ब्रांड के प्रति ट्विटर उपयोगकर्ताओं के संबंधों का विश्लेषण करना (जैसे एयर बर्लिन) – कीवर्ड हीरो
Table of Contents
[मूल_शीर्षक] – नया अपडेट 2024
डिजिटल मार्केटर जर्नल हर मौजूदा डिजिटल मार्केटिंग क्षेत्र के पेशेवरों द्वारा लिखे गए लेखों से भरा हुआ है। हम रोजाना नई पोस्ट जोड़ते हैं। उद्योग के रुझान, उत्पाद परिवर्तन, फीचर घोषणाएं, और बहुत कुछ इस ब्लॉग में पाया जा सकता है।
ट्विटर और फेसबुक जैसे सोशल मीडिया प्लेटफॉर्म हर किसी को ऑनलाइन विषयों, कंपनियों और उत्पादों के बारे में अपनी राय देने में सक्षम बनाते हैं।
ये टिप्पणियां कंपनियों के लिए अपने ब्रांड या उत्पाद के बारे में अपने ग्राहकों की राय का विश्लेषण करने का एक बड़ा स्रोत हैं। हालाँकि, प्रतिदिन अरबों ट्वीट और पोस्ट के साथ, इसमें बहुत समय लग सकता है।
बेशक, आप आरजे का उपयोग करते हैं, आर-कोड की कुछ पंक्तियों और मशीन लर्निंग की मदद से, हम मूड मॉनिटरिंग टूल जल्दी से बनाने में सक्षम हैं, ताकि आपकी या किसी की कंपनी के बारे में जनता की राय की निगरानी और मूल्यांकन किया जा सके।
समय के साथ किसी ब्रांड पर राय
हमारी स्क्रिप्ट का उद्देश्य लंबी अवधि में अलग-अलग कंपनियों के बारे में राय का विश्लेषण करना है। “राय” प्राप्त करने के लिए हमने विश्लेषण करने का निर्णय लिया मनोदशा ट्विटर पे। एयरलाइन AirBerlin, जिसे कुछ सप्ताह पहले ही दिवालिएपन के लिए फाइल करनी थी, एक अच्छा उदाहरण है।
तो हमारे पास हमारा चैनल है: ट्विटर और हमारा ब्रांड: एयरबर्लिन। अब उनके उपयोगकर्ताओं की राय एकत्र करने का समय आ गया है
ट्विटर एपीआई के साथ समस्या
ट्विटर एक मुफ्त एपीआई प्रदान करता है जो एक विशिष्ट विषय (और अन्य फ़िल्टरिंग विकल्प) पर वापस लौटता है। इसके अलावा, इस एपीआई के लिए “ट्विटर” नामक एक बहुत अच्छा पैकेज है, जो डेटा को क्वेरी करना बेहद आसान बनाता है। केवल API प्रोजेक्ट बनाना आवश्यक है।
दुर्भाग्य से, ट्विटर एपीआई का एक नुकसान है, जो यह है कि हमें केवल पिछले सात दिनों का डेटा मिलता है। इसलिए एपीआई दीर्घकालिक निगरानी के लिए उपयुक्त नहीं है। दूसरी ओर, ट्विटर इंटरफ़ेस हमें सभी ट्वीट्स देता है। उन तक ट्विटर पर “उन्नत खोज” के माध्यम से पहुंचा जा सकता है, जो ट्विटर-एसईआरपी के दाहिने साइडबार में पाया जा सकता है। ट्वीट खोजने के विकल्प लगभग असीमित हैं।
इसके अलावा, उन्नत खोज द्वारा फ़िल्टर किए गए खोज परिणामों के URL में अलग-अलग फ़िल्टर सेटिंग्स शामिल हैं। इससे परिणामों को क्रॉल करना बहुत आसान हो जाता है:
सेलेनियम क्रॉलर का निर्माण
ट्वीट्स तक पहुंचने के लिए, हमें एक क्रॉलर बनाना था जो संबंधित URL को कॉल करता है और ट्वीट को सेव करता है। राय की एक विस्तृत श्रृंखला प्राप्त करने के लिए, हम 2013 से हर हफ्ते 50 चयनित ट्वीट्स को बेतरतीब ढंग से क्वेरी करते हैं।
driver<- rsDriver(browser = c("firefox"))
remDr <- driver[["client"]]
remDr$navigate("
#Log IN
#Get Tweets
out<-capture.output(for (i in 1:nrow(Start_End)){
page<-paste0("https://twitter.com/search?l=de&q=@airberlin%20since%3A",Start_End$Start_date[i],"%20until%3A",Start_End$End_Date[i],"&src=typd")
remDr$navigate(page)
Sys.sleep(5)
try(webElem <- remDr$findElements(using = "css", '.tweet-text'))
for (a in 1:20){
w<-try(webElem[[a]])
messages[[a]]<-try(w$getElementText())}
m<-as.data.frame(do.call(rbind, messages))
print(m)
Sys.sleep(5)
})
कोड हमें निम्नलिखित आउटपुट देता है:
