Upload
davide-tiana
View
99
Download
2
Embed Size (px)
Citation preview
1
UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA SCUOLA DI ECONOMIA E STATISTICA
Master di I livello: Business Intelligence e Big Data
Analytics
Facebook social analytics:
dagli Insights all’Utente
Tutor aziendale: Coletto Valentino
Correlatore:
Relazione finale : Davide Tiana
Matr. n.799455
Anno Accademico 2014/2015
2
Sommario Abstract ............................................................................................................................................................. 3
Introduzione ....................................................................................................................................................... 3
Gara Gruppo Volkswagen Italia ........................................................................................................................ 4
Analisi del mercato competitive automotive Italia ........................................................................................ 4
Ascolto Rete .................................................................................................................................................. 5
Text Mining ............................................................................................................................................... 5
Dati Strutturati ........................................................................................................................................... 6
Facebook Dashboard ......................................................................................................................................... 7
Facebook Metrics .......................................................................................................................................... 7
Extract Transform and Load .......................................................................................................................... 8
Dashboard .......................................................................................................................................................... 9
Page KPI ........................................................................................................................................................ 9
Posts KPI ..................................................................................................................................................... 10
Users ............................................................................................................................................................ 11
Conclusioni ...................................................................................................................................................... 12
Appendice A .................................................................................................................................................... 13
Appendice B .................................................................................................................................................... 14
Analisi Mercato Competitivo Automotive ...................................................................................................... 14
Analisi generale del mercato automotive .................................................................................................... 14
Segmenti .................................................................................................................................................... 15
Appendice C .................................................................................................................................................... 22
Facebook Metrics definitions .................................................................................................................... 22
3
Abstract
In questo documento descriveremo lo sviluppo di una dashboard dedicata ai social Analytics su Facebook.
L’idea di sviluppare una Dashboard orientata all’ascolto della rete nasce dalla partecipazione ad una gara per
la gestione dei canali social media ufficiali di alcuni brand del Gruppo Volkswagen Italia.
Le difficoltà di accesso ai dati hanno limitato considerevolmente la possibilità di produrre risultati in tempi
utili per la gara orientando il lavoro a focalizzarsi su un unico canale social e solo su alcune modalità di
analisi dei dati.
La peculiarità principale del progetto, rispetto ai prodotti commerciali esistenti sul mercato, è la capacità di
raggiungere il dettaglio del singolo utente attivo sulla pagina del brand diventando in questo modo un utile
strumento di supporto ai community manager nella gestione delle interazioni con i clienti.
Introduzione
Lo stage, all’interno del quale è stata sviluppata la Dashboard, è l’attività conclusiva del master di primo
livello in “Business Intelligence and Big Data Analytics” frequentato presso l’università Bicocca di Milano.
Lo stage si è svolto presso OOT srl, un’agenzia digitale che offre servizi di consulenza strategica e
comunicazione nel settore digitale e l’occasione di collaborare con quest’azienda nasce dalla loro decisione
di partecipare ad una gara indetta dal Gruppo Volkswagen Italia per affidare ad un nuovo fornitore esterno la
gestione dei canali social media ufficiali di alcuni brand del gruppo.
Inizialmente la gara era per la gestione dei brand AUDI, SEAT, ŠKODA, VOLKSWAGEN e
VOLKSWAGEN VEICOLI COMMERCIALI con termine di consegna delle offerte al 29 febbraio 2016, ma
è stato successivamente limitato dal committente stesso ai soli brand SEAT e ŠKODA.
Poiché già a dicembre 2015 avevo ricevuto un’offerta di stage che purtroppo era stata ritrattata dall’offerente
a metà gennaio 2016, i contatti con OOT e la nuova proposta di stage si sono sviluppati solamente alla fine di
gennaio, limitando in tal modo il mio contributo alla gara a sole tre settimane circa di attività. In
considerazione di ciò e dell’esigenza di raggiungere il quorum di 300 ore richieste dal master per i progetti
conclusivi svolti in modalità di stage, si era quindi concordato sin dall’inizio con OOT che lo stage sarebbe
proseguito anche oltre il termine della gara con attività di approfondimento dei temi emersi durante la gara
sino al raggiungimento del monte ore richiesto dal master stesso.
