Analityka mediów społecznościowych
Analityka mediów społecznościowych to proces gromadzenia i analizowania danych z sieci społecznościowych, takich jak Facebook , Instagram , LinkedIn czy Twitter . Część analityki mediów społecznościowych nazywana jest monitoringiem mediów społecznościowych lub słuchaniem społecznościowym . Jest powszechnie używany przez marketerów do śledzenia rozmów online na temat produktów i firm. Jeden z autorów zdefiniował to jako „sztukę i naukę wydobywania cennych, ukrytych spostrzeżeń z ogromnych ilości częściowo ustrukturyzowanych i nieustrukturyzowanych danych z mediów społecznościowych, aby umożliwić świadome i wnikliwe podejmowanie decyzji”.
Proces
Istnieją trzy główne etapy analizy mediów społecznościowych: identyfikacja danych, analiza danych i interpretacja informacji. Aby zmaksymalizować wartość uzyskiwaną na każdym etapie procesu, analitycy mogą zdefiniować pytanie, na które należy odpowiedzieć. Ważne pytania dotyczące analizy danych to: „Kto? Co? Gdzie? Kiedy? Dlaczego? i jak?” Te pytania pomagają w określeniu odpowiednich źródeł danych do oceny, co może wpłynąć na rodzaj analizy, którą można przeprowadzić.
Identyfikacja danych
Identyfikacja danych to proces identyfikowania podzbiorów dostępnych danych, na których należy skoncentrować się podczas analizy. Surowe dane są przydatne po ich zinterpretowaniu. Po przeanalizowaniu danych może zacząć przekazywać wiadomość. Wszelkie dane, które przekazują sensowną wiadomość, stają się informacją. Na wysokim poziomie nieprzetworzone dane przybierają następujące formy, aby przełożyć je na dokładny komunikat: zaszumione dane; dane istotne i nieistotne, dane filtrowane; tylko istotne dane, informacje; dane, które przekazują niejasny komunikat, wiedzę; dane, które niosą precyzyjny przekaz, mądrość; dane, które przekazują dokładne przesłanie i przyczynę. By czerpać mądrość z nieprzetworzonych danych musimy zacząć je przetwarzać, dopracować zbiór danych o dane, na których chcemy się skupić, oraz uporządkować dane w celu identyfikacji informacji. W kontekście analityki mediów społecznościowych identyfikacja danych oznacza, „jakie” treści są interesujące. Poza treścią tekstu chcemy wiedzieć: kto napisał tekst? Gdzie został znaleziony lub w którym miejscu w mediach społecznościowych się pojawił? Czy interesują nas informacje z konkretnego regionu? Kiedy ktoś powiedział coś w mediach społecznościowych?
Atrybuty danych, które należy wziąć pod uwagę, są następujące:
- Struktura : Dane strukturalne to dane, które zostały zorganizowane w sformatowane repozytorium — zazwyczaj bazę danych — tak, aby można było adresować jego elementy w celu bardziej efektywnego przetwarzania i analizy. Dane nieustrukturyzowane , w przeciwieństwie do danych strukturalnych, są najmniej sformatowanymi danymi.
- Język : Język staje się istotny, jeśli chcemy poznać nastrój postu, a nie liczbę wzmianek.
- Region : ważne jest, aby dane uwzględnione w analizie pochodziły tylko z tego regionu świata, na którym koncentruje się analiza. Na przykład, jeśli celem jest zidentyfikowanie problemów z czystą wodą w Indiach , chcielibyśmy mieć pewność, że zebrane dane pochodzą wyłącznie z Indii .
- Rodzaj treści: Treścią danych może być tekst (tekst pisany, który jest łatwy do odczytania i zrozumienia, jeśli znasz język), zdjęcia (rysunki, proste szkice lub fotografie), dźwięk (nagrania audio książek, artykułów, przemówień, lub dyskusje) lub Wideo (nagrania, transmisje na żywo).
- Miejsce: Treść mediów społecznościowych jest generowana w różnych miejscach, takich jak serwisy informacyjne i serwisy społecznościowe (np. Facebook , Twitter ). W zależności od rodzaju projektu, dla którego gromadzone są dane, miejsce staje się bardzo istotne.
- Czas: ważne jest, aby zbierać dane publikowane w ramach czasowych, które są analizowane.
