Identifying and Clustering Users of VOD Platforms Using SNA Technique: A case study of Cinemamarket

Document Type : Original Article

Authors

1 MA in Research, Mass Media of IRIB University, Tehran, Iran

2 Master of Industrial Management, Allameh Tabataba'i University, Tehran, Iran

3 Assistant Professor, Department of Media Management, Faculty of Media and Communication, IRIB University, Tehran, Iran

Abstract

The accurate awareness of the users as the most vital need for media has always been a concern for communication researchers. Given the emergence of new media, traditional techniques no longer have the ability to meet this need, and the use of modern methods is essential in understanding users' behavior. This research used the Social Network Analysis (SNA) technique to investigate the user's behavior of VOD platforms. In this research, the site of Cinemamarket selected as the sample, and a dataset of its user’s purchases formed. Using Gephi software, the dataset visualized and the members clustered based on logical algorithms. By analyzing three detected communities, two different strategies were founded for the development of the users of this platform. Based on these strategies, platform managers can adapt their media policies to load new content on the platform and offer targeted content; as a result, they can meet their user's needs.

Keywords

Main Subjects

Full Text

جلب‌نظر و رضایتمندی مخاطب، یکی از مهم‏ترین اصول حیات رسانه‏ است. این امر در رسانه‏هایی که اقتصاد آنها به‌صورت مستقیم با ارضای نیاز مخاطب مرتبط است، اهمیتی دوچندان می‏یابد. رفتارها، نیازها و علاقه‏مندی‏های مخاطبان رسانه‏ها به‌طور چشمگیری در حال تغییر است و روش‏های ارائۀ خدمت به آنها به تحول نیاز دارد. مخاطبان انتظار دارند برنامه‏ها و خدمات عرضه‌شده ارزان و باکیفیت باشند، در کوتاه‏ترین زمان در دسترس قرار گیرند، امکان تعویض داشته باشند و براساس منافع و نیازهای خاص هر فرد قابل‌سفارشی‌شدن باشند. پلتفرم‏های فروش آنلاین محصولات رسانه‏ای ازجمله فیلم، توانسته‏اند با پوشش بخش بیشتری از نیازهای مخاطبان، افراد بیشتری را به خود جذب کنند و به بازیگران اصلی صنعت رسانه تبدیل شوند؛ برای مثال، در سال 1396 کاربران سایت فیلیمو[1] که سایت تماشای آنلاین در ایران است، یک میلیارد و صد و چهل‌وپنج‌میلیون دقیقه فیلم تماشا کرده‏اند که نسبت به سال 95 بیش از 440درصد رشد داشته و همچنان روند روبه‌رشد خود را نیز حفظ کرده است (فیلیمو، 1396) همچنین، سایت آپارات مدعی است کاربران سایت به‌صورت روزانه 21میلیون بار (7.6میلیارد در سال) از صفحات این سایت بازدید کرده‏اند و بیش از 10میلیون نمایش موفق ویدئو در روز داشته‏اند (آپارات، 1397). این روند استفاده از سایت‏های نمایش فیلم به‌طور کامل منطبق بر روند‏های جهانی است؛ همان‌طور که در انگلستان سرویس‏های تماشای برنامه‏های ویدئویی طرفداران زیادی دارند و حدود ۴۱درصد از تماشاچیان، چنین سرویس‏هایی را در انگلستان خریداری کرده‏اند. حتی در بازار آلمان نیز ۴۴درصد از مردم، دست‌کم یک روز در هفته از سرویس‏های ویدئوهای درخواست[2] استفاده می‏کنند (دلویت[3]، ۲۰۱۸). پلتفرم‏های نمایش آنلاین فیلم برای تعامل مداوم با مخاطب باید توانایی مناسبی در انطباق خود با خواست مشتریان داشته باشند و این موضوع مگر با شناخت دقیق از ذائقۀ مخاطبان حاصل نخواهد شد. به‌همین‌علت، نیاز به‌کارگیری روش‌های نوین مخاطب‌شناسی در چنین رسانه‏هایی به‌شدت پررنگ است. حجم بالای توجه کاربران به تماشای محتوای ویدئویی، ضرورت شناخت بهتر ذائقۀ مخاطبان را بیش از گذشته پررنگ می‏کند. درک مناسب از رفتار کاربر در پلتفرم‏های VOD نقش مؤثری در طراحی، پیکربندی و مدیریت توزیع محتوای ویدئو خواهد داشت (چن و همکاران[4]، ۲۰۱۴: ۶۶). سازمان‏های رسانه‏ای همواره به‌دنبال آن هستند تا شناخت دقیق‌تری از مخاطبان خود بیابند و سیاست‏های خود را متناسب با سلایق مخاطبان خود تنظیم کنند؛ ازاین‌رو همواره تمرکز بر پیمودن راه‏های مختلف شناخت سلیقۀ مخاطبان اهمیت ویژه‏ای پیدا کرده است. پژوهشگران یکی از اصلی‌ترین عوامل رشد نتفلیکس[5] را تعهد این شرکت به شنیدن صدای مخاطبان خود دانسته‏اند. این شرکت به ‌جای روی‌آوردن به شیوه‌های سنّتی بازاریابی که بعضاً در کوتاه‌مدت جواب می‌دهد، می‌کوشد با بهره‌‎گیری از ابزارهای پژوهش روی کاربر مثل ایجاد نظرسنجی‌های مختلف، به‌خوبی با ذائقۀ تک‌تک کاربران خود آشنا شود و باتوجه به اطلاعات تکمیلی و تلفیق با راهبردها، برای هرکدام از مخاطبان به فراخور تاریخچۀ فعالیت‌ها و ترجیحات،‌ محتوا ارائه کند (دلویت، ۲۰۱۸). عمدۀ نظریه‏های مختلف مخاطب‌شناسی بیان می‏کنند که مخاطبان رسانه، موجوداتی منفعل نیستند که هرآنچه را رسانه‏ها تولید کنند، بپذیرند. مخاطبان، آگاهانه یک رسانه یا محتوا را گزینش و یا حذف می‏کنند (مجیدی و قنبری، 1391: 71).

در این پژوهش، باتوجه‌به این گزاره، مخاطبانْ موجوداتی فعال در نظر گرفته شده‌اند و اعتقاد بر این است که رفتار خرید و تماشای کاربران پلتفرم فروش آنلاین فیلم، معنادار است و حامل پیام‏های آشکار و پنهانی است که می‌تواند در شناخت بهتر ذائقۀ مخاطبان مورد توجه قرار گیرد؛ بنابراین، سعی شده است با به‌کارگیری روشی نوین به نام تحلیل شبکۀ اجتماعی[6]، شناخت دقیق‏تری از رفتار خرید کاربران یک پلتفرم فروش آنلاین فیلم به دست آید. روش تحلیل شبکۀ اجتماعی، روش نوین مخاطب‌پژوهشی است که با استفاده از ردپای کاربران (تماشای ویدئو در پلتفرم) به الگوریتم‌‌های منطقی و تکرارپذیر از الگوهای رفتاری آنها دست یابد. مهم‌ترین تفاوت میان تحلیل شبکه‏های اجتماعی با روش‌های سنّتی پژوهش‌های علوم اجتماعی تمرکز بر ارتباط میان عناصر به‌ جای توجه به ویژگی‏های منحصربه‌فرد هر عنصر است. درواقع، در این روش، ارتباطات میان اعضا به‌عنوان اصلْ انتخاب خواهد شد. درحقیقت، تحلیلگر شبکۀ اجتماعی به‌دنبال نحوۀ دست‌یابی به ایجاد یک موجودیت و شیوۀ اتصال آن موجودیت‏ها در یک شبکه است (چن و همکاران[7]، ۲۰۱۲: ۱۱۸۱). برخلاف تحلیل‌هایی که بر این فرض استوارند که هنجارهای اجتماعی تعیین‌کنندۀ رفتارند، تحلیل شبکۀ اجتماعی به بررسی وسعت تأثیرگذاری و ساختار و ترکیب رشته‏ها بر هنجارها می‏پردازد (افتاده، 139۵: 19). در روش تحلیل شبکۀ کاربران پلتفرم نمایش برخط ویدئو ارتباط میان اعضای شبکه با تماشای مشترک یک ویدئو خاص در نظر گرفته می‌شود و شبکۀ ارتباطی میان اعضا براساس تماشای مشترک محتوا که توسط کاربران صورت گرفته است، ترسیم می‌شود. هر رسانه به‌منظور حفظ و ارتقای مخاطبان خود نیازمند درک صحیحی از ذائقۀ مخاطبان خود است. انجمن‏های کشف‌شده از تکنیک تحلیل شبکۀ اجتماعی به پژوهشگر کمک ‏خواهد کرد تا جمعیت مخاطبان هم‌‌فکر و هم‌نظر را شناسایی کند و در قدم بعدی برای معرفی محتوای مناسب برای آن جمعیت اقدام کند. نتایج حاصل ازاین‌‌رو که به‌عنوان نتیجۀ یک مطالعۀ پیشینی از رفتار کاربران حاصل می‏شود، می‌تواند اطلاعات ارزشمندی برای تصمیمات بعدی مدیران قرار گیرد تا سیاست رسانۀ خود را متناسب با این ذائقه تعریف کنند و زمینه‏های سودآوری رسانه را فراهم کنند.

