جستجوگر دانش

Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors

وقتی یک برند لوکس از هم می باشد: مدل سازی اثرات ویروسی رسانه های اجتماعی

وقتی یک برند لوکس از هم می باشد: مدل سازی اثرات ویروسی رسانه های اجتماعی ناشی از پذیرش کلیشه های منفی که منجر به نفرت از برند می شود

چکیده

در اوایل سال 2020، سازمان بهداشت جهانی (WHO) اصطلاح اینفودمیک(انتشار زیاد اطلاعات غیر قابل اعتماد) را برای توصیف سرعت تبادل داده ها بین مردم را در فضای مجازی رایگان که شرکت ها کنترل محدودی بر انتشار اطلاعات دارند، توسعه داد. به طور خاص, انتشار اطلاعات در رسانه‌های اجتماعی با انتقال (سرایت) پدیده‌های اجتماعی و بیماری‌های واگیردارقابل‌مقایسه است.

هدف این تحقیق مدل‌سازی اثرات ویروسی یک کمپین بازاریابی یک برند لوکس هنگام اتخاذ کلیشه‌های منفی برای افزایش سهم بازار در بازار رو به رشد است. این کمپین 506127 لایک از طرفداران/اینفلوئنسرهای مشهور و 17984 نظر در یک دوره نسبتا کوتاه در سرتاسر جهان پخش کرد و یک انفجار را ایجاد کرد. یافته ها نشان داد که انفجار اجتماعی غیرمنتظره با ارزیابی منفی مصرف کنندگان رخ داده است که به شدت برای برند مضر است ( نفرت از برند ) .

کلید واژه ها:

انفجار اجتماعی

انتشار اطلاعات

مدیریت برند

برندسازی لوکس

نفرت برند

اینفودمیک

مقدمه

در اوایل سال 2020، سازمان بهداشت جهانی (WHO) اصطلاح اینفودمیک را برای توصیف فراوانی بیش از حد اطلاعات که یافتن منابع قابل اعتماد و راهنمایی های قابل اعتماد را در زمان نیاز برای افراد دشوار می کند را برای تعداد زیادی از کاربرانی که به طور گسترده به دنبال اطلاعات در مورد شیوع19 nCoV هستند توسعه داد ( WHO , 2020 ).

برای این منظور، WHO 24/7 برای شناسایی اخبار که به طور بالقوه می تواند به سلامت عمومی آسیب برساند،به کار افتاد ه است( WHO , 2020 ). مفهوم اینفودمیک عبارت است از سرعتی را که با آن می توان داده ها را بین مردم در یک فضای مجازی آزاد رد و بدل کرد که در آن شرکت ها کنترل محدودی بر فرآیند انتشار اطلاعات دارند.

به همین دلیل، انتشار اطلاعات در سراسر رسانه های اجتماعی موضوع داغ بررسی در بسیاری از زمینه ها است. نمونه های معنی داری  آن در بهداشت عمومی برای حمایت از انتشار واکسیناسیون، در امنیت ملی برای از بین بردن انتشار تبلیغات مخرب و در نهایت در بازاریابی برای ترویج خرید محصولات خاص و وفاداری مصرف کنندگان است. و تاثیر اجتماعی در رسانه های اجتماعی نقش مهمی در مدیریت برند به دست آورده است  ( Aleti , Pallant , Tuan , & van Larer , 2019 ; Giglio , Pantano , Bilotta , & Melewar , in press ) به عنوان مثال, انتخاب یک فرد خاص (معروف) ممکن است بر انتشار (مثبت) پیام‌های تبلیغاتی در رسانه‌های اجتماعی تاثیر بگذارد, آن هم به دلیل اصالت و اعتبار بالاتر که منجر به مقاومت کم‌تر در برابر پیام می‌شود

( Casalo , Flavian , & Ibanez – Sanchez , 2020 ; de Vries , Gensler , & Leeflang , 2012 ) تأییدکنندگان از طریق پست‌های خود، ممکن است تأثیر مثبتی بر ترجیح مصرف‌کنندگان برای برندها و محصولات خاص داشته باشند که منجر به افزایش فروش می‌شود ( De Veirman , Cauberghe , & Hudders , 2017 ; Hsu , 2019 ; Stubb & Colliander , 2019 )

در واقع، استراتژی های بازاریابی رسانه های اجتماعی را می توان با موفقیت در ارتباطات بازاریابی شرکتی ادغام کرد ( Athwal , Istanbulluoglu , & McCormack , 2019 ; Melewar & Nguyen , 2014 ) به طور مشابه, اگر یک پست رسانه اجتماعی تعداد بیشتری از ” لایک ” را نمایش دهد, به نظر می‌رسد که توسط کاربران معتبرتر است و منجر به نگرش‌های مثبت بیشتری نسبت به برند می‌شود

( Seo , Kim , Choi , & Li , 2019 ). تحقیقات در این زمینه تا حد زیادی به درک ویژگی‌های یک پست برای ویروسی شدن و اشتراک‌گذاری اختصاص دارد ( Aleti et al. , 2019 ; Arora , Bansal , Kandpal , Aswani , & Dwivedi , 2019 ; Check & Huberman , 2010 ; Jin , Zhou , & Yu , 2019 ; Villarroel Ordenes et al. , 2019 )

و تأثیرگذارترین نهادها (اینفلوئنسرها و تأییدکنندگان افراد مشهور) در یک شبکه خاص (اجتماعی) دریابند که قادر به هدایت محصولی برای تبدیل شدن به یک ویروس هستند ( Kiss & Bichler , 2008 ; More & lingam , 2019 )  تا آنجا که ما می دانیم، مطالعات قبلی فاقد تحقیق درباره انتشار گسترده / سرایت نظرات منفی یک کمپین بازاریابی لوکس از طریق رسانه‌های اجتماعی هستند.

هدف این مقاله مدل سازی اثرات ویروسی که مشابه انتقال (سرایت) بیماری های واگیر دار در یک کمپین بازاریابی لوکس که از روش کلیشه های منفی را برای افزایش سهم بازار در بازار رو به رشد اتخاذ می کنداست . این سرایت بیشتر منجر به انفجار با پیامد غیرمنتظره نفرت از برند شد. برای این منظور، تحقیقات بر روی مورد کمپین بازاریابی دولچه و گابانا 2018 برای بهره برداری بیشتر از بازار چین متمرکزکرده است.

پژوهش حاضر مدلی از سرایت آنلاین (اثرات ویروسی) از درک نامطلوب  مصرف کنندگان را از برند ارائه می دهد. این مقاله به شرح زیر سازماندهی شده است. بخش بعدی پیشینه نظری از نظر مدیریت برند لوکس و انتشار اطلاعات رسانه های اجتماعی را مورد بحث قرار خواهد داد. این مقاله به بحث در مورد سهم ادبیات و مفاهیم برای افراد حرفه‌ای می‌پردازد، در حالی که پیشنهاداتی برای مطالعات آتی ارایه می‌دهد.

