LinkedIn Messaging für Unternehmensseiten: was es ist und weshalb Sie es aktivieren sollten
Von Boris Mayer5. Apr
Der größte Social Insights Report seiner Art -
Insights aus 5 Branchen und über 500 Marken
Veröffentlicht 18. Juni 2019
Social Media kann Marken einen Schatz an Insights liefern, mit denen sie Verbraucher besser verstehen können.
Aber aufgrund der schieren Größe von Social-Media-Daten, ist eine leistungsstarke Analyse erforderlich, um diese Insights aufzudecken. Neben der Bildanalyse, gehört die Textanalyse zu den primären Methoden, um aus Social-Media-Daten wertvolle Erkenntnisse zu gewinnen.
Die Textanalyse ist der Prozess, um Informationen von Textquellen gewinnen zu können (Gartner). Die Textanalyse kann auf jeden textbasierten Datensatz angewandt werden, einschließlich Social Media, Umfragen, Foreneinträgen, Support-Tickets, Anrufprotokolle und mehr.
Computer hatten in der Vergangenheit immer Schwierigkeiten, die natürliche, menschliche Sprache aufgrund seiner Nuancen, Subjektivität und Eigenarten zu verstehen. Aber neue Technologien und Techniken haben die Genauigkeit der Textanalyse sehr verbessert.
Auch wenn Menschen Sprache immer noch besser verstehen, sind automatisierte Analyselösungen sehr hilfreich, um eine große Menge an Textdaten verarbeiten zu können.
Die Textanalyse kann auf Social-Media-Daten angewandt werden, um eine Bandbreite an Fragen über Konsumenten, Marken, Produkten und anderen Themen zu beantworten.
Hier sind einige der wichtigsten Use Cases:
Das allgemeine Sentiment oder spezifische Emotionen, die über eine Marke, Produkt oder Thema ausgedrückt werden, besser verstehen.
Mit der Textanalyse verstehen, welchen Prozentanteil von Gesprächen sich auf eine bestimmte Marke, Produkt oder Thema beziehen.
Tauchen Sie in jedes Gespräch in, um die wichtigsten Themen zu identifizieren und wie sich die Gespräche mit der Zeit verändern.
Identifizieren Sie Kaufabsichten und andere Phasen des Kaufzyklus, an dem Ihre Marke interessiert ist.
Sie wollen etwas messen, das sich spezifisch um Ihre Marke oder Produkt dreht? Mit einer Textanalyse, die auf Machine Learning basiert, können Sie eigene Kategorien erstellen und die Plattform trainieren, die Social Posts dementsprechend einzuordnen.
Da Sie jetzt wissen, was Sie mit der Textanalyse machen können, werfen wir einen Blick auf zwei der wichtigsten Vorgehensweisen.
Es gibt zwei Hauptvorgehensweisen in der Textanalyse:
Jede Methode hat ihre Stärken und Schwächen, die von den Zielen Ihrer Analyse abhängen. Die richtige Vorgehensweise für Ihren Anwendungsfall zu wählen ist wichtig, um die Effektivität und die Relevanz der Insights zu maximieren.
Die regelbasierte Mustererkennung kann auf einfachen Booleschen Keywörtern oder komplexeren Modellen basieren, die mit der Zeit von Sprachexperten zusammengestellt werden. Die linguistischen Regeln können für das Identifizieren der Sprache, Syntax und Tonfall eingesetzt werden bis hin zu Regeln für verschiedene Themen, Regionen und stilistische Variationen. Diese regelbasierte Methode kann schnell auf verschiedene Datensätze für eine schnelle Analyse angewandt werden.
Die Analyse kann schnell durchgeführt werden (nachdem die Regeln aufgesetzt wurden).
Es ist leicht zu verstehen, an welcher Stelle Regeln erfolgreich waren und an welcher Stelle sie irrelevante Daten liefern.
Text kann für eine tiefergehende Analyse in kleinere Stücke gegliedert werden.
Die regelbasierte Analyse wird das Finden, wonach Sie suchen, aber bekräftigt oft ursprüngliche Vermutungen, anstatt diese mit einer breiteren Perspektive anzufechten.
