Аналитика социальных сетей

Процесс сбора и анализа данных из социальных сетей

График активности термина «teszt» в Twitter в инструменте мониторинга социальных сетей.

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]

Процесс

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

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:

• Структура : Структурированные данные — это данные, которые были организованы в форматированное хранилище — обычно базу данных — так, чтобы их элементы можно было сделать адресуемыми для более эффективной обработки и анализа. Неструктурированные данные , в отличие от структурированных данных, являются наименее форматированными данными. ^[3]
• Язык : Язык становится значимым, если мы хотим узнать настроение поста, а не количество упоминаний.
• Регион : Важно убедиться, что данные, включенные в анализ, относятся только к тому региону мира, на котором сосредоточен анализ. Например, если цель состоит в том, чтобы определить проблемы с чистой водой в Индии , мы хотели бы убедиться, что собранные данные относятся только к Индии .
• Тип контента: Контентом данных может быть текст (письменный текст, который легко читать и понимать, если вы знаете язык), фотографии (рисунки, простые наброски или фотографии), аудио (аудиозаписи книг, статей, выступлений или обсуждений) или видео (записи, прямые трансляции).
• Место проведения: Контент социальных сетей генерируется 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, опубликованные в тот период времени, который анализируется.
• Право собственности на данные: Являются ли данные частными или общедоступными? Существуют ли какие-либо авторские права на данные? Это важные вопросы, на которые следует ответить перед сбором данных.

^[4] Процесс аналитики социальных сетей

Анализ данных

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:

• Глубина анализа: простая описательная статистика , основанная на потоковых данных , специальный анализ накопленных данных или глубокий анализ, выполненный на накопленных данных. Это измерение анализа на самом деле обусловлено количеством времени, доступным для получения результатов проекта. Это можно рассматривать как широкий континуум, где время анализа варьируется 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?
  • Какой политик набрал наибольшее количество лайков во время дебатов ?
  • Какой конкурент получает наибольшее количество упоминаний в контексте социального бизнеса ?
• Мощность машины: объем ЦП, необходимый для обработки наборов данных за разумный период времени. Показатели мощности должны учитывать не только потребности ЦП, но и сетевую емкость, необходимую для извлечения данных. Этот анализ может быть выполнен в режиме реального времени, близком к реальному времени, в режиме ad hoc и в глубоком анализе. Анализ в реальном времени в социальных сетях является важным инструментом при попытке понять восприятие общественностью определенной темы по мере ее развития, чтобы обеспечить реакцию или немедленное изменение курса. При анализе в режиме близком к реальному времени мы предполагаем, что данные поступают в инструмент со скоростью, которая меньше скорости в реальном времени. Анализ ad hoc — это процесс, предназначенный для ответа на один конкретный вопрос. Продуктом анализа ad hoc обычно является отчет или сводка данных. Глубокий анализ подразумевает анализ, который охватывает длительное время и включает большой объем данных, что обычно приводит к высоким требованиям к ЦП. ^[2]
• Область анализа: Область анализа в целом подразделяется на внешние социальные медиа и внутренние социальные медиа. В большинстве случаев, когда люди используют термин социальные медиа, они имеют в виду внешние социальные медиа. Это включает в себя контент, созданный на популярных сайтах социальных медиа, таких как Twitter , Facebook и LinkedIn . Внутренние социальные медиа включают корпоративную социальную сеть , которая является частной социальной сетью, используемой для содействия общению в бизнесе. ^[5]
• Скорость данных: скорость данных в социальных сетях можно разделить на две категории: данные в состоянии покоя и данные в движении. Измерения скорости данных в движении могут дать ответы на такие вопросы, как: Как меняется мнение населения в целом об игроках во время матча? Выражает ли толпа положительные чувства об игроке, который фактически проигрывает игру? В этих случаях анализ выполняется по мере поступления. В этом анализе объем полученных данных напрямую коррелирует со сложностью аналитического инструмента или системы . Очень сложный инструмент производит большее количество данных. Второй тип анализа в контексте скорости — это анализ данных в состоянии покоя. Этот анализ выполняется после того, как данные полностью собраны. Выполнение этого анализа может дать такие сведения, как: какой из продуктов вашей компании упоминается чаще всего по сравнению с другими? Каковы относительные настроения вокруг ваших продуктов по сравнению с продуктами конкурентов? ^[2]

Интерпретация информации

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.

