Advertisement

HMD Praxis der Wirtschaftsinformatik

, Volume 53, Issue 3, pp 323–338 | Cite as

Social Media-Analyse – Mehr als nur eine Wordcloud?

  • Matthias BöckEmail author
  • Felix Köbler
  • Eva Anderl
  • Linda Le
Article
  • 961 Downloads

Zusammenfassung

Analysen von Social Media-Daten haben gerade in den letzten Jahren stark an Aufmerksamkeit unter Entscheidern in Unternehmen gewonnen und werden immer häufiger als Instrument zur Steuerung wesentlicher Unternehmensfunktionen, insbesondere der kundenorientierten Marktbearbeitung, eingesetzt. Die Frage, wie sich konkrete Handlungsempfehlungen und Maßnahmen in Entscheidungsprozesse miteinbeziehen lassen, bleibt dabei jedoch häufig ungelöst. Hinzu kommt ein stetiges Abwägen, zwischen vollautomatisierten Reports und einer aufwändigen, manuellen und kostenintensiven Detailauswertung.

Der Artikel beschreibt anhand von konkreten, beispielhaften Anwendungen aktuelle Auswertungsverfahren, die sowohl auf einer deskriptiven Ebene, aber auch mit Methoden aus dem Data Mining gesammelte Daten aus den Plattformen Facebook und Twitter analysieren und verschiedene exemplarische Fragestellungen beantworten. Dies kann im einfachsten Fall eine Übersicht zu aktuell häufig diskutierten Themen sein, aber auch deutlich detaillierte und komplexere Sachverhalte, wie die mitschwingende Emotion, die Vernetzung der mit dem Inhalt interagierenden Nutzer oder Zusammenhänge zwischen einzelnen Themen, umfassen.

Um für ein Unternehmen und insbesondere für Entscheider einen Mehrwert zu schaffen, müssen die Analysen durch eine strategische Vorgehensweise geleitet sein sowie an Zielen ausgerichteter Fragestellungen und Ziel-Maßnahmen-Systeme Anwendung finden, um Erkenntnisse systematisch in konkrete Handlungsempfehlungen zu überführen. Abschließend diskutiert der Artikel mögliche Potentiale, die durch die Anwendung von komplexeren Analysemethoden entstehen, reflektiert aber auch konzeptionelle und technische sowie ethische Herausforderungen und Limitierungen.

Schlüsselwörter

Social Media Analytics Data Mining Netzwerke Assoziationsregeln 

Social Media Analytics: More than a Word Cloud?

Abstract

Analyses of social media data have recently gained a lot of attention from decision makers in companies, and are used more and more as a steering instrument of essential business operations, especially the customer oriented marketing actions. However, the question how practical recommendations for actions and measures can be integrated in decision making processes, often remains unresolved. Additionally, there is a constant need to weigh up automatized reports against a time-consuming, manual and cost-intensive detail analysis.

This article describe from concrete and exemplary applications, current analysis methods, which are analyzing data from the platforms Facebook and Twitter with both descriptive but also advanced data mining methods to answer to different, exemplary questions. This can be for the simplest case an overview of current frequently discussed topics, but also include considerably more detailed and complex issues, like emotions, the interconnectedness between users, who are interacting with a certain content, or the interdependencies between individual topics.

Analyses have to be led by a strategic approach, as well as to be applied to objectives which orient on business questions and to objective measure systems to systematically translate insights into concrete recommended actions. This ensures to add value for companies and especially decision makers. The article concludes with possible potentials, which arise from the use of complex analysis methods, but also reflects conceptual and technical as well as ethical challenges and limitations.

Keywords

Social Media Analytics Data mining Networks Association rules 

Literatur

  1. Agrawal R, Imielinski T, Swami A (1993) Database mining: a performance perspective. IEEE T KNOWL DATA EN 5(6):914–925Google Scholar
  2. Ambler T, Roberts JH (2008) Assessing marketing performance: don’t settle for a silver metric. J Mark Manag 24(7–8):733–750. doi: 10.1362/026725708X345498 CrossRefGoogle Scholar
  3. Bonacich P, Paulette L (2001) Eigenvector-like measures of centrality for asymmetric relations, Soc Networks, 23:191–201Google Scholar
  4. Cambria E, Hussain A (2012) Sentic computing. Techniques, tools, and applications. Springer Netherlands, DordrechtGoogle Scholar
  5. Freeman LC (1979) Centrality in Social Networks I: conceptual clarification. Soc Networks 1:215–239Google Scholar
  6. Hartigan J, Wong M (1979) A K-means clustering. Appl Stat 28:100–108Google Scholar
  7. Hennig-Thurau T, Hofacker CF, Bloching B (2013) Marketing the pinball way. Understanding how social media change the generation of value for consumers and companies. J Interact Mark 27(4):237–241. doi: 10.1016/j.intmar.2013.09.005 CrossRefGoogle Scholar
  8. Kaplan AM, Haenlein M (2010) Users of the world, unite! The challenges and opportunities of Social Media. Bus Horiz 53(1):59–68. doi: 10.1016/j.bushor.2009.09.003 CrossRefGoogle Scholar
  9. Peters K, Chen Y, Kaplan AM, Ognibeni B, Pauwels K (2013) Social media metrics – a framework and guidelines for managing social media. J Interact Mark 27(4):281–298. doi: 10.1016/j.intmar.2013.09.007 CrossRefGoogle Scholar
  10. Pons P, Latapy M (2005) Computing communities in large networks using random walks. In: Yolum P et al (Hrsg) Computer and information sciences – ISCIS 2005, Bd 3733. Springer, Heidelberg, S 284–293Google Scholar
  11. Schweidel DA, Moe WW (2014) Listening in on social media: a joint model of sentiment and venue format choice. J Mark Res 51:387–402. doi: 10.1509/jmr.12.0424 CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2016

Authors and Affiliations

  • Matthias Böck
    • 1
  • Felix Köbler
    • 1
  • Eva Anderl
    • 1
  • Linda Le
    • 1
  1. 1.FELD M GmbHMünchenDeutschland

Personalised recommendations