2. پیشینه نظری

2.1. مدیریت برند لوکس

شهرت مثبت برندو نظر مثبتی را که خریداران برند (مثلاً مصرف کنندگان، خرده فروشان و غیره) در مورد برند دارند با هم ترکیب می کند ( Varadarajan , DeFanti , & Busch , 2006 ) که به صورت تداعی ‌ها در حافظه نگهداری می‌شوند ( Keller , 1993 ) بنابراین , محصولاتی که با شهرت مطلوب برند پشتیبانی می شوند بسیار مورد علاقه مصرف کنندگان هستند ( Rapp , Beitelspacjer , Grewal , & Hughes , 2013 ) به طور خاص، در مورد برندهای لوکس شهرت بیشتر به چیزی که برند نشان‌دهنده آن (ارزش نمادین) مربوط می‌شود است تا کیفیت فنی محصول

( Wiedmann , Hennigs , & Siebels , 2009 ) به عبارت دیگر, انتخاب برنده‌ای لوکس بیشتر با مزایای نامشهود به جای استفاده از سودمندی کاربردی محصولات خاص ناشی می‌شود ( Beverland , 2019 ) محصولات لوکس معمولاً با عنوان کیفیت بالا, توانایی ارائه ارزش معتبر از طریق مزایای مورد نظر, با یک تصویر معتبر در بازار, قیمت ویژه, و قادر به ایجاد ارتباط عمیق با مصرف کننده شناخته می شوند( Ko , Costello , & Taylor , 2019 ) آن‌ها همچنین قادر به ایجاد تصاویر افرادی ثروتمند هستند که می‌توانند هزینه های لوکس را به عنوان سمبل سبک زندگی انحصاری / غیرقابل‌دسترس و بسیار مطلوب بسازند( Kapferer & Laurent , 2016 ) از آنجا که مصرف کنندگان تصویر از دیگران را براساس آنچه که آن‌ها می‌پوشند ایجاد می کنند( Willems et al. , 2012 ) محصولات لوکس به مصرف کنندگان اجازه می دهند تا موقعیت اجتماعی بالاتری از خود نشان دهند( bian & Forsythe , 2012 )

در نتیجه، خرده فروشان لوکس ممکن است بیشتر حس تحسین را در فروشگاه های خود توسط مصرف کنندگان ایجاد کنند.به عنوان مثال، بسیاری از گردشگران به معروف ترین فروشگاه تیفانی در نیویورک (ایالات متحده) می روند تا در مقابل فروشگاه عکس بگیرند و سبک زندگی مجلل مشتریان تیفانی را تداعی کنند.

با این حال، این بدان معناست که مصرف کنندگان نیز انتظارات بالایی نسبت به برندهای لوکس دارند، که ممکن است منجر به رضایت زیاد یا ناامیدی زیاد شود(Wiedmann , Hennigs , & Siebels , 2007 ) در نتیجه , ویژگی های ذاتی و ارزش ناملموس برندهای لوکس همیشه پاسخ مصرف کنندگان را تقویت می کند( Wiedmann et al. , 2007 ) بنابراین, هنگامی که حوادث منفی برای برندها‌ی لوکس رخ می‌دهند, اثرات آن می‌تواند بسیار منفی باشد مانند تنفر برند ( Bryson , Atwal , & Hulten , 2013 ) در این حالت, رسانه‌های اجتماعی نقش مهمی در تقویت نظر مصرف کنندگان درباره برندها و فعالیت‌های بازاریابی ایفا می‌کنند. در واقع, مصرف کنندگان با برنده‌ای لوکس در رسانه‌های اجتماعی به چند دلیل درگیر می‌شوند:

(i) ارتباط محتویات درک شده (از جمله مرسوم بودن به عنوان میزانی که برند لوکس جدیدترین و مرسوم ترین اطلاعات را در مورد برند منتشر می کند)،) (ii  کیفیت رابطه برند و مشتری (از جمله عشق به برند)، (iii) لذت درک شده، (IV) کیفیت زیبایی شناختی محتوا، و(v) ارزش ویژه برند و عناصر فنی به عنوان سهولت استفاده و راحتی ( Bazi , 2020 ) علاوه بر این، برندهای لوکس همچنان باید فاصله مشخصی را از مصرف کنندگان در رسانه های اجتماعی حفظ کنند تا حس انحصار و منحصر به فرد بودن را حفظ کنند ( Athwal et al. , 2019 ; Park , Im , & Kim , 2020 ) در واقع، «فعالیت‌های رسانه‌های اجتماعی» برندهای لوکس ممکن است به معایبی  در تبلیغات نیز منجر شود ( Mandler , Johenen , & Grave , in press ) درخواست تحقیقات جدید به خصوص در ارتباط با واکنش‌های منفی کاربران در رسانه‌های اجتماعی.

با این حال, واکنش مصرف کنندگان به رسانه‌های اجتماعی ممکن است در بازارهای مختلف فرهنگی متفاوت باشد ( Choi , Seo , Wagner , & Yoon , 2020 ) در این راستا, مطالعات اخیر (به عنوان مثال کو و همکاران, 2019) خواستار تحقیقات جدید در مورد این که چگونه رسانه‌های اجتماعی می‌توانند با موفقیت برای ساخت تصویر برند تجمل استفاده شوند, و اینکه چگونه بازاریابی رسانه‌ای اجتماعی برای مارک‌های لوکس باید با روش سنتی متفاوت باشد. همچنین، برندهای لوکس از پیشرفت‌های جدید در درک نقش فناوری‌های جدید، با تأکید بر رسانه‌های اجتماعی، برای توسعه کمپین‌های ارتباطی بازاریابی شرکتی موفق‌تر بهره خواهند برد ( Choi et al. , 2020 ) 

2.2. انتشار اطلاعات رسانه های اجتماعی

پیش‌بینی انتشار پیام‌های مشخص در میان کاربران (مصرف کنندگان) ممکن است منجر به مزیت‌های بازاریابی مثبت مانند ارتباطات دهان به دهان مثبت, وفاداری برند, خرید بیشتر و غیره شود( De Veirman et al. , 2017 ; Stubb & Colliander , 2019 ). مصرف‌کنندگان ممکن است بر اساس سطح تعامل با «لایک‌ها»، «ریتوییت‌ها» و «اشتراک‌گذاری» در انتشار نقش داشته باشند که در نهایت منجر به تقویت یا کم رنگ شدن اقدامات بازاریابی بعدی می‌شود( Aleti et al. , 2019 ; Riquelme , Rios , & Al – Thufery , 2018 ). به همین دلیل، تحقیقات زیادی برای پیش‌بینی گستردگی (ویروسی بودن) چنین پیام‌هایی وجود دارد ( Arora et al. , 2019 ; Check & Huberman , 2010 ; Hansen , Kupfer , & HennigThurau , 2018 )