 

2- مطالعات پیشین

باتوجه‌به پیشرفت فناوری، استفادۀ مخاطبان از رسانه شکل متفاوت‏تری از گذشته به خود گرفته است. فراگیری اینترنت پرسرعت بر روی دستگاه‏های هوشمند شخصی همچون تلفن همراه و رایانک[8]، مخاطبان را به‌سمت استفاده بدون محدودیت زمان و مکان از رسانه سوق داده است. استفاده از ویدئو یکی از مهم‏ترین گونه‏های مصرف مخاطبان از رسانه است؛ به‌نحوی‌که درحال‌حاضر، بیش از 60درصد از ترافیک اینترنت صرف تماشای محتوای ویدئویی می‏شود (سیسکو[9]، ۲۰۱۷). این روند روبه‌رشد تغییر الگوی استفادۀ کاربران از مدل‏های نوآورانۀ رسانه، ریشه در تغییر علاقه‌مندی‌های آنها دارد (آگیلار[10]، ۲۰۱۶: ۳). دراین‌بین، استقبال مخاطبان از پلتفرم‏های پخش ویدئو براساس تقاضای مخاطب که با نام VOD شناخته می‏شوند (همچون نتفلیکس و هولو[11] در خارج از ایران و فیلیمو، نماوا در داخل ایران) و همچنین سایت‏های اشتراک ویدئو (مثل یوتیوب[12] و آپارات[13]) به‌سبب تعدد کاربران آنها درخورِتوجه است. برای نمونه، سایت نتفلیکس در سال 2018 توانسته است تعداد کاربران خود را به 137میلیون برساند که نسبت به سال گذشته (2017) رشد حدود 40درصدی دارد. این روند روبه‌رشد برای سایت هولو نیز صادق است (استاتیستا[14]، ۲۰۱۸). راهبرد‌های جذب و نگهداری این حجم از مخاطبان منوط‌به شناخت دقیق از آنها و ذائقه و رفتارشان است. یو و همکارانش در سال 2006 با تمرکز بر رفتار کاربران و الگوهای دسترسی به محتوا، 1.5میلیون کاربر چینی را بررسی کردند و مدل‏هایی از رفتار کاربر و الگوهای دسترسی استخراج کردند (یو و همکاران[15]، ۲۰۰۶: ۳۳۳). همچنین، میکوس در کشور آلمان به‌روش مصاحبۀ عمیق به مطالعۀ کاربران آلمانی سرویس‏های تماشای برخط ویدئو پرداختند و نتیجه گرفتند که آزادی در برنامه‌ریزی، انتخاب دستگاه تماشا و انتخاب از عواملی است که مخاطبان را به‌سمت تماشای ویدئو آنلاین سوق می‌دهد (میکوس[16]، ۲۰۱۶: ۱۵۵).

دبروی و همکارانش با اصل‌قراردادن تعداد دفعات مشاهدۀ ویدئو و ترافیک مصرفی به‌عنوان معیاری برای محبوبیت یک ویدئو، بر روی محبوبیت ویدئو اجتماعی، الگوهای رشد محبوبیت و مدل‏هایی که می‌تواند فیلم‏های محبوب را پیش‌بینی کند، تمرکز کردند (دبروی و همکاران[17]، ۲۰۱۳: ۱۲۵۵). همچنین، معتقد بودند اطلاعات موجود در جریان‏های اجتماعی مانند توئیتر، نشانۀ خوبی از فعالیت‏های تجمیعی جمعیت در جامعۀ اجتماعی است و می‌تواند دربارۀ رویدادهای واقعی به‌سرعت در حال انتشار باشد (دبرروی و همکاران، 2013: ۱۲۵۶).

علاوه‌براین، نتایج روش‏های پژوهشی دیگری موجود است که جدا از مطالعۀ کاربران و نظرات و علایق آنها، به مطالعۀ رفتار کاربر و واکنش‏های به‌جامانده از او مثل نوع محتوای مشاهده‌شده، زمان تماشا، توالی تماشا، ساعت تماشا و... می‌پردازد. این روش‏ها رفتار کاربران را به‌طور مستقل و به‌عنوان یک کل در نظر می‌گیرند و آنها را تحلیل می‏کنند. برای مثال هوآنگ و همکارانش در طی مطالعۀ پژوهشی خود تصریح می‌کنند که یک کاربر پس از تماشای آنلاین ویدئو، از خود ردپایی به جای می‏گذارد که از دنبال‌کردن این ردپاها می‏توان پرونده‏های تماشای آنلاین وی را رصد کرد و رفتار شخصی برای او قائل شد (هوآنگ و همکاران[18]، ۲۰۱۸: ۶۷). به‌این‌ترتیب، رسانه با درک رفتار کاربر می‌تواند تصمیمات بسیاری دربارۀ پیشنهاد تماشای ویدئوهای بعدی به کاربر، تشکیل مجموعه‏ای از موضوعات موردعلاقه، ارتباط با تماشاگران هم‌‌نظر، هدایت محتوا و... بگیرد. هوآنگ در مقالۀ خود با اصل‌قراردادن پویایی انسان و طراحی خدمات سرویس‌های پخش ویدئو براساس این پویایی، به مطالعۀ رفتار کاربران و محبوبیت ویدئوهای تماشاشده می‌پردازد. رفتارهای فردی کاربر شامل الگوهای درخواست روزانه، علاقه‏مندی‏ها و ویدئو‏های مشاهده‌شده است که با اطلاعاتی همچون مدت تماشا، تماشای چندباره، تماشای منظم یا نامنظم، تاریخ تماشا و... پیوند می‏خورد و می‌تواند تحلیل شود و براساس آن تصمیم گرفته شود.

در جمع‌بندی پژوهش‌های پیشین می‌توان بیان کرد اغلب این مطالعات سعی داشته‌اند از زوایای مختلف دو هدف را دنبال کنند. درابتدا، با استفاده از روشی ساختارمند به شناخت درستی از رفتار و ذائقۀ مخاطبان در تماشای ویدئو برسند و پس از آن الگوهای رفتاری کاربران در انتخاب و تماشای ویدئوهای مختلف را استخراج کنند و درنهایت برای ارضای نیازهای کاربران مطالعه‌شده و جذب کاربران جدید، پیشنهادهایی ارائه دهند. براین‌اساس، می‌توان نوآوری پژوهش حاضر را استفاده از تکنیکی نوین برای مطالعۀ رفتار کاربران تماشاکنندۀ ویدئو دانست که تا پیش‌ازاین در پژوهش‌های مرتبط با کاربران پلتفرم‌های نمایش فیلم استفاده نشده است. در این پژوهش رفتار کاربران پلتفرم تماشای ویدئو آنلاین با استفاده از روش کلان‌نگر و با کمک تکنیک «تحلیل شبکه‌های اجتماعی» مطالعه شده‌اند. در این روش بدون درنظرگرفتن محتوای ویدئو و همچنین ویژگی‏های شخصی کاربران، به مطالعۀ روابط شکل‌گرفته در میان کاربران و ویدئوهای مشاهده‌شده پرداخته می‌شود. وجه تمایز این روش آن است که کاربران را عناصر موجود در یک شبکه فرض می‌کند و ارتباط میان اعضای شبکه را مبنای تحلیل خود قرار می‌دهد تا با بهره‌گیری از قوانین حاکم بر شبکه‌های اجتماعی به تحلیلی از رفتار کاربران برسد.

 

3- مبانی نظری

گروور و همکاران[19] او در سال 2018 مقاله‌ای با عنوان «خلق ارزش استراتژیک کسب‌وکار از تحلیل کلان‌داده‌ها» ارائه کردند که در آن به‌طور ویژه به اهمیت و قابلیت‌‌های تحلیل داده در خلق ارزش برای کسب‌وکار پرداخته شده است. آنها درنهایت مدلی را به‌عنوان مانیفست ارزش ارائه می‌کنند که تمامی مراحل خلق ارزش به‌وسیلۀ تحلیل کلان‌داده را به تصویر می‌کشد. ارزش می‌تواند ازطریق کشف و تجربه (آزمودن) به دست بیاید. کشف اغلب مهم‌ترین جنبۀ تأکیدشده در تحلیل داده‌هاست؛ به‌این‌معنی که در پس هر تحلیل داده‌ای یک کشف نهفته است. مطابق با پژوهش گروور تحلیل داده می‌تواند امکان یک دیدگاه آینده‌نگر را فراهم آورد و شرکت‌ها را قادر سازد تا فرصت‌های آینده را براساس بینش به لحظه از منابع جریان گستردۀ داده، رویدادهای جاری و فرایندهای کسب‌وکار، پیش‌بینی کنند و از آنها استفاده کنند. تحلیل کلان‌داده‌ها شامل هر سه نوع تحلیل است:

(1) تحلیل توصیفی که گزارشی است از گذشته.

