Dankzij social media delen mensen steeds vaker publiekelijk hun mening of ervaringen met merken en bedrijven en daardoor is het voor die bedrijven mogelijk geworden om inzicht te krijgen in wat mensen over je zeggen. Zeker Twitter is daarvoor een fantastische bron, omdat bijna alle berichten die mensen daar plaatsen openbaar zijn.
IBM Watson WeekIn deze artikelenserie gaan we dieper in op de mogelijkheden van IBM Watson Analytics: Een online data-analysetool waarmee iedereen data-analyses kan uitvoeren en visualisaties kan maken. Hiervoor maakt het systeem gebruik van kunstmatige intelligentie.Voor een gedegen analyse heb je echter wel de juiste analysetools nodig, want door handmatig te zoeken op Twitter kun je (tenzij je echt een heel klein bedrijf bent) eigenlijk niet echt goede conclusies trekken. En de professionals die dat toch lukt, zijn enorm veel tijd kwijt aan het exporteren van de tweets en het goochelen met veel te grote Excel-documenten. Nu zijn er natuurlijk allerlei bedrijven die speciale diensten aanbieden voor analyses van social media. Prima producten, maar wel erg gefocust op één doel. Dat terwijl de analyse van social media vaak maar één van de vele analyses is die een marketingafdeling wil doen. De websitestatistieken van een campagne moeten immers ook worden genalyseerd, net als de resultaten van een marktonderzoek.
Watson Analytics
IBM Watson Analytics kan het allemaal. Je kunt allerhande datasets bijna automatisch analyseren en visualiseren, zoals we maandag al uitlegden. Daarbij is de analyse van tweets één van de vele functionaliteiten. En daarbij levert het systeem trouwens geen half werk, want IBM werkt samen met Twitter, om volledige toegang tot grote Twitter-datasets mogelijk te maken.
Het inladen van deze datasets is zo simpel mogelijk gemaakt. Je voert als gebruiker simpelweg één of meerdere hashtags in; kiest eventueel een specifieke taal en een periode die je wilt onderzoeken. Vervolgens wordt de data automatisch binnengehaald in Watson Analytics en kan de analyse beginnen.
https://www.youtube.com/watch?v=49dyx0eICoA
De hoeveelheid tweets die een gebruiker per keer binnen kan halen en analyseren is afhankelijk van het type abonnement dat hij of zij heeft op Watson Analytics. Er wordt altijd gewerkt met een representatief precentage van alle tweets omdat dit veel makkelijker te analyseren is.
De dataset bevat niet alleen alle (voor een analyse relevante) metadata, maar ook sentimentsaanduiding voor elke tweet (positief, negatief of neutraal). Op basis van een voolautomatisch analyse van de woorden die een tweet zijn gebruikt wordt vastgesteld met welk sentiment over de hashtag (en dus het bedrijf, product, campagne, televisieprogramma in kwestie) wordt gesproken. Enige nadeel is dat deze sentimentanalyse enkel werkt voor Engelstalige tweets.
Vervolgens geeft Watson Analytics zelf al aan welke dingen er opvallen in de datasets en kun je door vragen in normale mensentaal analyses laten uitvoeren. Deze analyses resulteren in grafieken die er voor zorgen dat je vragen worden beantwoord in één blik.
Inzicht in verkoopcijfers en Twitter
Wat de mogelijkheden in de praktijk zijn, laat IBM onder meer zien aan de hand van het voorbeeld van een winkelketen. Door verkoopcijfers te vergelijken met tweets is bijvoorbeeld te achterhalen of een toename van tweets inderdaad een voorspellende waarde is voor hogere verkoopcijfers, maar het kan bijvoorbeeld ook laten zien dat mensen massaal klagen op Twitter als een product uitverkocht is.
https://www.youtube.com/watch?v=7yEDUCc4qUg
Bij beiden kan de sentimentsanalyse die ingebouwd zit in Watson Analytics meerwaarde bieden. Immers: als mensen klagen over een product dat op is, zijn de tweets negatief, maar tweets die correleren met een hogere verkoop zullen juist een positief sentiment hebben.
Geen bedrijf zit er op te wachten om negatief in het nieuws te komen, maar dankzij Watson Analytics kun je vervolgens wel snel en simpel in beeld brengen wat de impact is van negatieve berichtgeving aan de hand van tweets.
Door hier andere cijfers (bijvoorbeeld verkoopcijfers in het geval van een winkel) aan te koppelen, krijg je in no-time enorm veel inzicht is wat het effect is van de negatieve aandacht. Hier kan je als bedrijf vervolgens snel op reageren.
