Аналитика социальных сетей или мониторинг социальных сетей — это процесс сбора и анализа данных из социальных сетей, таких как Facebook , Instagram , LinkedIn или Twitter . Часть аналитики социальных сетей называется мониторингом социальных сетей или социальным прослушиванием . Он обычно используется маркетологами для отслеживания онлайн-обсуждений о продуктах и компаниях. Один автор определил его как «искусство и науку извлечения ценных скрытых идей из огромных объемов полуструктурированных и неструктурированных данных социальных сетей для обеспечения принятия информированных и проницательных решений». [1]
Анализ социальных сетей состоит из трех основных этапов: идентификация данных, анализ данных и интерпретация информации. Чтобы максимизировать ценность, полученную 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 правильные источники данных для оценки, что может повлиять на тип анализа, который может быть выполнен. [2]
Идентификация данных — это процесс определения подмножеств доступных данных, на которых следует сосредоточиться для анализа. Необработанные данные полезны после их интерпретации. После анализа данных они могут начать передавать сообщение. Любые данные, которые передают значимое сообщение, становятся информацией. На высоком уровне необработанные данные принимают следующие формы для преобразования в точное сообщение: шумные данные; релевантные и нерелевантные данные, отфильтрованные данные; только релевантные данные, информация; данные, которые передают неопределенное сообщение, знания; данные, которые передают точное сообщение, мудрость; данные, которые передают точное сообщение и причину, стоящую за ним. Чтобы извлечь мудрость из необработанных данных, нам нужно 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 контента, мы хотим знать: кто написал текст? Где он был найден или на каком сайте социальных сетей он появился? Интересует ли нас информация из определенного места? Когда кто-то что-то сказал в социальных сетях? [2]
Атрибуты данных, которые необходимо учитывать, следующие:
Анализ данных — это набор действий, которые помогают преобразовать необработанные данные в понимание, что, в свою очередь, приводит к новой базе знаний и деловой ценности . Другими словами, анализ данных — это фаза, которая берет отфильтрованные данные в качестве входных данных и преобразует их в информацию, представляющую ценность для аналитиков. С данными социальных сетей можно выполнять множество различных типов анализа, включая анализ сообщений, настроений , драйверов настроений, географии, демографии и т. д. Этап анализа данных начинается, когда мы знаем, какую проблему хотим решить, и знаем, что у нас достаточно данных для получения значимого результата. Как мы можем узнать, достаточно ли у нас доказательств, чтобы сделать вывод? Ответ на этот вопрос: мы не знаем. Мы не можем этого узнать, пока не начнем анализировать данные. Если при анализе мы обнаружили, что данных недостаточно, повторите первую фазу и измените вопрос. Если данные считаются достаточными для анализа, нам нужно построить модель данных. [2]
Разработка модели 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, поскольку мы хотим запустить компьютерную программу над данными; нам нужен способ сообщить компьютеру, 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 получить другую точку зрения на обсуждения, происходящие вокруг темы. Цель здесь — настроить инструменты для максимальной производительности для определенной задачи. Например, думая о словесном облаке , если мы возьмем большой объем данных о компьютерных специалистах, скажем, «ИТ-архитектор», и построим словесное облако, несомненно, самым большим словом в облаке будет «архитектор». Этот анализ также касается использования инструментов. Некоторые инструменты могут хорошо справляться с определением настроений, тогда как другие могут лучше справляться с разбиением текста на грамматические формы, которые позволяют нам лучше понимать значение и использование различных слов или фраз. При выполнении аналитического анализа трудно перечислить каждый шаг, чтобы предпринять аналитическое путешествие. Это во многом итеративный подход, поскольку нет предписанного способа что-то делать. [2]
Таксономия и выводы, полученные в результате этого анализа, следующие:
Выводы, полученные в результате анализа, могут быть столь же разнообразными, как и исходный вопрос, который был поставлен на первом этапе анализа. На этом этапе, поскольку нетехнические бизнес-пользователи являются получателями информации, форма представления данных становится важной. Как данные могут иметь смысл эффективно, чтобы их можно было использовать для принятия правильных решений? Визуализация (графика) информации является ответом на этот вопрос. [6]
Лучшие визуализации — те, которые раскрывают что-то новое о базовых моделях и связях, содержащихся в данных. Раскрытие моделей и их недооценка играют ключевую роль в процессе принятия решений. В основном, есть три критерия, которые следует учитывать при визуализации данных.