 به طور خاص, گستردگی به عنوان بخشی از اطلاعات آنلاین که سطح خاصی از توجه را در رسانه‌های اجتماعی دریافت می‌کند, تعریف می‌شود, که می‌تواند از طریق تعداد کاربرانی که در واقع پیام را مشاهده می‌کنند, یا تعداد نظرات بدست‌آمده, لایک, رتوییت و غیره اندازه گیری شود. طلاعات به اشتراک گذاشته شده، تکامل گستردگی متفاوتی را نشان می‌دهد، چرا که بسیاری از عوامل مانند مشارکت افراد مشهور، رویدادی خاص که در دنیای واقعی، علایق کاربر و غیره اتفاق می‌افتد ( Hu , Hu , Fu , Fang , & Xu , 2017 ) بر این اساس، مطالعات اخیر با در نظر گرفتن غنای محتوای اطلاعاتی( Araujo , Nijens , & Vliegenthart , 2015 ) ، تازه بود و تعامل( de Vries et al. , 2012 ) درگیری عاطفی( Pantano , Giglio , & Dennis , 2019 ) سبک های روایت( Aleti et al. , 2019 ) ، اصالت و منحصر به فرد بودن( Casalo et al. , 2020 ) و وجود عناصر بصری خاص( Villarroel Ordenes et al. , 2019 )

به طور مشابه, مقالات اخیر (هانسن و همکاران, 2018) مطالعات آینده را در مورد تاثیر انتشار گسترده و سریع پیام‌های منفی بر روی مدیریت برند, تعیین می‌کنند و مشخص می‌کنند که استفاده از رسانه‌های اجتماعی واقعی ممکن است در صورت مقایسه با مطالعات اولیه در این زمینه, واکنش متفاوت در مصرف کنندگان ایجاد کند. در واقع، راحتی انتشار اطلاعات نادرست از طریق رسانه‌های اجتماعی ممکن است منجر به انتشار اخبار جعلی یا پیام‌های اشتباه شود که می‌تواند منجر به اتخاذ رفتارهای نادرست شود (یعنی  حرکات علیه واکسن‌ها). انتشار برخی از اطلاعات آنلاین نیز تشابهاتی را با انتشار (انتقال) بیماری های عفونی (سرایت) نشان می دهد ( Rapp et al. , 2013 ) در هر دو مورد, سرایت با تعدادی از نهادها / کاربرانی شروع می‌شود که ویروس / پیام را منتشر می‌کنند ( Hu et al. , 2017 ). متعاقباً، تعداد کاربرانی که پیام را لایک / نظر / پاسخ می دهند نشان دهنده تعداد کاربرانی است که توسط پیام آلوده شده اند که ویروسی می شود که در مورد بدشانسی بیماری‌های عفونی به شدت محبوب است

( Kiss & Bichler , 2008 ; Rapp et al. , 2013 ) در مورد سرایت بیماری های عفونی، مدل های اپیدمی تقسیمی مانند مستعد-آلوده-مستعد (SIS) یا تئوری مبتلایان بهبود یافته (SIR) و سرایت ( Rapp et al. , 2013 ) تکامل انتقال بیماری را در میان افرادی توصیف می کند که مستعد ابتلا به این بیماری هستند ، افرادی که واقعاً به این بیماری مبتلا شده اند و آنهارا آلوده کرده و افرادی را که به آن مبتلا شده و بهبود یافته اند. به طور خاص، این مدل ها نشان می دهند که افراد یک جمعیت ثابت چگونه در یک دوره زمانی معین با پیش بینی تعداد افراد مبتلا به این بیماری که  مستعد، آلوده و بهبود می یابند ( Osborne , Wang , & Tien , 2018 ) انتقال اطلاعات در میان کاربران از پویایی های مشابهی پیروی می کند ( Bettencourt , CintronArias , Kaiser , & Castillo – Chavez , 2006 ; Goffman & Newill , 1964 )

، نشان می دهد که افراد ممکن است به دلیل قرار گرفتن در معرض رفتار دیگران (مشابه مواجهه با بیماری های واگیر دار) رفتار خاصی انجام دهند. به عبارت دیگر، اگر فردی برای مدت معینی در معرض پیام یا رفتار خاصی قرار گیرد، ممکن است تحت تأثیر قرار گیرد. به خاطر همین، مدل‌های اپیدمی برای بررسی تکامل گستردگی (سرایت) یک پیام خاص در رسانه‌های اجتماعی به‌واسطه فراوانی تعامل آنلاین با برند و شهرت برند مورد استفاده قرار گرفته‌ است (Rapp et al., 2013) ; و برای درک تکامل انفجاری در شبکه های اجتماعی اگر سرایت خیلی سریع اتفاق بیفتد (Gomez-Gardenes, Lotero, Taraskin, & Perez-Reche, 2016) سریع‌ترین نرخ افزایش گستردگی در کوتاه‌ترین زمان، رویداد «انفجار» را ایجاد می‌کند

 (Barabasi , 2005 ; Hu et al. , 2017 ; Jung , 2017 ) بدون تشخیص اینکه آیا انفجار مثبت یا منفی رخ می دهد با یک اطلاعات مثبت یا منفی همراه باشد. ین انفجار یک لحظه ناگهانی متشکل از سریع‌ترین و بالاترین سطح گستردگی اطلاعات خاص است، که همیشه از منحنی‌های توزیع سنتی پیروی نمی‌کند ( Barabasi , 2005 ; Hu et al. , 2017 ) بیشتر استدلال شده‌است که پیش‌بینی گسترش ایده‌ها نسبت به بیماری‌ها پیچیده‌تر است ( Monsted , Sapiezynski , Ferrara , & Lehmann , 2017 ).

در مورد بیماری واگیر درا می توان Rt را به عنوان میزان تکرارپذیری ویروس آلوده کننده ارزیابی کرد که به درک تعداد افراد در یک زمان معین کمک می کند ( Kucharski , Russel , Diamong , & Liu , 2020 ) به عبارت دیگر، اگر مقدار R0 1 باشد، هر فرد آلوده ممکن است یک فرد دیگری را آلوده کند، ، اگر مقدار R0 هرچه بالاترباشد، خطر انتشار اپیدمی بیشتر است ( Kucharski et al. , 2020 ) با توجه به مقدار Rt، دولت‌ها و خدمات بهداشت ملی ممکن است اقداماتی را برای محدود کردن انتشار (به عنوان قرنطینه شدید در کشورها مانند شیوع کووید19) اتخاذ کنند ( Pantano , pizzi , Scarpi , & Dennis , 2020 ) در مورد انتشار اطلاعات، مقدار R0 به عنوان نرخ تکرارپذیری اطلاعات (تعداد افرادی که مایل به اشتراک گذاری اطلاعات هستند) شناخته شده نیست و ممکن است با توجه به چندین عامل متفاوت باشد

