube, în: Advances in Social Networks
Analysis and Mining (ASONAM), 2014 IEEE/ACM In-
Conferința internațională despre, IEEE. p. 297–305.
Rim, B., 2009. Emoția provoacă împărtășirea socială a emoției: Teorie și
revizuire empirică. Recenzia emoțiilor 1, 60–85.
38
810 Seggie, SH, Cavusgil, E., Phelan, SE, 2007. Măsurarea rentabilității pieței-
investiții: un cadru conceptual și viitorul parametrilor de marketing.
Managementul Marketingului Industrial 36, 834–841.
Spanos, A., 2007. Curve fiting, fiabilitatea inferenței inductive și
abordarea statistică a erorilor. Philosophy of Science 74, 1046–1066.
815 Sullivan, M., 1990. Măsurarea deversărilor de imagine în produsele cu marcă umbrelă.
Journal of Business 63, 309–329.
Systems, C., 2013. Cisco visual networking: Forecast and methodology, 2012–
2017. URL: http://www.cisco.com/c/en/us/solutions/collateral/
furnizor de servicii/ip-ngn-ip-network-next-generation/white_paper_
820 c11-481360.pdf.
Teixeira, T., 2012. Noua știință a reclamelor virale. Harvard Business Review 90,
25–27.
Trappey, CV, Wu, HY, 2008. O evaluare a extinderii variabile în timp
modele logistice, logistice simple și gompertz pentru prognoza produsului scurt
825 cicluri de viață. Advanced Engineering Informatica 22, 421–430.
Uitz, I., 2012. Social media - merită deranjamentul? Jurnalul de Internet Social
Rețele și comunități virtuale 2012, 1–14.
Wallsten, K., 2010. „Da, putem”: Cum spectatorii online, discuții pe blog,
declarațiile de campanie și media de masă au produs un videoclip viral
830 fenomen. Journal of Information Technology & Politics 7, 163–181.
Wellman, B., Boase, J., Chen, W., 2002. Natura în rețea a comunității:
Online și offline. IT & Society 1, 151–165.
Yew, J., Shamma, DA, Churchill, EF, 2011. Cunoașterea amuzantă: percepția genului
ție și clasificare în partajarea videoclipurilor sociale, în: Tan, D., Fitzpatrick, G.,
835 Gutwin, C., Begole, B., Kellogg, WA (eds.), Proceedings of the SIGCHI
39
Conferință privind factorii umani în sistemele de calcul, ACM, New York, NY,
STATELE UNITE ALE AMERICII. pp. 297–306.
Yong, H., Tie-nan, W., Xiang-yang, L., 2013. Cum afectează filmele de succes
performanța sequelelor: teoria semnalului și teoria extensiei mărcii în mișcare
840 industria imaginilor, în: 2013 International Conference on Management Science
și Inginerie (ICMSE), pp. 798–806.
YouTube, 2014. Statistici. Adresa URL: http://www.youtube.com/yt/press/
statistics.html.
Zwietering, MH, Jongenburger, I., Rombouts, FM, Riet, KV, 1990. Model
845 a curbei de creștere a bacteriilor. Microbiologie aplicată și de mediu
56, 1875–1881.
Zwietering, MH, Rombouts, FM, van't Riet, K., 1992. Compara ie de defini-
fazei de întârziere și fazei exponențiale în creșterea bacteriană. Jurnal
de Microbiologie Aplicată 72, 139–145.
40
Figura 9: Vizualizări ale categoriilor de videoclipuri virale de-a lungul timpului
41
Vedeți statisticile publicației

Characterizing Viral Videos Methodology and Applic

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Characterizing Viral Videos Methodology and Applic

Încărcat de

Drepturi de autor:

Formate disponibile

Machine Translated by Google

Caracterizarea videoclipurilor virale: Metodologie și aplicații

Articolul în Cercetare și aplicații în comerțul electronic · iulie 2016

3 autori, printre care:

Stefan Franta Mahyar Sharif Vaghefi

Universitatea de Stat din Mississippi 9 PUBLICAȚII 57 CITAȚII

30 PUBLICAȚII 583 CITAȚII

Utilizatorul a solicitat îmbunătățirea fișierului descărcat.