4
Gara Gruppo Volkswagen Italia
In accordo con OOT, nel capitolato di gara, si sono individuati due spazi d’intervento possibili della
Business Intelligence per portare un contributo alla gara: un primo tema legato alla realizzazione dell’analisi
del mercato auto motive in Italia ed un secondo tema nello sviluppare l’ascolto della rete.
Già dall’inizio era stata ritenuta interessante da OOT la mia proposta di sviluppare una Dashboard come
strumento di ascolto della rete, purtroppo si è dovuto concordare che lo sviluppo di una Dashboard avrebbe
richiesto tempi troppo lunghi rispetto ai termini di scadenza della gara e si è quindi deciso di lavorare
soltanto su report di esempio rimandando eventualmente a marzo lo sviluppo della Dashboard.
Analisi del mercato competitive automotive Italia
Per l’analisi del mercato automotive in Italia, era previsto che un partner di OOT fornisse i dati del mercato
italiano su cui poi avremo internamente sviluppato le analisi. Invece quello che è arrivato dal partner
consisteva in un paio di pdf con pochi dati sul mercato ed impaginati in formati scarsamente utilizzabili, di
cui qui sotto un paio di esempi.
Si è quindi deciso di andare a cercare i dati direttamente in rete, venendo a scoprire che in realtà i dati del
PRA dovrebbero essere disponibili come Open Data. In pratica però l’ACI, che l’ente delegato a questa
attività, mette a disposizione i dati delle immatricolazioni in tabelle(Excel) già aggregate e quindi non è
possibile estrarne i dati grezzi su cui poi effettuare analisi lungo dimensioni e metriche a propria scelta.
Alla fine quindi si è optato per utilizzare come fonte lo UNRAE (Unione Nazionale Rappresentanti
Autoveicoli Esteri) che pur fornendo i dati delle immatricolazioni sempre in formato aggregato, offriva
aggregazioni valutate più rispondenti all’analisi del mercato.
Si è quindi proceduto ad estrarre i dati dai pdf dello UNRAE attraverso un tool freeware per poter comunque
preparare un esempio di report(Appendice B) che in ultima analisi è ovviamente risultato molto simile ai
report prodotti da UNRAE, che già distribuisce i propri report agli associati tra cui figura anche il Gruppo
Volkswagen.
5
Ascolto Rete
Da capitolato di gara i social network di cui era richiesto l’ascolto erano: Facebook, Google+, Youtube,
Twitter, Instagram, Pinterest e Linkedin.
Come prima attività si sono cercati strumenti e modalità per accedere ai dati dei vari social, orientandoci da
subito alla ricerca di connettori che permettessero di sfruttare le API messe a disposizione da quasi tutti i
social. La tabella seguente. Si sono cercati in primo luogo connettori per le applicazioni già utilizzate durante
i laboratori del master (Talend e Rapid Miner), quindi si sono cercati tools e software “free” alternativi; la
tabella seguente illustra i connettori “funzionanti” individuati:
Facebook Google+ Youtube Twitter Instagram Pinterest Linkedin
connettori Next
R
Next
Next
R
Talend
Rapid Miner
Next
R
Next
R
Next è un applicazione commerciale di cui è stato utilizzato un free trial, R invece indica l’omonimo
linguaggio di programmazione; si deve precisare che in rete si trova molti connettori e documentazione per
collegarsi alle API dei social in oggetto, ma sono nella stragrande maggioranza basati sulle API versione 1.0
mentre ormai già dal 2015 i social hanno effettuato l’upgrade alla versione 2.0 ed attualmente, almeno i
social più importanti, sono già passati alla 2.5.
