Social Media Forschung: Ein Ausblick für 2014

4

Das Internet, fälschlicherweise nur noch auf soziale Medien („Social Media“) reduziert, ist für viele menschliche Entscheidungen dank der ständigen Verfügbarkeit durch mobile Endgeräte zum zentralen Informationsmedium geworden. In diesem Zusammenhang gewinnt auch das Thema Social Media Forschung bzw. Monitoring eine zunehmende Bedeutung.

Damit ist das Thema auch für die Marktforschung relevant, unter Anderem für folgende Perspektiven der Betrachtung:

  • Markt: Welche Themen dominieren die Diskussionen in einem Markt?
  • Marke: Welche Rolle spielt die eigene Marke in diesem Umfeld?
  • Konsument: Welche Nutzungssituationen (und damit einhergehend Stärken und Schwächen von Produkten) werden diskutiert?
  • Semiotik: Welche Bedeutungsdimensionen haben die verschiedenen Themen aus Konsumentensicht?

Derzeit werden verstärkt die ersten beiden Perspektiven betrachtet, denn diese lassen sich relativ einfach auf einer großen Anzahl an Beiträgen auswerten und langfristig überprüfen („tracking / monitoring“), wohingegen die letzten beiden Themen eher qualitativer Natur sind, dafür aber weitreichendere Erkenntnisse liefern können.

Ich glaube, dass eine stärker qualitative Betrachtung von Konsumenten und Wortbedeutungen im Kontext von Social Media in 2014 an Bedeutung gewinnen werden.

Technisch betrachtet, und zum besseren Verständnis stark vereinfach ausgedrückt,  funktioniert die Analyse relativ einfach: Man gibt einem Programm („Crawler“) Begriffe vor, nach denen gesucht werden soll, und verknüpft diese durch Operatoren („AND“, „OR, etc.) miteinander. Das Programm durchforstet das Internet nach diesen Begriffen und liefert alle Beiträge, in denen die vorgegebenen Bedingungen alle erfüllt sind.

Die gefundenen Beiträge können anschließend auf folgenden Ebenen analysiert werden:

  • Beiträge:  Alle gefundenen Einzelbeiträge
  • Diskussionen: Alle zusammengehörigen Beiträge, zusammengefasst zu Diskussionssträngen
  • Autoren: Alle gefundenen Beiträge, zusammengefasst zu Autoren

Derzeit dominiert im Markt die Analyse von Beiträgen („mentions“). Das bietet sich natürlich an, denn das ist die Ebene auf der die „Suchmaschine“ („Crawler“) die Beiträge findet und auflistet. Damit ist die Auswertung von Beiträgen relativ einfach. Die zentrale Frage muss natürlich lauten: Ist das auch zielführend? Die typische Antwort auf diese Frage lautet: „Ja, natürlich, denn es ist das, was Konsumenten finden würden, wenn sie die Begriffe so in einer Suchmaschine eingeben würden.“ Das ist so aber nicht ganz richtig.

Wenn ich heute im Internet nach Informationen suche, dann liefert mir die Suchmaschine eine Liste von Quellen, sortiert nach einem Algorithmus, den wir nicht kennen. Entscheidend ist, dass 97% aller Klicks auf der ersten Seite bleiben, d.h. innerhalb der Top-10-Suchtreffer. Etwas mehr als die Hälfte geht sogar einzig und allein auf den Top-Listeneintrag. Was bringen also Informationen, so richtig oder falsch sie auch sind, wenn sie in der Suchmaschine nicht zu den Top-Treffern gehören?

Ähnlich ist es auch bei Produktbewertungen auf Einkaufsportalen, oder? Wer liest heute noch die 128 Bewertungen alle durch? Vermutlich niemand. Was die Konsumenten hingegen machen, und was auch die Portalbetreiber erkannt haben, ist, dass man nur noch die Beiträge liest, die von anderen Nutzern als „besonders hilfreich“ eingestuft wurden. Meistens einen sehr positiven Beitrag und einem sehr negativen Beitrag. Was nützt folglich die Erkenntnis, dass 70% aller Beiträge das Thema A haben, wenn der Top Beitrag nur das Thema Z erwähnt?

Eine Analyse auf der Ebene der Diskussionen, d.h. mehrerer zusammengehöriger Einzelbeiträge, löst das Problem zumindest etwas, denn es hilft, viel diskutierte, d.h. vermeintlich hilfreiche Diskussionsstränge, zu identifizieren. Inhaltlich ergibt sich daraus aber eine neue Herausforderung: In einer Diskussion gibt es sehr viele, teils sehr kontroverse Meinungen, die damit nur sehr schwierig auszuwerten sind (solange man nicht wieder auf die Beitragsebene zurückgeht).