• Поймите аудиторию : перед тем как создавать визуализацию , поставьте себе цель — передать большой объем информации в формате, который легко усваивается потребителем информации. Важно ответить на вопросы «Кто эта аудитория?» и «Можете ли вы предположить, что аудитория обладает знаниями об используемых терминах?». Аудитория экспертов будет иметь другие ожидания, чем аудитория в целом; поэтому эти ожидания необходимо учитывать. ^[7]
• Установите четкую структуру: аналитик должен убедиться, что визуализация синтаксически и семантически верна. Например, при использовании значка элемент должен иметь сходство с тем, что он представляет, с размером, цветом и положением, которые должны сообщать значение зрителю. ^[7]
• Расскажите историю : аналитическая информация сложна и трудна для усвоения, поэтому цель визуализации — понять и осмыслить информацию. Рассказывание историй помогает зрителю получить представление из данных. Визуализация должна упаковывать информацию в структуру, которая представлена ​​в виде повествования и легко запоминается. Это важно во многих сценариях, когда аналитик и лицо, принимающее решения, не являются тем же лицом. ^[7]

Техники

Влияние на бизнес-аналитику

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]

Роль в международной политике

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.

Президентские выборы в США 2016 г.

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]

Споры на президентских выборах в США в 2020 году

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]}

Кристофер Уайли выступает на протесте на Парламентской площади после скандала с данными Cambridge Analytica и Facebook

Брексит

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]

Смотрите также

• Измерение социальных сетей
• Анализ настроений
• Окружающая осведомленность
• Сбор данных
• Майнинг в социальных сетях
• Аналитика социальных сетей
• Анализ социальных сетей