Per cui già sulla base delle possibilità di connettersi ai dati, si è deciso di continuare a lavorare solo sui social
per cui era stato trovato un connettore funzionante o reso funzionante con un minimo di riscrittura del
codice. Inoltre con la nuova versione delle API, i dati scaricabili una volta connessi richiedono per lo più di
essere proprietari o amministratori del profilo di cui si vogliono scaricare i dati. Quindi sulla base di queste
ulteriori limitazioni si è deciso di proseguire l’indagine sui due soli social evidenziati in verde nella tabella.
Text Mining
Come prima attività di analisi si è effettuato del text mining sui tweets per individuare associazioni di
termini tra i marchi ed i modelli di auto di SEAT e ŠKODA versus i loro principali competitors (i primi
cinque modelli per segmento, così come dall’analisi del mercato) in modo da fornire subito associazioni
logiche su cui lavorare ai colleghi che nel team si occupavano di preparare gli esempi di piani di
comunicazione e digital PR. Per quest’attività si è scelto di lavorare su Twitter perché l’esperienza di
laboratorio e la possibilità
di utilizzare strumenti già
approntati in precedenza,
permetteva di raggiungere
dei risultati in tempi brevi.
Di fianco illustriamo alcuni
prodotti di quest’attività;
la scelta di un wordcloud
come modalità di
rappresentazione affiancata
da un grafico a barre hanno
permesso di massimizzare
la leggibilità dei dati anche
per chi non fosse abituato a
grafici più complessi con
cui rappresentare le associazioni di termini.
6
Una seconda attività di text mining è stata svolta sui post di Facebook delle pagine ufficiali di SEAT Italia
per cercare di individuare se possibile il
piano editoriale settimanale in essere;
inseriamo questo tema in questo
paragrafo per coerenza logica sebbene
come analisi sia stata cronologicamente
l’ultima attività svolta per la
partecipazione alla gara.
Abbiamo utilizzato 863 post della
pagina pubblicati nei primi tre mesi del
2016 ed accessibili via Api anche senza
essere amministratori della pagina, i
dati che si possono estrarre essendone
amministratori contengono statistiche
più ricche ad esempio il numero di
utenti raggiunti dal post.
È stato inserito nel testo del messaggio
il giorno della settimana (lunedì,
martedì, …) in cui il post è stato
pubblicato e poi cercata
un’associazione tra i giorni della
settimana ed eventuali termini
ricorrenti utilizzando clustering
gerarchico; in figura è mostrato il risultato del clustering utilizzando il metodo di ward, ma sono stati provati
anche altri metodi senza identificare associazioni particolarmente significative che permettessero di
individuare qualche sorta di piano editoriale.
Dati Strutturati
Come esempio di report sui dati social
strutturati si è lavorato sulla pagina ufficiale
di Youtube del marchio SEAT rispondendo
a specifico interesse del committente;
ancora una volta si sono utilizzitati i post
accessibili via API senza essere
amministratori della pagina. Con i dati
disponibili a questo livello di dettaglio è
stato possibile produrre due grafici, qui a
destra, che mostrassero l’apprezzamento del
video da parte degli utenti in base alla
lunghezza del video ed alla qualità dello
stesso. Come si vede, agli utenti piacciono
maggiormente video brevi (<30 sec) ed in
alta qualità, anche se quelli in bassa qualità
sono visualizzati più spesso probabilmente
per il minor tempo di caricamento.
7
Facebook Dashboard
Terminato il tempo utile per partecipare alla gara del Gruppo Volkswagen Italia, si è concordato con OOT di
impegnare la rimanente parte dello stage nello sviluppo di una Dashboard per l’ascolto della rete ed in
considerazione delle citate difficoltà di accesso a dati con statistiche dettagliate e del tempo disponibile
(scadenza originale del master a fine marzo) si è scelto di lavorare su un unico social tra quelli viabili
(evidenziati in verde nella tabella dei paragrafi precedenti). Tra questi tre Twitter è stato escluso in favore dei
due su cui avevo meno esperienza così da valorizzare la mia crescita professionale all’interno dello stage e
tra gli ultimi due la scelta è ricaduta su Facebook perché ritenuto maggiormente interessante anche rispetto a
quello che viene richiesto sul mercato dei social analytics.
