К вопросу о применении Python и больших данных в задачах оптимизации инфлюенс-маркетинга компании: разработка индекса полезности инфлюенсера Аннотация: целью исследования является разработка авторского подхода к оптимизации инфлюенс-маркетинга на основе авторского индекса полезности блогера (BVI) и современных технологий анализа больших данных (Python, LLM). Методы: в исследовании используются методы сбора и обработки больших объёмов данных из социальных сетей посредством Python (Pandas, API-запросы), алгоритмы многопоточного и асинхронного анализа данных, а также функции больших языковых моделей (LLM) для структурирования и интерпретации полученных результатов. Кроме них применялись общенаучные методы, сравнительный, описательный и обобщающий анализ. Результаты (Findings): предложен индекс полезности блогера (BVI), который позволяет выявлять наиболее релевантных инфлюенсеров с учётом пересечения их аудиторий и целевой аудитории компании. Разработан программный код на Python, который автоматически рассчитывает BVI, формирует базу потенциально эффективных каналов и позволяет оценивать варианты сотрудничества. Показано, что использование больших данных, LLM и современных цифровых технологий для аналитики в инфлюенс-маркетинге обеспечивают расширение возможностей в поддержке принятия решений. Выводы: полученные данные подтверждают эффективность разработанного индекса BVI и подходов к его вычислению, т.к. позволяет улучшить процесс для выбора блогеров, существенно сократить время- и трудо- затраты в инфлюенс-маркетинге. Предложенный подход с применением больших данных, Python и LLM расширяет возможности маркетинговых исследований, поскольку служит базисом для принятия экономически обоснованных решений с последующим ростом эффективности маркетинговых кампаний. Ключевые слова: инфлюенс-маркетинг, индекс полезности блогера (BVI), аналитика, нейросети, большие данные, большие языковые модели (LLM), Python, оптимизация маркетинга, аудитория Для цитирования: Коновалик Е.А. К вопросу о применении больших данных в задачах оптимизации инфлюенс-маркетинга компании: разработка индекса полезности инфлюенсера // Modern Economy Success. 2025. № 2. С. 360 – 377. 1 Yauheni Kanavalik, 1 EPAM Systems On the application of big data in optimizing a company’s influencer marketing: development of an influencer utility index

Cover Page

Cite item

Full Text

Abstract

the purpose of this study is to develop an original approach to optimizing influencer marketing based on the author's Blogger Utility Index (BVI) and modern data analysis technologies (Python, LLM). Methods: the study employs methods for collecting and processing large volumes of data from social networks using Python (Pandas, API requests), algorithms for multi-threaded and asynchronous data analysis, as well as the functions of large language models (LLM) for structuring and interpreting the obtained results. In addition, general scientific methods, including comparative, descriptive, and summarizing analysis, were applied. Findings: the study proposes the Blogger Utility Index (BVI), which enables the identification of the most relevant influencers by considering the intersection of their audiences with the company's target audience. A Python-based software tool has been developed to automatically calculate BVI, compile a database of potentially effective channels, and assess collaboration options. The study demonstrates that the use of LLM and modern digital technologies for influencer marketing analytics enhances decision-making capabilities. Conclusions: the obtained results confirm the effectiveness of the developed BVI index and the approaches to its calculation, as it improves the influencer selection process while significantly reducing time and labor costs in influencer marketing. The proposed approach, utilizing Python and LLM, expands the possibilities of marketing research by providing a foundation for making economically justified decisions, ultimately increasing the effectiveness of marketing campaigns.

About the authors

Kanavalik A Yauheni

EPAM Systems

ORCID iD: 0009-0004-2354-4614

References

  1. АРИР. Инфлюенс-маркетинг [Электронный ресурс]. URL: https://interactivead.ru/wp-content/uploads/2024/10/arir_inflyuens_marketing_2024_stranicy.pdf (дата обращения: 26.10.2024)
  2. Ашихмин Е.Г., Левченко В.В., Селеткова Г.И. Опыт применения больших языковых моделей для анализа социологических данных, полученных в результате интервью о восприятии студентами предпринимательской деятельности // Цифровая социология. 2024. Т. 7. № 3. С. 4 – 14.
  3. Писарева Е.В. Инфлюенс-маркетинг как инструмент эффективной коммуникации в цифровой среде // Beneficium. 2023. № 4 (49). С. 85 – 91.
  4. Терещенко Д.А. Роль контент-маркетинга и инфлюенс-маркетинга в повышении эффективности отдела продаж // Практический маркетинг. 2024. № 8. С. 52 – 54.
  5. Филиппов В.Н. Трансформация информационно-коммуникационных стратегий коммерческих структур в период постпандемии и экономической турбулентности // Вопросы теории и практики журналистики. 2021. Т. 10. № 2. С. 351 – 365.
  6. Чибисова Е.А., Кулюдина А.С. Инфлюенс-маркетинг: преимущества, риски, рекомендации // Российская школа связей с общественностью. 2024. № 35. С. 136 – 151.
  7. Farseev A., Yang Q., Ongpin M., Gossoudarev I., Chu-Farseeva Y.-Y., Nikolenko S. SOMONITOR: Combining Explainable AI & Large Language Models for Marketing Analytics [Электронный ресурс] // arXiv. 2024. doi: 10.48550/arXiv.2407.13117
  8. Gao Y., Arava S.K., Li Y., Snyder J.W. Jr. Improving the Capabilities of Large Language Model Based Marketing Analytics Copilots With Semantic Search And Fine-Tuning // International Journal on Cybernetics & Informatics (IJCI). 2024. Vol. 13. № 2. P. 15 – 31. doi: 10.5121/ijci.2024.130202
  9. Influencer marketing market size worldwide from 2016 to 2024 [Электронный ресурс]. URL: https://www.statista.com/statistics/1092819/global-influencer-market-size/ (дата обращения: 26.10.2024)
  10. Liu X., Sun A., An P., Ma T., Zhao J. Influencer: Empowering Everyday Users in Creating Promotional Posts via AI-infused Exploration and Customization [Электронный ресурс] // arXiv. 2024. doi: 10.48550/arXiv.2407.14928
  11. Tiukhova E., Penaloza E., ?skarsd?ttir M., Baesens B., Snoeck M., Bravo C. INFLECT-DGNN: Influencer Prediction With Dynamic Graph Neural Networks // IEEE Access. 2024. Vol. 12. P. 115026 – 115041. doi: 10.1109/ACCESS.2024.3443533
  12. Zhang X., Chen X., Liu Y., Wang J., Hu Z., Yan R. SAGraph: A Large-scale Text-Rich Social Graph Dataset for Advertising Campaigns [Электронный ресурс] // arXiv. 2024. doi: 10.48550/arXiv.2403.1510 [Jelektronnyj resurs] // arXiv. 2024. doi: 10.48550/arXiv.2403.15105

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).