- Własność danych: czy dane są prywatne czy dostępne publicznie? Czy dane są objęte prawami autorskimi ? Są to ważne pytania, na które należy odpowiedzieć przed zebraniem danych.
Analiza danych
Analiza danych to zestaw działań, które pomagają przekształcić surowe dane w wgląd, co z kolei prowadzi do nowej bazy wiedzy i wartości biznesowej . Innymi słowy, analiza danych jest fazą, w której filtrowane dane są przetwarzane jako dane wejściowe i przekształcane w informacje wartościowe dla analityków. Z danymi z mediów społecznościowych można przeprowadzać wiele różnych rodzajów analiz, w tym analizę postów, nastrojów , czynników nastrojów, geografii, danych demograficznych , itp. Etap analizy danych rozpoczyna się, gdy wiemy, jaki problem chcemy rozwiązać i wiemy, że mamy wystarczającą ilość danych, aby wygenerować miarodajny wynik. Skąd możemy wiedzieć, czy mamy wystarczająco dużo dowodów, aby uzasadnić wniosek? Odpowiedź na to pytanie brzmi: nie wiemy. Nie możemy tego wiedzieć, dopóki nie zaczniemy analizować danych. Analizując, czy stwierdziliśmy, że dane nie są wystarczające, powtórz pierwszą fazę i zmodyfikuj pytanie. Jeśli uważa się, że dane są wystarczające do analizy, musimy zbudować model danych.
Opracowanie modelu danych to proces lub metoda, której używamy do organizowania elementów danych i standaryzacji sposobu, w jaki poszczególne elementy danych są ze sobą powiązane. Ten krok jest ważny, ponieważ chcemy uruchomić program komputerowy na danych; potrzebujemy sposobu, aby powiedzieć komputerowi , które słowa lub tematy są ważne i czy określone słowa odnoszą się do badanego przez nas tematu.
W analizie naszych danych dobrze jest mieć do dyspozycji kilka narzędzi, które pozwalają spojrzeć z innej perspektywy na dyskusje toczące się wokół tematu. Celem jest tutaj skonfigurowanie narzędzi do maksymalnej wydajności dla określonego zadania. Na przykład myślenie o chmurze słów , jeśli weźmiemy dużą ilość danych od profesjonalistów komputerowych, powiedzmy „architekta IT”, i zbudujemy chmurę słów, bez wątpienia największym słowem w chmurze będzie „architekt”. Ta analiza dotyczy również użycia narzędzi. Niektóre narzędzia mogą dobrze sprawdzać się w określaniu nastrojów, podczas gdy inne mogą lepiej radzić sobie z rozkładaniem tekstu na formę gramatyczną, która pozwala nam lepiej zrozumieć znaczenie i zastosowanie różnych słów lub wyrażeń. Podczas przeprowadzania analizy analitycznej trudno jest wyliczyć każdy krok do podjęcia analitycznej podróży. Jest to bardzo iteracyjne podejście, ponieważ nie ma określonego sposobu robienia rzeczy.
Taksonomia i spostrzeżenia wynikające z tej analizy są następujące:
- Głębokość analizy: proste statystyki opisowe oparte na danych przesyłanych strumieniowo , analiza ad hoc na zgromadzonych danych lub głęboka analiza wykonana na zgromadzonych danych. Ten wymiar analizy jest w rzeczywistości uzależniony od ilości czasu dostępnego na opracowanie wyników projektu. Można to uznać za szerokie kontinuum, w którym czas analizy waha się od kilku godzin na jednym końcu do kilku miesięcy na drugim końcu. Ta analiza może odpowiedzieć na następujące rodzaje pytań:
- Ile osób wspomniało o Wikipedii w swoich tweetach?
- Który polityk miał najwięcej polubień podczas debaty ?
- Który z konkurentów zbiera najwięcej wzmianek w kontekście biznesu społecznościowego ?