Facebook Metrics
È opportuno, prima di descrivere la Dashboard, spendere qualche parola su cosa Facebook misura e rende
disponibile a proposito delle pagine; in Appendice C riportiamo le principali, quelle che utilizzeremo tra le
centinaia disponibili, con la definizione ufficiale di Facebook citata testualmente.
Fans utenti di Facebook che hanno attivamente clickato su “Like”, è un parametro
importante perché questi utenti riceveranno direttamente nelle notifiche qualunque contenuto
pubblicheremo sulla pagina.
Story qualunque contenuto che venga mostrato nelle notifiche.
Engaged Users sono gli utenti che hanno reagito in qualche modo ai nostri contenuti, ovviamente
più utenti ingaggiamo e più significa che il nostro contenuto è interessante.
Consumers è sostanzialmente la stessa cosa degli Engaged Users, esistono diverse discussioni
tutt’ora aperte in rete su quale sia l’effettiva differenza tra queste due metriche sebbene test
personalmente condotti e test riportati in rete da altri analisti sembrino indicare che comunque i
Consumers sono sempre inclusi negli Engaged Users e quindi la metrica sembrerebbe in ultima
analisi inutile.
Reach misura il numero di utenti cui il nostro contenuto è stato esposto, ma non per questo
significa che sia stato visto; è ovviamente importante perché più persone raggiungiamo e maggiore
sarà la possibilità che catturiamo l’attenzione di qualcuno.
Impressions misura il numero di volte che un nostro contenuto è stato esposto a qualcuno, lo
stesso contenuto può essere esposto allo stesso utente più volte; è una misura in qualche modo di
quanto il nostro contenuto sarà visto come spam, un alto rapporto tra Impressions e Reach indicherà
che lo stesso utente sta ricevendo il nostro contenuto più volte e questo alla lunga può generare
disaffezione.
Consumption misura quante volte gli utenti interagiscono coi nostri contenuti, un alto valore
rispetto agli Engaged Users indicherà che gli utenti ritornano più volte sui nostri contenuti e che
quindi stiamo producendo un alto tasso di coinvolgimento.
Engagement Rate è il rapporto tra Engaged Users rispetto al Reach e misura quanto abbiamo
coinvolto gli utenti che raggiungiamo; anche in questo caso ci sono innumerevoli dibattiti aperti in
rete su quali metriche di Facebook si debbano usare per calcolare effettivamente l’Engagement Rate
e su quale sia effettivamente la formula utilizzata da Facebook per calcolare il valore che Facebook
stesso riporta nella pagina degli Insights.
8
Alcune note conclusive, come si legge dalle definizioni testuali di Facebook riportate in Appendice C, le
definizioni stesse sono, forse volutamente, vaghe e questo costituisce un problema nel cercare di costruire
misure ed indici coerenti e che rappresentino realmente ciò che vorremmo misurare.
Extract Transform and Load
Si sarebbe voluto realizzare una Dashboard che lavori in real time e quindi effettuare l’estrazione dei dati
unicamente via API, ma al momento non si è ancora trovato un modo per estrarre alcune statistiche, seppur
disponibili via API, ad esempio le informazioni “anagrafiche” sugli utenti (classe d’età, nazionalità, …).
Quindi al momento si è scelto di effettuare l’estrazione in modo misto, prendendo alcuni dati via API., con
codice scritto in R in quanto Next non permette il real time, ed altri scaricando gli Excel disponibili negli
Insights della pagina. Cercando di preservare la coerenza dei dati, tutte le statistiche della pagina e dei post
della pagina mostrate nella Dashboard derivano da dati elaborati a partire dai fogli Excel degli Insights.
