Analyse von Social Media Daten
Soziale Netzwerke bieten Unternehmen nicht nur eine Plattform, um mit Stakeholdern zu kommunizieren, sondern vor allem auch ein riesiges Reservoir an Daten - Big Social Data. Diese können mittels geeigneter Methoden und Verfahren, den sogenannten Social Media Analytics, gesammelt, zusammengefasst und ausgewertet werden. Unternehmen gewinnen daraus Wissen über die Vorlieben, Interessen und Bedürfnisse ihrer Zielgruppen. Noch steckt die Entwicklung in den Kinderschuhen, doch verschiedene Wissenschaftsbereiche forschen intensiv daran, dies zu verändern.
Wie lassen sich Daten aus sozialen Netzwerken für die Kommunikation nutzen?
Implikationen für das Innovationsmanagement durch das Filtern und Analysieren von Vorschlägen sowie Anregungen der Prosumenten.
Analysen für das Stakeholder-Management, um tiefergehendes Wissen über Kunden zu generieren.
Statische oder dynamische Reputationsanalysen im Rahmen eines C2C-Managements, bei dem die Meinung in den sozialen Medien über das Unternehmen zu einem bestimmten Zeitpunkt oder fortlaufend analysiert wird.
Eine generelle Überwachung bzw. ein Monitoring mit explorativem Charakter, um aktuelle oder kritische Themen zu identifizieren.
Für ein Data Tracking bieten Twitter und Facebook sogenannte Applikation Programming Interfaces (API) an, Blogs hingegen eher RRS-Feeds. Große Herausforderungen sind dabei, dass sich Plattformen immer wieder verändern und datenschutzrechtliche Einschränkungen bestehen.
Beim stichwort- oder themenbezogenen Ansatz werden Daten auf Grundlage vorher definierter Stichwörter gesammelt. Durch eine systematische Ableitung von Stichwörtern können Verläufe von Themen in den sozialen Medien verfolgt werden.
Ebenso kann die Datenerhebung akteursbezogen gestaltet werden. Dafür wird jeder user-generated Content berücksichtigt, in dem der Name des Unternehmens oder eines Repräsentanten (wie des CEOs) erwähnt wird.
Die soziale Netzwerkanalyse untersucht Beziehungen zwischen Nutzern, zwischen Nutzern und Organisationen oder Interessensgruppen. Es kann analysiert werden, mit wem Nutzer verbunden und in welcher Gruppe sie aktiv sind. Ebenso kann der Charakter von Communities bestimmt werden. Für Kampagnen lassen sich so relevante Meinungsführer oder Communities identifizieren.
Bei der Sentimentanalyse bzw. dem Opinion-Mining werden Meinungen und Stimmungen der Social-Media-Nutzer offengelegt. Es existieren bereits Programme, die diese Einstellungen automatisch analysieren. Aufgrund des informellen Charakters der textuellen Nutzerinhalte (u.a. Emoticons, Abkürzungen, Ironie) sind die Analysen aber häufig noch ungenau und sollten durch manuelle Verfahren ergänzt und getestet werden.
Themenbezogene Analyseansätze eignen sich für die frühzeitige Identifizierung öffentlich aufkommender Themen in sozialen Medien. Dafür bieten sich Text-Mining-Methoden in Form von Inhaltsanalysen an, die darauf abzielen, Themen aus den Daten herauszufiltern. Es gibt bereits vielversprechende Ansätze für automatisierte, algorithmenbasierte Trendanalysen, die Themenverläufe skizzieren und zukünftig relevante Themen mit einer gewissen Wahrscheinlichkeit errechnen können.
Zentrale Erkenntnisse
- Die Bildung und die Analyse von Big Social Data sind sehr vielversprechend, wenngleich technisch noch anspruchsvoll, da automatisierte, algorithmusgestützte Methoden noch deutliche Schwächen aufweisen.
- Für die Unternehmenskommunikation ist die Messung des user-generated content in den sozialen Medien dennoch sinnvoll, um die Dialogkommunikation mit Stakeholdern und das Customer Relationship Management zu verbessern.
- Um Big Social Data nutzen zu können, kann der Social Media Analytics-Prozess der Wissenschaftler Stefan Stieglitz und Linh Dang-Xuan angewandt werden.