- Wydajność maszyny: ilość procesora potrzebna do przetwarzania zestawów danych w rozsądnym czasie. Liczby pojemności muszą uwzględniać nie tylko procesora , ale także pojemność sieci potrzebną do pobierania danych. Ta analiza może być przeprowadzana w czasie rzeczywistym, prawie w czasie rzeczywistym, eksploracja ad hoc i głęboka analiza. Analiza w czasie rzeczywistym w mediach społecznościowych jest ważnym narzędziem, gdy próbuje się zrozumieć, jak opinia publiczna postrzega określony temat w miarę jego rozwoju, aby umożliwić reakcję lub natychmiastową zmianę kursu. W analizie w czasie zbliżonym do rzeczywistego zakładamy, że dane są pobierane do narzędzia z szybkością mniejszą niż w czasie rzeczywistym. Analiza ad hoc to proces mający na celu udzielenie odpowiedzi na jedno konkretne pytanie. Produktem analizy ad hoc jest zwykle raport lub podsumowanie danych. Głęboka analiza implikuje analizę, która obejmuje długi czas i obejmuje dużą ilość danych, co zwykle przekłada się na wysokie wymagania dotyczące procesora.
- Domena analizy: Domena analizy jest ogólnie podzielona na zewnętrzne media społecznościowe i wewnętrzne media społecznościowe. W większości przypadków, gdy ludzie używają terminu media społecznościowe, mają na myśli zewnętrzne media społecznościowe. Obejmuje to treści generowane z popularnych serwisów społecznościowych, takich jak Twitter , Facebook i LinkedIn . Wewnętrzne media społecznościowe obejmują korporacyjną sieć społecznościową , która jest prywatną siecią społecznościową używaną do wspomagania komunikacji w firmie.
- Szybkość danych: Szybkość danych w mediach społecznościowych można podzielić na dwie kategorie: dane w spoczynku i dane w ruchu. Wymiary prędkości danych w ruchu mogą odpowiedzieć na pytania takie jak: Jak zmienia się nastawienie ogółu populacji do graczy w trakcie meczu? Czy publiczność wyraża pozytywne opinie na temat gracza, który faktycznie przegrywa? W takich przypadkach analiza jest wykonywana na bieżąco. W tej analizie ilość uzyskanych szczegółów jest bezpośrednio skorelowana ze złożonością narzędzia analitycznego lub systemu . Wysoce złożone narzędzie generuje więcej szczegółów. Drugi rodzaj analizy w kontekście prędkości to analiza danych w spoczynku. Ta analiza jest przeprowadzana po całkowitym zebraniu danych. Przeprowadzenie tej analizy może dostarczyć informacji takich jak: który z produktów Twojej firmy ma najwięcej wzmianek w porównaniu z innymi? Jaki jest względny sentyment wokół Twoich produktów w porównaniu z produktem konkurencji?
Interpretacja informacji
Spostrzeżenia wynikające z analizy mogą być tak różne, jak pierwotne pytanie postawione w pierwszym kroku analizy. Na tym etapie, ponieważ odbiorcami informacji są nietechniczni użytkownicy biznesowi, istotna staje się forma prezentacji danych. W jaki sposób dane mogą mieć sens, aby można je było wykorzystać w podejmowaniu dobrych decyzji? Wizualizacja (grafika) informacji jest odpowiedzią na to pytanie.
Najlepsze wizualizacje to takie, które ujawniają coś nowego na temat wzorców i relacji leżących u podstaw danych. Wyeksponowanie wzorców i zrozumienie ich odgrywa kluczową rolę w procesie podejmowania decyzji. Podczas wizualizacji danych należy wziąć pod uwagę głównie trzy kryteria.
- Zrozum odbiorców : przed zbudowaniem wizualizacji ustal cel, którym jest przekazanie dużej ilości informacji w formacie łatwo przyswajalnym przez konsumenta informacji. Ważne jest, aby odpowiedzieć na pytanie „Kim jest publiczność?” oraz „Czy możesz założyć, że publiczność ma wiedzę na temat używanej terminologii?” Publiczność ekspertów będzie miała inne oczekiwania niż ogół odbiorców; dlatego należy wziąć pod uwagę oczekiwania.
- Stwórz jasne ramy: analityk musi upewnić się, że wizualizacja jest poprawna składniowo i semantycznie. Na przykład, gdy używana jest ikona, element powinien być podobny do rzeczy, którą reprezentuje, z rozmiarem, kolorem i położeniem, które przekazują znaczenie widzowi.
- Opowiedz historię : informacje analityczne są złożone i trudne do przyswojenia, dlatego celem wizualizacji jest zrozumienie informacji i nadanie im sensu. Opowiadanie historii pomaga widzowi uzyskać wgląd w dane. Wizualizacja powinna pakować informacje w strukturę, która jest przedstawiona jako narracja i łatwa do zapamiętania. Jest to ważne w wielu scenariuszach, gdy analityk nie jest tą samą osobą, co decydent.