Invece le statistiche relative agli utenti sono elaborate a partire dai dati estratti tramite l’API poiché i post
scaricati attraverso gli Insights non contengono i post degli utenti od altre azioni degli utenti come Likes,
Comments e Shares; ma solo il conteggio di questi per ogni Page Post (un Page Post è un post creato dalla
pagina e non da utenti).
Purtroppo l’accesso agli Insights non è consentito a chiunque, come abbiamo scoperto solo a fine febbraio, o
più precisamente valgono le seguenti regole stabilite da Facebook:
1. gli Insights sono disponibili per qualunque pagina, ma solo dopo che la pagina ha raggiunto almeno
trenta Likes e solo per gli amministratori/proprietari della pagina;
2. con 100 o più Likes si può accedere anche agli Insights di altre pagine di cui non siamo
amministratori o proprietari attraverso una semplice richiesta anonima;
3. le stesse regole valgono se si cerca di accedere agli Insights via API.
Notare che si parla di pagine non di profili utente.
Quindi per avere degli Insights su cui costruire la nostra Dashboard è stato innanzitutto necessario creare una
pagina (NOBdata), quindi per raggiungere il quorum di Likes necessari ad accedere agli Insights si è
proceduto alla creazione di alcuni profili finti da usare non solo per i Likes ma anche per riempire con
contenuti, clicks, views ed azioni la pagina.
Purtroppo le attuali policy di Facebook limitano notevolmente la creazione di “fakes”; se non ci si registra
usando un numero di cellulare valido per la conferma della registrazione, sembrerebbe che Facebook tracci
lo IP usato per registrarsi e che dal terzo tentativo blocchi (sblocco in 24/48 ore) le registrazioni da quel IP
forzando la conferma via cellulare e pure Inutili sono stati i tentativi di aggirare il blocco ricorrendo a numeri
di telefono virtuali.
Dopo tre settimane di creazione di “fakes” e dopo aver coinvolto tutti i contatti disponibili eravamo arrivati a
poco più di quaranta Likes, quindi si è deciso di abbandonare l’idea di raggiungere i 100 per poter costruire
le analisi su dati reali ed il progetto ha continuato a svilupparsi sui pochi dati simulati che è stato possibile
inserire.
L’idea originale del progetto avrebbe previsto anche un interfaccia verso mysql per salvare i dati raccolti in
modo da preservare lo storico visto che Facebook permette di risalire al massimo a dati vecchi di 180 giorni,
ma per motivi di tempo si è rimandato lo sviluppo di questo pezzo di codice a dopo la conclusione del
master.
Per lo stesso motivo si sono rimandati a sviluppi futuri i seguenti temi:
automatizzazione del download dei file Excel dagli Insights Facebook, ove non si riuscissero a
superare gli ultimi ostacoli ad avere tutti i dati via API (vedere quanto detto ad inizio paragrafo sulle
“anagrafiche”)
pagina/applet iniziale da cui lanciare diverse Dashboard ciascuna dedicata ad un social, oppure
reimpostazione della GUI per avere tutte le analisi di tutti i social in un'unica Dashboard
ottimizzazione del codice per ridurre i tempi di caricamento e calcolo, attualmente è veramente
lento
aggiunta di una maschera di ricerca da cui selezionare le pagine da mettere a confronto
sviluppare lo scrapping dei dati degli utenti
9
sviluppare sentiment e text mining sui post degli utenti.
Dashboard
La Dashboard è divisa in tre sezioni 4 sezioni che contengono grafici coerenti
soggetto cui le statistiche si riferiscono e si può accedere alle sezioni da una
barra posta sulla sinistra:
Page KPI contiene le statistiche della pagina e sui Fans
Posts KPI contiene statistiche sui post pubblicati dalla pagina, quindi
esclusi quelli degli utenti
Users contiene le statistiche sui post degli utenti
Help è composto di due sottosezioni: un breve riepilogo delle definizioni
delle metriche usate ed un “about” dove inserire i dati
dell’azienda,contatti,riferimenti.
In generale tutta la Dashboard è stata sviluppata dal sottoscritto, incluse le parti
di codice HTML ove utilizzato.
