SVEUČILIŠTE U ZAGREBU

FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA

ZAVRŠNI RAD br. 2378

ANALIZA PROMOCIJE BRANDOVA NA

DRUŠTVENIM MREŽAMA

Goran Jelen

Zagreb, lipanj 2012.

Zahvaljujem se mentoru prof.dr.sc.

Ignacu Lovreku i docentu Doc.dr.sc.

Vedranu Podobniku na ukazanom

povjerenju što su mi omogućili rad na

vrlo novoj i atraktivnoj temi. Pored toga

zahvaljujem se na ukazanoj pomoći,

savjetima, diskusijama i iskazanom

razumijevanju tijekom izrade i pisanja

ovoga rada.

Sadržaj

Popis slika .............................................................................................................................. 1

Uvod ...................................................................................................................................... 3

1. Analiza sadržaja ............................................................................................................. 4

1.1. Primjena analize sadržaja ...................................................................................... 5

1.2. Proces analize sadržaja .......................................................................................... 7

1.3. Pouzdanost u analizi sadržaja ................................................................................ 8

2. Analiza sadržaja na društvenim mrežama ..................................................................... 9

2.1. Metode analize sadržaja na društvenim mrežama ............................................... 13

2.2. Regresija .............................................................................................................. 14

2.3. Višestruka regresija ............................................................................................. 17

2.4. Faktorska analiza ................................................................................................. 20

2.5. Složena analiza varijacije .................................................................................... 22

3. Analiza brandova na društvenoj mreži Facebook ....................................................... 26

3.1. Stranice branda na društvenoj mreži Facebook ................................................... 26

3.2. Izvori podataka .................................................................................................... 30

4. Sustav za analizu brandova na društvenoj mreži Facebook ........................................ 34

4.1. Prijava na sustav za analizu brandova ................................................................. 34

4.2. Dohvaćanje podataka s Facebooka ..................................................................... 36

4.3. Procesiranje podataka dohvaćenih s Facebooka ................................................. 41

4.4. Baza podataka za analizu promocije brandova.................................................... 44

4.5. Model analize brandova na društvenoj mreži Facebook ..................................... 47

4.5.1. Regresijska analiza za promociju brandova na društvenoj mreži Facebook48

4.5.2. Složena analiza varijacije promocije brandova na društvenoj mreži

Facebook 53

Zaključak ............................................................................................................................. 57

Literatura ............................................................................................................................. 58

Sažetak ................................................................................................................................. 60

Summary .............................................................................................................................. 61

Privitak ................................................................................................................................ 62

1

Popis slika

Slika 1: Kategorije analize sadržaja....................................................................................... 5

Slika 2: Manifesno i latentno značenje podataka u analizi sadržaja...................................... 7

Slika 3: Elementi društvenog utjecaja na društvenim mrežama ............................................ 9

Slika 4: Google +1 tipka za dijeljenje sadržaja ................................................................... 10

Slika 5: Stranica profila na društvenoj mreži Facebook ...................................................... 11

Slika 6: Stranica branda na društvenoj mreži Facebook ..................................................... 11

Slika 7: Naslovna stranica društvene mreže Facebook ....................................................... 12

Slika 8: eViews 7,2 .............................................................................................................. 19

Slika 9: Na desnoj strani je prikaz pozitivne, a na lijevoj strani negativne korelacije ........ 20

Slika 10: Desno je prikazana savršeno pozitivna, a na lijevoj savršeno negativna korelacija

............................................................................................................................................. 21

Slika 11: Nema korelacije (nepostojeća korelacija) ............................................................ 21

Slika 12: Rezultat dobiven s Excelom ................................................................................. 24

Slika 13: Povećanje broja korisnika Facebooka.................................................................. 26

Slika 14: Storefront na društvenoj mreži Facebook ............................................................ 27

Slika 15: Novi Storefront uključen unutar Facebook-Timelinea ........................................ 28

Slika 16: Kategorizacija sadržaja na stranici branda ........................................................... 28

Slika 17: Promocija novih proizvoda na stranicama brandova društvene mreže Facebook 29

Slika 18: Zid branda na društvenoj mreži Facebook ........................................................... 30

Slika 19: Fotografije na stranici branda ............................................................................... 32

Slika 20: Informacije na stranici branda .............................................................................. 32

Ispis 21: Dohvaćanje podataka sa zida stranice branda ....................................................... 33

Slika 22: Obrazac uporabe za analizu promocije brandova na društvenoj mreži Facebook 34

2

Slika 23: Sekvencijski dijagram za akciju prijave na sustav ............................................... 35

Slika 24: Implementirano sučelje aplikacije brand za prijavu na sustav ............................. 35

Slika 25: Ispis pogreške kod prijave na sustav za analizu brandova ................................... 36

Slika 26: Unos podataka branda u obrazac implementirane web-aplikacije ....................... 37

Slika 27: Unos linka u obrazac implementirane web-aplikacije ......................................... 37

