Аналитика социальных сетей - Social media analytics - Wikipedia

Эта статья о количественном анализе социальных сетей. Теоретические основы см. анализ социальных сетей.

Аналитика социальных сетей это процесс сбора и анализа данных из социальные сети Такие как Facebook, Instagram, LinkedIn и Twitter. Он обычно используется маркетологами для отслеживания онлайн-разговоров о продуктах и ​​компаниях. Один автор определил это как «искусство и наука извлечения ценной скрытой информации из огромных объемов полуструктурированных и неструктурированных данных социальных сетей для принятия информированных и проницательных решений».[1]

Процесс

Анализ социальных сетей включает три основных этапа: идентификация данных, анализ данных, и интерпретация информации. Чтобы максимизировать ценность, получаемую на каждом этапе процесса, аналитики могут определить вопрос, на который нужно ответить. Важными вопросами для анализа данных являются: «Кто? Что? Где? Когда? Почему? И как?» Эти вопросы помогают определить надлежащие источники данных для оценки, что может повлиять на тип анализа, который может быть выполнен.[2]

Идентификация данных

Идентификация данных - это процесс идентификации подмножества доступных данных, на которых нужно сосредоточиться для анализа. Необработанные данные полезны после их интерпретации. После того, как данные были проанализированы, он может начать передавать сообщение. Любые данные, передающие содержательное сообщение, становятся информацией. На высоком уровне необработанные данные для преобразования в точное сообщение принимают следующие формы: зашумленные данные; релевантные и нерелевантные данные, отфильтрованные данные; только актуальные данные, информация; данные, передающие расплывчатое сообщение, знания; данные, передающие точное сообщение, мудрость; данные, которые передают точное сообщение и причину этого. Вывести мудрость из необработанных данных нам необходимо начать их обработку, уточнить набор данных, включив данные, на которых мы хотим сосредоточиться, и организовать данные для идентификации информации. В контексте аналитики социальных сетей идентификация данных означает, «какой» контент представляет интерес. Помимо текста содержания, мы хотим знать: кто написал текст? Где он был найден или в какой социальной сети появился? Нам интересна информация из определенного региона? Когда кто-то что-то сказал в социальных сетях?[2]

Атрибуты данных, которые необходимо учитывать, следующие:

  • Структура: Структурированные данные это данные, которые были организованы в форматированный хранилище - обычно база данных - чтобы его элементы можно было адресовать для более эффективной обработки и анализа. В неструктурированные данные, в отличие от структурированных данных, это наименее отформатированные данные.[3]
  • Язык: Язык становится важным, если мы хотим знать тональность сообщения, а не количество упоминаний.
  • Область, край: Важно убедиться, что данные, включенные в анализ, относятся только к тому региону мира, на котором проводится анализ. Например, если целью является выявление проблем с чистой водой в Индия, мы хотели бы убедиться, что данные собираются из Индия Только.
  • Тип содержания: содержание данных может быть текстом (письменный текст, который легко читать и понимать, если вы знаете язык), Фото (рисунки, простые наброски или фотографии), аудио (аудиозаписи книг, статей, бесед или обсуждений) или видео (записи, прямые трансляции).
  • Место проведения: Социальные медиа контент создается в различных местах, таких как новостные сайты и сайты социальных сетей (например, Facebook, Twitter ). В зависимости от типа проекта, для которого собираются данные, место проведения становится очень важным.
  • Время: важно собирать данные, публикуемые в течение анализируемого периода времени.
  • Владение данных: являются ли данные частными или общедоступными? Есть ли Авторские права в данных? Это важные вопросы, которые необходимо решить перед сбором данных.
[4] Процесс аналитики социальных сетей

