Fenomen-Hedef Kitle Eşleştirmesinin Otomatikleştirilmesi: Sosyal Medya Gönderilerinin Sınıflandırılması ile Reklama Yönelik Hedef Kitle Analizi

Öz

İnternet kullanımının son yıllarda yaygınlaşması, bireylerin ve toplumların iletişimden alışveriş alışkanlıklarına kadar neredeyse her alanda davranışlarının evrilerek büyük değişikliklerin ortaya çıkmasına sebep olmuştur. Böylece geleneksel iletişim yöntemleri de dönüşüme uğramıştır. Bu gelişmeler sonucunda, günümüzde en yaygın iletişim aracı olarak kabul edilen sosyal medya kavramı doğmuştur. Yeni bir iletişim şekli olan sosyal medya, kurum ve kuruluşların hedef kitleleri ile yer ve zaman kısıtı olmaksızın doğrudan iletişim kurabilmelerini mümkün kılarak reklam verenler için ürünlerini tanıtabilecekleri oldukça etkili bir kanal haline gelmiştir. Sosyal medyada ürün pazarlamak “fenomen” olarak adlandırılan kişiler sayesinde gerçekleşmektedir ve her fenomenin hitap ettiği bir hedef kitle bulunmaktadır. Bu bağlamda, fenomenlerin hitap ettiği hedef kitle ile reklamı yapılacak ürünün hedef kitlesinin doğru bir şekilde eşleşmesi, sosyal medya üzerinden yapılan ürün pazarlamasında kritik bir rol oynamaktadır. Bu çalışmada en doğru fenomen-ürün hedef kitle eşleşmesini gerçekleştirebilmek adına, Instagram fenomenlerinin paylaşmış olduğu gönderileri analiz ederek fenomenin hedef kitlesini kategorize eden bir metin sınıflandırma modeli geliştirilmiştir. Bu amaç doğrultusunda veri gizliliğini ihlal etmemek adına Instagram profili herkese açık olan 1.005 farklı fenomenin üçüncü taraf bir yazılım ile gönderileri elde edilerek bu gönderilerdeki açıklamalar BERTopic mimarisi ile kümelenmiştir. Oluşturulan kümelerin temsilleri ve içeriği incelenerek temsil ettiği kategoriye göre etiketlenmiştir. Etiketlenen veriler ile BERTurk sınıflandırma modeli geliştirilmiştir. Sınıflandırma model performans değerlendirilmesi sonucunda ölçülerek 0,92 doğruluk ve 0,91 F1 skor değeri elde edilmiştir. Elde edilen sonuçlar doğrultusunda yüksek sınıflandırma doğruluğu ile fenomen gönderilerini otomatik olarak kategorize edebilen bir sistem geliştirilmiş ve fenomen-ürün hedef kitle eşleştirilmesinde başarıyla kullanılmıştır.

Anahtar Kelimeler

• Metin sınıflandırma
• Kümeleme Analizi
• BERTopic
• BERTurk
• Instagram

Automating Influencer-Target Audience Matching: Target Audience Analysis for Advertising through Classification of Social Media Posts

Öz

The widespread adoption of the internet has led to significant transformations in individual and societal behaviors, influencing everything from communication to shopping habits. As a result, traditional communication methods have evolved, giving rise to social media as a dominant medium today. Social media enables organizations to engage directly with target audiences without geographical or temporal constraints, making it an effective platform for advertisers. Social media marketing is often facilitated by “influencers,” individuals who have built their own audience. Accurate matching between the influencer's target audience and the advertised product's audience is essential for effective social media marketing. This study aims to develop a text classification model that categorizes the target audiences of Instagram influencers by analyzing their posts, in order to achieve the most accurate influencer-product target audience matching. To avoid violating data privacy, posts from 1.005 distinct influencers with publicly accessible Instagram profiles were collected using a third-part software, and the descriptions in these posts were clustered using the BERTopic architecture for topic modeling. A BERTurk classification model was developed using the labeled data. The representations and content of the resulting clusters were analyzed and labeled according to the categories they represented. These labeled records were then used for classification purposes. The performance of the classification model was evaluated, achieving an accuracy of 0,92 and an F1 score of 0,91. The results demonstrate the development of a system that can automatically categorize influencer posts with high classification accuracy and has been successfully applied for influencer-product target audience matching.

Anahtar Kelimeler

• Text Classification
• Clustering Analysis
• BERTopic
• BERTurk
• Instagram

Kaynakça

1. Acı, Ç. and Çırak, A., 2019. Türkçe haber metinlerinin konvolüsyonel sinir ağları ve Word2Vec kullanılarak sınıflandırılması. Bilişim Teknolojileri Dergisi, 12(3), pp.219-228.
2. Aitken, K., Ramasesh, V., Cao, Y. and Maheswaranathan, N., 2021. Understanding how encoder-decoder architectures attend. Advances in Neural Information Processing Systems, 34, pp.22184-22195.
3. Apify. (2022). Web scraping, data extraction and automation. Apify. Retrieved March 22, 2022, from: https://apify.com/
4. Arslan, E., 2017, August. The effect of social media on marketing. In International Congress Of Eurasian Social Sciences (ICOESS).
5. Bagwell, K., 2007. The economic analysis of advertising. Handbook of industrial organization, 3, pp.1701-1844.
6. Carr, C.T. and Hayes, R.A., 2015. Social media: Defining, developing, and divining. Atlantic journal of communication, 23(1), pp.46-65.
7. Çelıkten, A. and Bulut, H., 2021, June. Turkish medical text classification using bert. In 2021 29th signal processing and communications applications conference (SIU) (pp. 1-4). IEEE.
8. Çepni, S., Toprak, A. G., Yatkınoğlu, A., Mercan, Ö. B., & Ozan, Ş. (2023). Performance Evaluation of a Pretrained BERT Model for Automatic Text Classification. Journal of Artificial Intelligence and Data Science, 3(1), 27-35.