Slika 28: Popunjena polja obrasca za unos branda putem prethodno predanog linka ......... 38

Slika 29: Sekvencijski dijagram za dohvaćanje podataka sa poslužitelja Facebook .......... 38

Slika 30: Web-aplikacija započinje dohvaćanje podataka sa Facebook-brands stranice ... 39

Slika 31: Prikaz obavijesti o uspješnom dohvaćanju podataka s Facebook-brand stranice 39

Slika 32: Sekvencijski dijagram spremanja dohvaćenih podataka u bazu podataka ........... 40

Slika 33: Prikaz Excel datoteke u sučelju implementirane web-aplikacije za brand Konzum

............................................................................................................................................. 41

Slika 34: Sekvencijski dijagram za procesiranje podataka .................................................. 42

Slika 35: Prikaz statističkog skupa po tipovima objava u Excel datoteci za brand Konzum

............................................................................................................................................. 42

Slika 36: Prikaz statističkog skupa za provedbu složene analize varijanci ......................... 43

Slika 37: Prikaz statističkog skupa za regresijsku analizu .................................................. 48

Slika 38: Prikaz grupiranja objava po tipovima za brand Konzum ..................................... 49

Slika 39: Prikaz rezultata regresije za objave tipa video ..................................................... 50

Slika 40: Prikaz tablice predviđenih vrijednosti broja lajkova za objave tipa video branda

Konzum ............................................................................................................................... 51

Slika 41: Prikaz vrijednosti regresijskog koeficijenta ......................................................... 52

Slika 42: Prikaz linearnog regresijskog pravca ................................................................... 52

Slika 43: Prikaz tablice za izračun složene analize varijanci .............................................. 54

Slika 44: Prikaz rješenja složene analiza varijanci za brand Konzum ................................ 55

3

Uvod

Suvremeni način života koji je popraćen velikim brojem statističkih analiza u

kratkom vremenskom roku, predstavlja ljudima nedostatak vremena. Pokazala se potreba

za što efikasnije, preciznije i kvalitativno prikupljanje potrebnih informacija. Rast količine

informacija u današnje doba bilježi eksponencijalni rast. Takva velika količina podataka

predstavlja za većinu korisnika veliki problem u njihovom snalaženju i analizi. Najčešće

analize takvih količina podataka su na niskoj razini apstrakcije i ne pružaju željene

informacije koje bi otkrile uzrok određenog rasta ili pada u nastalim konkluzijama.

Rješenje za navedene probleme možemo pronaći u modelima za analizu sadržaja koji

analiziraju cjelokupni generirani sadržaj i predočavaju razloge rasta ili pada u statistici.

Globalna popularnost društvenih mreža omogućila je pristup osobnim

informacijama i informacijama uvjetovanim ponašanjem korisnika putem inteligentnih

sustava. Inteligentni sustavi metodama određenog modela analize sadržaja rade usporedbe

podataka i vrše prezentaciju rezultata analize. Time je postavljen osnovni temelj analize

sadržaja prema unaprijed odabranom modelu. Model analize sadržaja predstavlja pouzdanu

i činjeničnu informaciju jer se analiza temelji na verificiranim i pouzdanim metodama

modela.

U završnome radu analiziran je i implementiran sustav za analizu brandova na

društvenoj mreži Facebook. Analiza brandova na društvenoj mreži temelji se na djelovanju

korisnika i njihove interakcije sa stranicama brandova na društvenoj mreži Facebook.

Implementirani model u završnom radu temelji se na kvalitativnoj analizi sadržaja koja

uključuje bilo koju vrstu analize gdje je sadržaj kategoriziran i klasificiran.

U poglavljima 1 i 2 opisana je analiza sadržaja, vrste analize sadržaja i metode analize

sadržaja na društvenim mrežama. U poglavlju 3 su opisani svi izvori društvenih podataka i

načini korištenja istih prilikom izrade završnog rada. U poglavlju 4 opisana je implementacija

sustava za preporuku i primjer korištenja implementirane aplikacije Brands. Opisani su i

implementirani modeli za analizu sadržaja koji koriste opisane izvore podataka. Rad završava

zaključkom i najavom mogućih budućih istraživanja.

4

1. Analiza sadržaja

Analiza sadržaja je metoda temeljena na društvenim znanostima koja služi za

proučavanje svrhe, učinke i utjecaje komunikacije, međudruštvene integracije i

degradacije, predikcije pojedinih djelovanja i služi za sustavnu reprezentaciju prikupljenih

podataka. Američki sociolog Earl Babbie [1] definirao je analizu kao učenje o zabilježenim

ljudskim komunikacijama kao što su knjige, web stranice, slike i zakoni. Potpuniju

definiciju analize sadržaja iznio je akademik Ole Holsti [2] koji analizu definira kao bilo

koji način za izradu zaključaka tako da objektivno i sustavno identificira određena obilježja

poruke. Analiza sadržaja smatra se također školskom metodologijom u društvima kod

kojih su tekstovi proučavani prema autorstvu, autentičnosti i značenju. U samim počecima

analiza se smatrala metodologijom za pobijanje hipoteza. Time je postala poznata kao

tehnika analize sadržaja. Ona omogućuje uključivanje velikih količina tekstualnih

informacija (npr. objava na Facebook stranicama) i sistematično identificiranje njegovih

karakteristika (npr. frekvencija pojavljivanja nekih ključnih riječi, kao ime pojedine osobe,

u objavama na stranicama Facebooka).

