ارزیابی شبکه های اجتماعی با مدل های لجستیک – مدل ونسیم

توضیحات

این یک مدل رشد لجستیک سیستم دینامیک (پویایی شناسی سیستم) برای پایگاه کاربران فیس بوک است که یک پیش بینی مالی بسیار ساده به آن پیوست شده است. الهام گرفته شده از:

چه کسی قیمت ها را خودش تعیین می کند؟ ارزیابی فیس بوک و تشخیص حباب بر اساس پویایی جمعیتی غیرخطی

پیتر کاولز، دیدیه سورنت

ما یک روش جدید برای تعیین ارزش بنیادی شرکت‌ها در بخش شبکه‌های اجتماعی بر اساس دو مؤلفه ارائه می‌کنیم: (1) درآمدها و سود ذاتاً از طریق یک کانال مستقیم که در سایر بخش‌ها مشابهی ندارد، به مبنای کاربر آن مرتبط است. (2) رشد تعداد کاربران را می توان با مدل های استاندارد رشد لجستیک کالیبره کرد و امکان برون یابی قابل اعتماد اندازه کسب و کار را در افق های زمانی طولانی فراهم می کند. ما این روش را با تجزیه و تحلیل دقیق فیس بوک، یکی از بزرگترین غول های رسانه های اجتماعی، نشان می دهیم. امضای واضحی از تغییر رژیمی که در سال 2010 روی رشد تعداد کاربران رخ داد وجود دارد، از یک رفتار نمایی خالص (پارادایمی برای رشد نامحدود) به یک تابع لجستیک با فلات مجانبی (پارادایمی برای رشد در رقابت) . ما سه سناریوی مختلف، یک مورد پایه، یک سناریوی رشد بالا و یک سناریوی رشد شدید را در نظر می گیریم. با استفاده از ضریب تخفیف 5 درصد، حاشیه سود 29 درصد و 3.5 دلار درآمد به ازای هر کاربر در سال، ارزش فیس بوک در سناریوی موردی پایه 15.3 میلیارد دلار، در سناریوی رشد بالا 20.2 میلیارد دلار و 32.9 میلیارد دلار به دست می آید. در سناریوی رشد شدید طبق روش شناسی ما، این بدان معناست که فیس بوک باید سود خود را برای هر کاربر قبل از IPO با ضریب 3 تا 6 در سناریوی موردی پایه، 2.5 به 5 در سناریوی رشد بالا و 1.5 به 3 در سناریوی رشد شدید افزایش دهد. سناریویی به منظور برآورده کردن انتظارات فعلی، گسترده و بالا. …

(از طریق وبلاگ arXiv)

این یک تکرار دقیق از مدل نیست (اگرچه می توانید پارامترها را از مقاله C&S وصل کنید تا نتایج آنها را تکرار کنید). من از روش‌های تخمین کمی متفاوت، تعمیم لجستیک (برای توان اشباع <> 1)، و درآمدها و نرخ‌های بهره متغیر در پیش‌بینی‌ها (همچنین اختیاری) استفاده کردم.

این یک تصویر خوب از نحوه عملکرد کالیبراسیون است. سود در این مدل در واقع یک بازده سیاست است، زیرا مجموع-مربع-خطای وزنی به صراحت در مدل محاسبه می شود. این امکان تولید نمونه‌های مونت کارلو و فیلتر کردن آن‌ها توسط SSE را فراهم می‌کند و همچنین تخمین مقیاس و تنوع در خطای استاندارد گزارش‌های پایه کاربر را آسان‌تر می‌کند.

مدل به داده های ورودی در یک صفحه گسترده متصل می شود. بیشتر از این مقاله گرفته شده است، اما من کاربران و درآمدها را با آخرین تخمین هایی که پیدا کردم به روز کردم.

یک دستور اسکریپت اجرای بهینه‌سازی را تکرار می‌کند که مدل را با داده‌ها برای مقادیر مختلف ظرفیت حمل کاربر K مطابقت می‌دهد.

توجه داشته باشید که دو نما وجود دارد، یکی برای کاربران و دیگری برای پیش بینی های مالی.

برای بررسی نتیجه، پست وبلاگ همراه من را ببینید.

این مدل به Vensim DSS، Pro یا Model Reader نیاز دارد. facebook 3.vpm یا facebook3.zip (اگر DSS یا Pro دارید و می‌خواهید با فایل‌های کنترلی تکمیلی کار کنید، .zip احتمالا راحت‌تر است.)

به روز رسانی: من مجموعه دیگری از مدل ها را برای Groupon اضافه کرده ام: groupon 1.vpm، groupon 2.vpm و groupon.zip groupon3.zip

برای جزئیات به آخرین پست وبلاگ من مراجعه کنید. یک دستور اسکریپت اجرای بهینه‌سازی را تکرار می‌کند که مدل را با داده‌ها برای مقادیر مختلف ظرفیت حمل کاربر K مطابقت می‌دهد.

توجه داشته باشید که دو نما وجود دارد، یکی برای کاربران و دیگری برای پیش بینی های مالی.

برای بررسی نتایج به پست وبلاگ همراه من مراجعه کنید.

این مدل به Vensim DSS، Pro یا Model Reader نیاز دارد. facebook 3.vpm یا facebook3.zip (اگر DSS یا Pro دارید و می‌خواهید با فایل‌های کنترل تکمیلی کار کنید، .zip احتمالا راحت‌تر است.)

به روز رسانی: من مجموعه دیگری از مدل ها را برای Groupon اضافه کرده ام: groupon 1.vpm، groupon 2.vpm و groupon.zip groupon3.zip

برای جزئیات بیشتر به آخرین پست وبلاگ من مراجعه کنید.