(2) تحلیل پیش‌بینانه که مدل‌ها را براساس داده‌های گذشته برای پیش‌بینی آینده توسعه می‌دهد.

(3) تحلیل تجویزی که با استفاده از مدل‌ها رفتارها و اقدامات بهینه را مشخص می‌کند و پیشنهاد می‌دهد (گروور و همکاران ، ۲۰۱۸: ۴۰۹).

گفتنی است که تحلیل داده می‌تواند سفارشی‌سازی محصولات و خدمات را تسهیل کند و بخش‌بندی‌های مختلف بازار را با محصولات دیجیتال دقیقْ هدف قرار دهد. چنین سازوکارهایی میزان نگهداشت کاربر و سایر عوامل مربوط به او را نیز تقویت خواهند کرد. داده‌کاوی برای بینش عمیق و عملی می‌تواند نتایج مهمی را برای رسیدن به اهداف مختلف تحلیل کلان داده‌ها به بار بیاورد. به‌علاوه، تجربه‌های کوچک در ابعاد وسیع، همیشه متضمن تحلیل کلان‌داده‌ها خواهند بود. گویی برای رسیدن به تصویر بزرگ باید از تصاویر کوچک کمک گرفت.

گروور و همکاران او چهار هدف متمایز از خلق ارزش تحلیل کلان‌داده‌ها شناسایی کرده‌اند که با اغماض نسبت به همپوشانی‌های طبیعی آن می‌توان آنها را به‌گونۀ زیر بیان کرد:

  1. کاربرد برای بهبود تجربۀ مشتری و تقویت بازار؛
  2. کاربرد برای نوآوری در محصول یا خدمت؛
  3. کاربرد برای بهبود فریندهای کسب‌وکار؛
  4. کاربرد در عملکرد سازمانی (گرور و همکاران، ۳۹۲).

 

 

 

شکل ۱: مانیفست ارزش (گروور و همکاران، ۲۰۱۸)

 

 

تحلیل شبکۀ اجتماعی به‌عنوان تکنیکی برای تحلیل کلان‌داده‌ها، روش قدرتمندی برای تحلیل طبیعت و الگوی ارتباطات میان اعضای یک گروه خاص است که برای تحلیل شبکه‏های شکل‌گرفته در علوم اجتماعی، مطالعات ارتباطی، علم اقتصاد، علوم سیاسی، شبکۀ کامپیوتری و... به کار می‌رود (سپهری و ریاحی، 1389: 85). تحلیل شبکۀ اجتماعی با هدف پیداکردن الگوهای اتصالات میان بازیگران یک شبکه استفاده می‌شود (دی مارکوس[20]، ۲۰۱۶: ۳۱۲). یکی از جنبه‌های شاخص نظریۀ شبکه، تأکید آن بر طیف گسترده‏ای از ساختارهای خرد و کلان است. به‌این‌معنا که از دیدگاه نظریۀ شبکه، کنشگران می‌توانند انسان‏ها باشند؛ ولی گروه‏ها، اصناف و جوامع را نیز می‏توان کنشگر به شمار آورد (صادقی‌نژاد و نوغانی، 1393: 9). به‌عبارت‌دیگر، تحلیل شبکۀ اجتماعی مجموعه‌ای از تکنیک‌ها، ابزارها و متدولوژی‌ها برای ترسیم و اندازه‏گیری روابط بین افراد است (کارتر[21]، ۲۰۰۸). طبق اصول اساسی نظریۀ شبکه، در تحلیل شبکه‏های اجتماعی از یک منظر به‌دنبال کشف اجتماعات، بررسی انسجام و یا کشمکش در درون این اجتماعات هستیم. تحلیل شبکه‏های اجتماعیْ نظریه‌ای رسمی در علوم اجتماعی نیست؛ اما رویکردی برای بررسی ساختارهای اجتماعی به شمار می‏رود. (بسطامی و جوادزاده، 1396)؛ به‌همین‌دلیل، به تحلیل شبکه‏های اجتماعی، تحلیل ساختاری گفته می‌شود. ایدۀ اصلی در تحلیل شبکۀ اجتماعی ترسیم ارتباط میان موجودیت‏های مختلف در یک شبکه است. این ارتباط می‌تواند نشان‌دهندۀ مواردی مانند دوستی، خویشاوندی، تجارت، علاقه‏مندی به موضوعی خاص و... باشد (زیب ارزانی و همکاران، ۱۳۹۲: 54). در این مقاله ارتباط میان عناصر به‌وسیلۀ تماشا مشترک یک ویدئو خاص در نظر گرفته ‌شده است و شبکۀ ارتباطی میان محتوا براساس دریافت[22] مشترکی که کاربران داشته‌اند، ترسیم خواهد شد. طبق نظریۀ تحلیل شبکۀ اجتماعی هر شبکه از گره‏ها[23] و یال‏هایی[24] ایجاد شده است. گره‏ها اعضای هر شبکه و یال‏ها بندهای ارتباطی میان این اعضا هستند. به‌منظور ترسیم شبکۀ اجتماعی گره‏ها به‌صورت تصادفی در صفحه قرار داده ‌می‌شوند و پس‌ازآن به‌وسیلۀ بندهای ارتباطی به یکدیگر متصل می‏شوند. چگونگی ساختار این بندهای ارتباطی در تحلیل شبکه‏های اجتماعی مهم است؛ زیرا تجسم مناسب اطلاعات کاربران را در درک بهتر داده‏هایی که دیده می‏شوند، پشتیبانی می‌کند. هدف از تجسم اطلاعات، دادن مزیت به استفاده از توانایی‌های طبیعی انسان در دیدن الگوها ناهنجاری‏ها روابط و ویژگی‌های اطلاعات تصویری است (گلبک، 1396: 69). این ویژگی‏ها می‏توانند سنجه‏ای برای قدرتمندی اعضای یک شبکه، تشخیص گره‏های مرکزی، خوشه‏بندی، پیوستگی میان خوشه‏ها و... محسوب شوند.

 

1-3- شاخص‌های تحلیل شبکۀ اجتماعی

شبکه‌های اجتماعی، ویژگی‌های قابل‌ملاحظه‌ای از خود نشان می‌دهند که برگرفته از الگوهای ارتباطی بین عناصر آنهاست که نه کاملاً منظم و نه صرفاً تصادفی هستند. نمایش تصویری داده‌ها غالباً به پژوهشگر اجازۀ کشف الگوهایی را می‌دهد که درغیرِاین‌صورت، احتمالاً پوشیده باقی خواهد ماند (وسرمن و فاوست[25]، ۱۹۹۴: ۹۴). پرکاربردترین روش برای تحلیل شبکۀ اجتماعی استفاده از نظریۀ گراف است (پن[26]، ۲۰۰۷: ۷). هر گراف از دو عنصر تشکیل ‌شده است. 1. گره: به‌معنای نقاط گسسته در یک صفحه است؛ 2. یال: خطی که دو نقطه را به یکدیگر مرتبط می‌کند (گلبک[27]، ۲۰۱۳: ۹). با همین دو عنصر می‌توان متغییرهای مختلفی را به‌عنوان ویژگی‌های منحصربه‌فرد یک گراف در نظر گرفت. این ویژگی‌ها هرکدام جنبه‏ای از گراف را مشخص می‌کند. جدول زیر مهم‌ترین شاخص‌های تحلیلی گراف را تعریف می‌کند.

 

جدول 1: مهم‌ترین شاخص‌های تحلیلی گراف (گلبک، ۲۰۱۳)

شاخص

تعریف

اندازۀ[28] گراف

اندازۀ هر گراف برابر است با تعداد یال‌های موجود در هر گراف

درجۀ[29] گره

تعداد یال‌های متصل‌شده به هر رأس، درجۀ آن رأس است.

یال جهت‌دار[30]

یالی که جهت ارتباط میان گره‌ها در آن دارای اهمیت باشد؛ یعنی تفاوت میان مبدأ و مقصد ارتباط اهمیت داشته باشد.

گراف جهت‌دار[31]

گرافی که یال‌های آن جهت‌دار باشند، گراف جهت‌دار است.

فاصله[32]

حداقل تعداد پیوندهای ارتباطی برای اتصال دو گره خاص، فاصله نام دارد.

قطر شبکه[33]

قطر، بزرگ‌ترین فاصلۀ مستقیم میان دو گره است که بیشترین دوری را در شبکه از هم دارند.

چگالی[34]

چگالی، شاخص تراکم و انسجام یک شبکه است و ازطریق نسبت میان روابط موجود در شبکه به‌کل روابط بالقوه و یا ممکن شبکه محاسبه می‌شود.