Caracterizarea videoclipurilor virale: Metodologie și

Francea, , Mahyar Sharif Vaghefib , Huimin Zhaob Stephen L.

aCollege of Business, Mississippi State University, 114

Se estimează că piața de publicitate video online va avea o valoare de 8 miliarde de dolari

care se bazează pe modelarea curbei de creștere. Diferite categorii de comportament video

Clasificați videoclipurile pe baza modelelor de creștere și preziceți vizionările viitoare. În

al doilea este un eșantion „populație” de videoclipuri, selectat aleatoriu de pe YouTube.

design și previziunea veniturilor pentru publicitatea online.

Am dori să mulțumim recenzenților anonimi pentru feedback-ul cu privire la o versiune anterioară

Preprint trimis la Cercetare și aplicații în comerțul electronic 21 iulie 2016

portant. Cercetătorii au descoperit că performanța de marketing a unei firme

(O'Sullivan și Abela, 2007). Odată cu creșterea internetului și a rețelelor sociale

ca canale, agențiile de publicitate reduc cheltuielile pentru media tradițională și

măsurarea succesului efortului de marketing

sunt de obicei concentrate pe rentabilitatea investiției (ROI). De fapt, un sondaj al practicienilor de

măsurile bazate pe finanțe/contabilitate, cum ar fi profitul, vânzările,

15 campanii media. Ecosistemul rețelelor sociale include un număr mare de

interacțiunile dintre clienți, firmă, angajați, investitori, guvern și

furnizori (Ambler et al., 2004). Măsurarea acestor interacțiuni în termeni de venituri

efort de marketing pe rețelele sociale. Aceste valori includ măsuri de implicare,

20 conștientizare, și cuvântul în gură (Hoffman și Fodor, 2010; Uitz, 2012).

videoclipurile online au fost explozive. Pentru a da câteva statistici, videoclipul de pe YouTube

cheltuielile de publicitate video în SUA sunt estimate să crească de la aproximativ

4 miliarde USD în 2013 până la 8 miliarde USD în 2016 (Abramovici, 2013).

De o importanță deosebită este conceptul de „videoclipuri virale”. Videoclipurile virale sunt

30 un fenomen cultural important. Mass-media populară și presa apar adesea

35 de modele de videoclipuri online. Cadrul se bazează pe o metodologie de ajustare a curbei

Pentru aceasta sunt prevăzute aplicații și interpretări generale legate de management

40 ca având modele de vizionare „virale întârziate”, „virale inițiale” sau „polinom”. A

de vizualizări și apoi câștigă rapid popularitate prin mecanisme virale legate de

cu un număr inițial mare de vizualizări urmat de un declin lent. Un „polinom”

o tendință polinomială intermediară.

vedere, care sintetizează material din tehnologia informației, marketing și

este dată analiza parametrilor de funcție și rezultatele sunt comparate cu re-

55 Stabilitatea cadrului pe diferite niveluri de granularitate la scară de timp este

analizate. Este descris un experiment de utilizator care leagă rezultatele cadrului

la antecedentele emoționale ale viralității video. Se face o demonstrație despre cum

cadrul descris în această lucrare, împreună cu analiza statistică, poate fi

60 și concluziile pentru cadru sunt descrise și aplicații manageriale la

sunt date managementul conținutului și predicția veniturilor din publicitate.

videoclipuri care câștigă popularitate fiind distribuite și recomandate online

cont de partajarea online și recomandări, în realitate situația este mai mult

și este greu să se desprindă partajarea online de partajarea offline sau

Ea postează, de asemenea, un link către videoclip pe pagina ei de Facebook și accesul prietenilor ei

însămânțarea judicioasă a unui videoclip pentru consumatori (Liu-Thompkins, 2012) și 85 prin

proiectarea caracteristicilor acestuia (Kalyanam și colab., 2007), se poate optimiza

șansa ca acesta să devină viral.

Videoclipurile virale de succes atrag utilizatorii și atrag emoțiile lor (Bradzell

pentru consumatori (Miller, 2011), campanie politică (Wallsten, 2010) și

în O'Neill (2011). Aici, un videoclip viral este descris ca având proprietăți

de spectatori, zgomot, parodie și longevitate. Vizualizarea este pur și simplu numărul

generate de videoclip. Parodia descrie de câte ori este copiat un videoclip,

popularitatea videoclipului este susținută.

Conceptul de buzz viral este strâns legat de cel de eWOM (electronic

Cuvântul în gură). Au existat mai multe studii care analizează fenomenul