Второй день i-Comference 2013 был посвящен обсуждению социальных коммуникаций, в частности мониторингу социальных сетей.
Павел Лебедев, Wobot, провел лекцию «Исследования в соцмедиа: как слушать пользователя? Зачем это нужно?»
Исследования в социальных медиа нужны в первую очередь SMM-специалистам и маркетологам, однако, эти данные могут помочь и бизнесу в целом.
По данным TNS, ежемесячно социальными сетями пользуется 60 млн. пользователей. По данным ФОМ, 35% пользователей читают отзывы и мнения о товарах и услугах, 32% им доверяют, 32% считают, что производители должны учитывать мнение людей, которое высказывается в социальных медиа.
В социальных сетях мы видим пользователей, что они говорят, с кем дружат, как они взаимодействуют, какой контент им нравится – все это дает нам информацию не только для управления сообществом, но и для того чтобы привлекать пользователей, анализировать информацию для развития бренда и его продукта. Задача мониторинга в социальных медиа – это не только отследить негатив, но и оперативно на него отреагировать, чтобы не пошла волна.
Что мы мониторим:
- тематику сообщений,
- тональность сообщений,
- граф распространения информации,
- сообщества и группы,
- общности (люди связаны между собой, но не являются членами одной группы).
Кейс №1. Анализ тематики и тональности
Что делаем:
- Структурирование массива упоминаний по некоторому принципу,
- Выделение смысловых элементов,
- Определение отношения (оценка тональности) к объекту.
- Проставление тем (тегов) по тональности происходит в ручном или автоматическом режиме.
Рассмотрим пример анализа динамики упоминаний двух банков – Альфа банк и Связной.
Если посмотреть на динамику упоминаний банков в соцсетях, видим спад в отношении Связного:
Анализ тональности и площадок показывает, что оба банка активно обсуждаются в Twitter (при этом негативных упоминаний в отношении Альфа банка гораздо больше). Также можно заметить, что Связной активно обсуждают на региональном портале Екатеринбурга (e1.ru), что возможно, и не выяснилось бы без мониторинга:
Смотрим воронку отзывов. Она позволяет увидеть существующие проблемы: пользователи не вовлечены в обсуждение, большое количество негативных отзывов, либо наоборот активное обсуждение, но мало эмоционально-окрашенных отзывов.
Дальше анализируем репутационный индекс: от позитивных и нейтральных отзывов отнимаем негативные и смотрим, как изменяется мнение. Обязательно нужно отслеживать связь инфоповодов и динамики.
Таким образом, выстраивается целостная картина общего восприятия бренда.
Можно углубиться дальше и посмотреть, какие темы обсуждаются, продукты, услуги. Посчитать репутационный индекс для каждого из них. Это помогает понять отношение аудитории и внести корректировку, если необходимо.
Кейс №2. Распространение информации
Конфликт начался с твита о том, что интернет-магазин не доставляет вовремя заказ. Первоначальная вовлеченность равна нулю, потенциальный охват – 500 фолловеров.
Однако когда пост ретвитнули два топовых блоггера, потенциальный охват увеличился в 2 тысячи раз:
Из-за отсутствия нужной коммуникации со стороны магазина изначально, негатив продолжил распространяться:
Чтобы избежать такой ситуации, магазин должен был реагировать быстро, выходить на контакт с блогерами, регулировать его.
Кейс №3. Группы и сообщества
Что анализируем:
- анализ структуры участников группы,
- тип и тематика контента,
- охват и вовлеченность,
- социально-демографический профиль аудитории.
В группе ИТАР-ТАСС несмотря на несколько тысяч подписчиков активность невысока. Ядро сообщества – 3-4%. Вопрос либо к контенту, либо к структуре аудитории.
Смотрим связь между тематикой постов и вовлеченностью. Выясняется, что посты с тематикой, вызывающей наибольший отклик среди пользователей, публикуются не так часто:
Хотите вовлекать – пишите о том, что интересно. Сообщество постоянно меняется, поэтому мониторить надо постоянно. При этом не нужно зацикливаться только на одной тематике контента, информация должна быть разнообразной.
Кейс № 4. Анализ общности
Работа велась для венчурного фонда. Цель анализа – поиск концентраторов связей между экспертами и профессионалами в области инноваций.
Была собрана база пользователей, затем изучались их связи в LinkedIn и соответствие требуемым параметрам. На основании этого сделали следующую общность:
Т.к. из этой схемы ничего не было понятно, провели сегментацию, и связи в данной общности стали выглядеть абсолютно по-другому:
Дальше взяли каждый сегмент и смотрели его отдельно.
Вывод: