Statusupdate und Start in das 2021er

Ich schaue gerade in das Blog und stelle fest, dass ich mich ein Jahr lang nicht mehr um neue Inhalte kümmerte.

Oh mein Gott, die Welt geht unter und weil viele Marketinggurus auf LinkedIn immer wieder betonen, wie wichtig denn die Contentproduktion sei, gelobe ich hiermit Besserung! :-)

Was gibt es Neues bei uns?

Achja. Anne hat geheiratet und deswegen sind wir nicht mehr die Wobus & Lehmann GbR, sondern die Wobus & Wächter GbR. Mir gefällt dieser Namenswechsel!

Dann hatten wir im letzten Jahr nahezu in Vollzeit diverse Projekte mit und um die TEAL AG rund um die Themenwelten Bigdata und KI aufgesetzt und gestemmt. Das Engagement lief zum 31.12.2000 aus und eines der interessanten „Learnings“ für mich ist das tiefergehende Verständnis für gewaltige Datenbanken, deren Auslesen und das Interpretieren von Abfrageergebnissen mit diversen Tools, wie eben KNIME. Zu KNIME werde ich mich von Zeit zu Zeit auf diesem Blog äußern.

Es gab auch einen Wechsel in den Datenbanken und Datenquellen. Mir ist ein stabiler Zugang zu Instagram, obwohl es starke Veränderungen gab, gelungen und in den Analyseprozeduren befinden sich jetzt auch – tataaaa- Twitter, Weibo und Reddit.

Statusupdate: Socialtracker / Analyser

Die (neue) Anwendung wird zeitnah um weitere Module erweitert. Ein spezielles ist hier eine Funktion umfasst die Analyse von Posts auf X Facebook-Seiten zu anvisierten Themen und den repräsentierten Zielgruppen. Hierbei wird unterschieden zwischen den Publikationen der Seiten, der Kommentare unterhalb der Publikationen und den „einfachen“ Rückmeldungen der Fans / Besucher.

Die heraus extrahierten Daten werden wie folgt ausgewertet:

  1. KWD & WDF-Analysen mit Abgleich zu den eigenen Texten, Produktbeschreibungen etc. mit Unterscheidung zwischen „normalen“ Publikationen und „usergenerierten“ Rückmeldungen.
  2. Analyse: Zeichenlänge der Posts (alle Varianten)
  3. Analyse: (Basis) – Fragestellungen, Blacklist etc.
  4. Analyse: Like / Comments zu Posts
  5. Analyse und Abgleich Fananzahl, Likeanzahl, Kommentanzahl

Aktuell lassen sich keine Klicks über die veröffentlichten Links etc. nachweisen und hierzu finden noch Recherchearbeiten / Experimente über die FB-eigene API statt. Es ist allerdings geplant, eine Art Indikatorenliste für besonders „werthaltige“ Posts in Form der Einbeziehung von Likes, Comments etc. aufzustellen.

In Absprache mit den aktiven Betatestern und Klienten der Wobus & Lehmann GbR ist ein geeignetes Alertsystem geplant. Ob ich das in der Freeware freischalte, werde ich gesondert entscheiden.

Es wurde auch (endlich) eine technische Lösung zur Reportgenerierung via PDF-Format gefunden, das hat zur Folge, dass die W&L GbR mit Etablierung der Anwendung entsprechende Dokumente – je nach Projekt und Anforderung – obligatorisch versendet.

Statusupdate II – Socialtracker

Die wesentlichen (Haupt)datenquellen sind nun angebunden. Es fehlt noch die Zusammenführung mit dem KW-Vorschlagstool, die Anbindung an die Twitter-API zwecks Hashtag-Analyse und ich überprüfe noch das Tag-Setzungsverhalten bei Facebook. Die Anwendung wird zeitnah um eine Konkurrenzanalyse erweitert und es wird hier dann auch möglich sein, via XOVI-API oder eigenem Algorithmus die #1-#10 mit den vorhandenen Prüfprozeduren zu analysieren. Über das „Design“ einer geeigneten Formel zur Abbildung der Erkenntnisse aus dem Tool denke ich derzeit nach und werde diese vermutlich auch einigen Kollegen zwecks Gegenprüfung vorlegen.

