 | Эта статья поднимает множество проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалить эти сообщения-шаблоны ) ( Узнайте, как и когда удалить этот шаблон сообщения )
|
Аналитика социальных сетей - это процесс сбора и анализа данных из социальных сетей, таких как Facebook , Instagram , LinkedIn и Twitter . Маркетологи обычно используют его для отслеживания онлайн-разговоров о продуктах и компаниях. Один автор определил это как «искусство и наука извлечения ценной скрытой информации из огромного количества полуструктурированных и неструктурированных данных социальных сетей для принятия информированных и проницательных решений». [1]
Процесс [ править ]
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. Важные вопросы для анализа данных: «Кто? Что? Где? Когда? Почему? И как?» Эти вопросы помогают определить подходящие источники данных для оценки, что может повлиять на тип анализа, который может быть выполнен. [2]
Идентификация данных [ править ]
Идентификация данных - это процесс определения подмножеств 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 осмысленное сообщение, становятся информацией. На высоком уровне необработанные данные принимают следующие формы для преобразования в точное сообщение: 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. Чтобы получить мудростьиз 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 содержания, мы хотим знать: кто написал текст? Где он был найден или в какой социальной сети появился? Нас интересует 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 репозиторий - обычно в базу данных - так, чтобы его элементы можно было сделать адресуемыми для более эффективной обработки и анализа. Неструктурированных данных , в отличие от структурированных данных, является наименее отформатированные данные. [3]
- Язык : язык становится важным, если мы хотим знать тональность сообщения, а не количество упоминаний.
- Регион : 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 Индии , мы хотели бы убедиться, что собранные данные поступают только из Индии .
- Тип содержания: содержание данных может быть текстом (письменный текст, который легко читать и понимать, если вы знаете язык), фотографии (рисунки, простые наброски или фотографии), аудио (аудиозаписи книг, статей, бесед и т. Д.). или обсуждения) или видео (запись, прямые трансляции).
- Место проведения: контент социальных сетей 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 те временные рамки, которые анализируются.
- Право собственности на данные: являются ли данные частными или общедоступными? Есть ли авторские права на данные? Это важные вопросы, которые необходимо решить перед сбором данных.
Анализ данных [ править ]
Анализ данных - это набор действий, которые помогают преобразовать необработанные данные в понимание, что, в свою очередь, приводит к новой базе знаний и бизнес-ценности . 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 типов анализа, включая анализ сообщений, настроений , движущих сил настроения, географию, демографию.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 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, потому что 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 по-другому взглянуть на дискуссии, происходящие вокруг этой темы. Цель здесь - настроить инструменты для максимальной производительности для конкретной задачи. Например, думая об облаке словЕсли 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 в результате этого анализа, заключаются в следующем:
- Глубина анализа: простая описательная статистика, основанная на потоковых данных , 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?
- Какому политику набралось больше всего лайков во время дебатов ?
- Какой конкурент получает больше всего упоминаний в контексте социального бизнеса ?
- Емкость машины: количество ЦП, необходимое для обработки наборов данных за разумный период времени. Цифры емкости должны указывать не только на ЦП.потребности, но также и пропускная способность сети, необходимая для извлечения данных. Этот анализ может быть выполнен в режиме реального времени, близком к реальному времени, специального исследования и глубокого анализа. Анализ в режиме реального 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 в режиме, близком к реальному времени, мы предполагаем, что данные загружаются 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. Сюда входит контент, созданный из популярных социальных сетей, таких как Twitter , Facebook и LinkedIn . Внутренние социальные сети включают корпоративную социальную сеть , которая представляет собой частную социальную сеть, используемую для облегчения общения в рамках бизнеса. [5]
- Скорость передачи данных: скорость передачи данных в социальных сетях можно разделить на две категории: данные в состоянии покоя и данные в движении. Измерения скорости движения данных могут ответить на такие вопросы, как: Как меняются настроения населения в отношении игроков в ходе матча? Доносит ли толпа положительное мнение об игроке, который на самом деле проигрывает? В этих случаях анализ выполняется по мере поступления. В этом анализе количество деталей напрямую зависит от сложности аналитического инструмента или системы.. 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. Выполнение 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 [ править ]
Понимание, полученное в результате анализа, может быть таким же разнообразным, как и исходный вопрос, заданный на первом этапе анализа. На этом этапе, когда 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 - ответ на этот вопрос. [6]
Лучшие визуализации - это те, которые раскрывают что-то новое о базовых шаблонах и отношениях, содержащих данные. Выявление закономерностей и их недооценка играют ключевую роль в процессе принятия решений. В основном при визуализации данных следует учитывать три критерия.
