Ich sehe hier verschiedene Ansätze in der Betrachtung dieser Kommunikationsprozesse:

a) Annahme durch die anvisierten Zielgruppen
Man verschafft sich hier einen Überblick dadurch, indem man z.B. mit dem “SocialTracker” sämtliche in der Sitemap hinterlegten URLs mit Hilfe der Programmierschnittstellen der relevanten Sozialen Medien (FB, Twitter und Co.) die Kerndaten hinsichtlich der Aktivitäten analysiert. Bei Facebook sind das die Likes, die Shares, die Kommentare und die Klicks. Hier kann man mit einer Auf- oder Abgewichtung arbeiten: in manchen Konstellationen sind Shares, Kommentare etc. wichtiger als die Likes und bei anderen Projekten sind die Likes die wichtigste Variable. Aber – was sagen diese Variablen eigentlich aus? Ganz einfach: man findet hier eine Abbildung von menschlicher Kommunikation auf den jeweiligen “Sozialen Medien”. Persönlich empfinde ich Gefallen am pragmatischen Ansatz und schaue mir eher Metriken an, deren Herstellung bzw. “Auffüllung” mehr Aufwand benötigen – ein “Like” ist ja schnell geklickt als eine echte (!) Weiterempfehlung in Form von “Shares” oder “Shares” mit beigefügten “Comments”. Eigene und zeitnah durchgeführte Experimente mit voneinander abgekoppelten Projekten zeigten zudem auch auf, dass eine hohe Share<>Commentfrequenz Rückschlüsse auf Trafficvolumina liefern kann.
Für einen “spontanen” Überblick ist eine ungewichtete Betrachtung der Zahlenmaterialien aus meiner Sicht ausreichend. Wenn man allerdings eine dauerhafte Begutachtung und Bewertung der Kommunikationsprozesse aus den Sozialen Medien sicherstellen willen, ist eine Prozedur nach dem Schema der Nutzwertanalyse zielführender.
Ein weiterer interessanter Vorteil aus einer regelmäßigen Beobachtung dieser Zahlen wäre die Trenderkennung. Hierunter verstehe ich die Beantwortung der Fragen:

1. Wie häufig werden Informationen “bequasselt”?
2. Wann werden Likes, Shares, etc. erfasst => Zeitpunkt => Uhrzeit => Datum etc.?

b) Wettbewerbsabgleich
Folgt man den oben beschriebenen Ansatz, kann man – sofern die Sitemaps der Konkurrenz bekannt sind – natürlich auch die Kommunikationssituation des Wettbewerbs analysieren und hieraus selbstverständlich Rückschlüsse auf mögliche Trafficvolumina abbilden. Ich empfehle den Anwendern des “Socialtrackers” hier, sich einen Überblick über alle hinterlegten Sozialen Medien zu verschaffen und bei auffallenden Spitzen in der Tiefe zu analysieren. Finden sich also starke Kommentarhäufungen bei der “Rubrik” Facebook, lohnt sich ein Blick in die jeweils ggf. vorhandene Facebookseite des zu analysierenden Konkurrenten. Zu diesem Zeitpunkt ist natürlich eine Interpretation der Frage “Warum tauchen da soviele Kommentare auf?” interessant: vielleicht werden besonders spannende Produkte vorgestellt? Vielleicht tauchen hier besonders viele ungelöste Fragen und Probleme auf? Vielleicht werden auch trendbezogene Informationen publiziert?

c) Hashtags
Zu den Hashtags und deren Nutzung / Interpretation hatte ich mich in vergangenen Beiträgen bereits geäußert. Im Zuge der Anwendung “Socialtracker 0.9b” wurde eine Vergleichsfunktion entwickelt, welche prüft ob und welche Tags in welcher Häufung bei Twitter und – zeitgleich – bei Gplus auftauchen. Die Zahlenanalyse läuft hier auf ein Erkennen von Medienübergreifendes Publikationsverhalten hinaus. Es ist logisch, dass ein übergreifendes Auftreten von anvisierten Tags (alias “Kanal”) ein wichtiges Signal für entsprechende oder angepasste Strategien darstellen kann.

