{"id":7668,"date":"2020-02-21T12:58:24","date_gmt":"2020-02-21T10:58:24","guid":{"rendered":"https:\/\/helsinki-hyplus.fi-r.seravo.com\/hyodynna-someanalytiikkaa-fiksummin\/"},"modified":"2021-06-10T16:33:55","modified_gmt":"2021-06-10T13:33:55","slug":"hyodynna-someanalytiikkaa-fiksummin","status":"publish","type":"post","link":"https:\/\/hyplus.helsinki.fi\/en\/hyodynna-someanalytiikkaa-fiksummin\/","title":{"rendered":"Hy\u00f6dynn\u00e4 someanalytiikkaa fiksummin"},"content":{"rendered":"

Perinteinen tykk\u00e4yksi\u00e4 ja n\u00e4ytt\u00f6kertoja laskeva somenalytiikka alkaa olla kaikille viestinn\u00e4n ja markkinoinnin parissa ty\u00f6skenteleville tuttua. Sosiaalisesta mediasta saatavaa dataa voidaan analysoida numeroiden lis\u00e4ksi my\u00f6s tekstinlouhinnan keinoin. 5.2.2020 j\u00e4rjestetyss\u00e4 webinaarimuotoisessa HY+digiaamussa Helsingin yliopiston Kuluttajatutkimuskeskuksen tutkijatohtori\u00a0Salla-Maaria Laaksonen kertoi, mit\u00e4 kaikkea tietoa somesis\u00e4ll\u00f6ist\u00e4 voidaan saada irti laskennallisilla menetelmill\u00e4.<\/strong><\/p>\n

Laskennallinen tekstianalytiikka tarkoittaa Laaksosen mukaan erilaisten piirteiden tunnistamista tekstisis\u00e4ll\u00f6ist\u00e4. Analytiikassa tarkastellaan sit\u00e4, miten eri piirteit\u00e4 esiintyy teksteiss\u00e4 ja mitk\u00e4 niiden keskin\u00e4iset suhteet ovat. Yksikertaisimmillaan voidaan esimerkiksi tutkia tiettyj\u00e4 avainsanoja ja sit\u00e4, kuka on vaikkapa twiitannut aiheesta eniten, tai tarkastella aikaleimojen avulla, mist\u00e4 tietyill\u00e4 ajanjaksoilla somessa puhutaan.<\/p>\n

Kiinnostavaa somessa on Laaksosen sanoin se, ett\u00e4 se n\u00e4ytt\u00e4ytyy ik\u00e4\u00e4n kuin ihmistoiminnan digitaalisena jalanj\u00e4lken\u00e4: mist\u00e4 puhutaan, miten k\u00e4ytt\u00e4ydyt\u00e4\u00e4n, mink\u00e4laisten ilmi\u00f6iden per\u00e4ss\u00e4 liikutaan. T\u00e4m\u00e4 data on kiinnostavaa sek\u00e4 tutkijoille ett\u00e4 yrityksille.<\/p>\n

Laaksonen kehottaa suhtautumaan analytiikkapalveluihin varauksella. T\u00e4ss\u00e4 blogiartikkelissa on avattu, miksi n\u00e4in on ja mist\u00e4 sosiaalisen median analytiikassa on Laaksosen mukaan oikeastaan kyse.<\/p>\n

Millaista dataa somesta saadaan ja kuinka sit\u00e4 analysoidaan?<\/strong><\/h3>\n

Someanalytiikan menetelm\u00e4kehitys ja laskentateho ovat kasvaneet paljon viime vuosina. Sosiaalisen median lis\u00e4\u00e4ntynyt k\u00e4ytt\u00f6 tarkoittaa my\u00f6s sit\u00e4, ett\u00e4 julkista aineistoa on enemm\u00e4n saatavilla.<\/p>\n

Millaisia aineistoja sosiaalisesta mediasta saadaan? Laaksonen puhuu isoista julkisista viesteist\u00e4 saatavista datamassoista, joita voidaan koneellisesti ladata palveluiden rajapintojen kautta.<\/p>\n

