[Wichtiger Hinweis]
Die App dient ausschließlich unserem internen Gebrauch und zur Unterstützung entsprechender Projekte / Socialmediaaccountpflege. Eine Abgabe der App ist also nur für die (interessierten) Betatester_innen und Kund_innen möglich.

Projekt: „Rundreisen und Fotos“
31.161 Aufrufe mit 1.666 Interaktionen
500 Fans

Projekt: „Wohnen, Leben und Einrichten“
65.813 Aufrufe mit 4.854 Interaktionen
2.100 Fans

Projekt: „Reisen, Tourismus (Schwerpunkt: Europa)“
18.303 Aufrufe mit 3.056 Interaktionen
2.200 Fans

Die Messung bezieht sich auf „letzte 30 Tage“ und die Ergebnisse lassen sich jeweils via analytics.pinterest.com einsehen.

– Boardname und Boardkategorie
– Boardbesitzer_in inkl. Name, Herkunft (sofern hinterlegt), Beliebtheit in Form der Fans und Pins und Beschreibung
– Board inkl. Boardname, Beschreibung, Fans und Pinanzahl
– Erstelldatum (Board)

[1. Schritt]
Suchabfrage auf die Boards
https://api.pinterest.com/v3/search/pins/?join=via_pinner,board,pinner&page_size=20&query=[suchwort(e)]&access_token=[deintoken]

[2. Schritt]
Erfassen der Boardbesitzer_innen über den Eintrag „data[nr].url„. Dieser hat das Schema /username/boardname und demzufolge müssen die „/“ zzgl. dem Boardnamen entfernt werden. Der extrahierte Username wird zwecks Weiterverarbeitung zwischengespeichert.

[3. Schritt]
Erfassen der Userangaben mit Hilfe der URL: https://api.pinterest.com/v3/pidgets/users/[username]/pins/
Die Angaben zum User befinden sich in diesen Variablen:
[user][about] => Beschreibung
[user][location] => Ort / Land
[user][full_name] => Name des Users
[user][follower_count] => Anzahl der Fans
[user][pin_count] => Anzahl der Pins
[user][profile_url] => Profilurl

Schaut man sich nun die Ergebnisse aus der Abfrageurl an, fallen Angaben zu den letzten Pins und deren „Beliebtheit“ (repin_count, like_count) auf und diese lassen sich nun als Bezugsgröße für die Beobachtungen zu „Aktivität“ und „Beliebtheit“ heran ziehen. Bei einer sauberen Langzeitanalyse dieser Daten lassen sich u.U. Teilaspekte des „User Intent“ prognostizieren. Ich werde vermutlich bis zum 18.01.2016 die Recherchefunktionen in unseren Beobachtungskomplex einbeziehen und unseren Kund_innen und Betatester_innen zur Verfügung stellen. Eine eventuelle Erweiterung der Accountanalysefunktionen auf die Systeme „Instagram“, „Twitter“ und „Facebook“ wird von uns derzeit intern noch ausdiskutiert.

[Einlesen des Feeds]
[]$json=file_get_contents('https://api.pinterest.com/v3/search/pins/?join=via_pinner,board,pinner&page_size='.$menge.'&query='.$search.'&access_token=deintoken');
Die Variable „$menge“ beschreibt hier die Anzahl der auszugebenden Ergebnisse, wobei hier maximal 200 möglich sind. Die Variable „$search“ beschreibt die zu übergebende Anfrage, welche eine Phrase oder ein einzelnes Wort beinhalten kann.

[Auswerten des Feeds]
[]$json_a=json_decode($json,true);
$data = $json_a['data'];
$summe = count($data);
Das Element „data“ umfasst die Datensätze zu den einzelnen Pins und die Variable $summe beinhaltet die Zusammenzählung aller ausgegebenen Datensätze zu den Pins.

[]$json_a['data'][$a]['title']
Die Variable „$a“ bezieht sich hier auf die Zählschleife, welche die Datensätze „Schritt für Schritt“ einliest und auswertet. Sie wird mit jedem Schritt um „1“ addiert und die Schleife beendet sich beim Erreichen des Zustands „$a=$summe“.
[]$json_a['data'][$a]['description']
https://www.pinterest.com/pin/".$json_a['data'][$a]['id']
$json_a['data'][$a]['repin_count']." / ".$json_a['data'][$a]['like_count']
Auslesen der Pinbeschreibung, des Pinlinks und der Anzahl „Repins“ / „Likes“. Für weitere Informationen aus den Ergebnissen muss natürlich der unbearbeitete Originaldatensatz hinsichtlich der Variablen analysiert werden und hier können sich Hinweise auf die Autoren der Pins, der hinterlegten URLs und eventuellen Qualitätsmerkmalen der Pins wie Hauptfarbe und Auflösungen interessant werden.

Nach aktuellem Kenntnisstand existiert leider keine Möglichkeit, die Ausgabe der Pins in irgendeiner Form zu sortieren (Datum, ID, Autor etc.) und man muss hier eine geeignete Sortierfunktion selbst entwickeln oder das Problem via nachgelagerter Datenbankanbindung lösen.

Wozu benötigt man das Ganze oder wie lassen sich nun die Datensätze konkret verwerten? Pinterest liefert interessante Rückschlüsse auf konkrete Marktsituationen, da die Metriken „Like“ und „Repin“ im Verhältnis zum Datum langfristig beobachtbar sind. Hieraus lassen sich klare Trends ableiten und zwar dahingehend, dass bestimmte Angebote eben „beliebt“ sind. Bei ordentlicher Datenerfassung und Datenaufbereitungen lassen sich die Zahlen nun auch mit bspw. unserer Hashtagdatenbank abgleichen und man könnte hier auch Gegenproben auf die Ergebnisse aus G-Trends oder dem G-Keywordtool realisieren. Denkbar wäre hier auch eine Hashtaganalyse auf die „Title“ und „Description“.

Neu ist hierbei:

1. Entfernung der Bitly-URLs
2. Aufsummierung der Signals und Gegenüberstellung der Zahlen zu den Statistiken aus Bit.ly

Durch die Erkenntnis, dass die Aktivitäten auf den Sozialen Plattformen wie Twitter, Gplus und Facebook gewünschte Ergebnisse produzieren können, wird die neue Version um weitere Datenquellen ergänzt:

1. Rankende URLs aus XOVI / Xovi-API
2. Anbindung an die Piwik-Schnittstelle (nur Version 1.x) für die Analysen der Einstiegsseiten mit Fokus auf „not-provided“
3. Vereinfachtes Einlesen der G-Analytics-Exports

Aufgrund der vielen und äußerst interessanten Rückmeldungen werden die Datenaufbereitungsfunktionen um die Visualisierung der Entwicklungen in Form von geeigneten Diagrammen ergänzt. Hierdurch lassen sich u.U. Querverbindungen zwischen den einzelnen Socialmedia sichtbar machen.

Das Schlafzimmer ● Im ersten Schritt werden mit Hilfe des Algorithmus die Rohdaten zum Thema Schlafzimmer ausgelesen. Diese Daten habe ich als Interessensmatrix bereitgestellt. Um diese Rohdaten in ein vergleichsfähiges Format zu übertragen, zählt der Algorithmus die ausgelesenen Interessen zusammen.

Das Wohnzimmer ● Auch hier werden wieder die Rohdaten in Form einer Interessensmatrix ausgelesen und als Interpretationshilfe zusammengefasst.

Die Filterprozedur lässt sich dahingehend anpassen, dass eine Mindestanzahl an ausgelesenen Interessen definierbar ist. Im Vergleich der beiden Bereiche Wohn- und Schlafzimmer ist keine Mindesthäufung vorgegeben.

Vergleich: Wohnzimmer vs. Schlafzimmer ● Durch die Zusammenzählung der Interessen aus den Rohdaten je Beobachtungsobjekt bzw. Metaebene haben wir nun die Möglichkeit geschaffen, beides miteinander vergleichen zu können. (Download).

Es bieten sich hier nun folgende Interpretationsmöglichkeiten:

a) Vergleiche
1. Zeile „Ikea“ (1)
Die Häufung bei der Spalte „Wohnzimmer“ (31) und der Spalte „Schlafzimmer“ (37) zeigt, dass potentielle InteressentInnen ein relativ deckungsgleiches Interesse an Ikeaprodukten in den Räumen haben können.