( Aleti et al. , 2019 ; Araujo et al. , 2015 ; de Vries et al. , 2012 ; Pantano et al. , 2019 ; Villarroel Ordenes et al. , 2019 )

علاوه بر این، در صورت ابتلا به بیماری‌های واگیر درا، کشورها معمولاً آمادگی دارند تا از طریق شبکه‌های ارتباطی بهداشت عمومی موجود، سریع، منظم و شفاف با مردم ارتباط برقرار کنند و با حمایت سازمان جهانی بهداشت، کارکنان را بر این اساس آموزش دهند  (WHO , 2020 ) با این حال, در مورد شرکت‌های خصوصی, این نوع حمایت موجود نیست. در حالی که برخی از مطالعات سعی در پیش بینی تأثیر حجم عظیمی از پیام های منفی به اشتراک گذاشته شده آنلاین در یک دوره زمانی کوتاه داشتند (طوفان های آتش رسانه های اجتماعی)

 ( Hansen et al. , 2018 ; scholz & Smith , 2019 ). هیچ مطالعه ای برای مدل سازی انتشار طوفان آتش زمانی که به سرعت تکامل می یابد که منجر به انفجار می شود  به خصوص در زمینه برندهای لوکس وجود ندارد.

3. روش تحقیق

3.1. تحقیق موردی

دولچه و گابانا یک برند لوکس ایتالیایی است که در سال 1985 توسط دومنیکو دولچه و استفانو گابانا تأسیس شد.این برند پیوند قوی با کشور مبدا خود در جنوب ایتالیا، به ویژه سیسیل (منطقه اصلی بنیانگذاران) دارد.

اگرچه این برند قبلاً در بازار آسیا حضور داشت، اما رشد بازار ( Bu , Durand – Servoingt , Kim , & Yamakawa , 2017 )دولچه و گابانا را مجبور کرد تا سهم بازار چین را تکرار کند. برای این منظور، در نوامبر 2018 این برند رویدادی را در شانگهای ایجاد کرد تا علاقه مصرف کنندگان جدید چینی را به خود جلب کند.

بر همین اساس این برند با ایجاد هشتگ  # DGTheGreatShow  کمپین بازاریابی شبکه های اجتماعی را بر اساس اینستاگرام راه اندازی کرد. در واقع، مصرف کنندگان نگرش مطلوب تری نسبت به توانمندسازی هشتگ های کمپین نسبت به هشتگ های برند نشان می دهند. ( Kim & Phua , 2020 ) در این کمپین بازاریابی از یک هنرپیشه آسیایی استفاده شد که معرف ترین غذای ایتالیایی (مانند پیتزا، کانولو، اسپاگتی با سس گوجه فرنگی) را می خورد و وانمود می کرد که با کلیشه ملی یک مدل آسیایی که فقط با چاپستیک غذا می خورد مطابقت دارد.

شکل 1. نمونه هایی از تصاویر منتشر شده توسط کاربران اینستاگرام
شکل 1. نمونه هایی از تصاویر منتشر شده توسط کاربران اینستاگرام
شکل 2. تکامل پست‌ها از جمله #DGTheGreatShow (در طول روز)، با شواهد واضحی از انفجار در روز 21.
شکل 2. تکامل پست‌ها از جمله #DGTheGreatShow (در طول روز)، با شواهد واضحی از انفجار در روز 21.

بازاریابی منجر به واکنش منفی مصرف کنندگان نسبت برای انتخاب و نشان دادن غذای ایتالیایی خورده شده با چاپستیک شد، که شروع به انتشار نظرات منفی در موردبررند کردند. این پیام برای فرهنگ چینی توهین‌آمیز محسوب می‌شد، زیرا در ذهن مصرف کنندگان از رفتارهای کلیشه‌ای نژادی مانند ناتوانی در خوردن با چیزی غیر از چوب غذاخوری استفاده کردند. از آنجایی که اصول ارتباطات بازاریابی یکپارچه، تلاش های خلاقانه یک کمپین تبلیغاتی را هدایت می کند

 ( Kim , Kim , & Marshall , 2016 ; Porcu , del BarrioGarcia , Kitchen , & Tourky , in press )

دولچه و گابانا معمولاً تمایل به ترویج کمپین های تبلیغاتی بحث برانگیز برای ایجاد بحث دارد.به عنوان مثال، در برخی موارد، دولت ایتالیا حتی از این برند درخواست کرد تا کمپین را با کلیشه های جنسیتی حذف کند. بنابراین , کمپین آسیایی با پس زمینه تبلیغاتی سازگار بود .

با این حال، واکنش های منفی را به همراه داشت. شکل 1 نمونه هایی از تصاویر منتشر شده توسط کاربران در اینستاگرام را درمقابل کمپین نشان می دهد. برای جلوگیری از گسترش، استفانو گابانا در پروفایل شخصی خود در توییتر اعلام کرد که مخاطبان چینی پیام واقعی برند را دریافت نکرده اند (اکنون از رسانه های اجتماعی حذف شده است). این کامنت حتی واکنش‌های (منفی) بیشتری نیز در پی داشت، زیرا بینندگان بین‌المللی آن را بی‌ادب و توهین‌آمیز ارزیابی کردند (به عنوان مثال، “فرهنگ غذایی ایتالیایی نژادپرست تلقی می‌شود”، “من نمی‌خواهم نام شما را در هیچ کجای خانه‌ام ببینم!” , ” شرم بر این برند نژادپرست احمق ” ) .

دولچه و گابانا برای کاهش بیشتر انتشار پیام‌های منفی آنلاین به این برند، رویداد در شانگهای را لغو کرد و استفاده از رسانه‌های اجتماعی را در چین متوقف کرد. به طور همزمان، پلتفرم‌های تجارت الکترونیک چینی و بین‌المللی و خرده‌فروشان لوکس (یعنی Secoo، Yoox Net-a-Porter Group، Alibaba، JD.com و غیره) محصولات Dolce & Gabbana را از پلتفرم خود حذف کردند.

اگرچه این برند اقداماتی را برای لغو هشتگ انجام داد (به این معنی که هیچ پست دیگری با “# DGTheGreatShow” نمی‌توان آپلود کرد)، ویدئوی بازیگر زن آسیایی در حال خوردن غذای ایتالیایی برای Dolce & Gabbana همچنان در دسترس است و به رایگان از طریق موتورهای جستجو قابل دسترسی است و هنوز هم می توان بین کاربران به اشتراک گذاشت. این بدان معنی است که برند ممکن است به طور بالقوه برای عواقب این کمپین در آینده نیز متضرر شود.

