SlideShare a Scribd company logo
Twitterの分析の
共同開発技術に関する
解説資料
(株)ホットリンク
内山幸樹
http://twitter.com/ucchy/
http://blog.livedoor.jp/koki_uchiyama/
本資料の位置づけ
• 2010年11月1日に発表された、
「ホットリンク、サイバーバズ、電通、凸版印刷、トライバ
ルメディアハウスによるTwitterの分析技術の共同開発」
の成果を、分かりやすく理解していただくために、個人
的に作成した資料です。
• 従って、内容に関する正確性の保証責任、その他のい
かなる責任も、上記会社群にはありません。
開発された主な技術
• 露出指標の定量化技術
• ユーザ毎の影響力の定量化技術
• つぶやきの情報伝播経路の可視化技術
• 時間別話題内容の変化把握技術
• つぶやきの評判分析技術
某消費材ブランドの
イベント事例で
• 本資料では、10月10日~12日に新宿駅前で開催された、消
費材ブランドのイベント(新宿駅前でのイベントを、Ustream で
生中継したもの)の事例に照らして説明します。
• 露出指標の定量化技術
• ユーザ毎の影響力の定量化技術
• つぶやきの情報伝播経路の可視化技術
• 時間別話題内容の変化把握技術
• つぶやきの評判分析技術
Twitterイベントによる露出の効果は、
何人が発言したのか?で測定するだけで
よいのでしょうか?
実際に、某消費財ブランドの例でみてみましょう。
0
500
1000
1500
2000
2500
0
100
200
300
400
500
600
700
2010/9/10…
2010/9/10…
2010/9/10…
2010/9/10…
2010/9/10…
2010/9/10…
2010/9/10…
2010/9/10…
2010/9/11…
2010/9/11…
2010/9/11…
2010/9/11…
2010/9/11…
2010/9/11…
2010/9/11…
2010/9/11…
2010/9/12…
2010/9/12…
2010/9/12…
2010/9/12…
2010/9/12…
2010/9/12…
2010/9/12…
2010/9/12…
抽出キーワード「#axe0268」
累積発言数 発言数
発言数の推移
発言者数 811人
累積発言数 2133回
発言数 累積発言数
これだけの費用をかけて、たった811人?Twitterって効果
がいまいちだね?となりがちです。
実態としては
発言は「伝播」します
そこで、その様子を
以下の模式図でみてみましょう
Aさん
2回発言
Bさん
1回発言
Aさんのフォロワー
3人
Bさんのフォロワー
2人
Cさん
1回発言
Dさん
Eさん
Fさん
Gさん
発言した人
発言をフォロー
している人
発言数は4回でも、情報はフォロワーに伝わります!!
イベント
実際に数えてみましょう
測定項目 数値 備考
発言数 4回 A:2回、B:1回、C:1
回
発言した人 3人 A、B、Cさん
イベントの情
報に接した人
7人 A、B、C、D、E、F、G
さん
イベントの情
報に接触した
した総回数
13回 A:2回、B:1回、C:
3回、D:2回、E:3回、
F:1回、G:1回
イベントの情
報に接触した
平均回数
1.86回
/ 人
13回/7人
Aさん
2回発言
Bさん
1回発言
Cさん
1回発言
Dさん
Eさん
Fさん
Gさん
言葉の定義
リーチ数
tGRP(TweetGRP)
=露出数
※TV業界のGRPに相当しま
す
フリークエンシー
発言数
発言者数
測定項目 数値 備考
発言数 4回 A:2回、B:1回、C:1回
発言した人 3人 A、B、Cさん
イベントの情報に
接した人
7人 A、B、C、D、E、F、Gさん
イベントの情報に
接触した総回数
13回 A:2回、B:1回、C:3回、
D:2回、E:3回、F:1回、
G:1回
イベントの情報に
接触した平均回
数
1.86回/
人
13回/7人
某消費財ブランドの事例でみてみる
発言者数 811人
累積発言数 2133回
これだけの費用かけて、
たった800人?