2. Zeile „Vintage“ (3)
Die Häufung bei der Spalte „Wohnzimmer“ (14) und der Spalte „Schlafzimmer“ (17) deutet darauf hin, dass potentielle InteressentInnen ein relativ deckungsgleiches Interesse am Vintagestil in den Räumen haben können.

b) Häufungen
1. Hohe Häufungen deuten auf aktuelle Vorlieben.
2. Hohe Häufungen der Interessen geben Aufschluss über die inhaltliche Gestaltung der Pinwände auf Pinterest.
3. Hohe Interessenshäufungen deuten auf eine eventuell globale und plattformübergreifende (Social Media) Vorliebe hin, die sich auch für weitere Aktivitäten im Bereich Online-Marketing nutzen lässt.
4. Es lassen sich inhaltliche und logische Querverbindungen zwischen den ausgelesenen und gefilterten Interessen bilden (Wohnzimmer: Vintage => Shabby).

Auszug aus der Besucherstatistik
Lesehinweis für die folgende Zahlenreihe: Datum, Useraktivität, Besuche
Unter „Useraktivität“ verstehen wir hier die Zusammenzählung von „Klick“, „Like“ und „Repin“. Die „Besuche“ zeigen das Besucheraufkommen.

2015-02-15,134,13959 (Start: Pinwandoptimierung nach Interessensmatrix)
2015-02-16,149,14851
2015-02-17,159,15736
2015-02-18,165,16446
2015-02-19,174,17134
2015-02-20,186,18011
2015-02-21,198,18955
2015-02-22,217,20561
2015-02-23,258,22429
2015-02-24,278,23235
2015-02-25,297,24054
2015-02-26,316,24785
2015-02-27,323,25410
2015-02-28,325,25718

Ausgehend von diesen Zahlen führen wir nun ab sofort die ConversionRate-Berechnung in dieser Formel:
CR=(Besucheraktivität*100)/Besuche
ein.
Für den 15.02.2015 ergibt sich hier die CR 0,96 und für den 28.02.2015 die CR 1,26.

Besucherzusammensetzung nach Geschlecht
Female: 19191
Male: 3681
Unspecified: 2080

Interessant ist hier der enorm hohe Anteil von Besucherinnen. Man kann sicherlich unterstellen, dass in der Geschlechterauswertung eine Fehlerquote zu finden ist (Fake-Accounts, Spaß-Account, andere Geschlechtsidentität etc.). Analog zu diesen Zahlen ergibt sich dennoch die Notwendigkeit, die „Zielgruppe Frau“ hinsichtlich der Bedürfnisse und Rechercheverhalten stärker zu berücksichtigen (und dabei bitte auf sexistische Stereotypen zu verzichten).

Besucherzusammensetzung nach Sprache
German: 16433
English: 6125
Spanish: 730
Dutch: 502
French: 472

Besucherzusammensetzung nach Herkunft
Deutschland: 15751
Vereinigte Staaten: 3022
Österreich: 786
Schweiz: 622
Niederlande: 401

In den Metriken Sprache und Herkunft kann man einen deutlichen Hinweis darauf sehen, dass in Pinterest ein deutschsprachiger Markt existiert.

https://api.pinterest.com/v3/domains/[domain.com]/pins/recent/?access_token=[deintoken]

Auslesen von Pins nach einer thematischen Suche

https://api.pinterest.com/v3/search/pins/?join=[suchraum]&page_size=50&query=[suchwort]&access_token=[deintoken]

Auslesen von Userdaten

https://api.pinterest.com/v3/users/[username]/?access_token=[deintoken]

Suchen von Pins aus einem bekannten Domainraum

https://api.pinterest.com/v3/domains/[domain.com]/search/pins/?query=[suchwort]&access_token=[deintoken]

✔ https://de.pinterest.com/explore/[suchwort]/

Die „Explore“-Funktion beschreibt im Wesentlichen die interne Suche auf dem Medium „Pinterest“. Zwecks Trend- und Interessensprüfung analysiert man die Begriffe, welche unterhalb des Suchschlitzes stehen. Diese zeigen die Querverbindungen zwischen den „Interessen“ und „Themen“.