Techniki
| Typowe przypadki użycia analityki mediów społecznościowych | Wymagany wgląd w biznes | Techniki analizy mediów społecznościowych | Wskaźniki wydajności mediów społecznościowych |
|---|---|---|---|
| Segmentacja odbiorców w mediach społecznościowych | W jakie segmenty kierować się celem pozyskania, wzrostu lub utrzymania? Kim są orędownicy i osoby, które mają wpływ na markę lub produkt? | Analiza sieci społecznościowych | Aktywni orędownicy, wpływ orędowników |
| Odkrywanie informacji w mediach społecznościowych | Jakie są nowe lub pojawiające się tematy istotne dla biznesu? Czy pojawiają się nowe wspólnoty wpływów? | Przetwarzanie języka naturalnego , przetwarzanie złożonych zdarzeń | Trendy tematyczne, wskaźnik nastrojów |
| Ekspozycja i wpływ mediów społecznościowych | Jakie jest postrzeganie marki wśród wyborców? Jak marka wypada na tle konkurencji? Jakie kanały mediów społecznościowych są wykorzystywane do dyskusji? | Analiza sieci społecznościowych, przetwarzanie języka naturalnego | Zasięg konwersacji, szybkość, udział głosu, zaangażowanie odbiorców |
| Wnioski dotyczące zachowania w mediach społecznościowych | Jaki jest związek między tematami i zagadnieniami istotnymi dla biznesu? Jakie są przyczyny wyrażonej intencji (zakup, rezygnacja itp.)? | Przetwarzanie języka naturalnego, grupowanie , eksploracja danych | Zainteresowania lub preferencje (temat), korelacje , macierze powinowactwa tematycznego |
Wpływ na wywiad gospodarczy
Niedawne badania dotyczące analityki mediów społecznościowych podkreśliły potrzebę przyjęcia podejścia opartego na analizie biznesowej do gromadzenia, analizowania i interpretowania danych z mediów społecznościowych. Media społecznościowe stanowią obiecujące, choć trudne źródło danych dla analityki biznesowej. Klienci dobrowolnie rozmawiają o produktach i firmach, dając w czasie rzeczywistym puls nastrojów i adopcji marki. Media społecznościowe to jedno z najważniejszych narzędzi dla marketerów w szybko zmieniającym się krajobrazie medialnym. Firmy stworzyły wyspecjalizowane stanowiska do obsługi marketingu w mediach społecznościowych. Argumenty te są zgodne z literaturą dotyczącą marketingu w mediach społecznościowych, która sugeruje, że działania w mediach społecznościowych są ze sobą powiązane i wzajemnie na siebie wpływają.
Moon i Iacobucci (2022) skupili się na zastosowaniach marketingowych analityki mediów społecznościowych. Takie aplikacje obejmują zachowanie konsumentów w mediach społecznościowych, wpływ mediów społecznościowych na wyniki firmy, strategię biznesową, zarządzanie produktem/marką, analizę sieci mediów społecznościowych, prywatność konsumentów i bezpieczeństwo danych w mediach społecznościowych oraz fikcyjne/stronnicze treści w mediach społecznościowych. W szczególności prywatność konsumentów i bezpieczeństwo danych stają się coraz ważniejsze w świecie mediów społecznościowych, biorąc pod uwagę rosnące ryzyko wynikające z naruszeń danych w mediach społecznościowych . Podobnie, wraz z rozwojem mediów społecznościowych znacznie wzrosła liczba podejrzanych wpisów w mediach społecznościowych. Luca i Servas (2015) stwierdzili, że firmy mają potencjalną motywację do korzystania z fałszywych ogłoszeń, gdy zwiększają konkurencję. Dlatego ulepszanie naszej zdolności do identyfikowania i monitorowania podejrzanych wpisów (np. fałszywych recenzji na Yelp) stało się ważną częścią zarządzania platformą mediów społecznościowych.
