Compass:在社群上拔草測風向

Posted on Leave a commentPosted in Facebook數據分析, profiling, 品牌行銷, 社群經營, 資訊圖表

文 / 杜易寰 用一句話來形容 Compass ,就是「讓你隨時瞭解社群上的風向怎麼吹」 在批踢踢上有一句名言:『拔草測風向』。這句以往用於士兵射擊前測定風向的口令,在網路上則變成了「不要和主流不一樣,免得被戰」的必要前置動作。 的確,在社群操作中,如果你站錯了邊,那的確很可能落得一個慘不忍睹的下場。以社群行銷者的立場來說,當然不是一定要取悅大眾。但在掌握自己的目標受眾的同時,又能不得罪大眾,自然是更好的結果。

鐵粉率新定義:互動天數取代互動次數

Posted on Leave a commentPosted in Facebook數據分析, profiling, 品牌行銷, 媒體研究, 社群經營, 資訊圖表

文 / 杜易寰、劉書彧 資料收集 / 林辰駿 互動圖表 / 楊晴 在上次的「2016 年 10 月份媒體洞察報告」後,我們有預告到,之後將會改變鐵粉率的計算方式,在經過一段時間後,我們現在終於可以公佈數據了。 過去的鐵粉定義是:互動次數超過粉絲頁發文篇數2%以上者,佔所有不重複互動者的比例。 而新的鐵粉定義則是:在粉絲頁過去有發文的 30 天中,與粉絲頁文章有互動的天數 10 天以上的使用者,佔所有不重複互動者的比例(註一、註二)。 簡單的說,我們不再看使用者到底互動了幾次,而是看使用者互動了多少天。 改變鐵粉計算的原因有兩個。第一個原因很簡單,我們認為相比互動次數而言,長期且持續的互動行為,更像是鐵粉會有的樣子。 廢話不多說,我們就先以「11 月的媒體鐵粉率」作為示範。(題外話,在本月底之前,一定會將媒體洞察報告更新到 2017 年 1 月,並且之後每月更新,不然的話 Data Team 就一起剁 XX!) 鐵粉不是一天按十次讚,而是持續地互動 有一個朋友曾經和我分享過外婆的使用習慣: 「教我阿罵滑 FB ,他平常都不會上,」朋友說,「但是她就是挑一天週末上 FB 然後瘋狂按讚所有家人的臉書貼文,我有時候一打開手機,發現有幾十個通知,就知道我阿罵今天上臉書了,」朋友的臉又好氣又好笑。 其實換成一般人,也會有類似的行為。今天我們可能點進了一個粉絲頁,覺得他的文章有趣,跟著看了好幾篇,點了好幾次讚,但我們關上電腦後,就忘記了這個粉絲頁,未來也不再來互動。 這種人能夠算是鐵粉嗎?好像也不能算。但是在過去的鐵粉率計算方式中,卻會把這種使用者當作鐵粉。 而在新定義下,我們可以抓出「持續互動」的粉絲。相對比一天內按大量讚,但一個月只按一次的粉絲,我們更覺得雖然互動總數不高,但卻每兩三天就來互動一次的粉絲更像是鐵粉。這是我們決定改變定義的第一個原因。 第二個原因,則是為了配合 Facebook 的演算法。 使用者看到的文章有上限 其實大家在滑 Facebook 時,應該都會有這樣的經驗:「我怎麼滑半天,看到的都是一樣的文章?」 其實,這就和 Facebook 的演算法有關,「一個粉絲頁,一天能夠推播給同一位粉絲的文章是有其上限的。」 當然,一個人的興趣越廣泛,社群行為越發散,Facebook 能夠推播的資訊就越多元,但仍然有其上限。使用者就算和某一個粉絲頁再怎麼深度互動,Facebook 也不會把這個粉絲頁的所有當天發文都灌在使用者的牆上。 這個前提下,原先的公式中,分子(互動佔總發文篇數 […]

解釋:關於天下雜誌「立委臉書洩漏的祕密」一文的研究方法

Posted on 3 CommentsPosted in Facebook數據分析, profiling, 同溫層分析, 媒體研究, 社群經營, 聲明稿, 資訊圖表

文 / 劉書彧 這次天下雜誌和 QSearch 的共同研究專題:「立委臉書洩漏的祕密:誰跟蔡英文最親近?」一文中,所採用的研究方法主要是參照,美國學者Robert Bond與Solomon Messing前年發表於美國政治科學期刊上的論文。Bond & Messing蒐集了 1,223 個經過臉書官方認證的美國政治人物粉絲頁。 透過臉書內部的資料庫,作者將追蹤(follow)這些粉絲頁的粉絲全部抓出來,並僅保留 18 歲以上(具有投票權)以及至少追蹤兩個以上政治人物粉絲頁的樣本(共 620 萬人)。最後,根據觀察各個政治人物粉絲頁間彼此重疊的粉絲數,作者使用了奇異質分解法(singular value decomposition),保留最足以解釋這些政治人物兼彼此重疊度的變因,用此代表各政治人物在粉絲心目中的相對「位置」。而最終的研究成果顯示,用此一方法得到的各政治人物相對位置,正好反映了選民心目中各民主黨和共和黨政治人物的「左右」立場。

「Profiling 應用之二:你該怎麼下廣告」

Posted on Leave a commentPosted in Facebook數據分析, profiling, Technology

文 / 杜易寰 上一篇,我們談到了 Profiling 可以怎麼幫助電影製作者尋找合適的電影明星(延伸閱讀:Profiling 應用之一:你要找誰演電影?),根據探測明星的粉絲數量、特色等等,來決定應該找誰來演電影。 而今天我們要講則是另一個更廣泛的面向,你要怎麼知道該在哪裡下廣告,甚至更進一步,知道該要找誰來代言?(如果你還不知道 Profiling 是幹啥的話,可以先看看這篇:Profiling 服務正式釋出,幫你完成臉書精準行銷)