Tyypillisi\u00e4 tekstianalytiikan muotoja ovat esimerkiksi sentimenttianalyysi tai ohjaamaton aihemallinnus. Sentimenttianalyysiss\u00e4 on kyse lauseen s\u00e4vyn analysoimisesta. Siin\u00e4 tyypillisesti lasketaan yhteen sanojen tunnettua positiivisuutta ja negatiivisuutta sana sanalta, ja yhteenlaskun tuloksena arvioidaan koko viestin s\u00e4vy\u00e4. Aihemallinnus puolestaan tunnistaa aineistoista aiheita eri teemoja ryhmittelem\u00e4ll\u00e4 sanoja sanarypp\u00e4iksi, ja antaa siten yleiskuvan siit\u00e4, mist\u00e4 teksteiss\u00e4 keskustellaan.<\/p>\n

Vaikka t\u00e4llainen analytiikka on periaatteesta automaattista, Laaksonen muistuttaa, ett\u00e4 my\u00f6s \u201dteko\u00e4lyn\u201d aikakaudella analytiikka vaati usein edelleen ihmist\u00e4 lukemaan aineistoa ja tarkistamaan analyysin tuloksia. Esimerkiksi aihemallinnus ei itsest\u00e4\u00e4n nime\u00e4 aiheita, vaan ihminen p\u00e4\u00e4ttelee mist\u00e4 aiheita kuvaavissa sanaryhmiss\u00e4 on kyse. Samoin sentimenttianalyysi harvoin tunnistaa ironiaa tai kielikuvia oikein, vaikka ihminen pystyisi ne nopeasti tulkitsemaan.<\/p>\n

My\u00f6s sosiaalisen median alustojen kehittyminen luo haasteita analytiikalle. Kuten Laaksonen tuo esiin, somesis\u00e4ll\u00f6t ovat nyky\u00e4\u00e4n pitk\u00e4lti tavalla tai toisella kuvallisia. Kuluttaja saattaa ilmaista tyytyv\u00e4isyytt\u00e4 tai tyytym\u00e4tt\u00f6myytt\u00e4 kuvalla, jota on hankalampi analysoida kuin teksti\u00e4. Kuvistakin voidaan kuitenkin p\u00e4\u00e4tell\u00e4 jotain.<\/p>\n

Tyypillinen kuvia tunnistava koneoppimisj\u00e4rjestelm\u00e4 etsii kuvista esimerkiksi ihmisi\u00e4 tiettyjen piirteiden perusteella. Teko\u00e4ly tekee kuitenkin aika paljon v\u00e4\u00e4ri\u00e4 tulkintoja, sill\u00e4 tietynlaisia asioita on kuvista viel\u00e4 hankala tunnistaa. Automaattisella analyysilla ei p\u00e4\u00e4st\u00e4 my\u00f6sk\u00e4\u00e4n kiinni yksityiskohtiin tai kuvan sis\u00e4lt\u00e4m\u00e4\u00e4n huumoriin.<\/p>\n

Ylip\u00e4\u00e4t\u00e4\u00e4n someanalytiikassa on olemassa helpompia piirteit\u00e4, kuten viestin l\u00e4hett\u00e4j\u00e4, l\u00e4hetysajankohta, mainintojen m\u00e4\u00e4r\u00e4 tai viestin pituus, joita voidaan analysoida. Vaikeammiksi piirteiksi Laaksonen listaa esimerkiksi viestin l\u00e4hett\u00e4j\u00e4n sijainnin, keskustelun jakautumisen eri ryhmiin, viestin s\u00e4vyn sek\u00e4 poliittiset n\u00e4kemykset ja mielipiteet, joita on jo varsin vaikea tunnistaa. Mit\u00e4 moninaisempia keskustelut ovat, sit\u00e4 hankalampi niist\u00e4 on tunnistaa esimerkiksi erilaisia argumentteja.<\/p>\n