単純な発言数のみだと
発言者数 811人
累積発言数 2133回
累積リーチ数 3,474,963人
tGRP(露出数) 12,506,852 tGRP
フリークエンシー 3.6回
なんと、3日間で、
・300万人以上にリーチ!
・1200万tGRPも!
伝播も含めて考えると
リーチ数や、TweetGRPという数値を使うことで、Twitter
の伝播効果も含めて把握できます!
• 露出指標の定量化技術
• ユーザ毎の影響力の定量化技術
• つぶやきの情報伝播経路の可視化技術
• 時間別話題内容の変化把握技術
• つぶやきの評判分析技術
誰の影響で、このイベントの情報が広がったの
だろう?を知るためには、
どうすればよいでしょうか?
以下の模式図でみてみましょう。
発言した人
発言をフォロー
している人
Aさん
1回発言
Bさん
1回発言
Cさん
1回発言
Dさん
Eさん
Fさん
Gさん
1回発言
Hさん
1回発言
イベント
あるユーザが、自分の発言によって
(他の人にも興味を与え)他の人にも発言させ
た回数の合計を数えます
Aさん
Bさん
Cさん
Dさん
Eさん
Fさん
Gさん
Hさん
対象者 (対象者が)
影響を与えた
人
(対象者が)影
響を与えた人
の数
Aさん Cさん 1
Bさん 0
Cさん Gさん、Hさん 2
Dさん 0
Eさん 0
Fさん 0
・・・ ・・・
※フォロー関係(誰から誰に情報が伝播しているのか)と、発言の時間関係(どちらが先に
発言したのか?)の両方を考慮しないといけません。RTされた数のみではありません。
時間
言葉の定義
対象者 (対象者が)
影響を与えた
人
(対象者が)影
響を与えた人
の数
Aさん Cさん 1
Bさん 0
Cさん Gさん、Hさん 2
Dさん 0
Eさん 0
Fさん 0
・・・ ・・・
影響力
某消費財ブランドの事例でみてみる
単純なフォロワー数だと 影響力を見ると
名前 follower数
Aさん 299176
Bさん 208988
Cさん 205571
Dさん 49030
Eさん 34880
Fさん 22023
Gさん 9763
Hさん 8503
Iさん 8386
Jさん 5363
Kさん 5298
名前 影響力
Aさん 234
Cさん 52
Bさん 20
Oさん 14
Pさん 12
Iさん 11
Qさん 11
Rさん 10
Sさん 9
Tさん 9
Uさん 7影響力のあった人の半分以上が、follower数の上位のユー
ザではない、という事実!!!
自社製品の話題に影響力のあるユーザを把握できます。
• 露出指標の定量化技術
• ユーザ毎の影響力の定量化技術
• つぶやきの情報伝播経路の可視化技術
• 時間別話題内容の変化把握技術
• つぶやきの評判分析技術
このイベントの情報は、
だれから誰にどう伝播したのかを目で確認して
みたくなります。
これまでの模式図を、
実際のデータでみてみましょう。
「つぶやきシロー」さんの影響力が圧倒的に大きかったこと
がわかります。意図的に起用されていたとしたら、大成功と
言えますね。
実際に図示してみましょう
タレントAさん
全てのフォロワー情報を載せ
ると、一枚の画面の収まらな
くなるので、影響力の高いユ
ーザから優先的に描画します
・フォントの大きさ
(≒円の大きさ):影響力
・円の色の濃さ:フォロワー数
・線:影響力関係(フォローし
ているユーザが、時間的
に後に、そのキーワード
に関して発言した)
実際に図示してみましょう
Shiro_tsubuyaki
・横軸:時間
・フォントの大きさ
(≒円の大きさ):
時間毎の影響力
・円の色の濃さ:フォロワー数
・線:フォロー関係
タレントAさん
横軸に時間軸を入れて図示することで、時間帯毎の影響
力のあったユーザの変化や、情報の広がりを目で確認する
ことができます
時間
• 露出指標の定量化技術
• ユーザ毎の影響力の定量化技術
• つぶやきの情報伝播経路の可視化技術
• 時間別話題内容の変化把握技術
• つぶやきの評判分析技術
実際の発言から、
何が良くて、何が悪かったのかを
簡単に把握するにはどうすれば
よいでしょうか?