Анализ данных

Анализ данных представляет собой набор действий, которые помогают преобразовать необработанные данные в понимание, что, в свою очередь, приводит к новой базе знаний и ценность бизнеса. Другими словами, анализ данных - это этап, на котором отфильтрованные данные принимаются в качестве входных данных и преобразуются в ценную для аналитиков информацию. С данными социальных сетей можно проводить множество различных видов анализа, включая анализ сообщений, настроение, драйверы настроений, география, демография и т. д. Этап анализа данных начинается, когда мы знаем, какую проблему хотим решить, и знаем, что у нас достаточно данных, чтобы получить значимый результат. Как мы можем узнать, достаточно ли у нас доказательств, чтобы сделать вывод? Ответ на этот вопрос: мы не знаем. Мы не сможем этого узнать, пока не начнем анализировать данные. При анализе, если мы обнаружили, что данных недостаточно, повторите первую фазу и измените вопрос. Если считается, что данных достаточно для анализа, нам необходимо построить модель данных.[2]

Разработка модель данных - это процесс или метод, который мы используем для организации элементов данных и стандартизации того, как отдельные элементы данных соотносятся друг с другом. Этот шаг важен, потому что мы хотим запустить компьютерная программа над данными; нам нужен способ сказать компьютер какие слова или темы важны и относятся ли определенные слова к теме, которую мы изучаем.

При анализе наших данных удобно иметь в своем распоряжении несколько инструментов, чтобы по-другому взглянуть на дискуссии, происходящие вокруг этой темы. Цель здесь - настроить инструменты для максимальной производительности для конкретной задачи. Например, думая о облако слов Если мы возьмем большой объем данных о компьютерных профессионалах, скажем «ИТ-архитектор», и построим облако слов, без сомнения, самым большим словом в облаке будет «архитектор». Этот анализ также касается использования инструмента. Некоторые инструменты могут хорошо справиться с определением настроений, тогда как другие могут лучше справиться с разбивкой текста на грамматическую форму, которая позволяет нам лучше понимать значение и использование различных слов или фраз. При выполнении аналитического анализа трудно перечислить каждый шаг аналитического путешествия. Это в значительной степени итеративный подход, поскольку нет предписанного способа что-либо делать.[2]

Таксономия и выводы, полученные из этого анализа, заключаются в следующем:

  • Глубина анализа: простой описательная статистика на основе потоковые данные, специальный анализ накопленных данных или глубокий анализ накопленных данных. Этот аспект анализа действительно зависит от количества времени, доступного для получения результатов проекта. Это можно рассматривать как широкий континуум, где время анализа колеблется от нескольких часов на одном конце до нескольких месяцев на другом конце. Этот анализ может ответить на следующие типы вопросов:
    • Сколько людей упомянули Википедию в своих твитах?
    • Который политик получил наибольшее количество лайков во время дебаты ?
    • Какой из конкурентов получает больше всего упоминаний в контексте социальный бизнес ?
  • Емкость машины: количество ЦПУ необходимо обработать наборы данных в разумные сроки. Цифры емкости должны учитывать не только ЦПУ потребности, но и емкость сети, необходимая для извлечения данных. Этот анализ может быть выполнен в режиме реального времени, почти в реальном времени, специального исследования и глубокого анализа. Анализ в реальном времени в социальных сетях является важным инструментом при попытке понять, как люди воспринимают определенную тему по мере ее развития, чтобы учесть реакцию или немедленное изменение курса. При анализе почти в реальном времени мы предполагаем, что данные поступают в инструмент со скоростью, меньшей, чем в реальном времени. Специальный анализ - это процесс, предназначенный для ответа на один конкретный вопрос. Результатом специального анализа обычно является отчет или сводка данных. Глубокий анализ подразумевает анализ, который занимает длительное время и включает большой объем данных, что обычно приводит к высокой нагрузке на ЦП.[2]
  • Область анализа: Область анализа широко подразделяется на внешние социальные сети и внутренние социальные сети. В большинстве случаев, когда люди используют термин «социальные сети», они имеют в виду внешние социальные сети. Это включает в себя контент, созданный с популярных социальных сетей, таких как Twitter, Facebook и LinkedIn. Внутренние социальные сети включают корпоративная социальная сеть, которая представляет собой частную социальную сеть, используемую для облегчения общения в рамках бизнеса.[5]
  • Скорость of Data: Скорость передачи данных в социальных сетях можно разделить на две категории: данные в состоянии покоя и данные в движении. Размеры скорости движения данных может ответить на такие вопросы, как: как настроения численность населения что-то меняется в игроках по ходу матча? Доносит ли толпа положительные эмоции об игроке, который на самом деле проигрывает? В этих случаях анализ выполняется по мере поступления. В этом анализе количество производимых деталей напрямую связано со сложностью аналитический инструмент или же система. Очень сложный инструмент позволяет получить больше деталей. Второй тип анализа в контексте скорости - это анализ данных в состоянии покоя. Этот анализ выполняется после полного сбора данных. Проведение этого анализа может дать такую ​​информацию, как: какой из продуктов вашей компании упоминается больше всего по сравнению с другими? Каково относительное отношение к вашей продукции по сравнению с продуктом конкурента?[2]

