SciMingo helpt onderzoekers het juiste evenwicht te vinden tussen complexiteit en begrijpelijkheid in wetenschapscommunicatie. Zo leren we je hoe je mensen aanspreekt zonder afbreuk te doen aan je onderzoek. Als volleerde flamingo's, meesters in evenwicht 🦩
From conversation to conversion - An explorative study on the adoption of social media and the application of sentiment analysis
Lana
Eeckhout
SOCIALE MEDIA: HEBBEN MARKETEERS HET ROER STEVIG IN HANDEN?
Per dag worden er maar liefst 175 miljoen tweets de wereld ingestuurd en zo’n vijf miljoen Belgen hebben de weg naar Facebook gevonden. Sociale media zijn aan een opmars begonnen die niet te stuiten valt. Het web omvat mede hierdoor een onnoemelijk grote bron van informatie die zich uitstekend leent voor, bijvoorbeeld, commerciële doeleinden. Maar zijn bedrijven zelf wel voldoende actief op sociale media en richten ze zich via deze kanalen voldoende tot hun consumenten?
Voor de jongere generaties lijkt het bovendien evident: even naar Facebook of Twitter surfen om te ontdekken waar Thomas vandaag ‘ingecheckt’ heeft of welke jurkjes Sofie gekocht heeft #like a boss. In enkele muisklikken weten ze welke trends en merken het hipst zijn. Toch is het niet zo eenvoudig om uit die overvloed aan online informatie meteen een gestructureerd overzicht op te bouwen dat bedrijven vertelt hoe ze op sociale media omschreven worden. Er bestaan uiteraard wel een groot aantal tools die deze taak vergemakkelijken, maar maken bedrijven hier ook effectief gebruik van? En helpen deze tools hen om te ontdekken of hun merk al dan niet positief onthaald wordt door consumenten (dit heet ook wel sentiment analyse)?
Uit een verkennende markstudie bij Vlaamse media en webshops bleek dat deze instellingen tijdig op de boot gesprongen zijn, maar dat ze het roer nog niet stevig in handen hebben om vlot door sociale media te varen.
INTERACTIE CENTRAAL
Aan de hand van een verkennend onderzoek werd nagegaan of 7 Vlaamse mediakanalen, waaronder Humo, Q-music en VRT, en acht webshops actief zijn op sociale media, hoe vaak en hoe ze hun profiel beheren en of ze tools gebruiken voor sentiment analyse.
Uit de enquête bleek dat alle respondenten op zijn minst op één sociaal netwerk actief zijn. Twitter en Facebook zijn hierbij de populairste netwerken. De meerderheid van de mediaplatformen, ongeveer 83%, en de helft van de webshops beheren hun profiel elke dag. Maar liefst 90% van alle respondenten gaf bovendien aan online inhoud te integreren in de marketingstrategie.
Grafieken a en b invoegen
Bij die strategie gaat het vooral om interactie tussen het bedrijf en de consument. Humo, bijvoorbeeld, maakt omvangrijkere artikels over de links waarop het meest geklikt wordt. Daarnaast ligt de focus op dialoog tussen het bedrijf en de consument. Dit blijkt doordat alle respondenten openstaan voor klachten en problemen die via sociale media geuit worden.
“Door sociale media wordt de klantenservice de basis waarop de ganse marketingstrategie steunt.” Dimitri Callens, Engagor
TOOLS VOOR SENTIMENT
In vergelijking met sociale media, is sentiment analyse een begrip waarbij nog veel mensen de wenkbrauwen zullen fronsen. Ze weten vaak niet dat de informatie die ze op het internet verspreiden, steeds meer gebruikt wordt om promoties op maat te ontwikkelen. Met sentiment analyse hebben bedrijven dus een grote troef in handen om in te spelen op wat het grote publiek verwacht.
“Bedrijven moeten eerst volledig begrijpen wat er over hen verteld wordt op sociale media. Doen ze dit niet, dan kunnen ze hun strategie onmogelijk aanpassen.”[1]
Om een inzicht te krijgen in de overvloed aan informatie op het web werden er de voorbije jaren steeds meer tools ontwikkeld om bedrijven te helpen bij de analyse van webinhoud. Hoogstaande tools helpen marketeers van a tot z bij het beheer van hun online imago. Commerciële tools, daarentegen, vertonen vaker kwalitatieve gebreken en zijn minder geschikt om online berichten op een optimale manier te analyseren. Het voordeel van deze tools is dat ze meestal gratis zijn, en daar gaat vaak de voorkeur naar uit.
OPPERVLAKKIGE ANALYSE
Hoewel alle respondenten actief zijn op sociale media en ook bewust hun profiel beheren, integreren ze de technologie voor een gedetailleerde webanalyse nog niet optimaal. Ook al screent zo’n 90% van de mediakanalen en webshops online inhoud in het algemeen, toch voert slechts 1 op 15 respondenten een specifieke sentimentanalyse uit. Dit toont aan dat ondernemingen beseffen dat sociale media een troef kunnen zijn, maar dat deze nieuwe media nog niet optimaal in de bedrijfsstrategie geïntegreerd zijn.
Het grote verschil in analyse tussen de mediakanalen en webshops schuilt erin dat 71% van de mediarespondenten bekend zijn met sentiment analyse, maar dat dit slechts bij 12% van de webshops zo is. Het is echter verrassend dat geen enkel mediaplatform gebruik maakt van tools voor sentiment analyse, ook al is het concept enigszins bekend. Bij de webshops voert één respondent een diepgaande analyse uit aan de hand van tools.
Grafiek c invoegen
HOGERE RETURN ON INVESTMENT
In het algemeen wordt sentiment op sociale media geanalyseerd om een globaal beeld te verkrijgen van de online bedrijfsreputatie, bijvoorbeeld: hoe vaak wordt de bedrijfsnaam vermeld. In een meer diepgaande fase gaan marketeers na hoe vaak er positieve berichten gepost worden over het bedrijf en zijn producten. Hierbij wordt er ook aandacht besteed aan hoe er bericht wordt over de concurrentie en wat de verhouding is tussen de beide reputaties. Het belangrijkste doel is echter dat het bedrijf een hogere omzet behaalt door de inspanningen die het doet op sociale media.
VAREN OF VERDRINKEN
Aan de hand van de resultaten uit de enquête en een diepgaande literatuurstudie over sentiment analyse en de tools die beschikbaar zijn op de markt, werd er in dit onderzoek een ideale tool aanbevolen om de kloof tussen theorie en praktijk te dichten.
Aangezien bedrijven zich bewust zijn van de meerwaarde die sociale media kunnen bieden, maar de technologie nog niet volledig onder de knie hebben, is er een hoge nood aan gebruiksvriendelijke tools die meteen een grafisch overzicht bieden van wat er online over het bedrijf verteld wordt. Deze tools maken namelijk het verschil om efficiënt doorheen sociale media te navigeren en niet te verdrinken in de grote zee aan informatie.
[1] Citaat door Lana Eeckhout uit de bevindingen van het onderzoek.
Bibliografie
BIBLIOGRAFIE (volgens de Engelse APA-termen)
Appraisal theory. (2013). In Wikipedia. Retrieved from http://en.wikipedia.org/wiki/Appraisal_theory [25.04.2013]
Barbosa, L., & Feng, J. (2010). Robust Sentiment on Twitter from Biased and Noisy Data. Proceedings of the 23rd International Conference on Computational Linguistics: Posters (Coling 2010), 36-44. Beijing, China.
Bastijns,L., & Briesen, K. (2012). Solliciteren via social media. [PowerPoint slides]. Retrieved from https://chamilo.hogent.be/index.php?application=weblcms&course=9622&too… [23.02.2013]
Berger, A.L., Della Pietra, V. J., & Della Pietra, S.A. (1996). A Maximum Entropy Approach to Natural Language Processing. Journal of the Association for Computational Linguistics, 22(11). 39-71.
Councill, I.G., McDonald, R., and Velikovich, L. (2010). What’s Great and What’s Not: Learning to Classify the Scope of Negation for Improved Sentiment Analysis. Proceedings of the Workshop on Negation and Speculation in Natural Language Processing, 51-59. Uppsala, Sweden.