Недавние исследования аналитики социальных сетей подчеркнули необходимость принятия подхода, основанного на бизнес-аналитике, для сбора, анализа и интерпретации данных социальных сетей. [8] [9] Социальные сети представляют собой многообещающий, хотя и сложный, источник данных для бизнес-аналитики. Клиенты добровольно обсуждают продукты и компании, давая в режиме реального времени пульс настроений и принятия бренда. [10] Социальные сети являются одним из важнейших инструментов для маркетологов в быстро меняющемся медиа-ландшафте. Фирмы создали специализированные должности для управления маркетингом в социальных сетях. Эти аргументы соответствуют литературе по маркетингу в социальных сетях, которая предполагает, что действия в социальных сетях взаимосвязаны и влияют друг на друга. [11]
Moon и Iacobucci (2022) [12] сосредоточились на маркетинговых приложениях аналитики социальных сетей. Такие приложения включают поведение потребителей в социальных сетях, влияние социальных сетей на производительность компании, бизнес-стратегию, управление продуктами/брендами, анализ сетей социальных сетей, конфиденциальность потребителей и безопасность данных в социальных сетях, а также фиктивный/предвзятый контент в социальных сетях. В частности, конфиденциальность потребителей и безопасность данных становятся все более важными во вселенной социальных сетей, учитывая растущий риск, вытекающий из утечек данных в социальных сетях . В том же духе подозрительные публикации в социальных сетях значительно увеличились вместе с ростом социальных сетей. Luca и Servas (2015) [13] сообщили, что у компаний есть потенциальный стимул использовать поддельные публикации, когда у них растет конкуренция. Поэтому улучшение нашей способности выявлять и отслеживать подозрительные публикации (например, поддельные отзывы на Yelp) стало важной частью управления платформой социальных сетей. [14]
Муруганантам и Ганди (2020) предложили модель принятия решений по нескольким критериям (MCDM), чтобы доказать, что предпочтения, настроения, поведение и маркетинговые данные пользователей социальных сетей связаны с аналитикой социальных сетей. Интернет-пользователи тесно связаны и демонстрируют высокую степень взаимного влияния в социальной идеологии и социальных сетях, что, в свою очередь, влияет на бизнес-аналитику. [15]
Возможности опасностей аналитики социальных сетей и добычи социальных сетей на политической арене были раскрыты в конце 2010-х годов. В частности, участие компании по добыче данных Cambridge Analytica в президентских выборах в США в 2016 году и Brexit были показательными случаями, которые показывают возникающие опасности связывания добычи социальных сетей и политики. Это подняло вопрос о конфиденциальности данных для отдельных лиц и правовых границах, которые должны быть созданы для компаний, занимающихся наукой о данных, в отношении политики в будущем. Оба примера, перечисленные ниже, демонстрируют будущее, в котором большие данные могут изменить игру международной политики. Вероятно, политика и технологии будут развиваться вместе в течение следующего столетия. В случаях с Cambridge Analytica эффекты аналитики социальных сетей нашли отклик во всем мире через две крупнейшие мировые державы, Соединенные Штаты и Великобританию.
Скандал , последовавший за американскими президентскими выборами 2016 года, был связан с трехсторонними отношениями между Cambridge Analytica, кампанией Трампа и Facebook. Cambridge Analytica приобрела данные более 87 миллионов [16] ничего не знающих пользователей Facebook и проанализировала эти данные в интересах кампании Трампа. Создав тысячи точек данных о 230 миллионах взрослых американцев, компания по добыче данных имела возможность анализировать, какие лица могут быть склонены к голосованию за кампанию Трампа, а затем отправлять сообщения или рекламу указанным целевым группам и влиять на мышление пользователей. Затем определенные целевые избиратели могли подвергаться воздействию протрамповских сообщений, даже не осознавая, какое политическое влияние на них оказывается. Такая специфическая форма таргетинга, при которой избранным лицам показывают объем предвыборной рекламы выше среднего, называется «микротаргетингом». [17] Остаются большие разногласия относительно измерения степени влияния этого микротаргетинга на выборах 2016 года. Влияние микротаргетинговой рекламы и аналитики данных социальных сетей на политику по состоянию на конец 2010-х годов было неясным, поскольку это была новая технологическая область.
Хотя это было нарушением конфиденциальности пользователей, сбор данных и целевой маркетинг подорвали общественную ответственность, которой социальные сети больше не подлежат, тем самым извратив демократическую избирательную систему и позволив платформам «создаваемого пользователями контента, [который] поляризовал сообщения СМИ». [18]
Анализ политических групп Facebook и публикаций, проведенный аналитической фирмой CounterAction, показал роль гигантов социальных сетей в протестных движениях, таких как попытки отменить результаты президентских выборов в США в 2020 году и нападение на Капитолий США в 2021 году . [19] [20]
Во время референдума о Brexit 2016 года компания Cambridge Analytica вызвала споры из-за использования данных, собранных из социальных сетей. Похожий случай произошел, когда утечка и данные Facebook были получены компанией Cambridge Analytica. Возникли опасения, что они использовали данные, чтобы побудить британских граждан проголосовать за выход из Европейского союза на референдуме ЕС 2016 года . [21] После трехлетнего расследования в 2020 году был сделан вывод об отсутствии причастности к референдуму. [22] [21] Помимо Cambridge Analytica, несколько других компаний по обработке данных, таких как AIQ [23] и Психометрический центр Кембриджского университета [24], были обвинены, а затем расследованы британским правительством на предмет возможного злоупотребления данными для продвижения незаконных методов агитации за Brexit. [25] [26] Референдум закончился тем, что 51,89% избирателей поддержали выход Соединенного Королевства из Европейского союза. Это окончательное решение повлияло на политику в Соединенном Королевстве и вызвало резонанс в политических и экономических институтах по всему миру. [27]
{{cite book}}
: CS1 maint: отсутствует местоположение издателя ( ссылка ){{cite journal}}
: Цитировать журнал требует |journal=
( помощь )