Zur Lösung dieses Problems empfiehlt es sich, die Auswertung auf eine Ebene zu führen, die wir als Marktforscher schon immer als Grundlage unserer Analysen hatten: Auf eine individuelle Ebene der Autoren. Jeder Autor verkörpert typischerweise eine Meinung, die er bzw. sie auf mehreren Plattformen im Internet zur Geltung bringt. Es gilt die einflussreichsten Autoren zu identifizieren, deren Top-Themen und Ihre Meinung diesbezüglich zu extrahieren und dann auf einer aggregierten Ebene zu betrachten.

Ich bin überzeugt, dass die Forschung in sozialen Medien den nächsten Entwicklungsschritt gehen muss. Weg von der Auswertung von Einzelbeiträgen, hin zur Auswertung der über mehrere Kanäle verstreuten Meinung von Einzelpersonen.

Daraus ergeben sich neue technische und ethische Herausforderungen für uns, aber die aktuelle Vorgehensweise kann nicht das Maß der Dinge sein.

Oder, wie seht ihr das?

Share

Über den Autor

Markenführung - Employer Branding - Digitalstrategie

4 Kommentare

  1. Thomas Perry am

    Hallo Alper,

    recht hast du. Danke für den Beitrag.

    Welches Problem das ist, macht folgender Vergleich deutlich: Hätten wir den aktuellen Zustand, den du für Social Media Forschung beschreibst, z.B. in der quantitativen, befragungsbasierten Forschung, würden wir nur einzelne Meinungen zählen und analysieren, aber nicht die „Fälle“ bzw. Personen. Wir hätten dann auch keine Angaben über die Personen, hätten keine Soziodemografie als erklärenden Hintergrund, würden nicht in abhängigen und unabhängigen Variablen denken etc. Das wäre für uns alle natürlich undenkbar und es würde den Wert solcher Daten massiv beeinträchtigen.

    Wir bei Q und linkfluence finden diesen Punkt sehr wichtig. Wir arbeiten deshalb seit Jahren immer wieder auch „fallbasiert“ und reden darüber. Wenn es um Social Media geht, nehmen wir in Studien Akteure insgesamt in den Blick. Im offenen Web propagieren wir schon lange die Analyseebene der „Communities“ und Akteure im Sinne von Themensegmenten und Sites, die sich im Web sowohl aufspüren als auch in ihrer Vernetzung wie inhaltlich analysieren lassen (siehe z.B. hier: http://energiewenderadar.de/2013/08/09/energiewendeweb/). Dafür haben wir auch eine eigene Methodik entwickelt. Wir schauen die Akteure dann natürlich auch an, ordnen sie inhaltlich ein, sammeln Informationen über sie und qualifizieren so die „Fälle“.
    Die Influencer zu analysieren, ist ja auch schon ein kleines Stück in diese Richtung.

    Allerdings ist das mit allerhand Arbeit verbunden. Es geht ja inhaltlich in die Tiefe. Und wie so oft in einem sich entwickelnden Arbeitsfeld muss sich gegen den existierenden Normalfall (hier: die Analyse von einzelnen Beiträgen) die Einsicht erst breiter durchsetzen, dass mehr Informationsqualität (hier: z.B. die kombinierte Analyse von Akteuren oder „Fällen“ und Diskussionsbeiträgen) möglich und nützlich ist, Arbeit erfordert und deshalb auch Geld kostet.

    Das wird aber Stück für Stück passieren, je besser klar wird, dass es sich bei Social Media Forschung um veritable Forschung handelt und nicht nur um oberflächliches Sammeln und Zählen von Postings.

    Gruß
    Thomas

  2. Elvis Martinez am

    Hallo Alper,

    momentan beschäftige ich mich mit Monitoring und Analyse-Tools.
    Jedoch bin ich mit der Zuverlässigkeit und Nachvollziehbarkeit der thematische Analyse und deren Tonalitätswerte unzufrieden.

    Genau gesagt bin auf der Suche nach Tools, deren Struktur für die Cluster- und Tonalitätserkennung anhand Wortlisten manuell eingestellt werden können.