Ein Update ist für den 13 / 14.07. anvisiert.

Die heraus extrahierten Daten werden wie folgt ausgewertet:

1. KWD & WDF-Analysen mit Abgleich zu den eigenen Texten, Produktbeschreibungen etc. mit Unterscheidung zwischen “normalen” Publikationen und “usergenerierten” Rückmeldungen.
2. Analyse: Zeichenlänge der Posts (alle Varianten)
3. Analyse: (Basis) – Fragestellungen, Blacklist etc.
4. Analyse: Like / Comments zu Posts
5. Analyse und Abgleich Fananzahl, Likeanzahl, Kommentanzahl

Aktuell lassen sich keine Klicks über die veröffentlichten Links etc. nachweisen und hierzu finden noch Recherchearbeiten / Experimente über die FB-eigene API statt. Es ist allerdings geplant, eine Art Indikatorenliste für besonders “werthaltige” Posts in Form der Einbeziehung von Likes, Comments etc. aufzustellen.

In Absprache mit den aktiven Betatestern und Klienten der Wobus & Lehmann GbR ist ein geeignetes Alertsystem geplant. Ob ich das in der Freeware freischalte, werde ich gesondert entscheiden.

Es wurde auch (endlich) eine technische Lösung zur Reportgenerierung via PDF-Format gefunden, das hat zur Folge, dass die W&L GbR mit Etablierung der Anwendung entsprechende Dokumente – je nach Projekt und Anforderung – obligatorisch versendet.

Für G-Trends und die Suchvorschlagsfunktion ist hier kein gesonderter API-Key notwendig.

Download: socialtracker_07b (ZIP), Beispieldatei für “Urlaub” – G-Suggest

[Todo]

1. Zusammenführung sämtlicher KW-Daten => KW-Zählung
2. Reporting in Form von Excel / PDF aller Daten
3. Anbindung WDF / KWD aus den Posts der Socialmedia
4. Anbindung: Twitter und Facebook (hier wird noch die API geprüft)
5. Erweiterung der Socialtracking-Datenquelle um eine Piwik-API-Anbindung (G-Analytics wird auch zukünftig nicht unterstützt)
6. im Recherchemodus: Webmastertools-API, je nach Stand Einbeziehung der Keys, der Eingehenden Links etc.

Bitte beachte, dass die G-Trendsfunktion derzeit nicht Massenabfragetauglich ist, man sollte sich hier also auf eine Phrase und / oder auf eine Abfragefrequenz von “natürlich aussehenden” 15-30 Sekunden beschränken.

Ich denke auch über einen Namenswechsel nach, weil die Anwendung nicht nur die Social-Signals auswertet und hier auch kein mittel- oder langfristiger Schwerpunkt gesetzt werden soll.

Ich habe mich auch zu einem Wechsel der “Supportpolitik” entschlossen. Selbstverständlich werden unsere Kunden auch weiterhin besonders “behandelt”, aber aufgrund der neuen Erkenntnisse oder der neuen Strategieansätze aus den Algorithmen bin ich – zwecks Gegenprüfung – derzeit an einem kollegialen Austausch interessiert.

Ansatzpunkte, um dieses Problem aufzulösen wären:

[Hashtaganalyse]

Folgt man der Annahme, dass Hashtagkombinationen und Häufigkeiten dieser Worte deckungsgleich sind mit der KW-Dichte des zu bewerbenden Artikels, könnte man vermuten, dass der zu bewerbende Artikel eine große Abnehmerschaft in den Medien findet, deren Hashtags über entsprechende Algorithmen analysiert. Wenn man die Ergebnisse in ein geeignetes und vergleichbares Schema übergeben möchte, kann man hier über eine Abbildung in Form der WDF oder KW-Dichte nachdenken. Es erscheint mir als logisch, dass eine möglichst hohe Übereinstimmung besagter Werte mit den zu bewerbenden Texten / Inhalte / Produkte “optimal” sein kann.