Indubbiamente non ha la pretesa di brillare per estetica, ma ha il vantaggio di
poter essere migliorata con altro codice HTML aggiungendo sfondi, icone più
“carine” e quant’altro si voglia.
Page KPI
La sezione che mostra le statistiche delle pagine a confronto è quella che si presenta all’apertura della
Dashboard
Il primo box in alto mostra l’andamento temporale delle metriche che si possono selezionare dalla checkbox
posta sulla barra di sinistra; il grafico superiore mostra i dati per una delle due pagine selezionate per il
confronto, qui chiamata “Competitor” e si tratta di dati puramente inventati imputandoli direttamente su una
copia degli Insights di NOBdata, mentre il grafico inferiore sono esattamente i dati della pagina NOBdata,
indicata come “Target” che abbiamo creato per i motivi spiegati nei paragrafi precedenti.
10
Nei grafici dei due box inferiori vengono mostrate alcune statistiche dei Fans: le ripartizioni per genere,
classe di età e nazione; ma la scelta di cosa mostrare è assolutamente arbitraria ed andrebbe concordata con
un eventuale committente.
Posts KPI
la sezione dedicata alle statistiche dei post della pagina in realtà si apre, primo box in alto, con una misura
che non ha a vedere direttamente coi post della pagina.
In effetti questa sezione, nell’ottica che la Dashboard sia utilizzata da un community manager, è pensata non
solo per valutare l’efficacia dei post già pubblicati, ma anche per pianificare le prossime pubblicazione. Ecco
quindi che i primi grafici che mostrano quando sono online i Fans delle due pagine potranno essere un utile
indicazione su quando è meglio pubblicare un post, ad esempio evitando di comunicare un evento fissato per
sabato durante i feriali precedenti se sappiamo dai grafici di cui sopra che i nostri Fans si collegano soltanto
durante il week-end; l’evento andrà in questo caso comunicato almeno prima del sabato precedente l’evento
stesso. In questi due grafici la colorazione delle barre è stata utilizzata soltanto per distinguere le domeniche
in rosso (ma potrebbe essere considerato festivo anche il sabato) dagli altri giorni feriali, così da facilitare la
lettura al nostro community manager od a chi per esso.
Nel secondo box vengono visualizzati i valori delle metriche per ogni singolo post, vengono selezionati i
primi n (è da aggiungere un controllo per permettere di scegliere n) in base alla metrica selezionata, con un
flag sulla barra è anche possibile limitare il calcolo delle metriche ai soli Fans oppure lasciarlo calcolato su
tutti gli utenti. Il grafico volutamente non ha etichette di identificazione del post, perché selezionando le
barre del grafico automaticamente si dovrebbe evidenziare il post nella tabella sottostante, ma al momento
questa caratteristica non è funzionante e sfortunatamente non era più disponibile un backup per ripristinare il
grafico colle etichette dopo il tentativo di implementazione di questi ultimi giorni.
Da notare che soggiacente al messaggio nella tabella è attivo un link che automaticamente apre il post in una
nuova scheda del browser.
11
Users
In questa sezione l’attenzione si sposta sulle attività degli utenti: post, Likes, Comments,
Shares,Photos,Links,Videos,…
Fortunatamente, o forse volutamente, Facebook non rende disponibili le statistiche per queste attività (ad
esempio la Reach o le Impressions di un Link postato da un utente) e quindi si è dovuta valutare l’efficacia
delle attività degli utenti in altro modo.
Nel grafico di questa sezione come Activity Level si è preso il conteggio di ogni azione fatta da ciascun
utente e come Reach Level la somma dei Likes, Comments and Shares ottenuti da ciascun attività
dell’utente.
Ovviamente il Reach Level così calcolato non corrisponde alla Reach così come l’avevamo definita nella
presentazione delle metriche di Facebook, ma è la miglior stima che possiamo dare sulla base dei dati
disponibili, inoltre occorre tenere presente che non tutte le attività dell’utente hanno Likes, Comments, … ad
esempio un Like non può a sua volta ricevere un Like od un commento.