Интерпретация информации

Понимание, полученное в результате анализа, может быть таким же разнообразным, как и исходный вопрос, заданный на первом этапе анализа. На этом этапе, поскольку получателями информации являются нетехнические бизнес-пользователи, форма представления данных становится важной. Как данные могут иметь эффективный смысл, чтобы их можно было использовать для принятия правильных решений? Визуализация (графика) информации является ответом на этот вопрос.[6]

Лучшие визуализации - это те, которые раскрывают что-то новое о лежащих в основе узоры и отношения содержат данные. Выявление закономерностей и их недооценка играют ключевую роль в процессе принятия решений. В основном при визуализации данных следует учитывать три критерия.

  • Понять аудитория: перед построением визуализация, поставьте перед собой цель - передавать большие объемы информации в формате, который легко усваивается потребителем информации. Важно ответить: «Кто аудитория?» И «Можете ли вы предположить, что аудитория знает используемую терминологию?» Аудитория экспертов будет иметь другие ожидания, чем обычная аудитория; следовательно, нужно учитывать ожидания.[7]
  • Установите четкую структуру: аналитик должен убедиться, что визуализация синтаксически и семантически правильна. Например, при использовании значка элемент должен иметь сходство с тем, что он представляет, с размером, цветом и положением, которые сообщают значение зрителю.[7]
  • Расскажи историю: аналитическая информация сложна и трудна для усвоения, поэтому цель визуализации - понять и осмыслить информацию. Рассказывание историй помогает зрителю лучше понять данные. Визуализация должна упаковывать информацию в структуру, которая представлена ​​в виде повествования и легко запоминается. Это важно во многих сценариях, когда аналитик не тот человек, который принимает решения.[7]
Смотрите также: визуализация информации

Роль в бизнес-аналитике

Бизнес-аналитика (BI) можно описать как «набор методов и инструментов для сбора и преобразования необработанных данных в значимую и полезную информацию для целей бизнес-анализа».[8]

Sentiment Analyzer - это технологический фреймворк в области Социальный BI это усиливает Informatica товары. Он разработан, чтобы отразить и предложить смещение фокуса предприятий с транзакционных данных на модели поведенческой аналитики. Sentiment Analyzer позволяет компаниям понимать опыт клиентов и находить способы повышения их удовлетворенности.[9]

Общие варианты использования для

Аналитика социальных сетей

Требуемая бизнес-аналитикаВключение методов аналитики социальных сетейСоответствующие показатели эффективности социальных сетей
Сегментация аудитории в социальных сетяхНа какие сегменты ориентироваться для привлечения, роста или удержания?

Кто выступает за бренд или продукт и оказывает на него влияние?

Анализ социальных сетейАктивные адвокаты

Влияние адвоката

Обнаружение информации в социальных сетяхКакие новые или возникающие актуальные для бизнеса темы или темы?

Возникают ли новые влиятельные сообщества?

Обработка естественного языка

Обработка сложных событий

Тематические тенденции

Коэффициент тональности

Социальные медиа

Воздействие и воздействие

Каковы представления о бренде среди участников?

Чем отличается бренд от конкурентов? Какие каналы социальных сетей используются для обсуждения?

Анализ социальных сетей

Обработка естественного языка

Охват разговора

Скорость передачи голоса

Выводы о поведении в социальных сетяхКаковы отношения между актуальными для бизнеса темами и проблемами?

Каковы причины выраженного намерения (покупка, отток и т. Д.)?