3.2. جمع آوری داده ها و روش

تجزیه و تحلیل اطلاعات خود به خودی تولید شده به صورت آنلاین توسط مصرف کنندگان تا حد زیادی مورد توجه محققان است زیرا منبع قابل اعتمادی از بینش برای تحقیقات مصرف کننده فراهم می کند

( Aleti et al. , 2019 ; Arora et al. , 2019 ; Athwal et al. , 2019 ; Klostermann , Plumeyer , Boger , & Decker , 2018 ; Pantano & Stylos , 2020 ; Tellis , MacInnis , Tirunillai , & Zhang , 2019 ; Villarroel Ordens , Ludwig , De Ruyter , Grewal , & Wetzels , 2017 ) 

ازجمله صنعت مد

( Pantano & Stylos , 2020 ; Walasek , Bhatia , & Brown , 2018 ) از آنجا که تجزیه و تحلیل محتوای تولید شده کاربران در فیس بوک, اینستاگرام, تویی‌تر اجازه می‌دهد که مشخص کنند که چگونه و چگونه مفاهیم خاص در مقایسه با تحقیقات سنتی مبتنی بر تحقیقات, بینش عمیق‌تری را ارایه می‌دهد

( Walasek et al. , 2018 ) به طور مشابه، اینستاگرام توسط تحقیقات اخیر به عنوان یک شبکه اشتراک‌گذاری تصویر قدرتمند شناخته شده است، که در آن کاربران ارزیابی‌های خود را در مورد تجربه خوداز برندها، محصولات و غیره نه اینکه فقط زندگی خود را از طریق تصاویر مستند کنند به اشتراک می‌گذارند

 ( Klostermann et al. , 2018 ) به طور خاص، از طریق استفاده از هشتگ، کاربران محتوای مربوط به یک برند خاص را علامت گذاری می کنند، که نشان می دهد کاربران چه مفاهیمی را به برند مرتبط می کنند

( Klostermann et al. , 2018 ) مطالعه حاضر از هشتگ ” # DGTheGreatShow ” برای شناسایی کاربران ” محتویات مرتبط با رویداد استفاده می کند . از آنجایی که این هشتگ در ابتدا توسط این برند در اینستاگرام به عنوان رسانه اجتماعی مورد علاقه برای تبلیغ رویداد راه اندازی شد اینستاگرام منبع جمع آوری داده هادر نظر گرفته شد. برای این منظور، این تحقیق از نرم افزار Wolfram Mathematica برای جمع آوری تمام پست ها از جمله هشتگ # DGTheGreatShow توسط کاربران در اینستاگرام استفاده می کند.

ر انجام این کار, نرم‌افزار ابتدا یک ارتباط جدید با رسانه اجتماعی را با راه‌اندازی یک محاوره تایید اعتبار آغاز می‌کند و سپس هشتگ خاص را به شرح زیر جستجو می کند (1): دوم، سیستم تمام پست های منتشر شده بین اول اکتبر 2018 را جمع آوری می کند ( زمانی که هشتگ ایجاد شد ) و 31 دسامبر 2018 ( زمانی که هشتگ لغو شد ) در مجموع 653 پست با 506127 لایک و 17984 کامنت .

هر هشتگ همچنین شامل زمان دقیق با رشته ” YEAR – MM – DD – HO : MI ” است ، به عنوان مثال ” 2018 – 11 – 20 – 06: 56 ” به معنی سال ( 2018 ) ماه ( 11 ) روز ( 20 ) زمان ( 06.56). برای تجزیه و تحلیل داده ها، پژوهش از رویکرد دو مرحله ای استفاده کرد.

در مرحله اول، توزیع اطلاعات آنلاین را برای درک تکامل گستردگی و وجود انفجار ارزیابی شد.

  به عبارت دیگر، تعداد پست‌هایی از جمله هشتگ “#DGTheGreatShow” را که به صورت آنلاین ظاهر می‌شوند، و چگونگی تکامل این تعداد در بازه زمانی ارزیابی شد.

ثانیاً، این تحقیق بر تجزیه و تحلیل خودکار محتوای پست‌ها برای شناسایی آنچه مصرف‌کنندگان گفته‌اند، متمرکز شد تا عمیقاً مفهوم منفی اطلاعات به اشتراک‌گذاشته شده آنلاین را درک کند.

4. یافته های کلیدی

4.1. مدل سازی انتشار اطلاعات آنلاین

برای ارزیابی توزیع گستردگی در طول زمان (از اکتبر تا دسامبر 2018), نرم‌افزار مجموعه‌ای از الگوریتم‌های یادگیری ماشین را فراهم می‌کند که می‌توانند برای استخراج اطلاعات از داده‌های بدون ساختار مانند پست‌ها در شبکه‌های اجتماعی استفاده شوند( Pantano & Stylos , 2020 ; Valdivia , Luzon , & Herrera , 2017 ) الگوریتم‌های یادگیری ماشین به طور خاص برای استخراج الگوها و پیش‌بینی روی مجموعه‌های داده بزرگ (به عنوان پست منتشر شده آنلاین و اشتراک گذاری در میان کاربران) در نظر گرفته می‌شوند (Giglio و همکاران، در حال چاپ)؛ به ویژه، این نرم‌افزار الگوریتم‌های یادگیری ماشینی را به‌صورت از پیش آموزش دیده ارائه می‌کند که قادر به دستکاری و تجزیه و تحلیل طیف وسیعی از داده های بدون ساختار از منابع مختلف را فراهم می کند

( Zotos , 2007 ) در این مقاله، ما تعریف گستردگی اطلاعات ارائه شده توسط هو و همکاران (2017) را برای ارزیابی تکامل آنلاین و وجود احتمالی انفجار در نظر می گیریم. اگر یک بخش عمومی از اطلاعات آنلاین را به عنوان i نشان دهیم و دوره زمانی معینی را T در نظر بگیریم (از اکتبر تا دسامبر 2018)، که در آن Ti زمان اطلاعات i است، yi (t) گستردگی اطلاعاتی را که در زمان t Tt آن به دست آوردیم تعریف می شود.

با تکیه بر این تعریف، نرم افزار توزیع گرافیکی اطلاعات آنلاین (پست ها شامل هشتگ “#DGTheGreatShow” )را در طول زمان در اینستاگرام (شکل 2) با رخداد واضح  در یک انفجار ارائه می کند.در واقع , تعداد پست ها در یک روز خاص به سرعت افزایش یافت و بلافاصله پس از آن کاهش یافت بنابراین هشتگ در آن روز با بیشترین گستردگی روبرو شد . بیشترین تعداد پست ها بین 17 و 27 نوامبر (2018) رخ می دهد و اوج آن در روز 21 است. به عبارت دیگر طی 10 روز انتشار پیام های منفی مربوط به کمپین بازاریابی به بیشترین تعداد مصرف کنندگانی رسید که صدای منفی مشابه را از طریق اینستاگرام به اشتراک گذاشتند که بیشترین اوج در یک روز را داشت.