- Поймите аудиторию : прежде чем строить визуализацию , поставьте цель - передать 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]
- Расскажите 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 является лицом, принимающим решения. [7]
Роль в бизнес-аналитике [ править ]
Бизнес-аналитику (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 технологическая структура в области социальной бизнес-аналитики, которая использует продукты Informatica . Он разработан, чтобы отразить и предложить смещение акцента предприятий от транзакционных данных к моделям 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-аналитика | Включение методов аналитики социальных сетей | Соответствующие показатели эффективности социальных сетей |
|---|---|---|---|
| Сегментация аудитории в социальных сетях | На какие сегменты ориентироваться для привлечения, роста или удержания? Кто выступает за бренд или продукт и оказывает на него влияние? | Анализ социальных сетей | Активные адвокаты Влияние адвоката |
| Обнаружение информации в социальных сетях | Какие новые или возникающие актуальные для бизнеса темы или темы? Возникают ли новые влиятельные сообщества? | Обработка естественного языка Обработка сложных событий | Тематические тенденции Коэффициент настроения |
| Социальные медиа Воздействие и воздействие | Каково восприятие бренда участниками? Как бренд сравнивается с конкурентами? Какие каналы социальных сетей используются для обсуждения? | Анализ социальных сетей Обработка естественного языка | Охват разговора Доля скорости привлечения голосовой аудитории |
| Выводы о поведении в социальных сетях | Каковы отношения между актуальными для бизнеса темами и проблемами? Каковы причины выраженного намерения (покупка, отток и т. Д.)? | Обработка естественного языка Кластерный анализ данных | Интересы или предпочтения (тема) Матрицы сродства тем корреляций |
Влияние на Business Intelligence [ править ]
Недавнее исследование аналитики социальных сетей подчеркнуло необходимость применения подхода на основе бизнес-аналитики к сбору, анализу и интерпретации данных социальных сетей. [10] [11] 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 брендах и их принятии. [12] Социальные сети - один из важнейших 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 [ править ]
| Этот раздел, возможно, содержит оригинальные исследования . ( Сентябрь 2019 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения ) |
Возможности опасностей, связанных с аналитикой социальных сетей и майнингом социальных сетей на политической арене, были выявлены в конце 2010-х годов. В частности, участие компании по интеллектуальному анализу данных Cambridge Analytica в президентских выборах в США в 2016 году и Брексите были типичными случаями, которые демонстрируют возникающие опасности, связанные с увязкой интеллектуального анализа данных в социальных сетях и политики. Это подняло вопрос о конфиденциальности 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. [ править ]
Скандал , который последовал американские президентские выборы 2016 года был один с участием трехсторонней связи между Кембриджским Analytica, Трампом кампанией 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 по 230 миллионам взрослых в США, 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 в отношении 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 субъекты социальных сетей больше не подчиняются, тем самым искажая демократическую избирательную систему и позволяя ей доминировать на платформах с «пользовательским контентом, [который] поляризован. сообщение СМИ ». [16]
Brexit [ править ]
В этом разделе не процитировать любые источники . ( Сентябрь 2019 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения ) |
Во время референдума по Брекситу в 2016 году компания 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 для того, чтобы побудить британских граждан проголосовать за выход из Европейского Союза на референдуме ЕС 2016 года . [ необходима цитата ] Помимо Cambridge Analytica, несколько других компаний, работающих с данными, таких как AIQ [ необходима цитата ] и Психометрический центр Кембриджского университета [ необходима цитата ]были обвинены, а затем расследованы британским правительством по поводу возможного злоупотребления данными с целью продвижения незаконных методов кампании по Brexit. [ необходима цитата ] Референдум закончился тем, что 51,9% избирателей поддержали выход Соединенного Королевства из Европейского Союза. Это окончательное решение повлияло на политику в Соединенном Королевстве и вызвало волну по политическим и экономическим институтам во всем мире. [ необходима цитата ]
Коммерческие услуги [ править ]
- BigChampagne (несуществующий)
- Буфер
- Klout
- Социальный клинок
- Социальные пекари
- SocialMeter (пионер, ныне несуществующий) [17]
- Viralheat (несуществующий)
- Wildfire Interactive (приобретена Google и интегрирована в Google Analytics )
См. Также [ править ]
- Измерение в социальных сетях
- Анализ настроений
- Сбор данных
- Майнинг в социальных сетях
- Анализ социальных сетей
Ссылки [ править ]
- ^ Спондер, Маршалл; Хан, Гохар Ф. (2017). Цифровая аналитика для маркетинга . Нью-Йорк, штат Нью-Йорк. ISBN 9781138190672. OCLC 975370877 .
- ^ a b c d e f 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.
- ^ «Что такое структурированные данные? - Определение с сайта WhatIs.com» . WhatIs.com . Проверено 6 декабря 2016 .
- ^ 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.
- ^ Китт, Дениз (2012-05-24). «Объяснение корпоративных социальных сетей» . CRM Switch . Проверено 5 ноября 2016 .
- ^ Стил, Джули (2012-02-15). «Почему важна визуализация данных» . O'Reilly Media . Проверено 11 декабря 2016 .
- ^ a b c «Три элемента успешной визуализации данных» . Harvard Business Review . Проверено 11 декабря 2016 .
- ^ 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
- ^ ИТ-глоссарий, Gartner. «Социальная аналитика - ИТ-глоссарий Gartner». www.gartner.com. Проверено 25 февраля 2015 года.
- ^ 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
- Перейти ↑ Fan, W., & Gordon, MD (1 июня 2014 г.). Сила аналитики социальных сетей. Ассоциация вычислительной техники. Коммуникации Акм, 57, 6, 74.
- Перейти ↑ Lu, Y., Wang, F., & Maciejewski, R. (01 января 2014 г.). Бизнес-аналитика из социальных сетей: исследование VAST Box Office Challenge. Компьютерная графика и приложения IEEE, 34, 5.)
- ^ Saboo, AR, Кумар В., и Раманы, Г. (1 сентября 2016). Оценка влияния деятельности в социальных сетях на продажи человеческого бренда. Международный журнал маркетинговых исследований, 33, 3, 524-541.
- ^ Ханна, Мина; Исаак, 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 .
- ^ Tarran, Брайан (29 мая 2018). «Чему мы можем научиться из скандала с Facebook и Cambridge Analytica?» . Значение . 15 (3): 4–5. DOI : 10.1111 / j.1740-9713.2018.01139.x .
- ^ 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. DOI : 10.1002 / sres.2644 .
