Блог

15 простых шагов или как мы готовим регулярные аналитические отчеты

Регулярный аналитический отчет по анализу информационного поля бренда – один из самых востребованных продуктов аналитического центра Brand Analytics. В этой статье мы по шагам разберем процесс подготовки такого отчета, все секреты и тонкости его создания и поговорим о тех задачах, которые он решает. Собственно, с них и начнем.

Регулярный мониторинг социальных медиа необходим компании для понимания потребностей клиентов на каждом этапе потребительского цикла. Эта информация позволяет более точно сформировать новые предложения, инвестировать в улучшения, оптимизировать уже существующие каналы коммуникации с потребителем.

К основным задачам, которые решает отчет, можно отнести:

  1. выявление репутационных угроз;
  2. анализ эффективности маркетинговой политики, PR-деятельности и оценка другой активности, связанной с компанией.

Отдельно возможно проводить аудит деятельности/активности конкурентов. Пользовательские оценки в контексте сравнения с конкурентами содержат информацию о ценных конкурентных преимуществах, предложениях и продуктах, значимых для потребителей.

Отчет включает оценку восприятия как бренда в целом, так и конкретных продуктов и услуг компании, анализ позитивных и негативных тематик обсуждений, выявление источников концентрации целевой аудитории и лидеров мнений.

Регулярность отчета – еженедельная или ежемесячная – позволяет оценивать эффективность коммуникаций в динамике, выявлять причины изменений информационного поля и вовремя корректировать позиционирование предоставляемого продукта.

Отчет позволяет выявить ключевые изменения в информационном поле:

  • Проанализировать динамику лояльности клиентов
  • Обнаружить репутационные угрозы
  • Контролировать проблемные зоны
  • Сравнить обсуждения по бренду и конкурентам

В данном материале мы расскажем, как создать такой аналитический отчет на примере исследования упоминаний Банка Москвы в социальных медиа.

Первый шаг в подготовке отчета – создание темы мониторинга. Правильная настройка темы при создании – залог качественного результата. Именно от настройки темы – подбора поискового запроса, объектов тональности, оптимального выбора типов источников и т.п. – зависит полнота и качество собираемых и анализируемых системой данных, а значит – и оптимизация трудозатрат на подготовку аналитического отчета. О том, как создать идеальную тему мониторинга можно узнать тут.

 

После того, как тема создана и данные собраны, приступаем ко второму шагу – категоризации общего потока сообщений по теме на более узкие подтематики. Категоризация проводится с помощью создания и настройки тегов.

Для создания тега необходимо перейти в раздел теги и создать поисковые запросы, соответствующие той подтематике, которая относится к тегу.

Для Банка Москвы были выбраны различные виды банковских продуктов и услуг, а также качество работы персонала:

Третий шаг – проверка автоматического определения тональности и ручное тегирование тех сообщений, которые по тем или иным причинам не попали в тег по поисковым словам.

Этот этап работы достаточно трудоемкий. Существенно упрощает процесс, как уже говорилось выше, правильное формирование объектов тональности при создании темы и подбор ключевых слов тега. Однако даже в идеально настроенной теме ручной проверки не избежать – например, система не сможет верно определить тональность у саркастических или ироничных сообщений. Оптимизировать работу можно используя различные сортировки ленты сообщений (по дублям, репостам и др), а также фильтры и полнотекстовый поиск внутри темы.

Кроме того, менять тональность сообщений, присваивать теги или удалять лишнее можно у групп сообщений.

Например, при обнаружении различных ошибок в тональности о сделке по слиянию Банка Москвы и ВТБ можно использовать поиск в теме по слову ВТБ и изменить тональность на нейтральную сразу у всех сообщений по этой тематике.

Первые три шага – техническая аналитика – завершены. Приступаем к экспертному анализу

Четвертый шаг – анализ динамики обсуждений: необходимо выявить пики обсуждений и их причины. Обнаружить причину пика достаточно просто – при клике на точку на графике динамики, соответствующую дате пика, мы увидим ленту сообщений за выбранную дату. Далее, выделяя различные временные отрезки, можно «провалиться» в динамику вплоть до пяти минут. И снова используя различные виды сортировок – по дублям и комментариям – найти первопричину повышенного интереса к объекту исследования в тот или иной период времени.

