UR:SMART – ein Fallbeispiel



Social Media hat im Verlauf der letzten 10 Jahre rapide an Bedeutung gewonnen. Dies gilt sowohl für Konsumenten als auch für Unternehmen. Die Kommunikation über dieses Social Media ermöglicht einen schnellen Informationsaustausch und so wenden sich auch immer mehr Kunden:innen über Soziale Medien an Unternehmen, um z.B. Serviceanfragen zu stellen, Produkte und Services zu bewerten, Beschwerden zu äußern oder Transaktionen abzuwickeln (Hanna et al. 2011). Vor diesem Hintergrund setzen Unternehmen verstärkt auf soziale Technologien (z.B. Facebook, Twitter, Instagram, YouTube, etc.), um die externe Kommunikation mit Kunden:innen zu fördern (z.B. Heidemann et al., 2012; Stobbe, 2010). Über Social Media Kanäle können so z.B. Kundenanfragen effizient bearbeitet (z.B. Culnan et al., 2010), Markenbotschaften weit verbreitet (z.B. Gallaugher und Ransbotham, 2010) und Beschwerden schnell und unmittelbar gelöst werden (z.B. Pinto und Mansfield, 2012).

Aufgrund der Möglichkeiten, Social Media Daten und die darin enthaltenen Erkenntnisse für interne Prozesse (z.B. Produktentwicklung) zu benutzen,  sind in den letzten Jahren zahlreiche Social Media Analyse- und Monitoring-Tools entstanden. Diese Tools können die Social Media Daten direkt von Plattformen wie Facebook und Twitter extrahieren, diese automatisiert verarbeiten und damit manuelle Analysen ersetzen. Vor allem vor dem Hintergrund der riesigen Mengen an Social Media Posts, die täglich generiert werden, sind manuelle Analysen schlichtweg nicht realisierbar. Am Markt verfügabre Tools wie Brandwatch, Hootsuite oder Social Bench sind jedoch insbesondere an die Bedürfnisse großer Unternehmen ausgelegt. Die spezifischen Anforderungen, die KMU an ein solches Social Media Analyse Tool haben, werden von diesen Tools nicht vollständig erfüllen. Zudem können die Kosten für diese Tools bis zu mehreren Tausend Euro pro Monat betragen, was für viele KMU aufgrund begrenzter und knapper Budgets für Social Media Initiativen nicht erschwinglich ist (Kasper und Kett, 2011).

Obwohl viele Tools als “Kostenlose Version” erhältlich sind, weisen diese Versionen meist deutlich eingeschränkte Funktionalitäten auf. Diese kostenlosen Versionen bieten den Unternehmen oftmals auch keinen technischen Support, der im Falle von Problemen beim Betrieb oder bei der Anwendung der Tools unterstützen würde. Die von diesen Tools bereitgestellte Sentiment-Analyse wird oftmals lediglich für die englische Sprache unterstützt (Stavrakantonakis et al., 2012). Dies stellt insbesondere für Unternehmen, die ihr hauptsächliches Betätigungsfeld in nicht englischsprachigen Ländern (z.B. Deutschland, Österreich, Schweiz) haben, einen erheblichen Nachteil dar. KMU sind in der Regel zudem regional begrenzt. So sind die Social Media Posts von Kund:innen beispielsweise durch regionalen Slang sowie branchenspezifische Produktnamen geprägt (z.B. Laboreiro et al., 2010; Naaman et al., 2010; Petz et al., 2013).

Dies hat zur Folge, dass kommerzielle Social-Media-Analyse- und Monitoring-Tools bei der Analyse von Social-Media-Posts, insbesondere bei KMU, keine ausreichende Genauigkeit liefern, da der typische regionale Dialekt und Slang von diesen Tools nicht berücksichtigt wird. Die Berücksichtigung dieser regionalen Spezifika von KMU und der Sprache ihrer Kund:innen ist jedoch zwingend erforderlich.

An diesem Punkt setzt UR:SMART an. Dieses Social Media Analyse-Tool wurde vom Lehrstuhl für Wirtschaftsinformatik III in Kooperation mit mehreren KMU in Bayern entwickelt. UR:SMART ist hinsichtlich der Analyse von Social Media Posts an die Wünsche, Anforderungen und Erfordernisse von KMU aus dem bayerischen Raum angepasst. UR:SMART unterstützt mit der Textklassifikation, der Sentimentanalyse und dem Clustering die gängigen Social Media Analytics Techniken und bietet die Möglichkeit, durch kombinierte Analysen tiefgreifende Erkenntnisse aus den Social Media Posts zu generieren.