[Socialmedia-Analyse via API]

Interessant wird die Prüfung auf einen bereits vorhandenen und optimierten Text im Vergleich zur Konkurrenz. Man kann hierbei die Deeplinks der jeweiligen Angebote (=>Texte) erfassen (via Positionscheck, Xovi-Anbindung etc.) und über die Socialmedia-API-Anbindungen die folgenden Variablen abprüfen: Likes, Shares, Comments, Clicks. Das Studium der Facebook-API zeigt, dass selbstverständlich die Clicks auf Angebot-XYZ ausgegegeben werden können – dies erfolgt erstaunlich schnell (nahezu Echtzeit) und ist recht sauber. Führt man die Socialmedia-Analyse-Prozedur durch, empfiehlt es sich, ein eigenes Gewichtungsmodell zu entwickeln. Für mich und meine / unsere Projekte sind Shares, Comments und Clicks interessanter als Likes.

[Gegenprobe auf Google-Trends]

Neulich entdeckte ich eine recht gute Variante der Anbindunga uf Google-Trends. Es spricht also nichts dagegen, eine quasi abschließende Probe auf besagte Datenbanken aus den Ergebnissen der Hashtag / KW / WDF – Analyse in automatisierter Form zu legen. Ich denke hier noch über einen geeigneten Algorithmus nach, der die Daten aus diesem “Medium” in die Werthaltigkeitsberechnung mit einbezieht.

Aus den o.g. Gedankenfetzen ergibt sich diese ToDo-Liste für die Anwendung “Social-Tracker” (0.6b)

1. Textanalyse mit KWD und WDF (erledigt)
2. Hashtaganalyse: Erweiterung auf KWD und WDF – auf Hashtaganzahl und Wortanzahl gerechnet
3. G-Trendsanalyse auf KW-Dichte / Text & Hashtags (ggf. Quartal / Jahr)
4. Datenaufbereitung in Form von Diagrammen plus PDF-Export

Ob man hieraus eine geeignete mathematische Formel entwickeln kann und / oder sollte, ist mir im Moment noch nicht klar. Diesbezügliche Entscheidungen werde ich treffen, wenn weitere Erkenntnisse aus den Zahlenmaterialien sichtbar werden.

Verifiziert habe ich

1. Verwendung der gefilterten Hashtags als eigene Hashtags und / oder Schlagworte in Blogkonstruktionen und / oder Textoptimierung fördert das Ranking
2. Verwendung von gefilterten Hashtags als Informationsträger in den Socialmedia der gef. Hashtags lässt im schwereren Longtailbereich Texte ranken (in Abhängigkeit von der Accountautorität)
3. Kommentare auf bspw. gepostete Links in Facebook können rankingfördernd sein, wobei hier weitere Variablen zu beachten sind
4. die Verwendung von “guten” Hashtags (siehe Filter, interne Bewertung etc.) bewirkt – je nach Qualität der Posts / Inhalte und Autorität der postenden Accounts – Verteilungs-, Reichweiten- und Rankingeffekte.

1. “aktuelle” => die letzten 20 Meldungen
2. “best” => die letzten relevantesten Meldungen

welche jeweils auswählbar sind.

Das Feature gliedert sich in die folgenden Recherchemodi:

1. Recherche => Einzelkeyword
2. Recherche => Keywordliste (Liste ausfüllen oder nach Schritt No.1 auf Button “Erg.=>Liste” drücken)

Eine Abprüfung von verwendeten Tags zu einem bestimmten – vergangenen – Zeitraum ist (derzeit) nicht möglich und man müsste bei Bedarf (derzeit) entsprechende Dienstleister / Datenbanken bemühen.

Es ergeben sich folgende Einsatzszenarien:

1. Recherche verwendeter Tags / Keywords zu einem Thema
2. Recherche von Zielgruppen (gezeigt durch Tagsets) zu einem Thema und dessen Unterthemen
3. Verwertung der identifizierten Tags zum Zwecke der gezielten Kommunikation und / oder Reichweitenerhöhung.