Обработка естественного языка

Кластеризация Сбор данных

Интересы или предпочтения (тема)

Корреляции Матрицы сходства тем

Влияние на бизнес-аналитику

Недавнее исследование аналитики социальных сетей подчеркнуло необходимость применения подхода, основанного на бизнес-аналитике, для сбора, анализа и интерпретации данных социальных сетей.[10] Социальные сети представляют собой многообещающий, хотя и сложный источник данных для бизнес-аналитики. Клиенты добровольно обсуждают продукты и компании, в режиме реального времени получая представление о настроениях и принятии бренда.[11] Согласно недавнему исследованию, посвященному аналитике социальных сетей, было отмечено, что для сбора, анализа и интерпретации данных социальных сетей необходимо применять подход, основанный на бизнес-аналитике.[12] Социальные сети - один из самых важных инструментов для маркетологов в быстро меняющемся медиа-ландшафте. Фирмы создали специализированные должности для управления своим маркетингом в социальных сетях. Эти аргументы согласуются с литературой по маркетингу в социальных сетях, которая предполагает, что деятельность в социальных сетях взаимосвязана и влияет друг на друга.[13]

Роль в международной политике

Возможности опасностей аналитики социальных сетей и майнинг в социальных сетях на политической арене раскрылись в конце 2010-х. В частности, участие компании Data Mining Cambridge Analytica в Президентские выборы в США 2016 и Brexit были типичными случаями, показывающими возникающие опасности увязки майнинга в социальных сетях и политики. Это подняло вопрос о конфиденциальность данных для частных лиц и юридических границ, которые должны быть созданы для компаний, занимающихся наукой о данных, которые имеют отношение к политике в будущем. Оба приведенных ниже примера демонстрируют будущее, в котором большие данные могут изменить правила игры в международной политике. Вполне вероятно, что в течение следующего столетия политика и технологии будут развиваться вместе. В случае с Cambridge Analytica влияние аналитики социальных сетей нашло отклик во всем мире через две крупные мировые державы, США и Великобританию.

Президентские выборы в США в 2016 г.

Скандал, последовавший за президентскими выборами в США в 2016 году, был связан с трехсторонними отношениями между Cambridge Analytica, кампанией Трампа и Facebook. Cambridge Analytica собрала данные о более чем 87 миллионах[14] не знали пользователей Facebook и проанализировали данные в пользу кампании Трампа. Создав тысячи точек данных о 230 миллионах взрослых американцев, компания по интеллектуальному анализу данных смогла проанализировать, какие люди могут быть склонены к голосованию за кампанию Трампа, а затем отправить сообщения или рекламу указанным целям и повлиять на мышление пользователей. Тогда конкретные целевые избиратели могут получить доступ к посланиям в поддержку Трампа, даже не подозревая о политическом влиянии, оказываемом на них. Такая особая форма таргетинга, при которой избранные лица знакомятся с объемом рекламной кампании выше среднего, называется «микротаргетингом».[15] По-прежнему существуют большие разногласия по поводу оценки степени влияния этого микротаргетинга на выборы 2016 года. Влияние рекламы с микротаргетингом и анализа данных в социальных сетях на политику остается неясным по состоянию на конец 2010-х годов, поскольку это новая область технологий.

Хотя это было нарушением конфиденциальности пользователей, интеллектуальный анализ данных и таргетированный маркетинг подорвали общественную подотчетность, которой больше не подчиняются организации социальных сетей, тем самым искажая демократическую избирательную систему и позволяя ей доминировать на платформах «пользовательского контента, [который] поляризован. сообщение СМИ ».[16]

Brexit

В течение 2016 г. Референдум по Brexit Cambridge Analytica вызвала споры из-за использования данных, собранных из социальных сетей. Похожий случай произошел, когда компания Cambridge Analytica получила взлом данных Facebook и использовала его, чтобы побудить британских граждан проголосовать за выход из Европейского Союза в Референдум ЕС 2016.[нужна цитата ] Помимо Cambridge Analytica, несколько других компаний по обработке данных, такие как AIQ[нужна цитата ] и Психометрический центр Кембриджского университета[нужна цитата ] были обвинены, а затем расследованы британским правительством в отношении возможного злоупотребления данными с целью продвижения незаконных методов кампании по Brexit.[нужна цитата ] Референдум завершился тем, что 51,9% избирателей поддержали выход Соединенного Королевства из Европейского Союза. Это окончательное решение повлияло на политику в Соединенном Королевстве и вызвало волну в политических и экономических институтах по всему миру.[нужна цитата ]

