7. Optimierung

Mit zunehmender Gewichtung der Qualitätseinstufung der Quelle innerhalb des jeweiligen Publikums durch die Algorithmen der sozialen Plattformen wird eine Einstufung als vertrauensvolle Quelle für die organische Reichweite in den kommenden Jahren wahrscheinlich noch an Wichtigkeit hinzugewinnen.

Eine häufig verwendete alternative visuelle Darstellung fasst die Keywords oder Hashtags in Wortwolken (wordcloud) zusammen, bei denen die relative Wortgröße der dargestellten Schlagworte einen Ausdruck über die Häufigkeit ihrer Verwendung gibt. Bei anspruchsvollen Auswertungen drücken die Wortwolken zusätzlich auch die semantische Nähe aus, d. h. in welchen inhaltlichen Verbindungen die Worte häufig auftauchen, indem ähnliche Farben oder gruppierte Platzierungen genutzt werden. Wortwolken erlauben eine intuitiv verständliche Umfeldanalyse. Es wird sofort deutlich, mit welchen Begriffen über das Unternehmen, die Marke oder das Produkt gesprochen wird.

Hat man die Möglichkeit, soziale Medieninhalte in einem Laborumfeld mittels Eye-Tracking zu testen, so können Inhalte zusätzlich auch nach der Anzahl der Fixationspunkte pro Minute, der Zeit bis zur ersten Fixation des Auges (Time to First Fixation) und der Fixationsdauer (Fixation Duration) verglichen und die grafischen und textlichen Bestandteile entsprechend der Reaktionen der Nutzer optimiert werden. Fortgeschrittene Messverfahren aus dem Fachgebiet des Biofeedbacks erlauben auch, das emotionale Engagement einzustufen, zum Beispiel mittels der Messung der (psycho-)galvanischen Hautreaktion (galvanic skin response, GSR). Inhalte können nach der Anzahl der GSR-Spitzen oder der Dauer der GSR-Spitzen eingestuft werden.

In der Literatur wird Sentiment Analyse auch teilweise als Opinion Mining bezeichnet, teilweise wird zwischen Opinion und Sentiment unterschieden. Dieses Unterkapitel fasst alle Disziplinen der Tonalitäts-, Gefühls- und Meinungsermittlung durch die Analyse von Texten und bildlichen Informationen unter Sentiment-Analyse zusammen.

Alternative Methoden setzen maschinelles Lernen oder einen regelbasierten Ansatz, zum Teil in Verbindung mit einem Lexikon, ein. Ein Lexikon-basierter Ansatz geht immer von der Annahme aus, dass die tonale Polarität eines Textes die Summe aus der Polarität seiner einzelnen Wort-Bestandteile ist. Der Ansatz des maschinellen Lernens nutzt hingegen einen Trainings-Datensatz aus Texten, deren Polarität bereits valide kodiert wurde, und lässt das Programm anhand dieses Trainings-Datensatzes seine eigenen Sentiment-Regeln bzw. Algorithmen zur Ermittlung der Tonalität neuer, noch nicht kodierter Texte festlegen. Die Tonalität einzelner Textbestandteile mag hierbei allerdings nur ein mögliches Kriterium sein, das der Algorithmus aufgreift.

Mit großen Datensätzen und entsprechend anspruchsvollen Auswertungsmethoden ist es allenfalls sogar möglich nicht nur die Tonalität als positiv, neutral oder negativ zu deuten, sondern auch die ausgedrückte Emotion zu identifizieren (Emotion Detection), bspw. Wut, Freude oder Enttäuschung. Besonders für die Markenführung aber auch für die Beurteilung der unterschiedlichen Phasen der Customer Journey wäre die Kenntnis über die beim Kunden ausgelöste Emotion potentiell sehr aufschlussreich.