9. Çopuroğlu, F., 2022. Fenomen pazarlamanın satın alma niyeti üzerindeki etkisinde menşei ülkenin aracılık rolü. Gaziantep University Journal of Social Sciences, 21(4), pp.2258-2275.
10. Dalkılıç, G., & Çebi, Y., 2003. Türkçe külliyat oluşturulması ve Türkçe metinlerde kullanılan kelimelerin uzunluk dağılımlarının belirlenmesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 5(1), 1-7.
11. Devlin, J., Chang, M.W., Lee, K. and Toutanova, K., 2018. Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
12. González-Carvajal, S. and Garrido-Merchán, E.C., 2020. Comparing BERT against traditional machine learning text classification. arXiv preprint arXiv:2005.13012.
13. Grootendorst, M., 2022. BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794.
14. Güler, H., Şahinkayası, Y. and Şahinkayası, H., 2017. İnternet ve mobil teknolojilerin yaygınlaşması: Fırsatlar ve sınırlılıklar. Kilis 7 Aralık Üniversitesi Sosyal Bilimler Dergisi, 7(14), pp.186-207.
15. Karataş, M. and Eti, H.S., 2022. Dijital pazarlama çağında Instagram fenomenlerinin tüketici satın alma davranışlarına etkisi. AJIT-e: Academic Journal of Information Technology, 13(50), pp.184-219.
16. Kaşıkçı, T. and Gökçen, H., 2014. Metin madenciliği ile e-ticaret sitelerinin belirlenmesi. Bilişim Teknolojileri Dergisi, 7(1).
17. Khalid, U., Beg, M.O. and Arshad, M.U., 2021. Rubert: A bilingual roman urdu bert using cross lingual transfer learning. arXiv preprint arXiv:2102.11278.
18. Kim, S., Jiang, J.Y., Nakada, M., Han, J. and Wang, W., 2020, April. Multimodal post attentive profiling for influencer marketing. In Proceedings of The Web Conference 2020 (pp. 2878-2884).
19. Leung, F.F., Gu, F.F. and Palmatier, R.W., 2022. Online influencer marketing. Journal of the Academy of Marketing Science, 50(2), pp.226-251.
20. Liu, C.Z., Sheng, Y.X., Wei, Z.Q. and Yang, Y.Q., 2018, August. Research of text classification based on improved TF-IDF algorithm. In 2018 IEEE international conference of intelligent robotic and control engineering (IRCE) (pp. 218-222). IEEE.
21. Özdemir, S.S., Özdemir, M., Polat, E. and Aksoy, R., 2014. Sosyal medya kavrami ve sosyal ağ sitelerinde yer alan online reklam uygulamalarinin incelenmesi. Ejovoc (Electronic Journal of Vocational Colleges), 4(4), pp.58-64.
22. Özkan, M. and Kar, G., 2022. Türkçe Dilinde Yazılan Bilimsel Metinlerin Derin Öğrenme Tekniği Uygulanarak Çoklu Sınıflandırılması. Mühendislik Bilimleri ve Tasarım Dergisi, 10(2), pp.504-519.
23. Öztek, M., Yerden, N.K., Çolak, E. and Sarı, E., 2021. Fenomen pazarlamasında sosyal medyanın rolü ve moda sektörü üzerine bir içerik analizi. Yaşar Üniversitesi E-Dergisi, 16(62), pp.1053-1077.
24. Prabowo, F. and Purwarianti, A., 2017, November. Instagram online shop's comment classification using statistical approach. In 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE) (pp. 282-287). IEEE.
25. Reimers, N. and Gurevych, I., 2019. Sentence-bert: Sentence embeddings using siamese bert-networks. arXiv preprint arXiv:1908.10084.
26. Sel, S. and Hanbay, D., 2019, April. E-mail classification using natural language processing. In 2019 27th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
27. Terkan, R., 2014. Sosyal Medya Ve Pazarlama: Tüketicide Kalite Yansimasi. Organizasyon ve Yönetim Bilimleri Dergisi, 6(1), pp.57-71.
28. Uslu, O. and Özmen-akyol, S., 2021. Türkçe haber metinlerinin makine öğrenmesi yöntemleri kullanılarak sınıflandırılması. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 2(1), pp.15-20.
29. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, Ł. and Polosukhin, I., 2017. Attention is all you need. Advances in neural information processing systems, 30.
30. Yıldırım, Y. and Yıldırım, H., 2022. Dijital Sınırların Sonsuzluğu: Günlük Hayattan Somut Örnekler. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 10(4), pp.1838-1864.