Для подготовки иллюстрирующих отчетов графиков используем экспортируемый из системы Excel-файл, который содержит все необходимые данные, графики и диаграммы.

В результате получаем первый срез данных – по динамике сообщений:

Динамика упоминаний

Пики упоминаемости:

  • 05-07 марта: массовое распространение информации о блокировке активов ряда российских банков со стороны США, в том числе Банка Москвы.
  • 15-17 марта: обсуждение информации о продлении срока санации Банка Москвы до 5 лет.

Шаг пятый: анализируем тональность упоминаний
Диаграмму по тональности берем из эксель-отчета и дополняем содержательными комментариями:

 

Зафиксировано 50% нейтральных упоминаний, негативных упоминаний 30%, позитивных 20%.

Однако статистических данных об количестве сообщений той или иной тональности недостаточно для понимания ситуации.

Шаг шестой: анализируем основные тематики негативных и позитивных обсуждений, выявляем проблемные зоны и слабые стороны бренда. Сделать это можно с помощью изучения содержательных сообщений негативной и позитивной тональности с сортировкой по дублям, репостам и комментариям.

Проблемные зоны К проблемным зонам относятся сообщения негативной направленности, вызвавшие активные обсуждения в социальных медиа. К проблемным тематикам за отчетный период относятся темы: обсуждение доходов экс-президента Банка Москвы Андрея Бородина, рост жалоб на качество обслуживания, проблемы с оплатой банковскими карточками, сбои в работе интернет-банка.

 

Каждую из выявленных проблемных зон иллюстрируем примерами сообщений.

Тематика позитивных упоминаний

1. Основное количество позитива связано с обсуждением станций велопроката, спонсором которого является Банк Москвы:

Для таких, как я) У меня-то своего нет:) В мае прошлого года «Банк Москвы» запустил в Петербурге 29 точек велопроката, однако в этом сезоне пунктов может стать в 5 раз больше — около 150 точек в разных районах города.

Источник: vk.com | автор: Дарья Валерьевна

2. Яркий позитивный оттенок имели также сообщения о программах льготного кредитования:

Банк Москвы примет участие в программе льготных ипотечных кредитов.

Источник: vk.com | автор: Дарья Валерьевна

Шаг седьмой: анализируя тональность по тегам, которые мы завели в самом начале, выявляем отношение клиентов к продуктам и услугам Банка. Получаем гистограмму по восприятию продуктов и услуг. Индекс позволяет моментально выявить продукты, требующие наиболее пристального внимания. Дополняем содержательными комментариями и иллюстрируем примерами сообщений. Для каждого из продуктов рассчитываем «Коэффициент лояльности» — соотношение количества позитивных и негативных сообщений:

Восприятие продуктов и услуг

Коэффициент лояльности

Вклады

5,1

Кредиты

0,6

Банкоматы

0,5

Кредитные карты

0,4

Интернет-банк

0,2

Качество обслуживания

0,2

Высокий уровень лояльности зафиксирован при обсуждении вкладов. Средний уровень лояльности наблюдается при упоминании кредитов, банкоматов и кредитных карт. Низкий уровень лояльности зафиксирован при обсуждении интернет-банка и качества обслуживания.

Шаг восьмой: выявляем площадки концентрации целевой аудитории с помощью анализа распределения сообщений по источникам их публикации. Диаграмму берем их эксель-отчета и дополняем комментарием:

Распределение по источникам

 

 Наибольшее количество упоминаний приходится на twitter.com, vk.com и facebook.com, которые представляются наиболее значимыми для выявления трендов на последующие периоды обсуждений.

Шаг девятый: анализируем тональность по источникам, выявляя те источники, где присутствие и реакция бренда необходимы в первую очередь. График берем из эксель-отчета, дополняем коэффициентом лояльности источника и комментарием.

