SOSYAL MEDYA MADENCİLİĞİ İLE FİRMALARIN TWITTER VERİLERİNİN İNCELENMESİ
Öz
Bu çalışma, farklı sektörlerde faaliyet gösteren rakip firmaların Twitter verilerini analiz ederek, firmaların Twitter verilerinin firmalara göre anlamlı bir uyum gösterip göstermediğinin tespit edilmesini, firmaların Twitter’da paylaştıkları içeriklerin kümelenmesini ve hangi içerik kümesinin en fazla etkileşime yol açtığının belirlenmesini amaçlamaktadır. Bu kapsamda, 2017 yılı boyunca kozmetik, elektronik ve pazaryeri sektörlerinde faaliyet gösteren rakip firmalar tarafından paylaşılan Twitter verileri, Sosyal Medya Madenciliği süreci izlenerek analiz edilmiştir. Firmaların Twitter verilerinin firmalara göre anlamlı bir uyum gösterip göstermediği Uygunluk Analizi ile tespit edilmiştir. Firmaların Twitter paylaşımları ise Metin Madenciliği ön işleme metotlarından faydalanılarak “Özel Teklif”, “Yarışma & Etkinlik”, “Ürün”, “Sosyal”, “Destek & Geri Bildirim” ve “Özel Etkileşim” kategori başlıklarıyla kümelenmiştir. Firmaların elde ettikleri etkileşimlerin büyük bir çoğunluğunun azınlıktaki paylaşımlardan gelmesi sebebi ile hangi içerik kümesinin en fazla etkileşime yol açtığı Pareto İlkesi yardımı ile belirlenmiştir.
Anahtar Kelimeler
sosyal medya,sosyal medya madenciliği,metin madenciliği,pareto ilkesi,uygunluk analizi
Kaynakça
- af Rosenborg, K., Christina, D., Buhl-Andersen, I., Nilsson, L. B., Rebild, M. P., Mukkamala, R. R., ... & Vatrapu, R. (2017). Buzz vs. sales: Big social data analytics of style icon campaigns and fashion designer collaborations on h&m’s facebook page.
- Asur, S., & Huberman, B. A. (2010, August). Predicting the future with social media. In Proceedings of the 2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology-Volume 01 (pp. 492-499). IEEE Computer Society.
- Bian, J., Yoshigoe, K., Hicks, A., Yuan, J., He, Z., Xie, M., ... & Modave, F. (2016). Mining twitter to Assess the public perception of the “Internet of Things”. PloS one, 11(7), e0158450.
- Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of computational science, 2(1), 1-8.
- Bonzanini, M. (2016). Mastering social media mining with Python. Packt Publishing Ltd.
- Chae, B. K. (2015). Insights from hashtag# supplychain and Twitter Analytics: Considering Twitter and Twitter data for supply chain practice and research. International Journal of Production Economics, 165, 247-259.
- Chatfield, A., & Brajawidagda, U. (2012). Twitter tsunami early warning network: a social network analysis of Twitter information flows.
- Çoban, Ö., Özyer, B., & Özyer, G. T. (2015, May). Sentiment analysis for Turkish Twitter feeds. In Signal Processing and Communications Applications Conference (SIU), 2015 23th (pp. 2388-2391). IEEE.
- Ding, C., Cheng, H. K., Duan, Y., & Jin, Y. (2017). The power of the “like” button: The impact of social media on box office. Decision Support Systems, 94, 77-84.
- Guidry, J. D., Messner, M., Jin, Y., & Medina-Messner, V. (2015). From# mcdonaldsfail to# dominossucks: An analysis of Instagram images about the 10 largest fast food companies. Corporate Communications: An International Journal, 20(3), 344-359.