Für die fehlerfreie Bedienung der Funktion wird der entsprechende API-Key (zu finden im Google-Entwicklerzentrum) benötigt. Nach Recherchedurchlauf lassen sich die Ergebnisse via Hauptmenü=>Auswertung=>Export (CSV oder Excel) in eine externe Datei übertragen. Für die Excelfunktion muss natürlich eine jeweils aktuelle Version installiert und funktionsfähig sein.

Beispiel einer Keywordmatrix: urlaub (.xls).
Download: socialtracker_04b.zip

Diese Datei zeigt eine komplexere Hashtagmatrix zur Metaebene “Urlaub”. Die Inhalte sind unkommentiert und nicht gewichtet. Ein Interpretationsansatz ist hier in Zellen bzw. den Schnittpunkten der X- und Y-Achse zu suchen.

Bitte beachte auch hier:

Support und Einweisungen ist auf unsere interessierten Klienten und persönlich bekannte Betatester beschränkt. Die Anwendung befindet sich im Beta-Stadium und wurde nicht zu 100% auf Fehlerfreiheit geprüft.

[Todo]

1. Anbindung der Datenquelle: “Twitter”
2. fortlaufende Tagprüfung und Statistik über die Tagnutzung je Tag, Woche, Monat etc.
3. Kombinationsgewichtungen aus den Ergebnissen (2er, 3er-Sets)
4. Mitverfolgung der Accountebene => Wer Postet? Status der Postenden?
5. Basisreichweitenanalyse
6. PDF-Reports, eMail-Client
7. Stapelabprüfung

a) Analyse, Beobachtung von Facebook-Seiten inkl. Posts, Likes, Comments und User

https://graph.facebook.com/[FB-Gruppen-ID]/feed?limit=1000&access_token=[AccessToken]

b) Recherche der Facebook-ID

http://findmyfacebookid.com/

c) API-Explorer zzgl. Accesstoken-Generator

https://developers.facebook.com/tools/explorer/?method=GET&path=19292868552%2Ffeed

d) Get shares, likes, comments, clicks, all

https://graph.facebook.com/fql?q=SELECT%20like_count,%20total_count,%20share_count,%20click_count,%20comment_count%20FROM%20link_stat%20WHERE%20url%20=%20%22http://deineurl.com%22

 Twitter

a) Tweetzähler

http://cdn.api.twitter.com/1/urls/count.json?url=http://deineurl.com

Pinterest

a) Pinzähler

http://api.pinterest.com/v1/urls/count.json?callback=&url=http://deineurl.com

Die Beobachtung von Facebookseiten etc. wird Bestandteil von piXologisch SocialTracker (Premium) werden.

1. Sitemapcrawler / Sitemapimport
2. Projektmanagement
3. graphische Aufbereitung der Ergebnisse

Die Ergebnisdaten der zu analysierenden Projekte befinden sich in den Ordnern /projekte/[typ]/projektname/socialanalyse[datum].csv (.html, etc.)

Die Tabelle der Analyseergebnisse wurde mit einer Basissortierfunktion ausgestatten, hierfür klickt man auf den jeweiligen Spaltennamen.

Aus der Bedienung dieser Anwendung können sich die folgenden Erkenntnisse ergeben.

[Rankingeffekte]

Durch den Abgleich von gut rankenden Urls (siehe XOVI-API) mit den Socialsignals lassen sich eventuelle Rankingvorteile oder Rankingnachteile im Vergleich zum Wettbewerb erkennen.

[Marktrecherche, Produktgewichtung]

Zeichnet sich hier eine hohe Comment / Likefrequenz bei bspw. Facebook ab, kann das auf eine hohe Nachfrage etc. hindeuten.

Download: socialtracker_02b.zip

Diese Version ist im Beta-Stadium und Freeware. Der Support ist auf die Klienten der Wobus & Lehmann GbR beschränkt. Anfragen btr. der Dateninterpretation oder die Übermittlung von interessanten / “werthaltigen” Funktionswünschen bitte an Anne [anne(at)pontipix.de] weiterleiten.