شکل 3 بیشتر توزیع پست ها را در زمان خاص روز (محورy  )و روز ماه (محور x  )نشان می دهد. بنابراین, در بیست و یکم نوامبر, مصرف کنندگان بسیار اظهار نظر کردند, در هر زمان از روز (مانند طوفان) که در اوج و ناگهانی به اوج خود رسید (انفجار), تا حد زیادی این فعالیت را به چند ساعت / روز کاهش داد. چگالی احتمال مجموعه داده‌ها، توزیع احتمال یک پیامد خاص را فراهم می‌آورد (تکامل اطلاعات در رویداد انفجار) که توسط متغیر تصادفی متشکل از ، الگوریتم و هیستوگرام برای مدلسازی توزیع داده‌ها را فراهم می‌کند.

. شکل 3. توزیع پست ها شامل هشتگ #DGTheGreatShow (در زمان دقیق).
شکل 3. توزیع پست ها شامل هشتگ #DGTheGreatShow (در زمان دقیق).

شکل 4 چگالی احتمال نمونه داده را بر حسب توزیع خطی (a) (در سمت چپ) و توزیع لگاریتمی(b) (در سمت راست) نشان می دهد. به منظور پیدا کردن تابع ریاضی مدل‌سازی تکامل پست‌ها از جمله هشتگ (تطبیق تکامل اطلاعات با یک مدل خطی)، ما از یک الگوریتم برازش که قبلاً در نرم‌افزار Wolfram Mathematica موجود است، استفاده کردیم.

شکل 4. (الف) توزیع خطی (در سمت چپ)، و (ب) توزیع لگاریتمی (در سمت راست) از تکامل پست ها به انفجار در طول زمان.
شکل 4. (الف) توزیع خطی (در سمت چپ)، و (ب) توزیع لگاریتمی (در سمت راست) از تکامل پست ها به انفجار در طول زمان.

برای این منظور، سیستم به طور خودکار تابعی را که به بهترین وجه با داده ها مطابقت دارد، از طریق الگوریتم     f (x) = LinearModelFit  {داده، x،x  }انتخاب می کند. بنابراین، ما (۳) را به دست می‌آوریم، منحنی خطی را نشان می‌دهد که می‌تواند به بهترین شکل با تکامل پست‌ها تطبیق داشته باشد، و شکل ۵ به طور گرافیکی این برازش را به تصویر می‌کشد (با در نظر گرفتن فرض خطاهای عادی مستقل).

شکل ۵. این منحنی به بهترین نحو تحول پست‌ها در دوره اشاره را برازش می‌کند.
شکل ۵. این منحنی به بهترین نحو تحول پست‌ها در دوره اشاره را برازش می‌کند.

4.2. تجزیه و تحلیل خودکار متن

گام دوم روش شناسی تحقیق مبتنی بر درک عمیق محتوای پست ها است تا مفاهیم مثبت یا منفی پست ها در بازه زمانی T را ارزیابی کند.

برای این منظور، ما از مراحل معمول پیشنهاد شده توسط هامفریس و وانگ (2018) برای تحقیقات مصرف کننده، با استفاده از تجزیه و تحلیل متن خودکار برای کمی کردن داده های کیفی (مانند پست ها) در روش های جدید تجمیع و نمایش داده ها را دنبال کردیم.

به این ترتیب، امکان شناسایی الگوهایی وجود دارد که ممکن است در سطح دانه مشخص نباشند. نرم افزار WordStat به عملیاتی کردن، تجزیه و تحلیل و اعتبارسنجی داده ها کمک می کند. به ویژهبا کمک نرم افزار استخراج خودکار مهم ترین کلمات را از متن (پست ها) استفاده کردیم.

این استخراج منجر به شناسایی ساختارهای موضوعی یک متن از طریق تجزیه و تحلیل بسامد واژه ها و متداول ترین تجزیه و تحلیل موجودیت ها (شامل واژه های مرتبط با معنی موجود در “فرهنگ لغت طبقه بندی” موجود در نرم افزار شد).

جدول 1
جدول 1

  این فرهنگ لغت از طریق ترکیبی از پردازش زبان طبیعی و تجزیه و تحلیل آماری به دست آمده است.

  برای اطمینان از پایداری راه حل فاکتورینگ , تمام موجودیت هایی که بار عاملی بالاتر از یک معیار خاص داشتند به عنوان بخشی از موجودیت استخراج شده در نظر گرفته شدند , بنابراین آیتم های با فرکانس پایین حذف شدند . ز آنجایی که برخی از کلمات نادرتر از دیگران هستند اما به همان اندازه پیش بینی کننده هستند، لازم بود که آنها را به درستی وزن کنیم (Humphreys & Wang, 2018) .

بنابراین، اگر tf را به عنوان فرکانس کل، و idf را به عنوان کلمه i در سند d (بخشی از کل اسنادD  )فرکانس در نظر بگیریم، فرمول (4) اجازه می دهد تا وقوع نادر کلمات را به این صورت تنظیم کند

( Humphreys & Wang , 2018 ).

فرمول
فرمول

جدول ۱ نتایج استخراج ورودی‌ها از متن را نشان می‌دهد. به طور خاص، جدول به وضوح ویژگی های منفی مرتبط با هشتگ “# DGTheGreatShow” را نشان می دهد، جایی که نژادپرستی وتبعیض نژادی به عنوان متداول ترین ویژگی ها نشان داده شد. بنابراین پست های مربوط به این برنامه در اینستاگرام بار منفی داشت.

5. بحث

پژوهش حاضر با هدف مدل‌سازی اثرات ویروسی اتخاذ رفتارهای کلیشه‌ای منفی در تبلیغات بازاریابی برند تجملی به هنگام گسترش در یک بازار رو به رشد، هدف‌گذاری شده‌است.

برای این منظور، یک رویکرد دو مرحله ای را اتخاذ شد: (1) توزیع پست های مربوط به یک کمپین بازاریابی خاص مورد ارزیابی قرار گرفت (با هشتگ “#DGTheGreatShow” مشخص شد). ; این انتشار پست‌ها منجر به انفجار غیرمنتظره‌ای در رسانه‌های اجتماعی شد، که زمانی رخ داد که تکامل هشتگ در مدت زمان بسیار کوتاهی به بالاترین تعداد کاربران (بالاترین سطح گستردگی) رسیده بود و (ii) این تحقیق به طور خودکار معنای منفی پست‌ها مرتبط با این رویداد را به ارتباط نژادپرستانه با کمپین بازاریابی لوکس ارزیابی کرد (جدول 1).

