Von Melissa Bohlsen und Andreas Köster
Auch bei der Social Media Analyse geht es darum, aus der Vielzahl von Daten im digitalen Raum in Echtzeit die relevanten Ergebnisse herauszufiltern, um die daraus logischen Entscheidungen für die weitere Unternehmensstrategie zu treffen.
Datengewinnung: Komplexe Suchtermen mit logischen Operatoren verknüpfen
Grundlage für jede Social-Media-Analyse ist eine gute Quellenbasis. Aus riesigen Datenmassen des Social Web müssen sehr zielgerichtet die für die Fragestellung relevanten Daten herausgefiltert werden. Zunächst einmal reicht es beispielsweise nicht aus, bei der Suche nur ein Stichwort zum Thema zu nennen, sondern es müssen spezifische Fragen gestellt werden. Dies erfolgt mit Hilfe von teilweise sehr komplexen Suchtermen mit 500 bis 1.000 Keywords, welche mit logischen Operatoren verknüpft werden. Stellen wir uns einen „Alerting“-Prozess am Beispiel eines fiktiven Haushaltsgeräts vor: Das gesamte Web wird rund um die Uhr nach dem Haartrockner „Brilliant“ im Kontext von Issue-Keywords, wie „schon defekt“, „Schrott“ oder „nie wieder kaufen“ durchsucht. Kritische Beiträge werden so auf Basis der definierten Keywords identifiziert. Sobald ein Artikel mit den vorab definierten Suchkriterien gefunden wird, erhalten die Kontaktpersonen im Unternehmen eine Benachrichtigung mit dem entsprechenden Alert und können dann entscheiden, ob sie direkt als Unternehmen auf einen Kommentar reagieren oder diese Informationen in das weitere Produktmanagement einfließen lassen.
Datenanalyse: KPI’s übersetzen Social Media Werte in businessrelevante Ergebnisse
Bei der anschließenden Analyse sollten möglichst mehrere Parameter sinnvoll miteinander kombiniert werden. Nur herkömmliche Social Media Werte wie Buzzvolumen und Tonalität geben oft nur unzureichende Informationen. Eine Kombination mit Business KPI’s erhöht dagegen den Mehrwert der Analyse deutlich.
Um beim Beispiel Haartrockner zu bleiben: Bei der alleinigen Beobachtung des Buzz könnte man lediglich ablesen, dass beispielsweise über den Haartrockner „Brilliant“ weniger gesprochen wird, und interpretieren, dass er in Zukunft wahrscheinlich weniger gekauft wird. Nimmt man zum Buzz jedoch noch Net Promoter Score (Index für Unternehmenserfolg) und Engagement Rate (Interaktionsrate) hinzu, erkennt man, dass obwohl weniger Buzz vorhanden ist, eine verstärkte Interaktion auftritt. Zwar schreiben weniger Nutzer über das Produkt, diese empfehlen es dafür aber signifikant häufiger. Schaut man sich hingegen nur die Tonalität an, erkennt man vielleicht, dass diese sich verschlechtert hat und schließt daraus, dass die negativen Äußerungen sich auch negativ auf das Unternehmen auswirken werden. Der Erkenntniswert dieser Aussage ist jedoch nicht besonders hoch. Zieht man dann aber die Churn Rate (Kündigungsabsicht) hinzu, erkennt man vielleicht auch, dass immer mehr User konkret über eine Kündigung nachdenken. Das erkennt man beispielsweise daran, dass Nutzer nach anderen Anbietern fragen oder sich über ein bestimmtes Produkt informieren. So sollten Unternehmen, die sich einen Churn-Index aus Social Media Daten erstellen lassen, auch die Churn-Wahrscheinlichkeit des Wettbewerbs betrachten. Wenn man dann beispielsweise aus dem Index des Wettbewerbers liest, dass dessen Kunden Wechselabsichten hegen, kann man hier ganz gezielt Werbung für Wechselwillige aussteuern.
Tracking von Produktratings als harte Währung im Social Web
Ein konkretes Beispiel für die bisher theoretischen Erklärungen: Unternehmen arbeiten schon sehr erfolgreich mit der Analyse von Produktbewertungen auf Amazon. Hierbei werden alle Produktbewertungen eines Unternehmens automatisch ausgewertet. Über ein Rating Dashboard kann der jeweilige Produktmanager in Echtzeit die Bewertungen der Kunden einsehen und kritische Veränderungen frühzeitig erkennen. Zum einen schafft diese Analysemöglichkeit ein Krisen-Alerting für die eigenen Produktgruppen sowie Einzelprodukte. Zum anderen kann auf diese Weise ein transparenter Benchmark zu Wettbewerbsprodukten aufgezeigt werden. In diesem spezifischen Konzept stellen die unmittelbar kaufentscheidenden Userbewertungen die relevanten Daten dar – sie sind die „harte Währung“ im Social Web.
Über die Autoren: Melissa Bohlsen ist als Marketing und Communications Managerin, Andreas Köster als Consultant bei der BIG Social Media GmbH tätig. Das 2001 von Prof. Dr. Peter Gentsch als Startup gegründete Unternehmen ist spezialisiert auf Business Intelligence, Web Intelligence, Social Media Monitoring und Social CRM.