Тональность по источникам

Коэффициент лояльности

livejournal.com

1,3

twitter.com

0,7

vk.com

0,7

facebook.com

0,4

banki.ru

0,3

odnoklassniki.ru

0,2

 Сильный негативный фон зафиксирован в twitter.com, vk.com и facebook.com, на которые стоит обратить внимание в первую очередь для выявления негатива. Потенциальный рост негатива в последующем периоде стоит ожидать в odnoklassniki.ru.

Шаг одиннадцатый: выявляем позитивно и негативно настроенных лидеров мнений – авторов, пишущих о бренде и имеющих большое количество вовлеченных подписчиков. Этим авторам необходимо уделить пристальное внимание – контролировать их публикации о бренде, вступать в прямую коммуникацию – в зависимости от ситуации.

Для выявления лидеров мнений сортируем авторов по размеру аудитории, определяем тональность и количество сообщений, а так же анализируем комментарии, лайки и репосты публикаций авторов.
Лидеры мнений
Сторонники

Автор

Аудитория

Сообщений

Сергей Иванов

32 737

1

Елена Ищеева

6 035

1

Елена Карлова

2 902

1

Юрий Урсу

2 350

1

Яркими сторонниками за отчетный период являются авторы Сергей Иванов и Елена Ищеева, опубликовавшие сообщения позитивного характера, связанные с деятельностью банка – рекомендации по использованию интернет-банка и поздравления от банка соответственно. Автор Елена Карлова отметила высокое качество обслуживания через терминал, установленный в МГУ и работающий на солнечных батареях.  Юрий Урсу рекомендует вклады банка как одни из самых выгодных на рынке.
Противники

Автор

Аудитория

Сообщений

Slava Rabinovich

30 796

1

Лена Миро

18 206

1

Станислав Дрожинский

3 400

1

Ярким противником является автор Slava Rabinovich, опубликовавший негативный пост о банке, собравший значительное количество комментариев. Автор Лена Миро продолжает периодически публиковать сообщения, негативно сказывающиеся на имидже банка. Станислав Дрожинский выражает в Facebook публичное недовольство качеством обслуживания в отделениях банка.

Дополняем раздел комментариями и примерами сообщений.

Шаг двенадцатый: анализируем упоминания конкурентов.
Сравниваем количество и тональность публикаций об объекте исследования и его ближайших конкурентах. Дополняем графики коэффициентами лояльности, комментариями и примерами сообщений.


 В сравнении с конкурентами Банк Москвы находится на третьем месте по упоминаемости. На первом месте находится АЛЬФА-БАНК, далее следует Тинькофф, ПРОМСВЯЗЬБАНК находится на четвертом месте. Замыкает рейтинг СВЯЗНОЙ БАНК.

Тональность упоминаний

Коэффициент лояльности

АЛЬФА-БАНК

1,2

Тинькофф

1,0

ПРОМСВЯЗЬБАНК

0,8

Банк Москвы

0,7

СВЯЗНОЙ БАНК

0,5

 Лучший коэффициент лояльности зафиксирован при упоминании АЛЬФА-БАНКА. На втором месте находится Тинькофф, третье место занимает ПРОМСВЯЗЬБАНК. Банк Москвы располагается на четвертой позиции. Самый низкий коэффициент лояльности зафиксирован при упоминаемости БАНКА СВЯЗНОЙ.

Шаг тринадцатый: Добавляем в отчет сводные данные: период исследования, количество упоминаний, индексы лояльности и вовлеченности и их изменение по сравнению с предыдущим отчетным периодом. Все эти данные автоматически рассчитываются в эксель-отчете.

Шаг четырнадцатый: На основании проанализированного массива сообщений готовим выводы и рекомендации для клиента на ближайший отчетный период.

Шаг пятнадцатый: проверяем качество отчета на предмет фактических и грамматических ошибок, поправляем оформление и отправляем клиенту!

Познакомиться с примером готового отчета о Банке Москвы можно тут.


[1] Количество проиндексированных системой сообщений из социальных медиа за исследуемый период

[2] Индекс лояльности – отношение количества позитивных упоминаний к негативным

Запись опубликована в рубрике Кейсы, Обучающие материалы. Добавьте в закладки постоянную ссылку.
Комментариев: 0
Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

*

*

CAPTCHA изображение