مرکزیت[35]

مرکزیت نشان‌دهندۀ آن است که چه کسی در شبکه هستۀ اصلی است، از همه مهم‌تر است و قدرت بیشتری دارد. مرکزیت یکی از شاخص‌های انسجام است که مشخص می‌کند کدام گره یا گره‌ها در شبکه مهم و اثرگذارند.

نزدیکی[36]

نزدیکی شاخصی برای مقایسۀ سرعت دسترسی یک گره به دیگر گره‌های شبکه است. این شاخص از محاسبۀ معکوس میانگین کوتاه‌ترین مسیر گره با دیگر گره‌ها محاسبه می‌شود. درنتیجه عددی میان صفر و یک خواهد بود که ارقام بالاتر به‌معنی نزدیکی بیشتر و فاصلۀ میانگین کمتر است. یک مرکزیت نزدیکی بالا به این معناست که یک فرد به بیش‌تر افراد دیگر در شبکه متصل است یا از آنها فقط یک گام دورتر است.

بینابینی[37]

معیار بینابینی برای یک گره بیان می‌کند که چه تعداد از گره‌های شبکه برای ارتباط سریع‌تر باهم (با واسطۀ کمتر) به این گره نیاز دارند. هرچه بینابینی گره زیادتر باشد، یعنی اینکه گره در مکان راهبردی‌تری قرار گرفته است.

مرکزیت بردار ویژه[38]

مرکزیت بردار ویژه معیاری برای سنجش نفوذ در شبکه است و سعی دارد تا علاوه‌بر تعداد ارتباط‌ها، قدرت آنها را نیز در تعیین مهم‌بودن یک گروه در نظر بگیرد. در این معیار گره‌ی که مرکزیت ویژۀ بالایی دارد، به گره‌هایی متصل است که خودشان به گره‌های بسیاری متصل هستند (عناصر بانفوذی هستند).

انجمن[39]

دسته‌های متراکم و به‌هم‌پیوسته‌تر گره‌ها و یال‌ها، مناطقی را تشکیل می‌دهند که به آن انجمن گفته می‌شود. درواقع، هر انجمن متشکل از اعضایی است که بیشترین شباهت [و یا بیشترین اختلاف با دیگر اعضا] را داشته باشند.

 

 

شکل ۲: تشکیل انجمن مبتنی‌بر یال (مگانتن (Meghanathan)، ۲۰۱۶: ۱۳)

 

 

2-3- انجمن‌ها در شبکه‌های اجتماعی

بسیاری از شبکه‌های پیچیده ساختار خوشه‌پذیر دارند، به‌این‌معنا که دارای گروه‌هایی است که ارتباط درونی بالا و ارتباط بیرونی پایینی دارند. به جمعیت‌هایی که در ساختار شبکه‌های اجتماعی دارای ارتباط بالای درونی و ارتباط پایین بیرونی هستند، انجمن[40] گویند (احسانی و همکاران، 1393: 59). چنین جوامعی می‌تواند به‌عنوان بخش‌های نسبتاً مستقلی با خصوصیات خاص خود در ساختار یک شبکۀ اجتماعی در نظر گرفته شوند. تشخیص جوامع در شبکه‌ها چالشی بزرگ است. در سال‌های اخیر و در شاخه‌های مختلف علوم مانند فیزیک، زیست‌شناسی، علوم اجتماعی، جامعه‌شناسی، زیست‌شناسی، علوم رایانه‌ای و... از اهمیت زیادی برخوردار است (فورتوناتو[41]، ۲۰۱۰: ۲). هریک از روش‌‌ها و الگوریتم‌های کشف انجمن براساس معیارها و روش‌های متفاوتی به تشخیص انجمن در شبکه‌های اجتماعی می‌پردازند.

3-3- مروری بر روش‌‌های تشخیص انجمن در شبکه

  1. تشخیص انجمن مبتنی‌بر یال

بخشی از الگوریتم‌های تشخیص انجمن مبتنی‌بر حذف یال هستند. عملکرد این الگوریتم‌ها به‌این‌صورت است که با حذف یال‌های پرارتباط در شبکه، انجمن‌ها را در شبکه‌های اجتماعی شکل می‌دهند (جلالی و همکاران، 1394: 1). گیروان نیومان[42] یکی از الگوریتم‌های این دسته است که با حذف ارتباطات گره‌هایی که بیشترین مقدار شاخص بینابینی را دارند، به تشخیص انجمن‌ها می‌پردازد. از مهم‌ترین ایرادهای این الگوریتم، هزینۀ محاسباتی زیاد و همچنین تشخیص جوامع کوچک و بی‌معنی در شبکه‌های اجتماعی است (نیومان[43]، ۲۰۰۴: ۱). شکل ۲ مراحل تشخیص انجمن به‌روش حذف یال را برای یک گراف 11 عضوی نمایش می‌دهد.

 

  1. رویکرد قسمت‌بندی در تشخیص انجمن

رویکرد دیگری به نام قسمت‌بندی وجود دارد. در این رویکرد تعریف تعداد افراز موردانتظار برای ایجاد خوشه و همچنین تابع سنجش شباهت، برای انتخاب اعضای انجمن موردنیاز است. روش کا مینز[44] مشهورترین الگوریتم این روش است. از مهم‌ترین ایرادهای این الگوریتم می‌توان به وابسته‌بودن انتخاب انجمن‌ها به گروه‌بندی اولیۀ انجمن و همچنین مشخص‌کردن تعداد جوامع موردانتظار در ورودی الگوریتم اشاره کرد (حسن‌‌زاده و همکاران، 1394: 4).

 

  1. تشخیص انجمن مبتنی‌بر شاخص هم‌پیمانگی

در رویکرد دیگر، بیشینه‌سازی مقدار هم‌پیمانگی[45] مبنای شناسایی بهترین ترکیب انجمن‌ها قرار می‌گیرد. هم‌پیمانگی به میزان تفکیک‌پذیری شبکه به گروه‌ها اشاره دارد و برای یک انجمن‌بندی از تفاضل میزان پیوندهای موجود درون‌گروهی به مقدار احتمال وجود این پیوندها به‌صورت تصادفی در شبکه‌های اجتماعی محاسبه می‌شود (احسانی و همکاران، 1393: 60) روش‌های مبتنی‌بر هم‌پیمانگی یکی از پرکاربردترین روش‌های تشخیص انجمن است (نیومان، ۲۰۰۴: ۲) و در این رویکرد، الگوریتم لوواین یکی از بهترین الگوریتم‏ها ازنظر دقت و هزینه‌های محاسباتی است (حسن‌زاده و همکاران، 1394: 5).

 

4-3- تشخیص انجمن در شبکه‌های اجتماعی با استفاده از الگوریتم لوواین

شاخص هم‌پیمانگی معیاری برای سنجش کیفیت تقسیم رأس‌ها به انجمن‌های مختلف ارائه می‌کند که به‌دلیل ساده و مؤثربودن آن به یکی از پرکاربردترین معیارها برای اندازه‌گیری کیفیت الگوریتم‌های تشخیص انجمن تبدیل ‌شده است (نیومان، ۲۰۰۴: ۲). ایدۀ اولیۀ تشخیص انجمن به‌روش هم‌پیمانگی بسیار ساده است: یک زیرشبکۀ اجتماعی از شبکه‌های اجتماعی اصلیْ زمانی انجمن نامیده می‌شود که تعداد ارتباطات بین اعضای آن بیشتر از زمانی باشد که این ارتباطات به‌صورت تصادفی ایجاد شود (همان: ۱). الگوریتم لوواین یکی از پرکاربردترین الگوریتم‌های مبتنی‌بر بیشینه‌سازی شاخص هم‌پیمانگی است (حسن‌‌زاده و همکاران، 1394: 5). این الگوریتم شامل دو فاز است که به‌طور متناوب اجرا می‌شود. فرض کنید با یک شبکۀ وزن‌دار با n رأس سروکار داریم. این الگوریتم ابتدا هر رأس را یک انجمن در نظر می‌گیرد؛ یعنی در شروع الگوریتم به تعداد رئوس، انجمن داریم. سپس الگوریتم برای هر رأس i، انجمن همسایۀ j را به‌نحوی می‌یابد که به‌ازای حذف i از انجمن خودش و ملحق‌کردن آن به انجمن j، شاخص هم‌پیمانگی بیشینه شود و سپس رأس i را به انجمن j اضافه می‌کند. این عمل تنها درصورتی انجام می‌شود که میزان هم‌پیمانگی افزوده شود؛ درغیرِاین‌صورت، رأس i در انجمن خودش باقی می‌ماند. این عمل به‌طور مکرر برای تمامی رئوس تکرار می‌شود تا زمانی که دیگر تغییری اعمال نشود. در این مرحله فاز اول در یک نقطۀ بهینۀ محلی متوقف می‌شود. نقطه‌ای که هم‌پیمانگی بیشتر با تغییر انجمن هیچ رأسی به دست نمی‌آید. سپس در فاز دوم الگوریتم با ادغام گروه‌های کوچک که توانایی ایجاد گروه‌های بزرگ‌تر را دارند، انجمن‌بندی را ادامه می‌دهد. این دو فاز تا جایی ادامه می‌یابند که تغییری در انجمن‌ها ایجاد نشود و شاخص هم‌پیمانگی نیز به حالت بیشینۀ خود دست یافته باشد (پینهیرو[46]، ۲۰۱۴: ۳۴).