Sprache ist variabel, ändert sich ständig und ist oft informell. Es ist für Regeln unmöglich, all die Möglichkeiten der Ausdrucksweise in Texten zu berücksichtigen. Textanalyse, die auf linguistischen Regeln basiert, fehlen oft relevante Informationen aufgrund der Starrheit von Regeln.
Komplexe Regeln, die auf Expertenwissen basieren, können Jahre an Forschung benötigen, um die nötigen Quellen für eine Analyse zu haben.
Bestimmte Sprachen, die nicht weitgehend untersucht wurden, können möglicherweise nicht so einfach zu ohne umfangreiche Recherche zur den einzigartigen Merkmalen der Grammatik und Vokabulars analysiert werden.
Regeln werden von Menschen mit Vorurteilen erstellt und treffen nur auf Muster zu, von denen erwartet wird diese zu finden. Das Entdecken von Trends und neue Arten, wie Ideen ausgedrückt werden, wird behindert durch die Abhängigkeit von statischen Ressourcen.
Analysen, die auf Machine Learning basieren, entdecken Muster von Textbeispielen. Die Nutzung von statischen Methoden ermöglicht es, verschiedene Dokumente miteinander zu vergleichen, um die wichtigsten und nützlichsten Muster für das gewünschte Verhalten zu finden.
Die Methoden der Machine-Learning-Analyse sind divers und können von einfach bis komplex reichen, aber sie alle teilen das fundamentale Ziel, die wertvollsten und ausgeprägtesten Muster, basierend auf Beispielen, die Menschen liefern, zu lernen.
Es benötig weniger komplexe linguistische Quellen, aber erlernt Muster, die für die Aufgabe nützlich sind.
Modelle können verändert und angepasst werden, um dies auf neue Konditionen, die nicht erwartet wurden, anzugleichen.
Machine-Learning-Modelle fangen wichtigen Kontext auf, die die regelbasierte Vorgehensweise verpassen könnte, da diese auf Mustern der Wahrscheinlichkeit und Statistiken basiert.
Machine-Learning-Modelle zeigen Veränderungen, wie Ideen ausdrückt werden, auf, die Experten nicht erwarten würden.
Eine neue Sprache zu untersuchen benötigt weniger linguistische Expertise, da Recherche und Entwicklung weniger Ressourcen des Benutzers benötigen.
Machine Learning benötigt ein umfangreiches Training, aber das Training führt zu relevanteren Insights.
Ohne strikte Regeln kommt es zu einer leichten Abnahme der Genauigkeit, aber dafür werden verborgenere Insights aufgedeckt. Entdecken Sie mehr kontextbezogene Insights in den Gesprächen.
Das Analysieren von kurzen Texten (wie Tweets) im Vergleich zu langen Texten (wie Blogs) benötigt verschiedene Überlegungen und Herangehensweisen.
Beide Arten der Textanalyse haben ihre Stärken und Schwächen. Letztendlich liefert die Flexibilität, zwischen linguistischen Regeln oder Machine-Learning-Modellen basierend auf den Zielen Ihrer Analyse, wechseln zu können, die besten Ergebnisse.
Lesen Sie unseren englischsprachigen Report zu Verbrauchertrends auf dem amerikanischen Markt und sehen Sie, wie die Textanalyse für Social Media verwendet werden kann.
Erhalten Sie einmal im Monat unseren Newsletter mit aktuellen Neuigkeiten rund um Brandwatch, Social Listening Tipps, Marketing Trends und mehr.
Mit Consumer Research erhalten Sie Zugang zu tiefgehenden Verbraucher-Inisghts aus 100 Mio. Online-Quellen und über 1,4 Mrd. Posts.
Bereits Kundin oder Kunde?Loggen Sie sich im Login Menü oben auf der rechten Seit ein, um auf Ihre Falcon Produkte und Daten zuzugreifen.Noch keine Kundin oder Kunde?Sie finden die ehemaligen Falcon Produkte unter “Social Media Management”, wenn Sie in der Navigation auf “Unsere Suite” klicken.
Brandwatch acquired Paladin in March 2022. It's now called Influence, which is part of Brandwatch's Social Media Management solution.Want to access your Paladin account?Use the login menu at the top right corner.