به عبارت دیگر, پیام مربوط به مفهوم نژادپرستی در یک رویداد بازاریابی خاص در میان کاربران رسانه های اجتماعی(با تاکید بر اینستاگرام), با آلودگی  تعداد زیادی از کاربران در زمان کوتاهی مثل هر بیماری عفونی که منجر به انفجار شد, سرانجام تبدیل به نفرت از برند شد. انتقال اطلاعات خاص در میان کاربران را می‌توان مدل‌سازی و با فرمول (3) نشان داد. از آنجایی که واکنش مصرف کنندگان در رسانه های اجتماعی ممکن است در بازارهای فرهنگی مختلف متفاوت باشد ( Choi et al. , 2020 ) این یافته‌ها نشان می‌دهد که برند لوکس اصولاً تلاش می‌کند تا یک کمپین بازاریابی موقت برای بازار آسیا ایجاد کند. با این حال, این کمپین حجم بالایی از پیام‌های منفی ناشی از رفتارهای کلیشه‌ای را ایجاد کرده‌است. بنابراین یافته‌ها، معایب فعالیت‌های رسانه اجتماعی را برای یک برند لوکس، با پاسخ به درخواست‌هایی برای بررسی بیشتر در مورد واکنش‌های منفی کاربران در رسانه‌های اجتماعی با تاکید بر زمینه لوکس، مدلسازی کردند

  ( Choi et al. , 2020 ; Ko et al. , 2019 ; Mandler et al. , in press ) همچنین, تحقیقات ما تاثیرات معکوس (انفجار منفی) کاربرد کلیشه‌های در فعالیت‌های ارتباطی بازاریابی را روشن می‌کند. به طور خاص، نتایج همچنین دانشدر مورد تحقیقات انفجار می‌افزایند

 ( Barabasi , 2005 ; Gomez – Gardenes et al. , 2016 ; Hu et al. , 2017 ; Jung , 2017 ) 

با شواهد تجربی در مورد عدم موفقیت یک برند لوکس واقعی به دلیل وقوع انفجاری مرتبط با ارتباطات منفی کاربران برای افزایش سهم بازار در بازار رو به رشد می باشد. به طور خاص، مدل سرایت ارائه شده در این مقاله (3) نشان می دهد که تا چه حد یک قطعه اطلاعات به سرعت در طول زمان تکامل می یابد، در حالی که مفهوم منفی پیام های منتشر شده را مشخص می کند (جدول 1)، که از منحنی های توزیع سنتی پیروی نمی کنند

( Barabasi , 2005 ; Hu et al. , 2017 ). به این ترتیب، این تحقیق تشابهات بین انتشار یک پیام خاص به طورگسترده در رسانه های اجتماعی (اینفودمیک) با انتشار بیماری های عفونی را تأیید می کند

( Kiss & Bichler , 2008 ; Rapp et al. , 2013 ; WHO , 2020 ) اگرچه وقوع انفجار را نمی‌توان با داده‌های تاریخی مدل‌سازی کرد، از آنجایی که یک رویداد ناگهانی و غیرمنتظره در نظر گرفته می‌شود

( Barabasi , 2005 ; Jung , 2017 ; Monsted et al. , 2017 ) خطر وقوع انفجار را می‌توان قبل از انفجار تشخیص داد. به عبارت دیگر, اگر یک برند خاص با یک تکامل گستردگی روبرو شود (شکل ۲ و 3), ممکن است به سرعت به یک انفجار تبدیل شود, با عواقب مشابه احتمالی Dolce&Gabbana. در این مورد، نفرت ناشی از برند تکامل یافت تا زمانی که سرایت آنقدر بادوام شد که برند را مجبور به حذف هشتگ، لغو نمایش و خروج از بازار شد. برند قادر به ارائه هیچ مکانیسم بازدارنده ای برای متوقف کردن سرایت قبل از انفجار نبود که تقریباً یک ماه پس از انفجار متوقف شد (شکل 2 و 3 را ببینید). مشابه مدل های تقسیمی اپیدمی

( Bettencourt et al. , 2006 ; Goffman & Newill , 1964 ; Kiss & Bichler , 2008 ; Rapp et al. , 2013 )

، سرایت باید فوراً مهار شود و قرار گرفتن بیشتر کاربران (مصرف کنندگان) با پیام را محدود کند. در واقع، انتشار اطلاعات از طریق رسانه‌های اجتماعی باعث می‌شود که میزان تکرارپذیری اطلاعات (R0) بسیار بیشتر از بیماری‌های عفونی باشد که به سرعت منجر به بیماری‌های اطلاعاتی، همانطور که توسط WHO (2020) فرض شده است. نتایج همچنین نشان می‌دهند که عامل کلیدی عامل بیماری مسری که منجر به انفجار شد، کلیشه های منفی مرتبط با کمپین است، که به عنوان نژاد پرستی توسط مصرف کنندگان شناخته شده‌است. بنابراین, به خصوص کلیشه‌های منفی مرتبط با پیام‌ها, به گستردگی(ویروسی) پیام کمک کرده‌اند و در نتیجه کارهای قبلی را در ویژگی‌های یک پیام بسط داده‌اند تا گستردتر شوند

( Aleti et al. , 2019 ; Araujo et al. , 2015 ; Casalo et al. , 2020 ; de Vries et al. , 2012 ; Pantano et al. , 2019 ; Villarroel Ordenes et al. , 2019 )

به طور مشابه, نتایج ما تاثیر انتشار گسترده و سریع پیام‌های منفی (تصویر) در تصویر برند را نشان می‌دهد, همانطور که هانسن و همکاران (2018) با مدل‌سازی واکنش‌های مصرف کنندگان به یک کمپین بازاریابی برند خاص را نشان دادند. در نهایت، با تکیه بر مطالعات اخیر که محتوای تولید شده توسط مصرف‌کننده در رسانه‌های اجتماعی را به عنوان منبع قابل اعتماد برای تحقیقات مصرف‌کننده در نظر می‌گیرد که عمدتاً بر روی توییتر متمرکز شده است

 ( Aleti et al. , 2019 ; Athwal et al. , 2019 ; Dindar & Yaman , 2018 ; Giglio et al. , in press ; Pantano & Stylos , 2020 ; Walasek et al. , 2018 )

، مطالعه ما بینش جدیدی را در مورد ارزیابی پست های اینستاگرام به عنوان منبع داده اضافه می کند و تأیید می کند که این پلت فرم نیز ممکن است بینش مفیدی برای تحقیقات بازاریابی ارائه دهد. به این ترتیب, مطالعه ما چند اثر را گسترش می‌دهد ( Arora et al. , 2019 ; Casalo et al. , 2020 ; Riquelme et al. , 2018 ) با تشریح چگونگی استخراج بینش مصرف کنندگان از اینستاگرام از طریق معیارها و تجزیه و تحلیل های جدید، با تاکید بر بخش خاصی از برندهای لوکس. در حالی که مطالعات اخیر ارتباط بین گستردگی برند در رسانه‌های اجتماعی و نگرش مصرف کنندگان مثبت نسبت به این برند را برجسته کرده‌است

 ( Arora et al. , 2019 ; De Veirman et al. , 2017 ; Seo et al. , 2019 ; Stubb & Colliander , 2019 )

