Social Media-Analyse – Mehr als nur eine Wordcloud?

Social Media Analytics: More than a Word Cloud?

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.

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.

This is a preview of subscription content, log in to check access.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5

Literatur

  1. Agrawal R, Imielinski T, Swami A (1993) Database mining: a performance perspective. IEEE T KNOWL DATA EN 5(6):914–925

  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

    Article  Google Scholar 

  3. Bonacich P, Paulette L (2001) Eigenvector-like measures of centrality for asymmetric relations, Soc Networks, 23:191–201

  4. Cambria E, Hussain A (2012) Sentic computing. Techniques, tools, and applications. Springer Netherlands, Dordrecht

    Google Scholar 

  5. Freeman LC (1979) Centrality in Social Networks I: conceptual clarification. Soc Networks 1:215–239

  6. Hartigan J, Wong M (1979) A K-means clustering. Appl Stat 28:100–108

  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

    Article  Google 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

    Article  Google 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

    Article  Google 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 284–293

  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

    Article  Google Scholar 

Download references

Author information

Affiliations

Authors

Corresponding author

Correspondence to Matthias Böck.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Böck, M., Köbler, F., Anderl, E. et al. Social Media-Analyse – Mehr als nur eine Wordcloud?. HMD 53, 323–338 (2016). https://doi.org/10.1365/s40702-015-0205-6

Download citation

Schlüsselwörter

  • Social Media Analytics
  • Data Mining
  • Netzwerke
  • Assoziationsregeln

Keywords

  • Social Media Analytics
  • Data mining
  • Networks
  • Association rules