 

 

شکل ۳: تشخیص انجمن به‌روش الگوریتم لوواین (پینهیرو، ۲۰۱۴: ۳۸)

 

 

شکل ۳ مراحل الگوریتم را نمایش می‌دهد:

  1. بیشینه‌سازی هم‌پیمانگی ازطریق جابه‌جایی رئوس در بین انجمن‌ها
  2. ترکیب انجمن‌های ایجادشده در مرحلۀ اول و ساخت انجمن‌های جدید به‌شرط بهبود شاخص هم‌پیمانگی (حسن‌‌زاده و همکاران، 1394: 5).

 

4- روش پژوهش

انجام پژوهش حاضر شامل مراحل جمع‌آوری داده‌ها، پالایش و آماده‌سازی داده‌ها، ترسیم گراف شبکه‏ای، استخراج انجمن‌ها، تحلیل و نتیجه‌گیری است.

در مرحلۀ جمع‌آوری داده‌ها از دیتابیس دانلود یکی از پلتفرم‌های تماشای آنلاین محتوای ویدئویی به نام سینمامارکت[47] استفاده می‌شود. این سایت برای پاسخ‌گویی به نیاز به دانلود قانونی محتوای تصویری و با تأکید بر محتوای مستند در سال 1393 تأسیس شد. این پلتفرم،‌ محتوای ویدئویی را در موضوعات مختلف و به دو صورت مشاهدۀ آنلاین و دانلود در اختیار مخاطبان قرار می‌دهد. دسترسی به مشاهدۀ آنلاین ویدئوها ازطریق پرداخت حق‌ اشتراک ماهیانه مهیا می‌شود و امکان دانلود محتوا نیز ازطریق پرداخت هزینه امکان‌پذیر است. در این پژوهش از اطلاعات بدون نام دانلود محتوای این سایت استفاده می‌شود. در مرحلۀ پالایش و آماده‌سازی داده‌ها و پس از جمع‌آوری داده‌های این پلتفرم، ساختار داده‌ها برای ترسیم گراف به‌گونه‌ای آماده شد که در آن مبنای ایجاد رابطه در گراف، دانلود محتوا توسط کاربران سایت است. در این گراف، گره‌ها محتوای موجود در سایت سینمامارکت و یال‌ها ارتباط میان دو محتوا به‌واسطۀ دریافت (دانلود) مشترک یک کاربر است؛ یعنی اگر یک کاربر دو محتوا را دریافت کرده باشد، میان آن دو محتوا (گره) یک ارتباط (یال) ترسیم شده است. وزن یال‌ها نیز باتوجه‌به تعداد ارتباط مشترک میان دو محتوا مشخص خواهد شد. برای ‌مثال، اگر دو محتوا توسط n کاربر مشترک دریافت شده باشد، وزن یال میان آن دو گره برابر n خواهد بود.

در مرحلۀ بعد و پس از آماده‌سازی داده‌های پردازش‌شده، با استفاده از نرم‌افزار گفی(Gephi)، گراف دانلود کاربران این پلتفرم ترسیم شد. گفی، ابزاری رایگان و متن‌باز برای رسم و تحلیل شبکه‌های اجتماعی است. این نرم‌افزار با پوشش شاخص‌ها و الگوریتم‌های مختلف، امکانات مناسبی برای تحلیل شبکه در اختیار کاربران قرار می‌دهد. کاربری ساده و قابلیت‌های بالای بصری‌سازی امتیازات ویژه‌ای است که می‌تواند گفی را به نخستین انتخاب کاربران تبدیل می‌کند. پس از ترسیم گراف شبکۀ دانلود محتوای این سایت، با استفاده از الگوریتم لوواین (Louvain) انجمن‌های این گراف کشف شد. درنهایت با استفاده از اطلاعات به‌دست‌آمده، تحلیل آماری از شباهت رفتار کاربران در دریافت محتوای مشابه ارائه شد و درنهایت براساس رفتار کاربران (دریافت محتوا) راهبردهایی برای پیشنهاد هدفمند محتوا به کاربران و ارتقا میزان دانلود محتوا ارائه شد. براساس آنچه شرح داده شد، مدل پژوهش حاضر به‌شکل زیر است:

 

 

شکل ۴: مدل مفهومی پژوهش

 

 

5- یافته‏های پژوهش

براساس داده‌های سایت سینمامارکت (در زمان انجام پژوهش)، کاربران سایت، 5706 نفر و تعداد محتوای موجود 134 بوده است. مجموع تعداد دانلودهای صورت‌گرفتۀ تمامی کاربران تا زمان بررسی (مهرماه 1397)، 11،197،120 عدد بوده است. چون برخی از محتواهای موجود در سایت، تعداد دریافت بسیار کمتری از سایر محتواها داشتند، به‌منظور نرمال‌سازی داده‌ها، داده‌های پرت حذف شدند. درنهایت شبکه‌ای با 68 گره و 2277 ارتباط حاصل شد.

برای رسم گراف دانلود این پلتفرم، ساختار داده‌ای ایجاد شد که دانلود مشترک دو محتوا توسط یک کاربر مبنای ایجاد ارتباط بین محتواهاست. گراف ارتباطی دانلود این پلتفرم با نرم‌افزار گِفی و با استفاده از الگوریتم مولتی گرویتی فورس اطلس[48] ترسیم شد. این الگوریتم نسخۀ توسعه‌یافتۀ الگوریتم فورس اطلس[49] است که در آن به‌طور هم‌زمان جاذبه و دافعۀ عناصر در نظر گرفته شده است و جایگشت عناصر شبکه هم به تمایل ایجاد ارتباط با دیگر عناصر (جاذبه) و هم به عدم‌تمایل ارتباط با دیگر عناصر شبکه (دافعه) بستگی دارد. درواقع در این الگوریتم جایگشت یک عنصر در صفحه مصورسازی شده است. درعین‌حال که نزدیک‌ترین جایگاه به عناصری است که با آنان دارای ارتباط است، دورترین جایگاه را نیز با عناصری دارد که با آنان ارتباطی ندارد. تفاوت الگوریتم مولتی گرویتی اطلس با الگوریتم فورس اطلس امکان مدیریت جاذبه بین عناصر شبکه برای ترسیم فشرده‌تر این شبکه درقالب گره است (جاکومی (Jacomy)، ۲۰۱۴: ۲). درنهایت، گراف با 68 گره و 2277 یال به‌صورت زیر ترسیم شد.

 

 

شکل ۵: گراف شبکۀ محتوای پلتفرم سینمامارکت

 

پس از رسم گراف و به‌منظور استخراج انجمن‌های موجود در این گراف از الگوریتم لوواین در نرم‌افزار گفی استفاده شد که این الگوریتم 3 انجمن را در این گراف کشف کرد. شکل ۶ نتیجۀ این اکتشاف را به‌تفکیکِ رنگ هریک از انجمن‌ها نمایش می‌دهد.

 

 

شکل ۶: انجمن‏های کشف‌شده از شبکۀ محتوا پلتفرم سینمامارکت

 

به‌منظور تحلیل دقیق خوشه‌ها، به هرکدام از محتواها یک برچسب برحسب موضوع و ژانر مرتبط اختصاص داده شد. این برچسب‌ها از اظهارنظر خبرگان و مدیران سایت سینمامارکت استخراج ‌شد و شامل 8 مورد با ‌عنوان‌های دین و مذهب، سیاسی، تاریخی‌ـ‌سیاسی، فیلم سینمایی، جنسی، اقتصادی، اجتماعی‌ـ‌فرهنگی و دفاع مقدس بود. با تخصیص برچسب‌های مرتبط به هر محتوا میزان پراکندگی محتوا در هرکدام از خوشه‌های کشف‌شده قابل‌مشاهده شد. جدول زیر نتیجۀ تفصیلی استخراج انجمن‌های این گراف به‌همراه میزان پراکندگی محتوا نسبت به برچسب‌های تخصص‌یافته در هر خوشۀ کشف‌شده را نشان می‌دهد.