एक प्रशिक्षण सेट कैसे उत्पन्न करें
अब जब हमने 4 वर्षों में उपयोगकर्ता समीक्षाओं का एक अच्छा सेट एकत्र कर लिया है, तो हमें उन्हें योग्य बनाना होगा। इसलिए हमें एक उपयुक्त प्रशिक्षण सेट खोजना पड़ा। सौभाग्य से, उड़ान/यात्रा/होटल रेटिंग साइटों की संख्या बहुत बड़ी है। तथ्य यह है कि उपयोगकर्ताओं के पास एक योग्य पाठ के बगल में एक तारांकन चिह्न है, जिससे एक साफ और संरचित सेट बनाना आसान हो जाता है।
समीक्षाओं में हम उन शब्दों के संयोजन पाते हैं जो अक्सर अच्छी रेटिंग (जैसे बहुत आरामदायक, मैत्रीपूर्ण, आदि) या खराब रेटिंग (जैसे “लंबी देरी”, आदि) में उपयोग किए जाते हैं। इसके आधार पर हमारा सिस्टम यह जान सकता है कि उड़ानों में लोगों द्वारा सकारात्मक या नकारात्मक क्या माना जाता है।
आसान तरीका: बिंग संज्ञानात्मक सेवाएं
कुछ ऐसे क्षेत्र हैं जहां एक अच्छा लर्निंग सेट इकट्ठा करना बेहद आसान है। उदाहरण के लिए, एयरलाइनों, होटलों आदि के पास नेट पर बड़ी संख्या में उपयोगकर्ता की आवाजें होती हैं, जो अक्सर शुद्ध टेक्स्ट रेटिंग के अतिरिक्त रेटिंग के साथ आती हैं। अन्य क्षेत्रों में, यह बहुत अधिक कठिन साबित हो सकता है।
Microsoft Cognitive Services से पाठ विश्लेषण एक अच्छा विकल्प है। आप एपीआई टेक्स्ट सेगमेंट देते हैं और बदले में मूड इंडेक्स प्राप्त करते हैं। फ्री प्लान में आपको रोजाना 5000 API कॉल्स मिलते हैं।
निम्नलिखित कोड स्निपेट आपको Microsoft API के माध्यम से व्यक्तिगत ट्वीट्स का मूल्यांकन करने की अनुमति देता है।
score<-NULL;
score<-capture.output(for (i in 1:5000){
q<-Tweets$X1[i]
request_body <- data.frame(
language = c("de","de"),
id = c("1","2"),
text = out[[q]])request_body_json <- toJSON(list(documents = request_body), auto_unbox = TRUE)
result <- POST("
body = request_body_json,
add_headers(.headers = c("Content-Type"="application/json","Ocp-Apim-Subscription-Key"="YOUR_KEY")))
Output <- content(result)
print(Output$documents[[1]]$score)
Sys.sleep(0.5)
})
एयर बर्लिन के लिए आउटपुट
AirBerlin के लिए, हमने 4.5 वर्षों की अवधि में केवल 10,000 ट्वीट्स का विश्लेषण किया और परिणामों को मासिक आधार पर सारांशित किया। यह परिणाम है
टाइमलाइन पर, हमने यह देखने के लिए कुछ प्रमुख ईवेंट जोड़े हैं कि कैसे और अगर उन्होंने वेब पर राय को प्रभावित किया है।
सिस्टम को किसी अन्य उत्पाद, कंपनी या व्यक्ति पर आसानी से लागू किया जा सकता है। यदि सीखने के सेट (जैसे पार्टियों या व्यक्तियों) के लिए पर्याप्त डेटा नहीं है, तो Microsoft API का उपयोग व्यक्तिगत ट्वीट्स के मूड विश्लेषण के लिए किया जा सकता है।
ट्वीट्स और पोस्ट का विश्लेषण कंपनियों को ब्रांड पर जनता की राय पर आसानी से नज़र रखने और रुझानों की पहचान करने की अनुमति देता है। इसके अलावा, ब्रांड निर्माण के उद्देश्य से कुछ मार्केटिंग और पीआर उपायों का मूल्यांकन और मापन किया जा सकता है।
समान श्रेणियों में [मूल_शीर्षक] के साथ संबंध लेख
सारांश
डिजिटल आपके जीवन को बदल रहा है | एक सफल ऑनलाइन व्यवसाय बनाने में आपकी मदद करने के लिए डिजिटल मार्केटिंग युक्तियों, प्रवृत्तियों और रणनीतियों के लिए आपका #1 संसाधन। हमारे साप्ताहिक न्यूज़लेटर की सदस्यता लें जो आपको वास्तव में 7 मिनट या उससे कम समय में सबसे अधिक कार्रवाई योग्य, सामरिक और समय पर मार्केटिंग टिप्स प्रदान करता है। प्रतियोगिता में मुफ्त में बढ़त हासिल करें।
श्रेणियां
<उल>
