All about Facebook? All about you!

2,396 views

Published on

z konference All about Facebook, Bratislava

Published in: Education
0 Comments
6 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
2,396
On SlideShare
0
From Embeds
0
Number of Embeds
244
Actions
Shares
0
Downloads
25
Comments
0
Likes
6
Embeds 0
No embeds

No notes for slide

All about Facebook? All about you!

  1. 1. All about Facebook? All about you! Josef Šlerka, Social Insider, 2. 12. 2013 konference All about Facebook, Bratislava
  2. 2. Kdo jsem Ředitel společnosti Ataxo Interactive Duchovní otec nástroje pro monitoring sociálních sítí Social Inisider (pro český i slovenský trh) Vedoucí Studia nových médií na FF UK v Praze
  3. 3. O čem bude řeč Být fanouškem stránky na Facebooku nebo olajkovat nějaký status prozrazuje něco o nás a našich preferencích Co všechno lze zjistit z takových jednoduchých sociálních akcí si ukážeme právě dnes
  4. 4. Prezidentské volby nesnesitelná lehkost lajků...
  5. 5. Prezidentská volba affinitní analýza fanoušků prezidentských kandidátů na Facebooku autorem metody je Jan Schmid z Perfect Crowdu analyzováno přes 1.600 fanoušků charakteristické odchylky fanoušků od průměrného uživatele z pohledu stránek, kterých je fanoušek realizováno pro Českou televizi
  6. 6. Miloš Zeman
  7. 7. Vladimír Franz
  8. 8. Táňa Fišerová
  9. 9. Parlamentní volby nevěrné lajky fanoušků...
  10. 10. FND Facebook normalized distance vychází z Google normalized distance Analyzuje blízkost stránek podle průniků lidí lajkujících (nebo komentujících) posty na stránkách Výsledkem je vzdálenost mezi stránkami v intervalu 0 až 1. Čím nižší, tím jsou si stránky bližší Zohledňuje přitom i velikost stránek a umožňuje i další metody analýzy jako MDS či faktorovou analýzu.
  11. 11. FND FND je vyjádřená vzorcem: m = log10(počet všech českých účtů); fx = log10(počet lajkujících na stránce X); fy = log10(počet lajkujících na stránce Y); fxy = log10(počet společných lajkujících); FND = ((max(fx,fy) - fxy) / (m - min(fx,fy))
  12. 12. věk vzdělání
  13. 13. Facebook Profiling pokud těch data máte dost
  14. 14. Facebook Profiling seznamy likes z více než 200.000 českých a slovenských facebookových stránek explorační analýza složení fanouškovského jádra stránek podle toho, kde ještě jinde lajkují lidé, kteří lajkují na analyzované stránce ideální průnik je vysoká míra sdílených stránek a blízkost dle Facebook normalized distance běžně alespoň 5% průnik a distance cca 0.5
  15. 15. Facebook stránka Daniela Lipšica
  16. 16. Facebook stránka SME veda
  17. 17. Facebook stránka Sashe.sk
  18. 18. Ale neumí tohle i Facebook Graph Search?
  19. 19. Neumí:-)
  20. 20. Marian Kotleba aneb Facebook Graph Search neříká vše...
  21. 21. Graph Search nezohledňuje ani velikost stránek ani jejich živost a tím i pravděpodobnost, že budete něco na ní lajkovat není jasné podle čeho se rozhoduje nedává vám možnost pracovat s hlubšími typem analýzy než je pouhý list
  22. 22. Kotleba zblízka případová studie
  23. 23. Detailnější analýza co když nechci jádro, ale detailnější popis? můžu hledat mezi největšími průniky ještě nějaké specifické subskupiny? řešením je faktorová analýza a následné hledání hlubších vhledů do odlišnosti specifických fanoušků (obdoba mají rádi tohle a ještě k tomu tohle)
  24. 24. Čitelné skupiny nacionalisti: Naše Slovensko, Nedajme si náš Slovenský národ, PSN - Povstanie Slovenského Národa, Sila pravdy, Sloboda Slova rappeři a machisti: Patrik "Rytmus" Vrbovský, REFRESHER.sk, Roko "Hip Hap" Records, DJ DAVE, Michal "Ego" Straka, Miky Mora citlivé ženy: MAMA je len JEDNA a preto ju NADOVŠETKO MILUJEM!!!, Citáty pre pohladenie duše, Milovať a byť milovaný je najväčším... a další...
  25. 25. Koteleba a jeho voliči média, kterým věří: Nový Čas, Topky.sk, Televízia JOJ oblíbený tým: HC Slovan Bratislava co mají rádi: pohodové aktivity s kamarády
  26. 26. Big and scary, huh?
  27. 27. no....
  28. 28. one more thing... když už jsme u toho, tohle znáte?
  29. 29. Social Insight Finder social data + transaction data + web analytics = <3 společný produkt KBM Group a Social Insideru
  30. 30. Základní principy obchodní segmentace na tvrdých datech (transakční data, webová analytika aj.) zájmové preference a psycho-demografie na datech ze sociálních sítí (Facebook, Twitter, blogy aj.)
  31. 31. Případová studie velký klient z oblasti e-commerce, požadavek na segmentaci klientů a jejich charakteristiku transkační data - co kupuje, kdy kupuje, za kolik kupuje, jak často kupuje aj. osobní data - pohlaví, věk, newsletter aj. web analytics - bounce rate, oblíbené kategorie, doba na webu facebook - jake stránky má konkrétní klient rád
  32. 32. č. 2 URBAN YUPIIES průměrné revenue objednávají: goods, food, fun, méně travel browsing: fun, food na webu nadprůměrně aktivní ve všech kategoriích pohlaví: nejvíce mužů z nakupujících segmentů výrazně nadprůměrně platba kartou věk: medián XX let
  33. 33. ženy: studentky po nebo na VŠ (Fakulta roku), single nebo nemá žádný vážný vztah, má peníze pro sebe chtějí se ukázat, řeší módu, značky – Starbucks, Botyk.cz, Fashion Days, CCC Boty, Zoot, Módní peklo pózy – Vodu z vodovodu Zdarma, Potřebuji dovolenou
  34. 34. č. 8 Muži bez peněz
  35. 35. č. 8 Muži bez peněz insight: Hledám, co bych si koupil, ale nemám peníze mix mužů bez peněz, hodně studenti (Státní maturity, Stáhněte si zadání) z menších měst (Brno, Ostrava) pasivní zábava: Vyžeň nudu sázení: Tipsport, Onlajny.cz, Chance technické zájmy: Datart, Mobilmania, Asus, Škoda, politika: Piráti, Stydím se za vládu ČR Ikony: Izer, Kazma Kazmič, Pohlreich
  36. 36. A to je opravdu všechno... Jo a mimochodem: hledáme na Slovensku obchodní partnery, tak se stavte na afterparty.
  37. 37. Díky za pozornost @josefslerka

×