- Social Customer Relationship Management-Konzepte (SCRM) zielen darauf ab, aus Social Media tiefergehendes Wissen über (potenzielle) Kunden zu gewinnen, um diese dann gezielt anzusprechen und ans Unternehmen zu binden.
Anwendung
- Eine generelle Überwachung bzw. ein Monitoring mit explorativem Charakter, um aktuelle oder kritische Themen zu identifizieren - beispielsweise im Rahmen des Issues Managements bzw. Listenings.
- Statische oder dynamische Reputationsanalysen im Rahmen eines C2C-Managements, bei dem die Meinung in den sozialen Medien über das Unternehmen zu einem bestimmten Zeitpunkt oder fortlaufend analysiert wird.
- Anregungen für das Innovationsmanagement durch das Filtern und Analysieren von Vorschlägen der Social-Media-Nutzer.
- Social Customer Relationship Managements: Das Erkennen von sogenannten Life-Events, dies sind wichtige Ereignisse wie die Hochzeit, wird als zentral angesehen, weil sie an spezifische Bedürfnisse des Kunden geknüpft sind.
- Customer-to-Customer (C2C)-Management: Das Management von bestehenden Bezugsgruppen kann durch Soziale Medien verbessert und neue Communities können leichter etabliert werden.
- Consumer Engagement: Unternehmen sollten sich bemühen, Kunden zu aktivieren, damit diese Inhalte im Sinne des Word of Mouths generieren und verbreiten. Customer Engagement kann auch bedeuten, die Prosumenten mittels digitaler Informations- und Kommunikationstechnologien stärker in alle Unternehmensprozesse einzubinden.
Vorgehen
Um Big Social Data zu generieren, beschrieben die Wissenschaftler Stefan Stieglitz & Linh Dang-Xuan verschiedene Tracking-Ansätze:
- Beim stichwort- oder themenbezogenen Ansatz werden Daten auf Grundlage vorher definierter Stichwörter gesammelt. Durch eine systematische Ableitung von Stichwörtern können Verläufe von Themen in den sozialen Medien verfolgt werden.
- Ebenso kann die Datenerhebung akteursbezogen gestaltet werden. Dafür wird jeder user-generated content berücksichtigt, in dem der Name des Unternehmens oder eines Repräsentanten erwähnt wird.
- Für ein Data Tracking bieten Twitter und Facebook sogenannte Application Programming Interfaces (API) an, Blogs hingegen eher RSS-Feeds. Große Herausforderungen dabei sind, dass sich Plattformen immer wieder verändern und datenschutzrechtliche Einschränkungen bestehen.
- Der Zugriff auf Daten aus sozialen Medien ist generell nicht standardisiert.
Die Analyse von Big Social Data: Nachdem die Big Social Data gebildet, bereinigt und für die Analyse aufbereitet wurden (Data Processing), folgt die Phase der Wissensgenerierung, d. h. des Data Minings.
- Themenbezogene Analyseansätze eignen sich für die frühzeitige Identifizierung öffentlich aufkommender Themen in sozialen Medien. Dafür bieten sich Text-Mining-Methoden in Form von Inhaltsanalysen an, die darauf abzielen, Themen aus den Daten herauszufiltern. Es gibt bereits vielversprechende Ansätze für automatisierte, algorithmenbasierte Trendanalysen.
- Bei der Sentimentanalyse bzw. dem Opinion-Mining werden Meinungen und Stimmungen der Social-Media-Nutzer offengelegt. Es existieren bereits Programme, die diese Einstellungen automatisch analysieren. Aufgrund des informellen Charakters der textuellen Nutzerinhalte (u. a. Emoticons, Abkürzungen, Ironie) sind die Analysen aber häufig noch ungenau.
- Die soziale Netzwerkanalyse untersucht Beziehungen zwischen Nutzern, zwischen Nutzern und Organisationen oder Interessensgruppen. Für Kampagnen lassen sich so relevante Meinungsführer oder Communities identifizieren.
Evaluation
- In Anlehnung an das Vier-Phasen-Modell der Big-Data-Anwendung sollte immer auch eine Evaluation der Social Media Analytics erfolgen - gerade wenn die bisherigen Analysemethoden noch nicht ausgereift sind und Unsicherheiten bei der Anwendung bestehen.
Downloads & Leseempfehlungen
Kontakt:
c/o Universität Leipzig
Nikolaistraße 27-29
04109 Leipzig
info@akademische-gesellschaft.com
Fon: +49 (0)341 97350-52