まずは、
実際に某消費財ブランドの例で、良い評判
の分析結果をみてみましょう
某消費財ブランドの事例でみてみる
(ポジ表現)
axe0268 声 木口亜矢 フィナーレ リアル 湯船 杏璃ちゃん
ありがとう かわいい 頑張る ありがとう 盛り上がる 熱い 盛り上がる
素晴らしい たまらない 熱い かわいい 楽しみ 面白い
なる[気] いい エア洗い 感謝
観たい 観たい 公開 お家 映像
爆笑 残り湯 面白い 尻 凄い 楽しみ 素晴らしい
かっこいい 飲みたい すごい 良い 良い
ダサい
【否】
おもしろい 美味しい たまらない 人選
欲しい ほしい 香り 良い 胸 プログラム
すっごい 好き いい 楽しい スゴイ
人気 つぶやきさん 好評 絵 良い
美味しい なる[気]
高い[クオリ
ティ]
専用スポンジ 仕掛け
どきどき おもしろい 匂い いい サイコー 美人 すごい
かわいい 良い 気に入る 人気 お気に入り
少ない[ノイ
ズ]
がんばる ほしい モニター映像 よい お姉さんタイプ
見たい いい キレイ 深夜番組 可愛い
エラい ノリ アホ お湯
うまい おもしろい 有加チャン プレゼント すごい 熱い
楽しい アホ かわいい 欲しい 欲しい ガラス張り
ドキドキ 大好き ほしい 音声 良い
愛用 懐かしい 三日間 楽しめる KONAN
楽しみ ありがとう 集計システム 良い 一番 京本有加
おもろい 京本さん 熱い すごい すごい すごい
面白い おもしろい 感謝 入浴剤
ほしい かわいい サウンド お薦め 杉原さん 深夜エロ番組
お薦め パワー
高まる[テ
ンション]
好き 良い 懐かしい
良い KONANさん ありがとう
ダメ【否】 楽しい 熱い ボディーソープ カメラワーク あやちゃん
上がる[テ
ンション]
好き 感謝 よろしい 最高 かわいい
勧める いい いい かわゆい
企画、出演タレント、放送の品質、商品等々、様々な視点
からの評判を簡単に把握することができます。
仕組みの説明
• キーワード「#axe0268」を含む発言の中で、評判になっている対象の言葉(対象語)と、その
評判(評判語)を、組み合わせにして表現します。
– 例. 「◯◯ちゃんって、かわいい!!」
– → 対象語:◯◯ちゃん、評判語:かわいい
– → 表現方法「◯◯ちゃん:かわいい」
• 否定されている場合も、考慮します。
– 例. 「映像がダサく無い」
• 映像:ダサい【否】 → ポジティブ
– 例. 「プレゼントが、欲しくなくはない」
• プレゼント:欲しい【否】【否】 → ポジティブ
• 評判の対象が複数に渡る場合、対象語は可能性のあるものをピックアップします。
– 例. 「○○のシャンプ-って匂いが良い」
• 匂い:良い
• シャンプー:良い
• ○○:良い
模式図2
• 評判語単体ではポジティブ評判かネガティブ評判か判定がつかなくとも、周辺の語とつなげ
て判定します。
– 例.「絵のクオリティが高い]
• 高い → ポジ?ネガ?
• 絵:高い【クオリティ】 → ポジティブ
– 例.「親会社への依存度が高い]
• 高い → ポジ?ネガ?
• 親会社:高い【依存度】 → ネガティブ
• 一つの文章として完結していなくとも、対象語を推定します。
– 例.「◯◯キター。まじスゲー」
• ◯◯:スゲー
• Twitter用にカスタマイズされた部分も追記すること
おわり
• ご不明点があれば、お気軽にお問い合わせく
ださい。
• ホットリンク 内山幸樹
– http://twitter.com/ucchy/
– http://blog.livedoor.jp/koki_uchiyama/

More Related Content

Twitter分析技術のわかりやすい説明資料