Комментарии в Instagram важнее, чем вы думаете
Сегодня, как никогда раньше, потребители могут общаться и высказывать свое мнение о своих любимых брендах через социальные сети. В результате репутация бренда может быть создана или сломана на основе их онлайн-стратегии. Крушение Dolce & Gabbana и создание одежды, которая хорошо смотрится в инстаграмме (например, большие логотипы), являются примерами этой новой тенденции. Цель этой короткой статьи - узнать, можем ли мы спрогнозировать колебания цен с помощью данных социальных сетей.
Данные
Мы собираемся рассмотреть метрики социальных сетей для PepsiCo из Instagram, тренды Google, Twitter и посещаемость веб-сайтов, загруженную с Sentieo.
Всего у нас есть 36 входных метрик, которые отслеживают количество лайков, комментариев, посещений Pepsi и Sodastream в этих социальных сетях. Мы собираемся сосредоточиться на недельных изменениях, чтобы увидеть, как они влияют на курс акций PepsiCo.
Обработка данных
После загрузки данных в платформу AuDaS Data Science мы разделяем еженедельные движения цен на 3 класса:
- -1: изменение цены ‹-2%
- 0: изменение цен от -2% до 2%.
- 1: изменение цен ›2%
Это позволяет нам сформулировать проблему как задачу классификации, которая более полезна для долгосрочных инвесторов, которые в основном заинтересованы в больших колебаниях цен на акции. Анализ может быть легко применен к более длинным горизонтам (месяц, годы) и большему количеству корзин при условии наличия данных.
Построение модели
Наша целевая переменная - это разделенный столбец динамики цен, а наши входные данные - 36 показателей социальных сетей. Затем AuDaS автоматически начинает поиск оптимальной модели машинного обучения и предоставляет пользователю показатели релевантности функции и оценки для модели.
После пары итераций мы получаем оценку F1 0,417 для нашей задачи прогнозирования 3 классов, что лучше, чем случайное (0,33).
Это означает, что данные социальных сетей действительно обладают некоторой прогностической силой, в частности, еженедельные вариации упоминаний Pepsico в Twitter с последующими комментариями в Instagram и охватом веб-сайтов.
Толкование и расширение
Данные в этом исследовании измеряли трафик PepsiCo в социальных сетях и онлайн, но не отражали настроения потребителей, взаимодействующих с брендом. Включение настроения может помочь модели предугадать, хвалят ли потребители бренд или фактически выражают свое разочарование.
Дополнительный анализ может быть сосредоточен на конкретных обменах, которые PepsiCo ведет со своими подписчиками, то есть как они отвечают на вопросы, запросы своих клиентов и как быстро?
Еще одно расширение может заключаться в том, чтобы посмотреть, как трафик PepsiCo сравнивается с трафиком CocaCola и / или Unilever и как относительная производительность влияет на колебания их цен.
Эта модель машинного обучения, вероятно, не содержит достаточного количества альфы для систематической стратегии, потому что настроения в социальных сетях уже широко используются и сигналы очень быстро исчезают, но вместо этого она могла бы поддержать фундаментальных инвесторов в их анализе. Количественная оценка влияния социальных сетей на их убедительные инвестиции может позволить им понять некоторые дополнительные движущие силы, которые аналитик не может легко измерить. Это также может помочь им понять, насколько уязвимы их инвестиции для потенциальной негативной реакции в Интернете. Наконец, сообщения в Instagram и повторные публикации в Twitter часто являются прокси для покупок и могут использоваться в их фундаментальном моделировании для прогнозирования продаж.
Если вам интересно узнать, как клиенты наших количественных и фундаментальных хедж-фондов используют AuDaS для анализа рисков и управления инвестициями, не стесняйтесь обращаться ко мне по электронной почте или LinkedIn. Вы также можете прочитать еще несколько примеров из практики ниже:
Примечание редакторам Data Science. Хотя мы разрешаем независимым авторам публиковать статьи в соответствии с нашими правилами и рекомендациями, мы не поддерживаем вклад каждого автора. Не следует полагаться на работы автора без консультации с профессионалами. См. Подробности в наших Условиях для читателей.
[ОБНОВЛЕНИЕ: я основал техническую компанию. Вы можете узнать больше здесь]
Команда и ресурсы
Mind Foundry - это дочернее предприятие Оксфордского университета, основанное профессорами Стивеном Робертсом и Майклом Осборном, у которых 35 человеко-лет в области анализа данных. Команда Mind Foundry состоит из более чем 30 исследователей машинного обучения мирового уровня и элитных инженеров-программистов, многие из которых в прошлом были докторантами Оксфордского университета. Кроме того, Mind Foundry имеет привилегированный доступ к более чем 30 кандидатам машинного обучения Оксфордского университета благодаря своему статусу отделения. Mind Foundry является портфельной компанией Оксфордского университета, и ее инвесторами являются Oxford Sciences Innovation, Оксфордский фонд технологий и инноваций, Инновационный фонд Оксфордского университета и Parkwalk Advisors.