Miten someanalytiikalla tuetaan liiketoimintaa?<\/strong><\/h3>\n

Miten sosiaalisen median analytiikkaa ja aineistoja on mahdollista k\u00e4ytt\u00e4\u00e4 liiketoiminnan tukemisessa? Tutkitusti ainakin kuluttajatottumuksista voidaan tehd\u00e4 p\u00e4\u00e4telmi\u00e4 someanalytiikan avulla, ja somesta saatu data voi heijastella yhteiskunnallista keskustelua ja kuluttajien liikkuvia intressej\u00e4.<\/p>\n

Yksitt\u00e4isten tuotteiden kohdalla voidaan osoittaa yhteyksi\u00e4. Laaksonen k\u00e4ytt\u00e4\u00e4 esimerkkin\u00e4 Twitteri\u00e4, joka voi ennustaa tietyn elokuvan lipputulojen suuruutta suhteessa siit\u00e4 tehtyihin mainintoihin Twitteriss\u00e4. My\u00f6s tietyn br\u00e4ndin mainintoja voidaan hakea somesta ja tarkastella esimerkiksi sit\u00e4, ovatko tuotteet yhteydess\u00e4 johonkin tiettyyn ilmi\u00f6\u00f6n.<\/p>\n

Laaksosen koordinoimassa Smarter Social Media Analytics -hankkeessa tutkittiin ruokatrendej\u00e4 pidemm\u00e4ll\u00e4 aikav\u00e4lill\u00e4, sill\u00e4 ruokaan liittyvi\u00e4 kulutustottumuksia muutetaan yleens\u00e4 pikkuhiljaa. Tutkimuksessa perehdyttiin kasvimaitojen myyntiin suhteessa kasvissy\u00f6nnist\u00e4 ja sen lieveilmi\u00f6ist\u00e4 kirjoitettuihin someviesteihin eri foorumeissa vuosina 2012\u20132016.<\/p>\n

Tutkimuksessa todettiin, ett\u00e4 veganismikeskustelun nousu ja kasvimaitojen myynti olivat yhteydess\u00e4 toisiinsa. N\u00e4in ollen sosiaalisen median voidaan havaita toimivan indikaattorina kuluttajien kiinnostuksen kohteista.<\/p>\n

Tutkimus kuitenkin osoitti, ett\u00e4 somemuuttujia paremmin kuluttajak\u00e4ytt\u00e4ytymist\u00e4 ennustavat yh\u00e4 kaupan omat myyntitilastot ja menekki, Laaksonen korostaa.<\/p>\n

Mit\u00e4 someanalytiikan hy\u00f6dynt\u00e4misess\u00e4 kannattaa ottaa huomioon?<\/strong><\/h3>\n

Analytiikan mahdollisuudet kehittyv\u00e4t ja tarjonta lis\u00e4\u00e4ntyy, mutta ongelmana on usein se, ett\u00e4 yritykset eiv\u00e4t tied\u00e4, mit\u00e4 haluavat somedatalla tehd\u00e4 ja kuinka sit\u00e4 hy\u00f6dynnet\u00e4\u00e4n organisaation prosesseissa. Analytiikan ymp\u00e4rill\u00e4 py\u00f6rii paljon hype\u00e4, mutta analytiikkapalveluja harkitessa pit\u00e4isi Laaksosen mukaan olla kriittisempi.<\/p>\n

Mittaamisvimmassa on hyv\u00e4 mietti\u00e4 tarkemmin, mitk\u00e4 ovat niit\u00e4 asioita, jotka ovat omalle organisaatiolle olennaisia. Voisiko tekstilouhinnalla p\u00e4\u00e4st\u00e4 paremmin kiinni haluttuun aiheeseen kuin esimerkiksi seuraamalla tykk\u00e4yksi\u00e4?<\/p>\n

Yksi pohdinnan aihe on my\u00f6s se, kuinka paljon dataa tarvitaan, jotta analytiikka olisi luotettavaa. Somesta saatu data ei koskaan ole edustava otos esimerkiksi koko Suomen kansasta, vaan se kertoo vain tietyn sosiaalisen median kanavan aktiivisista k\u00e4ytt\u00e4jist\u00e4, vaikka iso osa ihmisist\u00e4 somea k\u00e4ytt\u00e4\u00e4kin.<\/p>\n