Statusupdate Socialtracker // Werthaltigkeitsanalysen

Schaut man sich die vielen Strategien der Textbewertungsmechanismen (bes. Keyworddichte und WDF / WDF*IDF), kommt man sehr schnell auf den Gedanken, dass hier etwas fehlt: der Abgleich zu einer tatsächlich existierenden und abprüfbaren Marktsituation. Es erscheint ja als äußerst unlogisch, Texte nur nach SEO-Richtlinien zu optimieren, ohne auch nur im Ansatz zu prüfen, ob denn die Kernaussage eines Textes – bzw. das angebotene Produkt, die angebotene Dienstleistung – sich auch tatsächlich einer Nachfrage erfreut.

Ansatzpunkte, um dieses Problem aufzulösen wären:

[Hashtaganalyse]

Folgt man der Annahme, dass Hashtagkombinationen und Häufigkeiten dieser Worte deckungsgleich sind mit der KW-Dichte des zu bewerbenden Artikels, könnte man vermuten, dass der zu bewerbende Artikel eine große Abnehmerschaft in den Medien findet, deren Hashtags über entsprechende Algorithmen analysiert. Wenn man die Ergebnisse in ein geeignetes und vergleichbares Schema übergeben möchte, kann man hier über eine Abbildung in Form der WDF oder KW-Dichte nachdenken. Es erscheint mir als logisch, dass eine möglichst hohe Übereinstimmung besagter Werte mit den zu bewerbenden Texten / Inhalte / Produkte „optimal“ sein kann.

[Socialmedia-Analyse via API]

Interessant wird die Prüfung auf einen bereits vorhandenen und optimierten Text im Vergleich zur Konkurrenz. Man kann hierbei die Deeplinks der jeweiligen Angebote (=>Texte) erfassen (via Positionscheck, Xovi-Anbindung etc.) und über die Socialmedia-API-Anbindungen die folgenden Variablen abprüfen: Likes, Shares, Comments, Clicks. Das Studium der Facebook-API zeigt, dass selbstverständlich die Clicks auf Angebot-XYZ ausgegegeben werden können – dies erfolgt erstaunlich schnell (nahezu Echtzeit) und ist recht sauber. Führt man die Socialmedia-Analyse-Prozedur durch, empfiehlt es sich, ein eigenes Gewichtungsmodell zu entwickeln. Für mich und meine / unsere Projekte sind Shares, Comments und Clicks interessanter als Likes.

[Gegenprobe auf Google-Trends]

Neulich entdeckte ich eine recht gute Variante der Anbindunga uf Google-Trends. Es spricht also nichts dagegen, eine quasi abschließende Probe auf besagte Datenbanken aus den Ergebnissen der Hashtag / KW / WDF – Analyse in automatisierter Form zu legen. Ich denke hier noch über einen geeigneten Algorithmus nach, der die Daten aus diesem „Medium“ in die Werthaltigkeitsberechnung mit einbezieht.

Aus den o.g. Gedankenfetzen ergibt sich diese ToDo-Liste für die Anwendung „Social-Tracker“ (0.6b)

  1. Textanalyse mit KWD und WDF (erledigt)
  2. Hashtaganalyse: Erweiterung auf KWD und WDF – auf Hashtaganzahl und Wortanzahl gerechnet
  3. G-Trendsanalyse auf KW-Dichte / Text & Hashtags (ggf. Quartal / Jahr)
  4. Datenaufbereitung in Form von Diagrammen plus PDF-Export

Ob man hieraus eine geeignete mathematische Formel entwickeln kann und / oder sollte, ist mir im Moment noch nicht klar. Diesbezügliche Entscheidungen werde ich treffen, wenn weitere Erkenntnisse aus den Zahlenmaterialien sichtbar werden.

Verifiziert habe ich

  1. Verwendung der gefilterten Hashtags als eigene Hashtags und / oder Schlagworte in Blogkonstruktionen und / oder Textoptimierung fördert das Ranking
  2. Verwendung von gefilterten Hashtags als Informationsträger in den Socialmedia der gef. Hashtags lässt im schwereren Longtailbereich Texte ranken (in Abhängigkeit von der Accountautorität)
  3. Kommentare auf bspw. gepostete Links in Facebook können rankingfördernd sein, wobei hier weitere Variablen zu beachten sind
  4. die Verwendung von „guten“ Hashtags (siehe Filter, interne Bewertung etc.) bewirkt – je nach Qualität der Posts / Inhalte und Autorität der postenden Accounts – Verteilungs-, Reichweiten- und Rankingeffekte.