Ovviamente gli utenti su cui si dovrà maggiormente concentrare l’attenzione del community manager
saranno quelli che si posizionano in alto a destra nel grafico.
Anche per questo grafico sarebbe prevista la caratteristica che clickando su un punto del grafico si evidenzia
il record corrispondente nella tabella, ma è ancora in fase di implementazione.
Nella tabella soggiacente il nome dell’utente c’è nuovamente un link attivabile che apre in una nuova scheda
il profilo Facebook dell’utente; potenzialmente con ulteriori sviluppi dell’applicazione si potrebbero estrarre,
via scrapping, i dati più interessanti della pagina dell’utente e mostrarli in modo strutturato in un nuovo box
in questa sezione. Magari addirittura aggiungere una componente che faccia text mining e/o sentiment sui
contenuti dell’utente per fornire al nostro community manager qualche informazione in più sugli utenti “a
maggior valore”.
12
Conclusioni
L’originalità del progetto sviluppato e descritto in queste pagine rispetto ai molti prodotti commerciali
esistenti consiste nel tentativo di scendere fino al dettaglio degli utenti ingaggiati dai nostri contenuti social,
potremmo quasi dire il tentativo di dare un volto a quelle persone che in tanti altri analytics compaiono solo
come numeri.
Due ultime considerazioni sugli aspetti critici di questo progetto:
Credibilità dei dati presenti in Facebook
Incertezza sul significato dei dati utilizzati.
Quando parliamo di credibilità dei dati ci riferiamo al fatto che su Facebook ed in generale sui social
esistono milioni di profili finti creati dagli utenti per svariati motivi, ad esempio i quaranta e più profili che
ho creato io per avere una base dati per questo progetto. Una possibile risposta a questo problema potrebbe
essere che comunque anche un profilo finto, per quanto i dati inseriti siano inventati, rappresenta una “faccia
sociale” dell’utente e che quindi in qualche modo rispecchia comunque l’utente
Per incertezza del significato dei dati ci riferiamo invece alle già citate discussioni aperte sulla vaghezza
delle definizioni date da Facebook e dagli altri social. Questa seconda criticità sarebbe facilmente risolvibile
dedicando a progetti di questo tipo anche il tempo necessario per verificare con test diretti ciascuna metrica
quali azioni e effettuate dove stia misurando.
Ovviamente essendo ben consci che un tal genere di verifica diretta andrebbe rifatta ogni sei mesi/ un anno
perché nel frattempo Facebook od un altro social avranno già cambiato tutto, sostituendo ad esempio i Likes
con una nuovo set di gradimenti.
13
Appendice A
Estratto bando di gara: attività richieste al vincitore
Estratto bando di gara: esercizi richiesti
ESERCIZIO 1. Sulla base di quello che avete compreso del Brand SEAT, del suo tono di voce e della sua Corporate
Identity, presentate una proposta di piano editoriale settimanale per il canale Facebook in grado,
secondo voi, di rappresentare quello che proporreste come attività social e modalità di
comunicazione in caso di scelta della vostra agenzia.
…
ESERCIZIO 2. Di seguito trovate una lista di temi che potrebbero esservi proposti come argomenti da sviluppare sui
canali social. Indicate in quali canali e con quale modalità intendete svilupparli.
…
ESERCIZIO 3. Sulla pagina social di SEAT Italia, appare questo commento: “belle le auto ma la consulenza offerta
dal Concessionario Rossi di Milano è stata davvero scarsa”.
…
ESERCIZIO 4. Secondo l’idea e l’esperienza che vi siete fatti, quali obiettivi può porsi un brand automotive
nell’utilizzo dei canali social?
…
ESERCIZIO 5. Viene richiesto di fornire un esempio di report (anche con numeri oscurati) che fornite ai vostri
clienti e che rispecchi la vostra filosofia. Vi chiediamo di specificare quali KPIs vanno monitorati
secondo la vostra esperienza, per monitorare correttamente le attività social del nostro brand.