 

 

جدول 2: وضعیت انجمن‏های کشف‌شده از گراف پلتفرم سینمامارکت

شمارۀ انجمن

رنگ

تعداد عضو

تعداد یال

پراکندگی محتوا در هر انجمن

1

سبز

32 عدد

(47.1درصد اعضای گراف)

495

(59.1درصد کل یال‌ها)

 

2

صورتی

24 عدد

(35.3درصد اعضای گراف)

276

(32.9درصد کل یال‌ها)

 

3

آبی

12 عدد

(17.6درصد اعضای گراف)

 

66

(7درصد کل یال‌ها)

 

 

 

 

1-5- دسته‌بندی محتوای مشابه براساس خوشه‌های کشف‌شده

 جدول 2 نشان می‌دهد که در خوشۀ اول پراکندگی مناسبی از تمامی برچسب‌ها به چشم می‌خورد. به‌عبارت‌دیگر، در این خوشه از همه نوع جنس محتوا (اگرچه با نسبت‌های متفاوت) وجود دارد. اختلاف نسبت‌ها بسته به تفاوت تعداد محتواهای موجود در هر برچسب در سایت سینمامارکت است. پراقبال‌ترین جنس محتوا در این دسته با بیش از 25درصد مربوط به محتوای تاریخی ـ‌سیاسی است. محتوای مربوط به این دسته در پلتفرم سینمامارکت عمدتاً مربوط به تاریخ معاصر و رژیم پهلوی است و چون این نوع محتوا پیوند زیادی با محتوای سیاسی روز دارد، سهم 15درصدی محتوای سیاسی در این خوشه نیز توجیه‌پذیر است. دستۀ محتوای اجتماعی‌ـ‌فرهنگی (که به مباحث کلان اجتماعی‌ـ‌فرهنگی می‌پردازد) و محتوای مربوط به یکی از معضلات اجتماعی و فرهنگی (معضلات جنسی) به‌میزان برابر 18.8درصد تماشا شده‌اند. بدان‌معنی که کاربران دغدغه‌مند در مسائل اجتماعی و فرهنگی، محتوای مربوط به یک زیرموضوع خاص (معضل جنسی) را نیز تماشا کرده‌اند. دین و مذهب، دفاع مقدس و موضوعات اقتصادی به‌علت کمبود در پلتفرم سینمامارکت، میزان تماشای محدودتری نیز داشته‌اند. همچنین، این خوشه به‌نسبتِ بسیار پایینی از فیلم سینمایی تماشا کرده‌اند که نشان می‌دهد عمدۀ رفتارهای کاربران در این خوشه معطوف به قالب مستند است. در این خوشه ترکیب نسبتاً همگونی میان میزان محتوای موجود در سایت و استقبال کاربران از آن محتواها به چشم می‌خورد. این پراکندگی نشان می‌دهد این کاربران تمایل دارند تعداد بیشتری مستند و با موضوعات متنوع تماشا کنند. به‌عبارت‌دیگر، کاربرانی که رفتار آنها موجب پدیدآمدن این خوشه شده است، کاربران حرفه‌ای تماشای مستند هستند که هدفشان از مراجعه به سایت، تماشای مستندهای بیشتر، متنوع‌تر و به‌روزتری است. این دسته که به‌واسطۀ دریافت‌های بیشتر مستند، خوشۀ بزرگ‌تری را هم فراهم کرده‌اند، کاربران ویژۀ این پلتفرم خواهند بود و مدیران پلتفرم باید تلاش بیشتری برای جلب‌نظر این طیف از کاربران انجام دهند. این کاربران علاقه‌مندند تا از جدیدترین مستندهای بارگذاری‌شده اطلاع پیدا کنند و درصورت تعامل بیشتر پلتفرم با آنها جزء کاربران وفادار خواهند بود. همچنین، این کاربران به تمام موضوعات داخل سایت تمایل نشان داده‌اند؛ بنابراین، تنوع و تکثر محتوا می‌تواند باعث افزایش جلب‌نظر این دسته از کاربران شود. کاربران این دسته تمایل بسیار کمی به تماشای فیلم سینمایی نشان داده‌اند. چون قالب مستند به‌عنوان قالب نخبگان شناخته می‌شود، تمایل کاربران ویژۀ سایت به تماشای انواع مستند آنها را جزء مخاطبان نخبه قرار خواهد داد. ازطرف‌دیگر، علاقه‌نداشتن این کاربران به تماشای فیلم سینمایی که قالب داستان‌‌گو و عوامانه‌تر (به‌لحاظ استدلال) دارد، مؤید این مدعاست. با استفاده از مدل پردازش دوگانه[50] می‌توان نتیجه گرفت کاربران ویژۀ سایت سینمامارکت، مخاطبان کانونی‌تری نسبت به دیگر مخاطبان (مخاطبان پیرامونی) هستند.

خوشۀ دوم نیز اگرچه ازنظر نوع برچسب‌ها شباهت زیادی به خوشه اول دارند، نسبت میزان دانلود در این خوشه با خوشۀ اول متفاوت است. این خوشه بیشتر شامل محتوا با ژانر سیاسی و همچنین فیلم سینمایی است. تقویت تماشای محتوای فیلم سینمایی در این خوشه (37درصد) نسبت به خوشۀ اول، نشان می‌دهد کاربران این خوشه ذائقۀ کاملاً متفاوتی با خوشۀ اول دارند. همچنین، برخلاف خوشۀ اول، میزان محتوای مربوط به مسائل اجتماعی و فرهنگی در این خوشه کمتر دیده می‌شود (کمتر از 15درصد). شکل ۷ میزان همپوشانی میان خوشۀ اول و خوشۀ دوم را نشان داده است. مطابق این شکل، محتوای مشترک میان دو خوشه که از تعداد دریافت بیشتری توسط کاربران برخوردارند، در مرکز گراف حضور دارند. این محتواها عموماً فیلم‌های سینمایی یا مستندهای سیاسی هستند که باتوجه‌به موضوع روز و با روایت‌های قوی و جذاب ساخته شده‌اند. در این خوشه محتوای مربوط به دفاع مقدس و دین و مذهب وجود ندارد که بیانگر آن است که کاربران با تمرکز بیشتری بر قالب و موضوع خاص به تماشای محتوا پرداخته‌اند. همچنین، محتوای این خوشه عمدتاً از محتواهای پربازدید پلتفرم است و همین موضوع گزارۀ حضور کاربران میانه را در این خوشه تقویت می‌کند. پس دستۀ دوم، کاربران عام‌تری هستند که بیشتر با هدف سرگرمی و با دغدغه‌های اجتماعی‌ـ‌فرهنگی محتوا دریافت کرده‌اند. این گروه از کاربران، سایت سینمامارکت را به‌عنوان پلتفرم نمایش فیلم سینمایی انتخاب کرده‌اند و چنانچه این پلتفرم تنوع بیشتری برای محتوای مربوط به این دسته قائل شود، می‌تواند تعداد بیشتری از کاربران را جذب کند. افراد حاضر در این دسته کاربرانی هستند که به‌دلایل گوناگون (تخفیف، جشنواره، دسترسی ساده‌تر، پیشنهاد دوستان، جست‌وجوی اینترنتی و...) پلتفرم سینمامارکت را برای تماشای محتوای مشترک با دیگر پلتفرم‌ها انتخاب کرده‌اند. چون سینمامارکت محتوای منحصربه‌فرد در موضوع فیلم سینمایی ندارد، این دسته از کاربران برای ماندگاری در سایت سینمامارکت، به تنوع بیشتری از محصولات نیاز دارند. این گزاره زمانی قوّت بیشتری می‌گیرد که مشاهده می‌شود میزان کمتری تماشای مستند ازسوی کاربران این دسته، متعلق به موضوعات سیاسی است که بیشترین تعداد مستند در نمونۀ بررسی‌شده را شامل می‌شود. درواقع، مخاطبان این طیف افرادی هستند که تمایلات بیشتری به تماشای آثار غیر از مستند دارند. این کاربران به‌نسبتِ کاربران دستۀ اول پردازش پیرامونی بیشتر دارند و بیش از استدلال و منطق، ازطریق حس‌آمیزی اقناع می‌شوند.