Lernen Sie am Beispiel von UR:SMART kennen, wie präzise Analysen Ihrer Social Media Posts gestützt durch ein Software-Tool realisiert werden können.

Das nachfolgende Kapitel beginnt mit einer Einführung in die Social Content Analyse im Allgemeinen und leiten über auf das an der Universität Regensburg entwickelte Social Media Analytics Tool UR:SMART. In Zuge dessen zeigen wir Ihnen die Funktionsweise, das User Interface als auch die konkrete Anwendung an einem Beispiel. Abgerundet wird der Kurs mit einer Demonstration der Ergebnisse und einer Zusammenfassung.

Wir wünschen Ihnen viel Spaß bei unserer Lerneinheit und verbleiben mit den Besten Grüßen,

Lucas Luttner und Daniel Konadl, Lehrstuhl für Wirtschaftsinformatik III, Universität Regensburg


Quellen:

Culnan, M. J., McHugh, P. J., und Zubillaga, J. I. 2010. “How Large Us Companies Can Use Twitter and Other Social Media to Gain Business Value,” MIS Quarterly Executive, Vol. 9, Nr. 4,  S. 243-259.

Gallaugher, J., und Ransbotham, S. 2010. “Social Media and Customer Dialog Management at Starbucks,” MIS Quarterly Executive, Vol. 9, Nr. 4,  S. 197-212.

Hanna, R., Rohm, A., und Crittenden, V. L. 2011. “We’re All Connected: The Power of the Social Media Ecosystem,” Business Horizons, Vol. 54, Nr. 3, S. 265-273.

Heidemann, J., Klier, M., und Probst, F. 2012. “Online Social Networks: A Survey of a Global Phenomenon,” Computer Networks, Vol. 56, Nr. 18, S. 3866-3878.

Kasper, H., und Kett, H. 2011. “Social Media Monitoring Tools,” in Leitfaden Online-Marketing. S. 662-669.

Laboreiro, G., Sarmento, L., Teixeira, J., und Oliveira, E. 2010. “Tokenizing Micro-Blogging Messages Using a Text Classification Approach,” in: Proceedings of the 4th Workshop on Analytics for Noisy Unstructured Text Data, S. 81-88.

Naaman, M., Boase, J., und Lai, C.-H. 2010. “Is It Really About Me?: Message Content in Social Awareness Streams,” in: Proceedings of the 2010 ACM Conference on Computer Supported Cooperative Work, S. 189-192.

Petz, G., Karpowicz, M., Fürschuß, H., Auinger, A., Střítesk, V., und Holzinger, A. 2013. “Opinion Mining on the Web 2.0 – Characteristics of User Generated Content and Their Impacts,” in: Proceedings of the ACM Conference on Human Factors in Computing Systems (CHI), Paris.

Stobbe, A. 2010. “Enterprise 2.0 – Wie Unternehmen Das Web 2.0 Für Sich Nutzen,” Deutsche Bank Research.

Stavrakantonakis, I., Gagiu, A.-E., Kasper, H., Toma, I., und Thalhammer, A. 2012. “An Approach for Evaluation of Social Media Monitoring Tools,” Common Value Management, Vol. 52, Nr. 1, S. 52-64.


Weiterführende Literatur:

Johannsen, F., Schwaiger, J. M., Lang, M., und Leist, S. 2016. “UR SMART: Social Media Analysis Research Toolkit,” in: Proceedings of the 37th International Conference on Information Systems.

Schwaiger, J. M., Lang, M., Ritter, C., und Johannsen, F. 2016. “Assessing the accuracy of sentiment analysis of social media posts at small and medium-sized enterprises in Southern Germany,” in: Proceedings of the 24th European Conference on Information Systems.

Schwaiger, J., Hammerl, T., Florian, J., und Leist, S. 2021. “UR:SMART–A tool for analyzing social media content,” Information Systems and e-Business Management, Vol. 19, Nr. 4, S. 1275-1320.


1
01 | Einführung in die Social Content Analyse
2
02 | Aufbau und Grundlagen des Tools UR:SMART
3
03 | UR:SMART in der Anwendung
4
04 | Zusammenfassung
5
05 | Abschließendes Quiz zur Lerneinheit
4 Fragen