…
A) Gestione quotidiana delle pagine social del brand SEAT per il mercato italiano
B) Creazione di una strategia a medio-lungo termine per il profilo Youtube
C) Collaborazione nello sviluppo della strategia di comunicazione on e offline
D) Redazione di reportistica sui singoli social network
E) Analisi, almeno, trimestrale di ascolto della rete
F) Analisi, almeno, trimestrale del contesto competitivo automotive o extra-settore
G) Gestione delle attività di Digital PR
14
Appendice B
Analisi Mercato Competitivo Automotive Il presente documento costituisce una breve analisi del mercato delle automobili in Italia, basato su dati estratti dalle
pubblicazioni del UNRAE (Unione Nazionale Rappresentanti Autoveicoli Esteri). Nel documento analizzeremo i trend
generali del mercato e in modo più dettagliato i segmenti su cui si confronta il gruppo GVI (Gruppo Volkswagen Italia)
limitatamente ai brand Skoda, Seat ed Audi.
Analisi generale del mercato automotive A seguito della crisi economica globale di questo inizio millennio, il mercato delle automobili si è progressivamente
ridotto sino a raggiungere il minimo di 1.3 milioni di immatricolazioni nel 2013 (“2015 Market Insight”, C. Petrucci).
Dal secondo semestre 2014 il mercato segna una leggera ripresa che sembrerebbe però essersi già esaurita negli ultimi mesi del 2015 (FIGURA 1).
La suddivisione in macroaree geografiche(FIGURA 2) mostra come tutto il Nord Italia sia il mercato trainante con il Sud Italia e le isole relegate a rappresentare piccole frazioni soltanto del mercato.
15
Per quanto concerne i combustibili(FIGURA 3), gli italiani mostrano di preferire decisamente diesel e benzina rispetto ad altre vettori energetici, anche se occorre osservare che le motorizzazioni a gas liquidi o gassosi(GPL e metano) hanno una loro quota di mercato abbastanza stabile. Notevole osservare che le motorizzazioni ibride, sebbene rappresentino ancora in Italia una frazione minore delle auto immatricolate, mostrano una piccola ma costante crescita lungo tutti i tre anni osservati. La crescita è maggiore di quella del mercato in generale che possiamo pensare rappresentata dalle linee di tendenza di diesel e benzina e quindi in prospettiva questo segmento potrebbe rivelarsi interessante nei prossimi anni.
in FIGURA 4 mostriamo le immatricolazioni per tipo di carrozzeria usando solo le linee di tendenza derivate dai dati per aumentare la leggibilità del grafico stesso. Le berline restano la tipologia di carrozzeria preferita dagli italiani ed a seguire i crossover e fuoristrada, ma con numeri decisamente inferiori(notare che il grafico è in scala logaritmica su y). Pur nei loro piccoli numeri però crossover e fuoristrada sono le categoria che mostrano il maggior tasso di crescita, così come i monovolume grandi ma solo limitatamente al secondo semestre 2015.
Segmenti
16
17
18
19
20
21
22
Appendice C
Facebook Metrics definitions
METRIC API DEFINITION
Fans
Sì Number of people who likes your Page
Story
Sì A story is an item that is displayed in your News Feed or
News Ticker
Engaged Users
(Engagement)
Sì number of people who engaged with your Page.
Engagement includes any click or story created. (Unique
Users)
Consumers No
number of people who clicked on any of your content.
Stories that are created without clicking on Page content
(ex, liking the Page from timeline) are not
included. (Unique Users)
Reach
Sì number of people who have seen any content
associated with your Page. (Unique Users)
Impressions
Sì number of impressions seen of any content
associated with your Page.
Consumption
Sì? number of clicks on any of your content. Stories
generated without clicks on page content (e.g., liking the
page in Timeline) are not included.
Engagement
(Rate)
Calcolato Engagement rate is the percentage of people who
saw a post that reacted to, shared, clicked or commented on it