Click-through rate (CTR). (2013). In Wikipedia. Retrieved from http://en.wikipedia.org/wiki/Click-through_rate [13.04.2013]
D. Callens. (October 17, 2012). Marketing 2.0: Combine forces of Marketing and Customer Service! [Web log]. Retrieved from http://engagor.com/blog/category/customer-service/
Dinu, L.P., & Iuga, I. (2012). The Naive Bayes Classifier in Opinion Mining: In Search of the Best Feature Set. Proceedings of the 13th international conference on Computational Linguistics and Intelligent Text Processing (CICLing’12), part 1, 556-567. New Delhi, India.
Engagor. (2013). Home page. Retrieved from http://engagor.com/ [08.04.2013]
Entropy (information theory). (2013). In Wikipedia. Retrieved from http://en.wikipedia.org/wiki/Entropy_(information_theory) [13.01.2013]
Expected value. (2013). In Wikipedia. Retrieved from http://en.wikipedia.org/wiki/Expected_value [13.01.2013]
Facebook Developers. (2013). Tools - Insights. Retrieved from https://developers.facebook.com/docs/insights/ [09.04.2013]
Go, A., Bhayani, R., & Huang, L. (2009). Twitter sentiment Classification using Distant Supervision. Project Report from CS224N/Ling 237 Natural Language Processing, 1-17. Stanford, CA, USA: Stanford University.
Hashtag. (2012). In Twitter Glossary. Retrieved from https://business.twitter.com/en/basics/glossary/ [28.02.2013]
Hatzivassiloglou, V., & McKeown, K.R. (1997). Predicting the
Semantic Orientation of Adjectives. Proceedings of the eighth Conference on European chapter of the Association for Computational Linguistics (EACL’97), 174-181. Stroudsburg, PA, USA.
Hill, T., & Lewicki, P. (2007). Naive Bayes Classifier. In StatSoft, Inc. (Ed.), Statistics: methods and applications. A comprehensive reference for science, industry and data mining (319-321). Tulsa, OK, USA: StatSoft, Inc.
Jansen, B.J., Sobel, K., and Chowdury, A. (2009). Twitter Power: Tweets as Electronic Word of Mouth. Journal of the American Society for Information Science and Technology, 60(11). 2169-2188.
Jo, M. (2013). Announcing New Version 3.0 of OpenAmplify API Now Available. OpenAmplify [Press release]. Retrieved from http://www.openamplify.com/node/6585
Khan, A., Baharudin, B., & Khan, K. (2011). Sentiment Classification Using Sentence-level Lexical Based Semantic Orientation of Online Reviews. International Journal of Computer Science and Emerging Technologies, 2(4). 539-552.
Kumar, A., & Sebastian, T.M. (2012). Sentiment Analysis: A Perspective on its Past, Present and Future. International Journal of Intelligent Systems and Applications, 4(10). 1-14.
Lai, P. (2010). Extracting Strong Sentiment Trends from Twitter [PDF document]. Stanford, CA, USA: Stanford University – Computer Science Department. Retrieved from http://nlp.stanford.edu/courses/cs224n/2011/reports/patlai.pdf
Language and Translation Technology Team (LT³). (s.d.). Home page. Retrieved from http://lt3.hogent.be/en/ [15.04.2013]
Liu, B. (2011). AAAI-2011 Tutorial : Sentiment Analysis and Opinion Mining [PowerPoint slides]. Retrieved from http://www.cs.uic.edu/~liub/FBS/Sentiment-Analysis-tutorial-AAAI-2011.p… [15.11.2012]
Liu, B. (2012). Sentiment Analysis and Opinion Mining: Synthesis Lectures on Human Language Technologies. [s.l.], USA: Morgan and Claypool Publishers.
Maynard, D., Bontcheva, K., & Rout, D. (2012). Challenges in developing opinion mining tools for social media. Proceedings of @NLP can u tag #usergeneratedcontent?! Workshop at LREC 2012, 1-8. Istanbul, Turkey.