Коммерческие услуги

Смотрите также

Рекомендации

  1. ^ Спондер, Маршалл; Хан, Гохар Ф. (2017). Цифровая аналитика для маркетинга. Нью-Йорк, штат Нью-Йорк. ISBN  9781138190672. OCLC  975370877.
  2. ^ а б c d е ж Ганис, Мэтью; Кохиркар, Авинаш (2015). Аналитика социальных сетей: методы и идеи для извлечения выгоды для бизнеса из социальных сетей. Нью-Йорк: IBM Press. С. 40–137. ISBN  978-0-13-389256-7.
  3. ^ «Что такое структурированные данные? - Определение с сайта WhatIs.com». WhatIs.com. Получено 2016-12-06.
  4. ^ Ганис, Мэтью; Кохиркар, Авинаш (2015). Аналитика социальных сетей: методы и идеи для извлечения выгоды для бизнеса из социальных сетей. Нью-Йорк: IBM Press. С. 247–248. ISBN  978-0-13-389256-7.
  5. ^ Китт, Дениз (2012-05-24). «Объяснение корпоративных социальных сетей». Переключатель CRM. Получено 2016-11-05.
  6. ^ Стил, Джули (2012-02-15). «Почему важна визуализация данных». O'Reilly Media. Получено 2016-12-11.
  7. ^ а б c «Три элемента успешной визуализации данных». Harvard Business Review. Получено 2016-12-11.
  8. ^ Адкисон, Д. (2013). Бизнес-аналитика IBM Cognos: откройте для себя практический подход к бизнес-аналитике с помощью IBM Cognos Business Intelligence. Бирмингем, Англия: Издательство Пакта / Предприятие. http://site.ebrary.com/id/10701568
  9. ^ Глоссарий ИТ, Gartner. «Социальная аналитика - ИТ-глоссарий Gartner». www.gartner.com. Проверено 25 февраля 2015 года.
  10. ^ Умар Рухи (2014), «Аналитика социальных сетей как практика бизнес-аналитики: текущий ландшафт и будущие перспективы», Журнал социальных сетей и виртуальных сообществ в Интернете, Vol. 2014 (2014), идентификатор статьи 920553, DOI: 10.5171 / 2014.920553
  11. ^ Лу Ю., Ван Ф. и Мацеевски Р. (1 января 2014 г.). Бизнес-аналитика из социальных сетей: исследование VAST Box Office Challenge. IEEE Computer Graphics and Applications, 34, 5.)
  12. ^ Фан У. и Гордон М. Д. (1 июня 2014 г.). Сила аналитики социальных сетей. Ассоциация вычислительной техники. Коммуникации Акм, 57, 6, 74.
  13. ^ Сабу А. Р., Кумар В. и Рамани Г. (1 сентября 2016 г.). Оценка влияния деятельности в социальных сетях на продажи человеческого бренда. Международный журнал маркетинговых исследований, 33, 3, 524-541.
  14. ^ Ханна, Мина; Исаак, Джим (14 августа 2018 г.). «Конфиденциальность данных пользователя: Facebook, Cambridge Analytica и защита конфиденциальности». IEEE. 51 (8): 56–59. Дои:10.1109 / MC.2018.3191268.
  15. ^ Тарран, Брайан (29 мая 2018 г.). «Что мы можем узнать из скандала с Facebook и Cambridge Analytica?». Значимость. 15 (3): 4–5. Дои:10.1111 / j.1740-9713.2018.01139.x.
  16. ^ Сантос, Тьяго; Луса и Хелдер Коэльо, Хорхе; Коэльо, Хелдер (19 февраля 2020 г.). «Цифровая трансформация общественной сферы». Системные исследования и поведенческая наука. 36 (6): 778. Дои:10.1002 / sres.2644.
  17. ^ «Проверить закладки с помощью SocialMeter». TechCrunch. 2006-08-19. Получено 2019-12-09.