مدل مطالعه ما نشان می‌دهد که تعداد بالاتر لایک ودیس لایک در رسانه‌های اجتماعی تصویر برند را تحت‌تاثیر قرار می‌دهد. در واقع، افزایش تعداد «لایک ها» همیشه پاداش دهنده نیست، در حالی که مدیران موظفند بین «لایک ها» و دیس لایک ها به دلیل تأثیر چشمگیر انبوه پیام های منفی تمایز قائل شوند. به طور مشابه، مدیران باید تأثیر مخاطره آمیز استفاده از کلیشه ها را در کمپین های خود در نظر بگیرند، زیرا استفاده از کلیشه های نژادی ممکن است به سرعت به نفرت از برند (نفرت انفجاری) تبدیل شود. نتایج ما نمی‌گویند که کلیشه‌ها همیشه این تکامل را دارند, اما آن‌ها توجه مدیر را به امکان روشن این تغییر سریع و دشوار در مهار  این سرایت جلب می‌کنند. در نهایت، با در نظر گرفتن سیر تکاملی اطلاعات به عنوان سرایت در مدل‌های همه‌گیری، به مدیران کمک می‌کند سریع‌تر بهبود یابند، همانطور که به سرعت استثنایی در انفجار مورد نیاز است.

6. نتیجه گیری و کارهای آینده

بر اساس مطالعات اخیر در زمینه بازاریابی رسانه های اجتماعی با تاکید بر مدیریت برند لوکس

( Athwal et al. , 2019 ; Bryson et al. , 2013 ; Choi et al. , 2020 ; Mandler et al. , in press ) و انتشار اطلاعات در رسانه های اجتماعی شباهت زیادی به انتشار یک بیماری واگیر دار دارد

( Bettencourt et al. , 2006 ; Goffman & Newill , 1964 ; Kiss & Bichler , 2008 ; Rapp et al. , 2013 )

مطالعه ما یک دیدگاه جدید (مدل انفجار) را ایجاد می‌کند که در آن کلیشه‌های منفی بر تصویر برند در زمینه یک برند لوکس تاثیر منفی می‌گذارد که هدف آن افزایش انبوه فروش در بازار رو به رشد است. به طور خاص, مطالعه حاضر از برنده‌ای لوکس به سمت درک بهتر اثرات منفی رسانه‌های اجتماعی بر برندسازی لوکس, با راهنمایی در مورد ریسک بالقوه یک انفجار منفی در رسانه‌های اجتماعی مانندلایک در  اینستاگرام .

این تحقیق بیشتر محققان و متخصصان را از درک اثر ویروسی الگوهای منفی بین مصرف کنندگان موجود و بالقوه حمایت می‌کند, با هل دادن برای در نظر گرفتن اقداماتی برای مهار سرایت قبل از انفجار (منفی) رخ می‌دهد حمایت می کند.

در واقع، انتشار این سرایت نیز پس از انفجار ممکن است برندها را به تصمیم چشمگیری برای ترک بازار موجود مانند مورد Dolce & Gabbana سوق دهد. با این وجود, توانایی بسیار غیر ممکن برای پنهان کردن عملکرد گذشته در اینترنت و اسناد لاینقطع که همیشه می‌تواند بازیابی شود و با عواقب منفی برای فرد و جامعه به کار رود (Eichhorn, 2020) نشان می‌دهد که برند ممکن است برای عواقب این کمپین حتی بیشتر از آن رنج ببرد.

از این رو پیامدهای آن ممکن است به طور بالقوه در آینده بیشتر باشد. بنابراین، برنده‌ای لوکس باید به طور سیستماتیک شناسایی و نظارت بر رایج‌ترین تهدیدات بر روی رسانه‌های اجتماعی را شناسایی کرده و بر طبق آن واکنش نشان دهند. علی‌رغم این مزایا, برخی از محدودیت‌ها نیز باید در نظر گرفته شوند. اول, مطالعه حاضر تنها بر روی یک انفجار منفی متمرکز است.

با این حال، تحقیقات آینده ممکن است بر روی یک انفجار مثبت تمرکز کند، تا بتواند تکامل متفاوت پیام های مثبت و منفی را برای برندهای لوکس شناسایی کند.

به عبارت دیگر، آیا انفجارهای مثبت در مقایسه با موارد منفی، تکامل گستردگی متفاوتی دارند؟

 اگر منفی منجر به نفرت از برند شود، آیا موارد مثبت منجر به عشق به برند می شود؟

دوم, نتایج ما نشان می‌دهد که معنای منفی پیام‌های برند باعث شده که آن به شدت گسترده شود. با این حال، مدل پیشنهادی ویژگی‌های اطلاعات را مانند زبان‌شناسی، وجود ویدیوها و سبک‌های روایت پست‌های اصلی که ممکن است به ویروسی شدن پست‌ها کمک کرده باشد، در نظر نمی‌گیرد. در مورد مدل های اپیدمی، مدل ما ویژگی های کاربرانی را که “آلوده” شده اند و کسانی که آلوده نشده اند، متمایز نمی کند.

تحقیقات جدید, شواهدی را در رابطه با بین کلیشه‌های منفی, ویژگی‌های اطلاعات و افراد برای مدلسازی فرآیند واگیر به شکلی موثرتر, به آن اضافه می‌کند.به طور مشابه، مطالعات جدید ممکن است مقیاس‌های اندازه‌گیری را برای شناسایی مصرف‌کنندگان «مستعد» از نظر ویژگی‌های فردی که بیشترین تمایل را برای به اشتراک گذاشتن اطلاعات خاص نشان می‌دهد، ایجاد کند.همچنین، اندازه گیری Rt به عنوان نرخ تکرارپذیری پیام های منفی خاص، به پیش بینی تکامل آنلاین اطلاعات (سرایت) کمک می کند. سوم، این تحقیق تنها انتشار بین کاربران را در طول زمان، بدون در نظر گرفتن انتشار جغرافیایی این اطلاعات، که در مدل‌های همه‌گیر در نظر گرفته می‌شود، مورد ارزیابی قرار داد.

بنابراین، مطالعات بیشتر ممکن است تکامل جغرافیایی پیام را در میان مصرف کنندگان، از جمله موقعیت جغرافیایی پست‌ها که به صورت آنلاین منتشر می‌شوند را در هنگام جمع‌آوری داده‌ها، برای ارایه یک مدل جامع‌تر در نظر بگیرند.

منبع

https://www.sciencedirect.com/science/article/pii/S014829632030624X

مطالب جدید

درخواست ترجمه رایگان

مطالب برتر سایت

برند چیست

تبلیغات چیست

بازاریابی دیجیتال چیست

ارزش پیشنهادی چیست

 

ایمیل تو وارد کن تا یک مقاله رایگان در حوزه مدیریت برات ترجمه کنیم