Nielsen. (2012). State of the Media: The Social Media Report 2012 (Research report). Retrieved from http://www.nielsen.com/content/dam/corporate/us/en/reports-downloads/20…
Open Amplify. (2013). Home page. Retrieved from http://www.openamplify.com/ [08.04.2013]
OpenAmplify. (2013). OpenAmplify’s new version 3.0 API boosts sentiment analysis with a signal that answers “Why” [Press release]. Retrieved from http://www.openamplify.com/sites/default/files/OpenAmplify_Press%20Rele…
Open API. (March 16, 2013). In Wikipedia. Retrieved from http://en.wikipedia.org/wiki/Open_API [06.04.2013]
Pak, A., & Paroubek, P. (2012). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. Proceedings of the 8th Language Resources and Evaluation Conference (LREC’12), 1320-1326. Istanbul, Turkey.
Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1-2). 1-135.
Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up? Sentiment Classification using Machine Learning Techniques. Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP), 79-86. Philadelphia, PA, USA.
Read, J., Hope, D., & Carroll, J. (2007). Annotating Expressions of Appraisal in English. Proceedings of the Linguistic Annotation Workshop, 93-100. Prague, Czech Republic.
Rennie, J.D.M., Shih, L., Teevan, J., & Karger, D.R. (2003). Tackling the Poor Assumptions of Naive Bayes Text Classifiers. Proceedings of the Twentieth International Conference on Machine Learning (ICML-2003), 1-8. Washington DC, USA.
Sentiment 140. (2013). About. Retrieved from http://help.sentiment140.com/ [09.04.2013]
Social Mention. (s.d.). About. Retrieved from http://socialmention.com/about/ [08.04.2013]
Support Vector Machine. (2013). In Wikipedia. Retrieved from http://en.wikipedia.org/wiki/Support_vector_machine [03.04.2013]
The Reference. (2011). Het digitale marketing landschap in België [Press release]. Retrieved from http://www.referencedata.be/nl/investeringen-digitale-marketing
The Reference. (2012). Reference Data 2012 – survey #2: E-CRM in België vandaag (Research report). Retrieved from http://www.reference.be/Media/pdf/details-e-crm-surveyNL
Traffic builder. (2013). In Business Dictionary. Retrieved from http://www.businessdictionary.com/definition/traffic-builder.html [13.05.2013]
Van Belleghem, S. (2012). Social Media Integration Survey [Slideshare presentation]. Ghent, Belgium: InSites Consulting. Retrieved from http://www.slideshare.net/stevenvanbelleghem/social-media-integration-s…
Van de Kauter, M., & Desmet, B. (2012). Guidelines for the Fine-Grained Analysis of Polar Expressions: SentiFM – SubTLe (version 1.1). Ghent, Belgium: University College Ghent – Faculty of Applied Language Studies – Language and Translation Technology Team (LT3).
Vinodhini, G., & Chandrasekaran, R.M. (2012). Sentiment Analysis and Opinion Mining. International Journal of Advanced Research in Computer Science and Software Engineering, 2 (6). 282-292.
Wiebe, J., Bruce, R.F., & O’Hara, T.P. (1999). Development and Use of a Gold-Standard Data Set for Subjectivity Classifications. Proceedings of the 37th annual meeting of the Association for Computational Linguistics (ACL’99), 246-253. Stroudsburg, PA, USA.
Wiebe, J., & Riloff, E. (2005). Creating subjective and objective sentence classifiers from unannotated texts. Computational Linguistics and Intelligent Text Processing. Lecture Notes in Computer Science, 3406. 486-497.
Winter, C. (2012). Is Google+ a Ghost Town, and Does it Matter? Bloomberg Businessweek, May 14-21, 2012. Retrieved from http://www.businessweek.com/articles/2012-05-16/is-google-plus-a-ghost-… [15.04.2013]
INFORMANTENLIJST
Joachim De Beule, Data scientist at Engagor, e-mail March, 27, 2013
Kattoo Hillewaere, E-commerce consultant at Indie Group, e-mail February 22, 2013
Reed David, Customer Support at Simply Measured, e-mail March 29, 2013
Thierry Meerschaert, Senior Research Manager Technology & Services at InSites Consulting, e-mail November 27, 2013