✔ https://de.pinterest.com/source/[domain]/

Die „Source“-Funktion zeigt alle Pins, welche aus einer Domain stammen. Hier lässt sich nachprüfen, wie stark oder wie gut abgefragt bestimmte Angebote (=> Produkte, Dienstleistungen) eines Projektes im Bereich von Pinterest sind. Hierbei ist natürlich zu analysieren, welche weitere Indikatoren für eine besondere „Werthaltigkeit“ sprechen, Diese sind:
– Repins (https://de.pinterest.com/pin/[pinnummer]/repins/)
– Likes (https://de.pinterest.com/pin/[pinnummer]/likes/)

Eine weitere interessante Möglichkeit der Recherche nach Trends oder „Interessensgebiete“ liefern die Suchvorschläge. Automatisiert abgefragt ergeben sich die folgenden Ergebnisse:

[Metaebene „Urlaub“] Download urlaub.xlsx
[Metaebene „Schlafzimmer“] Download schlafzimmer.xlsx
[Metaebene „Badezimmer“] Download badezimmer.xlsx

Der technische Vorgang der Datenrecherche geht von dem hauptsächlichen zu optimierenden / zu vermarktenden Gebiet (Kategorie, Branche etc.) aus und prüft per Suchabfrage die „unten stehenden“ Vorschläge gegen. Diese findet man in den Tabellen jeweils in der zweiten Spalte (B). Die entsprechenden Ergebnisse lassen sich nun in Beziehung zur „Metaebene“ stellen (siehe erste Zeile) und mit Hilfe der Suchfunktion weiter analysieren (Spalte 3 bis X).

– Einblendungen, Repins, Likes, Clicks je Pin
– Einblendungen, Repins, Likes, Clicks je Pinwand

Zur Erklärung // Informationen innerhalb der Analytics
https://analytics.pinterest.com/audience/
Dieses Features schlüsselt die Einblendungen, die Herkunftsländer und das Geschlecht der Besucher (Fans, Follower) auf.

Weitere Informationen findet man hier.

Ausgehend von den Datenquellen „interne Suche“ oder Quercheck auf die Statistik-API lassen sich die konkreten Deeplinks der jeweiligen Pins identifizieren. Diese haben die Form: http://www.pinterest.com/pin/[nummer]/. Hierüber lassen sich durch die Erweiterung auf
http://www.pinterest.com/pin/[nummer]/repins
http://www.pinterest.com/pin/[nummer]/likes
die Fanstrukturen und konkrete Trends ablesen.

a) Positionierungsschub auf Ebene des Produktnamens von N/A auf Seite 1-3 (schwankend)
b) sehr hoch konvertierender Traffic über das Medium Pinterest => Pins (mittlere vierstelliger Betrag vor Storno)

Hieraus abgeleitet empfehle ich derzeit:
a) Hashtags verwenden und hier analytisch vorgehen. Hashtags so verwenden, dass Diese das Objekt (=>Produkt) mit den Eigenschaften beschreiben und ggf. einen Kaufimpuls hinzufügen
b) Auf exzellente Fotoqualität achten

Eine Berechnungsprozedur für den Zusammenhang Hashtag <> Trend <> Zielgruppe liegt bei mir im Moment nicht vor, daher suche ich die Inspiration in der Zusammenfassung aller relevanten Hashtags aus den Medien „Gplus“ und „Twitter“. Ich unterstelle hier quasi, dass sich die Bedürfnisse und die Schreibgewohnheiten nicht ändern und diese Annahme wird im aktuellen Beobachtungszeitraum analysiert.

http://www.pinterest.com/[name-urheber]/feed.rss
http://pinterest.com/[name-urheber]/[boardname].rss

Soweit ich derzeit belesen bin, ist ein „abholen“ der Informationen via Feed ausgehend von Suchabfragen auf das Medium nicht möglich. Um hier also tiefergehende Trendrechechen durchführen zu können, muss man im Vorfeld die „Trendsetter“ zu den jeweiligen Themen identifizieren und die Inhalte der Feeds über geeignete Algorithmen auswerten.