Lopuksi Laaksosen kolme v\u00e4itett\u00e4 fiksumpaan sosiaalisen median datan hy\u00f6dynt\u00e4miseen:<\/p>\n

    \n
  1. Fiksumpi someanalytiikka on aina ihmisen ja koneen yhteisty\u00f6t\u00e4.<\/strong> Ihminen tarvitaan tulkitsemaan tai siivoamaan dataa sek\u00e4 tekem\u00e4\u00e4n p\u00e4\u00e4t\u00f6ksi\u00e4 vaikkapa hakusanoista. Ihminen tekee my\u00f6s p\u00e4\u00e4t\u00f6kset organisaatiossa siit\u00e4, miten tietoa hy\u00f6dynnet\u00e4\u00e4n.<\/li>\n
  2. Analytiikka tarvitsee analysoijan ymm\u00e4rryst\u00e4 somen kulttuureista, ilmi\u00f6ist\u00e4 ja trendeist\u00e4.<\/strong> Koneen ymm\u00e4rrys kulttuureista ja laadullisista sis\u00e4ll\u00f6ist\u00e4 on rajallinen. Esimerkiksi pelk\u00e4n aihetunnisteen k\u00e4ytt\u00f6\u00f6n ei v\u00e4ltt\u00e4m\u00e4tt\u00e4 kannata keskitty\u00e4, koska kaikki eiv\u00e4t k\u00e4yt\u00e4 niit\u00e4. Kannattaa selvitt\u00e4\u00e4 oman toimialan kannalta oleellisimmat areenat ja k\u00e4ytt\u00e4\u00e4 aikaa keskusteluun tutustumiseen.<\/li>\n
  3. Ei kannata ostaa \u201dmustia laatikoita\u201d.<\/strong> Analytiikkamenetelmi\u00e4 on lukuisia erilaisia, ja monet niist\u00e4 on koulutettu hyvin rajatuilla tai vinoutuneilla aineistoilla. On siis syyt\u00e4 kysy\u00e4 analytiikkapalvelun tarjoajalta, mit\u00e4 heid\u00e4n k\u00e4ytt\u00e4m\u00e4ns\u00e4 menetelm\u00e4t tekev\u00e4t, ja kannattaa kysy\u00e4 niin monta kertaa, ett\u00e4 varmasti ymm\u00e4rt\u00e4\u00e4.<\/li>\n<\/ol>\n

    Kirjoittaja: Saara Kankainen<\/em><\/p>\n

     <\/p>\n

    Voit ladata ja katsoa HY+digiaamun tallenteen t\u00e4m\u00e4n linkin kautta<\/a>.<\/p>\n

    Salla-Maaria Laaksonen kouluttaa HY+:n uudessa DigiViestij\u00e4 \u2013 digitaalisen viestinn\u00e4n koulutusohjelmassa<\/a>. Tule mukaan kehitt\u00e4m\u00e4\u00e4n omaa digiosaamistasi!<\/p>","protected":false},"excerpt":{"rendered":"

    Perinteinen tykk\u00e4yksi\u00e4 ja n\u00e4ytt\u00f6kertoja laskeva somenalytiikka alkaa olla kaikille viestinn\u00e4n ja markkinoinnin parissa ty\u00f6skenteleville tuttua. […]<\/p>","protected":false},"author":3,"featured_media":8338,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[49],"tags":[],"class_list":["post-7668","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blogi"],"acf":[],"_links":{"self":[{"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/posts\/7668","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/comments?post=7668"}],"version-history":[{"count":1,"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/posts\/7668\/revisions"}],"predecessor-version":[{"id":8337,"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/posts\/7668\/revisions\/8337"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/media\/8338"}],"wp:attachment":[{"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/media?parent=7668"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/categories?post=7668"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/hyplus.helsinki.fi\/en\/wp-json\/wp\/v2\/tags?post=7668"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}