    Für die Erfassung der Topics und Tonalität habe ich im Rahmen meiner Dissertation Wortlisten erstellt, die bei der klassischen Inhaltsanalyse eingesetzt werden. Dazu gehören:
    • Positive und negative Attribute: Eindeutig positive Substantive, Adjektive, Adverbien und Verben
    • Negation trigger: Negative Ausdrücke • Sentiment blocker: Blockierende Ausdrücke
    • Sentiment intensifier: Auslöser für latente Attribute Die folgenden Unterscheidungen in den Wortlisten sollen in dem Tool anhand übergeordneter Regeln möglich sein:
    • Wortarten mit ihren syntaktischen Funktionen Beispiel: scheitern (verb), chancenreich (adjective), Gewinn (noun), etc.
    • Wertungsgrad des Attributs Beispiel: während eindeutig positive bzw. negative Attribute in der Regel als negativ bzw. positiv erkannt werden, benötigen latent positive bzw. negative Attribute einen Auslöser (Sentiment Intensifier). Beispiel: a) begeistern, Skandal => wird ohne Zusatz erkannt b) Image ABER: einzigartiges Image c) Verbrauch ABER: massiver Verbrauch => Erkennung nur mit Verstärker.
    • Wörter, die die Wertigkeit von Attributen verändern können Zusätzlich zu den Sentiment Intensifiern gibt es noch negative Ausdrücke (Negation trigger), die die Tonalität umkehren und Begriffe, die eine Tonalitätserfassung blockieren (Sentiment blocker) Beispiel: d) einzigartiges Image ABER: kein einzigartiges Image => umgekehrte Tonalität e) gewinnen ABER: wollen gewinnen=> geblockte Tonalität.

    Ich habe ca. 60 Tools getestet aber keine könnte wirklich mir die Implementierung diese Methode ermöglichen. Zudem hatten die Tools mindestens eine Schwäche bei den eigenen Features. DAS Tool gibt es nicht. Und so lange Maschinen nicht wie Menschen lernen und handeln können, wird es so bleiben. Die Tool-Anbieter wollen außerdem nicht wirklich erklären nach welche Methodik, Algorithmen usw. die Tools arbeiten. In de kommenden Woche werde ich konkretes dazu schreiben. Also nach spezifischen Anwendungsszenarien welche (Social Media) Monitoring Tools gut sind. Hier erst mal mein Beitrag zum Einstig. http://www.divia.de/2014/01/social-media/serienstart-monitoring-top-tools-im-test/

    Viele Grüße
    Elvis Martinez

  3. Hallo Elvis,

    vielen Dank für deinen Kommentar! Auch wenn ich keine konkrete Frage entdecken kann, nehme ich an, dass Du gerne einen solchen Tool-Anbieter finden würdest.

    Im Rahmen meiner bisherigen Laufbahn habe ich ca. 20 Tools getestet und mit drei davon an konkreten Projekten gearbeitet (Brandwatch, Radarly und Netbase), alle drei hatten ein solches Feature nicht (zumindest nicht, dass ich wüsste). Ich denke aber auch, dass ein solches Feature außer Dir niemand wünscht, daher wundert mich das nicht sonderlich.

    Wenn ich Dir einen kleinen Tipp geben darf: Oliver Tab und Thomas Perry sind Geschäftsführer von linkfluence – dem Anbieter hinter Radarly. Eventuell haben die ja Interesse, deine Gedanken zu diskutieren und in Ihrem Tool zu etablieren? Ist sicherlich mit viel Aufwand verbunden, klingt aber auch so, als könnte es der Branche und dem entsprechenden Tool gut tun.

    Im Übrigen glaube ich persönlich nicht an eine automatisierte und gleichzeitig sinnvolle Sentimentanalyse. Allein schon, weil eine Einteilung in positiv, neutral und negativ häufig nicht ausreicht (bspw. „gemischte Meinungen“ oder „Unsicherheit“ bei einem Thema). Daher arbeite ich selbst noch mit Zufallsstichproben, die ich manuell codiere, um zumindest die automatische Sentiment-Analyse zu überprüfen (und komme eigentlich immer zu deutlichen Unterschieden). Netbase ist in dieser Hinsicht, dank Ihrem NLP-Ansatz, relativ gut. Aber selbst da, empfinde ich die manuelle Analyse als zielführender. Vielleicht kannst Du mit deinem Ansatz meine Meinung ja verändern. Würde mich freuen!

    Viele Grüße
    Alper
    P.S.: Natürlich auch vielen Dank an Thomas, aber da habe ich nichts anzumerken 🙂

    • Elvis Martinez am

      ja, gerne. Mein Vorhaben zielt auf Standardisierung, wie in der Meinungs- und Marktforschung, legitime oder zumindest aussagekräftige Untersuchungsmethode die sich mit „offene Tool-Systeme“ implementieren lassen, da jede Monitoring-Projekt konkrete Ergebnisse liefern soll und gleichzeitig sich auf die Bedürfnisse der Anwender/Kunde richtet.

      Ich denke, aber auch dass, die Anbieter den Interessenten nicht einfach machen, wenn sie sich mehr auf Marketing konzentrieren aber weniger an die Anpassung von Features und Metriken.

      Daher wollte ich außerhalb meines Beitrags keine Anbieter nennen, da solche „Nennung“ ein anderen qualitativen Aspekt rüber bringt. Die Tools, die du nennst, habe ich auch getestet.

      Viele Grüße
      Elvis Martinez