خوشۀ سوم به‌عنوان خوشۀ کاملاً منحصربه‌فرد تنها از دو برچسب سیاسی و تاریخی‌ـ‌سیاسی تشکیل شده است. این خوشه شامل مستندهایی است که به سیاست روز و به‌خصوص انتخابات سال 88 پرداخته‌اند. بخش عمدۀ این خوشه را قسمت‌های مختلف مستند سریالی خارج‌ازدید تشکیل می‌دهند و کاربران به‌منظور دریافت قسمت‌های دیگر از مستند به سایت سینمامارکت رجوع کرده‌اند. شدت این ارتباط به‌حدی است که بیش از 90درصد از محتوای این خوشه مربوط به برچسب سیاسی است. این خوشه بیانگر تمرکز جدی محتوا و کاربران بر یک موضوع و ژانر ویژه است. در این خوشه هیچ‌‌کدام از عناوین مذهبی، فرهنگی‌ـ‌اجتماعی، جنسی، دفاع مقدس، دین و مذهب، فیلم سینمایی، جنسی و اقتصادی وجود ندارد. حتی هیچ‌‌کدام از محتواهای پربازدید و شاخص این دسته‌ها نیز در خوشۀ سوم جایی ندارند و همین موضوع بیانگر تمرکز بسیار زیاد این خوشه است. پس دستۀ سوم را می‌توان کاربران وفادار به موضوعات سیاسی و به‌خصوص مستند سریالی خاص حاضر در این خوشه دانست. باتوجه‌به پخش منظم این مستند سریالی در برهۀ زمانی خاص (مربوط به ایام انتخابات) کاربران نووُرودی برای تماشای این مستند به پلتفرم سینمامارکت مراجعه کرده‌اند. این کاربران که توجه چندانی به ژانرهای دیگر نداشته‌اند و عمدۀ فعالیت خود را معطوف به تماشای مستندهای سیاسی کرده‌اند، برای حفظ در این پلتفرم به محتوای مشابه سیاسی و جریان‌سازی خبری زیاد نیاز دارند. این کاربران، کاربران با رفتارهای محدودی هستند که تمایلی به خرید آثار دیگر ندارند و به‌صورت مقطعی پلتفرم را انتخاب کرده‌اند. تعداد محدود فقط 66 یال در این خوشه نشان می‌دهد فقط 66 دانلود مشترک میان دو محتوا ازسوی یک کاربر رخ‌ داده است که بیانگر چگالی پایینی در این خوشه است. این کاربران درصورت تزریق همین جنس محتوا به سینمامارکت مراجعه خواهند کرد و کاربران وفادار به این سایت نیستند؛ اگرچه که به‌دلیل تمرکز رفتاری بسیار بالا جزء مخاطبان نخبه شناخته می‌شوند.

 

 

شکل ۷: توزیع محتوا در خوشه‌های محتوایی پلتفرم سینمامارکت

 

 

6- بحث و نتیجه‌گیری

در این پژوهش سعی شد از تکنیک تحلیل شبکۀ اجتماعی به‌عنوان روشی نوین برای تحلیل رفتار کاربران یک رسانه‏ استفاده شود تا برآن‌اساس، محتوا به‌صورت هدفمند به کاربران پیشنهاد شود و ارتقای میزان دریافت محتوا توسط کاربر فراهم شود. این تکنیک تا پیش ‌از این، به‌عنوان تکنیک پرکاربرد در پژوهش‌های مرتبط با مخاطب‌شناسی رسانه‌های داخلی استفاده نشده بود. پژوهش حاضر با تکیه بر رفتار کاربران (تماشای محتوا) به‌عنوان داده‌ای ارزشمند، غیرقابل‌خدشه و مستقل از ارادۀ پژوهشگر، توانست نوع تماشای محتوا در پلتفرم نمایش ویدئو را دسته‌بندی کند و ورودی قابل‌استفاده‌ای برای سیاست‌‌گذاری سیاست‌گذاران و تصمیم‌سازان این پلتفرم فراهم کند. در این پژوهش مستقل از جنسیت، سن، شهر و نظرات ثبت‌شدۀ کاربران در سایت و همچنین راهبردهای پیشین مدیران سایت برای جلب‌نظر کاربران، فقط رفتارهای مشابه کاربران در تماشای محتوا بررسی شد و با استفاده از الگوریتم‌های ریاضی مستقل از دخالت انسانی روابط معناداری میان تماشای محتوا با موضوعات گوناگون کشف شد. همین کشف روشمند، نتیجۀ جدید در ابزارهای مخاطب‌شناسی رسانه خواهد داشت.

مطابق با مدل مانیفست ارزش ارائه‌شدۀ گروور و همکاران (۲۰۱۸) می‌توان 4 هدف برای تحلیل کلان داده‌های استخراج‌شده از رفتار کاربران پلتفرم سینمامارکت قائل شد.

  1. بهبود تجربۀ مشتری و تقویت بازار: تحلیل کل‌نگر رفتار کاربران پلتفرم سینمامارکت، بر تدوین سیاست‌ها و تصمیم‌گیری‌های مدیران پلتفرم مؤثر خواهد بود. طبق مهم‌ترین سؤال نظریۀ استفاده و خشنودی یعنی «مردم با رسانه‌ها چه می‌کنند؟» می‌توان استنباط کرد تحلیل رفتار کاربران به تصمیم‌گیری‌های هم‌راستا با ارتقای تجربۀ کاربران فعلی و همچنین جذب کاربران جدید منجر خواهد شد که بدین‌ترتیب تقویت بازار پلتفرم را نیز به‌دنبال خواهد داشت.
  2. نوآوری در محصول: شناخت دقیق از نوع و میزان انتخاب‌های کاربران برای تماشای محتوا در پلتفرم‌های نمایش فیلم می‌تواند چراغی برای روشن‌کردن مسیر پیش روی صاحبان کسب‌وکار باشد؛ بنابراین، بدون دخالت تحلیل‌های مبتنی‌بر ذهنیات فردی، مشخص خواهد شد کدام‌یک از محصولات رسانه‌ای مورد اقبال کاربران است و کدام‌یک را انتخاب نکرده‌اند؛ بنابراین، باتوجه‌به این نتایج می‌توان در تولید محصولات نوآورانه گام برداشت و یا به‌عنوان نوآوری در خدمت، پلتفرم نمایش فیلم را بررسی کرد و بهبود بخشید.
  3. بهبود فرایند کسب‌وکار: توجه به اعلان‌های خطر و تذکراتی که از تحلیل کلان‌داده‌ها استخراج می‌شود، می‌تواند هزینه‌های کم‌بازده را تحت‌الشعاع قرار دهد و موجب افزایش بازدهی کسب‌وکار شود. طبیعتاً شناخت نقاط ضعف و قوّت کسب‌وکار، جزء مراحل ابتدایی و البته مهم در بهبود فرایندهای کسب‌وکار است.
  4. عملکرد سازمانی: تحلیل نتایج می‌تواند با هدف بهبود تصمیم‌گیری سازمانی انجام پذیرد. این امر می‌تواند با دسترسی گسترده و مداوم به داده‌ها در سراسر کسب‌وکار (سازمان) و استفاده از تکنیک‌های تحلیل کلان‌داده و یا ازطریق مدل‌های تصمیم‌گیری و یا در فرایندهای کسب‌وکار محقَّق شود که این موضوع در این پژوهش با استفاده از تکنیک تحلیل شبکه به نتیجه رسید.

براین‌اساس، می‌توان یافته‌های این مقاله را با انتخاب مدل تحلیل سه‌سطحی تحلیل کلان‌داده‌ها (گروور و همکاران، ۲۰۱۸) تحلیل کرد.

  • تحلیل توصیفی از گذشته: مطابق با یافته‌های پژوهش، کاربران سینمامارکت را می‌توان به سه دسته تقسیم کرد. توصیفات مرتبط با این سه دسته در بخش یافته‌ها به‌تفصیل بیان شد و از بیان دوبارۀ آن صرف‌نظر می‌شود.
  • تحلیل پیش‌بینانه: تحلیل داده‌های رفتاری مخاطبان پلتفرم سینمامارکت به پیش‌بینی رفتار آنها براساس شناخت کسب‌شده از ذائقۀ آنها کمک می‌کند. همچنین، با استفاده از مدل پردازش دوگانه که سطح ادراک را به دو سطح کانونی و پیرامونی تقسیم می‏کند، شناخت دقیق‌تری از کاربران این پلتفرم حاصل می‌شود. مطابق با این نظریه، کاربران هر انجمن، تمایل بیشتری به تماشای محتوای نزدیک به هم (ازمنظر موضوع) داشته‏اند که این موضوع امکان دسته‌بندی مخاطبان را در پژوهش فراهم کرد. پس از شناخت رفتار مخاطبان، رضایت‌مندی آنها، نوآوری در خدمات، بهبود فرایند کسب‌وکار حاصل خواهد شد که درنهایت می‌تواند به ارتقای عملکرد سازمان منجر شود.
  • تحلیل تجویزی: پژوهش حاضر با تکیه بر رفتار مشترک کاربران در تماشای محتوا، شبکۀ ارتباطی میان محتواها را ترسیم و با خوشه‌بندی آن موفق به دسته‌بندی کاربران آن شد. چون هر شبکۀ اجتماعی از دو عنصر (گره و یال) تشکیل ‌شده است و هرکدام از عناصر باید از یک موجودیت واحد برخوردار باشند، پژوهشگران تصمیم گرفتند گره‌های شبکه را محتوای موجود در سایت سینمامارکت و یال‌های شبکه را دانلود مشترک محتوا توسط یک کاربر انتخاب کنند. این روش ازآن‌روکه نمونۀ پیشین داخلی ندارد، ارزشمند است. ضمن این انتخاب و استفاده از مدل پژوهشی ارائه‌شده در این مقاله، می‌توان از زوایای مختلف به بررسی رفتار کاربران پرداخت و شناخت دقیق‌‌تری از ذائقۀ آنها کسب کرد.