Ссылки

1. Sponder, Marshall; Khan, Gohar F. (2017). Цифровая аналитика для маркетинга . Нью-Йорк, штат Нью-Йорк. ISBN 9781138190672. OCLC  975370877.{{cite book}}: CS1 maint: отсутствует местоположение издателя ( ссылка )
2. Ганис, Мэтью; Кохиркар, Авинаш (2015). Аналитика социальных сетей: методы и идеи для извлечения деловой ценности из социальных сетей . Нью-Йорк: IBM Press. С. 40–137. ISBN 978-0-13-389256-7.
3. "Что такое структурированные данные? - Определение с WhatIs.com". WhatIs.com . Получено 2016-12-06 .
4. Ганис, Мэтью; Кохиркар, Авинаш (2015). Аналитика социальных сетей: методы и идеи для извлечения деловой ценности из социальных сетей . Нью-Йорк: IBM Press. С. 247–248. ISBN 978-0-13-389256-7.
5. Китт, Дениз (2012-05-24). "Корпоративные социальные сети: объяснение". CRM Switch . Получено 2016-11-05 .
6. Стил, Джули (2012-02-15). "Почему визуализация данных имеет значение". O'Reilly Media . Получено 2016-12-11 .
7. "Три элемента успешной визуализации данных". Harvard Business Review . Получено 11 декабря 2016 г.
8. Рухи, Умар (2014). «Аналитика социальных сетей как практика бизнес-аналитики: Текущая ситуация и будущие перспективы». Журнал социальных сетей и виртуальных сообществ в Интернете : 1–12. doi : 10.5171/2014.920553 . S2CID  167544401.
9. Фэн, У. и Гордон, МД (1 июня 2014 г.). «Сила аналитики социальных сетей». Ассоциация вычислительной техники. Сообщения ACM , 57, 6, 74.
10. Lu, Y., Wang, F., & Maciejewski, R. (1 января 2014 г.). «Бизнес-аналитика из социальных сетей: исследование VAST Box Office Challenge». IEEE Computer Graphics and Applications , 34, 5.)
11. Сабу, А. Р., Кумар, В. и Рамани, Г. (1 сентября 2016 г.). «Оценка влияния деятельности в социальных сетях на продажи человеческих брендов». Международный журнал исследований в области маркетинга , 33, 3, 524-541.
12. Moon, Sangkil; Iacobucci, Dawn (28.02.2022). «Анализ социальных сетей и его применение в маркетинге». Основы и тенденции в маркетинге . 15 (4): 213–292. doi : 10.1561/1700000073 . ISSN  1555-0753. S2CID  247201448. Архивировано из оригинала 11.12.2022 . Получено 11.12.2022 .
13. Лука, Майкл; Зервас, Георгиос (2016-12-01). «Fake It Till You Make It: Reputation, Competition, and Yelp Review Fraud» (Поддельные, пока не получится: репутация, конкуренция и мошенничество с отзывами на Yelp). Management Science . 62 (12): 3412–3427. doi : 10.1287/mnsc.2015.2304. ISSN  0025-1909. Архивировано из оригинала 2022-12-11 . Получено 2022-12-11 .
14. Мун, Сангкил; Ким, Мун-Йонг; Берджи, Пол К. (01.09.2019). «Оценка обмана в отзывах потребителей на основе экстремальных терминов: сравнительный анализ открытых и закрытых платформ бронирования отелей». Журнал бизнес-исследований . 102 : 83–96. doi : 10.1016/j.jbusres.2019.05.016. ISSN  0148-2963. S2CID  181482746.
15. Муруганантам А.; Ганди, Г. Мира (2020-02-01). «Структура для аналитики социальных сетей на основе модели принятия многокритериальных решений (MCDM)». Мультимедийные инструменты и приложения . 79 (5): 3913–3927. doi :10.1007/s11042-019-7470-2. ISSN  1573-7721. S2CID  254869748.
16. Ханна, Мина; Айзек, Джим (14 августа 2018 г.). «Конфиденциальность данных пользователей: Facebook, Cambridge Analytica и защита конфиденциальности». IEEE . 51 (8): 56–59. doi :10.1109/MC.2018.3191268. S2CID  52047339.
17. Тарран, Брайан (29 мая 2018 г.). «Чему нас учит скандал Facebook—Cambridge Analytica?». Значимость . 15 (3): 4–5. doi : 10.1111/j.1740-9713.2018.01139.x .
18. Сантос, Тиаго; Лоуса и Хелдер Коэльо, Хорхе; Коэльо, Хелдер (19 февраля 2020 г.). «Цифровая трансформация общественной сферы». Системные исследования и поведенческая наука . 36 (6): 778. doi :10.1002/sres.2644. S2CID  210550036.
19. Крейг Сильверман, Крейг Тимберг, Джефф Као и Джереми Б. Меррилл. (4 января 2022 г.). «Facebook разместил всплеск дезинформации и угроз восстания в месяцы, предшествовавшие январю. 6 атак, как показывают записи». Веб-сайт Defense One Архивировано 9 января 2022 г. на Wayback Machine Получено 8 января 2021 г.
20. Крейг Тимберг, Элизабет Двоскин и Рид Альберготти. (22 октября 2021 г.). «Внутри Facebook, январь. Насилие 6 января вызвало гнев, сожаление по поводу пропущенных предупреждающих знаков». Веб-сайт Washington Post Архивировано 22 октября 2021 г. на Wayback Machine Получено 8 января 2022 г.
21. "Cambridge Analytica 'не участвует' в референдуме по Brexit, заявляет наблюдательный орган". BBC News . 2020-10-07. Архивировано из оригинала 7 октября 2020 года . Получено 2022-06-13 .
22. «Cambridge Analytica не злоупотребляла данными на референдуме ЕС, заявляет контролирующий орган». The Guardian . 2020-10-07. Архивировано из оригинала 13 июня 2022 года . Получено 2022-06-13 .
23. «AggregateIQ создала программное обеспечение Cambridge Analytica для выборов, и вот доказательство». Gizmodo . 2018-03-26. Архивировано из оригинала 25 апреля 2018 г. Получено 2022-06-13 .
24. Управление комиссаров по расследованию (6 ноября 2018 г.). «Расследование использования аналитики данных в политических кампаниях» (PDF) : 116. Архивировано (PDF) из оригинала 9 августа 2022 г. Получено 13 июня 2022 г. {{cite journal}}: Цитировать журнал требует |journal=( помощь )
25. "Facebook приостанавливает деятельность канадской фирмы AggregateIQ из-за скандала с данными". CNBC . 2018-04-07. Архивировано из оригинала 7 апреля 2018 года . Получено 2022-06-13 .
26. "Фирма по обработке данных нарушила канадские законы о конфиденциальности, участвуя в кампаниях Brexit и США - расследование". Reuters . 2019-11-26. Архивировано из оригинала 13 января 2020 года . Получено 2022-06-13 .
27. "Результаты и явка на референдуме ЕС". www.electoralcommission.org.uk . 2019-09-25. Архивировано из оригинала 1 апреля 2021 г. Получено 2022-10-23 .