Rola w polityce międzynarodowej
Możliwości zagrożeń związanych z analityką mediów społecznościowych i eksploracją mediów społecznościowych na arenie politycznej zostały ujawnione pod koniec 2010 roku. W szczególności zaangażowanie firmy zajmującej się eksploracją danych, Cambridge Analytica, w wyborach prezydenckich w Stanach Zjednoczonych w 2016 r. oraz Brexit były reprezentatywnymi przypadkami, które pokazują niebezpieczeństwa wynikające z powiązania eksploracji mediów społecznościowych z polityką. To podniosło kwestię prywatności danych dla osób fizycznych oraz granice prawne, które mają zostać utworzone dla firm zajmujących się analizą danych w związku z polityką w przyszłości. Oba poniższe przykłady pokazują przyszłość, w której duże zbiory danych mogą zmienić grę w polityce międzynarodowej. Jest prawdopodobne, że polityka i technologia będą ewoluować razem przez następne stulecie. W przypadkach z Cambridge Analytica efekty analityki mediów społecznościowych odbiły się echem na całym świecie przez dwie największe światowe potęgi, Stany Zjednoczone i Wielką Brytanię
Wybory prezydenckie w Stanach Zjednoczonych w 2016 r
Skandal , który nastąpił po amerykańskich wyborach prezydenckich w 2016 roku, dotyczył trójstronnej relacji między Cambridge Analytica, kampanią Trumpa i Facebookiem . Cambridge Analytica pozyskała dane ponad 87 milionów nieświadomych użytkowników Facebooka i przeanalizowała je na potrzeby kampanii Trumpa. Tworząc tysiące punktów danych na temat 230 milionów dorosłych Amerykanów, firma zajmująca się eksploracją danych miała potencjał do analizowania, które osoby można przekonać do głosowania na kampanię Trumpa, a następnie wysyłania wiadomości lub reklam do tych celów i wpływania na sposób myślenia użytkowników. Konkretni docelowi wyborcy mogliby wtedy być narażeni na wiadomości popierające Trumpa, nawet nie będąc świadomymi wpływu politycznego, jaki na nich spoczywa. Taka specyficzna forma kierowania, w której wybrane osoby są zapoznawane z ponadprzeciętną ilością reklam w kampanii, nazywana jest „mikrotargetowaniem”. Pozostaje wiele kontrowersji co do pomiaru wpływu tego mikrotargetowania na wybory w 2016 roku. Wpływ mikrotargetowania reklam i analizy danych z mediów społecznościowych na politykę jest niejasny od końca 2010 roku jako nowo powstająca dziedzina technologii.
Chociaż było to naruszenie prywatności użytkowników, eksploracja danych i marketing ukierunkowany podważyły odpowiedzialność publiczną, której podmioty mediów społecznościowych już nie podlegają, tym samym wypaczając demokratyczny system wyborczy i pozwalając na zdominowanie go przez platformy „treści tworzonych przez użytkowników [które] spolaryzowały”. przekaz medialny”.
Kontrowersje związane z wyborami prezydenckimi w Stanach Zjednoczonych w 2020 r
Analiza grup politycznych i postów na Facebooku przeprowadzona przez firmę CounterAction, zajmującą się analizą mediów społecznościowych, wykazała rolę gigantów mediów społecznościowych w ruchach protestacyjnych, takich jak próby obalenia wyborów prezydenckich w Stanach Zjednoczonych w 2020 r. i ataku na Kapitol Stanów Zjednoczonych w 2021 r .
brexitu
Podczas referendum w sprawie Brexitu w 2016 r. Cambridge Analytica wzbudziła kontrowersje w związku z wykorzystaniem danych zebranych z mediów społecznościowych. Podobny przypadek miał miejsce, w którym naruszenie i dane z Facebooka zostały przejęte przez Cambridge Analytica. Obawiano się, że wykorzystali te dane, aby zachęcić obywateli Wielkiej Brytanii do głosowania za opuszczeniem Unii Europejskiej w referendum unijnym w 2016 roku . Po trzyletnim śledztwie w 2020 roku stwierdzono, że w referendum nie było udziału. Oprócz Cambridge Analytica kilka innych firm zajmujących się danymi, takich jak AIQ i Centrum Psychometryczne Uniwersytetu Cambridge zostały oskarżone, a następnie zbadane przez rząd brytyjski pod kątem możliwego nadużycia danych w celu promowania niezgodnych z prawem technik kampanii na rzecz Brexitu. W referendum 51,89% wyborców poparło wystąpienie Wielkiej Brytanii z Unii Europejskiej. Ta ostateczna decyzja wpłynęła na politykę w Wielkiej Brytanii i wywołała fale w instytucjach politycznych i gospodarczych na całym świecie.