استفاده از تکنیک‌های نوین شناخت رفتار کاربران، هر کسب‌وکار را به سطح جدیدی از تحلیل می‌رساند که تا پیش از این به آن دسترسی نداشته است. ثبت داده‌های جزئی و تحلیل روشمند از این داده‌ها می‌تواند به کشف الگوهای رفتاری نوینی منجر شود که تا پیش از آن سابقه نداشت. جدا از آن وابسته‌نبودن به ثبت داده‌ها و اطلاعات توسط انسان خطای تحلیل را کاهش خواهد داد؛ بنابراین، کسب‌وکارها به‌منظور تدقیق و صحت اطلاعات، ناگزیرند به روش‌های نوین بازاریابی به‌کمکِ تحلیل کلان‌داده‌ها روی آورند. یکی از این روش‌های نوین، بهره‌گیری از تکنیک تحلیل شبکه در شناخت رفتار کاربران پلتفرم‌های آنلاین است

 

[1]. www.filimo.com

[2]. Video On Demand

[3]. Deloitte

[4]. Chen et al

[5]. www.netflix.com

[6]. Social Network Analysis (SNA)

[7]. Chen et al

[8]. Tablet

[9]. Cisco

[10]. Aguilar

[11]. www.hulu.com

[12]. www.youtube.com

[13]. www.aparat.com

[14]. Statista

[15]. Yu et al.

[16]. Mikos

[17]. Deb Roy et al.

[18]. Huang et al.

[19]. Grover et al

[20]. DeMarcos

[21]. Carter

[22]. Download

[23]. Node

[24]. Edeg

[25]. Wasserman & Faust

[26]. Pan

[27]. Golbeck

[28]. Size

[29]. Degree

[30]. directed edge

[31]. Directed graph

[32]. distance

[33]. Diameter of a network

[34]. Density

[35]. Centrality

[36]. closeness

[37]. betweenness

[38]. Eigenvector centrality

[39]. community

[40]. community

[41]. Fortunato

[42]. Girvan- Newman

[43]. Newman

[44]. K-means

[45]. Modularity

[46]. Pinheiro

[47]. cinemamarket.ir

[48]. Multi Gravity ForceAtlas

[49]. ForceAtlas

[50]. Dual process

References

  1. آپارات (1397). آمارنامۀ رسمی آپارت از تعداد تماشای کاربران.
  2. احسانی، مریم؛ سپهری، محمدمهدی و عرب، سیدشهریار (1393). تحلیل شبکه‌های زیستی علامت‌دار از دیدگاه نظریۀ تعادل ساختاری. زیست‌فناوری دانشگاه تربیت مدرس، 5(2)، ۶۷-۵۵.
  3. افتاده، جواد (1395). تحلیل شبکۀ اجتماعی. نشر ثانیه.
  4. بسطامی، اسماعیل و جوادزاده، محمدعلی (1394). تحلیل مرکزیت شبکه‌های اجتماعی در فضای سایبری با رویکرد مقابله با تهدیدات نرم. پدافند غیرعامل. 3(23)، ۷۸-۶۹.
  5. جلالی، مهرداد؛ ریگی، ریحانه و معطر، محمدحسین (1394). شناسایی کانال‌های ارتباطی مؤثر در شبکه‌های اجتماعی مبتنی‌بر انتشار پیام. فناوری اطلاعات در طراحی مهندسی، 8 (پاییز و زمستان 1394)، ۲۲-۱۱.
  6. حسن‌زاده، محبوبه؛ جلالی، مهرداد و معطر، محمدحسین (1394). مروری بر روش‌های کشف جوامع در شبکه‌های اجتماعی. دومین کنگرۀ بین‌المللی فناوری، ارتباطات و دانش، مشهد.
  7. زیب ارزانی، معصومه؛ نکوئی، محمدعلی؛ زیدی بن عبد روزان، محمد و اسماعیلی، ابراهیم (1392). طراحی نقشۀ دانش برای تشکیل تیم مدیریت بحران با استفاده از رویکرد تحلیل شبکه‌های اجتماعی و فرایند تحلیل سلسله‌مراتبی. مدیریت بحران، ۱(2)، ۵۸-۵۱.
  8. سپهری، محمدمهدی و ریاحی، آسیه (1389). کاربست تحلیل شبکۀ اجتماعی برای استخراج نیازهای سیستم مدیریت دانش در سازمان‌های دانش‌بنیان. سیاست علوم و فناوری، 2(3)، ۹۴-۸۱.
  9. صادقی‌نژاد، مهسا و نوغانی‌دخت‌بهمنی، محسن (1393). روش تحلیل شبکه: رویکردهای نظری و تکنیک‌ها. دومین کنفرانس علمی جامعه‌شناسی و علوم اجتماعی.
  10. فیلیمو (1396). آمارنامۀ رسمی فیلیمو.
  11. گلبک، جنیفر (1396). تحلیل شبکۀ اجتماعی. ترجمۀ اکبر طالب‌پور. نشر جامعه‌شناسان.
  12. مجیدی، حسن و قنبری، راحله (1391). جایگاه مخاطب در سیاست‌گذاری خبری. فصلنامۀ رسانه، 23(1)، 92-67.
  13. Aguilar, , Fernández, S., Cassany, D. (2016). Analysis of user behavior with a multicamera HbbTV App in a Live Sports Event, Chicago, Illinois, USA, TVX '16Proceedings of the ACM International Conference on Interactive Experiences for TV and Online Video, 43-46
  14. Carter, T. (2008). Department of Sociology and Institute for Mathematical Behavioral Sciences. University of California, Irvine, California, USA
  15. Chen, D., Lü, L., Shang, M., Zhang, Yi- & Zhou, T. (2012). Identifying influential nodes in complex networks. Statistical Mechanics and Its Applications 391, pp. 1777-1787.
  16. Chen, , Zhou, Y. & Chiu, D. (2014). A study of user behavior in online VoD services. 22nd International Conference on Computer Communication and Networks (ICCCN), 66-75.
  17. (2017). Cisco visual networking index: Global mobile data traffic forecast update, 2016-202, cisco white paper, www.Cisco.com.
  18. De Marcos, L., García-Lopez, E., García-Cabot, A., Medina-Merodio, J., Domínguez, A., Martínez-Herraiz, J. & Diez-Folledo, T. (2016). Social network analysis of a gamified e-learning course: Small-world phenomenon and network metrics as predictors of academic performance. Computers in Human Behavior, 60, 312-321.
  19. Deb Roy, S., Tao Mei,  & Li, S. (2013). Towards Cross-Domain Learning for Social Video Popularity Prediction. IEEE Transactions on Multimedia, 15(6), 1255-1267.
  20. (2018). Future scenarios for the TV and video industry by 2030. Deloitte Report.
  21. Fortunato, S. (2010). Community detection in graphs. Physics reports, 486(3-5), 75-174.
  22. Golbeck, J. (2013). Analyzing the social web. Morgan Kaufmann.
  23. Grover, V., Chiang, R., Liang, T. & Zhang, D. (2018). Creating strategic business value from big data analytics: A research framework. Journal of Management Information Systems, 35(2), 388-423.
  24. Huang, L., Ding, B., Wang, A., Xu, Y., Zhou, Y. & Li, X. (2018). User behavior analysis and video popularity prediction on a large-scale VoD system. ACM Trans. Multimedia Comput. Commun, (14), 24, 52-76.
  25. Meghanathan, N. (2016). A greedy algorithm for neighborhood overlap-based community detection. Algorithms, 9(1), 5-22.
  26. Mikos, L. (2016). Digital media platforms and the use of TV content: Binge watching and video-on-demand in germany, Department of Media Studies, Germany, Film university Babelsberg Konrad Wolf, 14482 Potsdam, 154-161.
  27. Newman, M. (2004). Fast algorithm for detecting community structure in networks. Physical Review E, 69(6),
  28. Pan, L. (2007).Effective and efficient methodologies for social network analysis. Ph.D. Dissertation, Department of Computer Science. Defense: 2007-12-11 Advisor: Santos, Eunice E
  29. Pinheiro, N. (2014). A study on the structure and dynamics of complex networks. Universidade Estadual de Campinas, Instituto de Física Gleb Wataghin, Campinas.
  30. (2018). Netflix statista dossier, Retrieved from, Statista Study.
  31. Wasserman, S. & Faust, K. (1994). Social network analysis: Methods and applications. Cambridge university press.
  32. deloitte.com/global/en/pages/technology-media-and-telecommunications/articles/gx-future-of-tv-video.html
  33. statista.com/study/15313/netflix-statista-dossier/
  34. Yu, H., Zheng, D., Zhao, B. & Zheng, W. (2006). Understanding user behavior in large-scale video-on-demand systems. Proceedings of the 1st ACM SIGOPS/EuroSys European Conference on Computer Systems, 333-344.

Files

History

  • Receive Date: 13 December 2020
  • Revise Date: 20 January 2021
  • Accept Date: 09 March 2021

Share

How to cite

Statistics