Od 1980-tih [3] analiza sadržaja postala je važan alat u procjeni medijskih profila.

Time je analiza sadržaja element medijske procjene ili medijske analize. U analizama ovih

kategorija, podaci iz analize sadržaja obično su kombinirani s medijskim podacima (npr.

broj obožavatelja, broj likeova, broj objava, broj gledatelja ...). Također je korištena za

predviđanje i identificiranje trendova. S gledišta procjene, analiza sadržaja je

kvaziprocjeniteljska, jer odluke analize sadržaja ne moraju se bazirati na vrijednosti izjava,

ako subjekt istraživanja u prvi plan stavlja subjektivne doživljaje (npr. da li nam se sviđa

stranica branda na Facebooku). Dakle, mogu biti temeljene na znanju svakodnevno

proživljenih iskustava. Takvu analizu sadržaja ne smatramo procjeniteljskom. Odluke

analize sadržaja temeljene na vrijednostima, kao što su studije, su procjeniteljske (npr.

znanstveno utemeljen model za analizu sadržaja prikupljenih s Facebook-brands stranica1).

1 Facebook-brands stranica – stranica profila branda na Facebooku, primjer:

https://www.facebook.com/Konzum

5

Napraviti zaključke o

prethodnicima

komunikacije

Opisati i napraviti zaključke

o karakteristikama

komunikacije

Napraviti zaključke o

učincima komunikacije

Kategorije analize sadržaja

1.1. Primjena analize sadržaja

Prema akademiku Ole Holstiu [2] postoje petnaest osnovnih primjena analize

sadržaja unutar društvene domene, uključujući i društvene mreže. Sve primjene svrstao je u

kontekst osnovne komunikacijske paradigme. Prema tome sve primjene analize sadržaja

možemo svrstati u tri osnovne kategorije:

napraviti zaključke o prethodnicima komunikacije;

opisati i napraviti zaključke o karakteristikama komunikacije;

napraviti zaključke o učincima komunikacije.

Zbog niske razine apstrakcije pojedine primjene analize sadržaja mogu biti unutar više

kategorija istovremeno (Slika 1).

Sljedeća tablica prikazuje primjene analize sadržaja u smislu njihove opće namjene,

elemenata komunikacijske paradigme na koju se primjenjuju i osnovnog pitanja na koje se

namjeravalo odgovoriti (Tabela 1).

Slika 1: Kategorije analize sadržaja

6

Tabela 1. Svrha korištenja analize sadržaja, komunikacijski element i pitanje.

Svrha korištenja analize sadržaja, komunikacijski element i pitanje

Svrha Element Pitanje Korištenje

Napraviti

zaključke o

prethodnicima

komunikacije

Izvor Tko? Odgovoriti na pitanja osporavanih

autorstva

Proces

kodiranja

Zašto? Osigurati vojne i obavještajne službe

Analizirati utjecaje individualaca

Izvoditi zaključke o kulturnim

aspektima i promjenama

Pružiti legalne i procjenjive dokaze

Opisati i napraviti

zaključke o

karakteristikama

komunikacije

Kanal Kako? Analizirati tehnike uvjeravanja

Analizirati stil

Poruka Što? Pisati trendove u sadržaju

komunikacije

Povezati poznate karakteristike izvora

sa porukama koje oni stvaraju

Usporediti sadržaj komunikacije sa

standardima

Primatelj Kome? Povezati poznate karakteristike

publike sa porukama stvorenim za nju

Opisati uzorke komunikacije

Napraviti

zaključke o

učincima

komunikacije

Proces

dekodiranja

S kojim

efektom?

Izmjeriti čitljivost

Analizirati tijek informacija

Ocijeniti odgovore komunikacije

7

1.2. Proces analize sadržaja

U počecima, koristeći prve novine krajem 19. stoljeća, analiza sadržaja radila se

ručno, mjerenjem broja linija i dodijeljenoj količini medijskog prostora pojedinom

predmetu. Razvojem računalnih tehnologija, najviše osobnih računala, popularnost

računalnih metoda temeljenih na analizi je u eksponencijalnom porastu. Time svi sadržaji

komunikacije u strojno čitljivom obliku mogu postati objekti sustavne analize tekstualnih

podataka. Samim time sav sadržaj generiran od strane korisnika u strojno čitljivom obliku

može biti sustavno analiziran sa bilo kojom metodom analize sadržaja.

Kod procesa analize sadržaja bitno je razlikovati stvarno i latentno značenje riječi,

rečenica ili samih dijelova tekstova. Sadržaj generiran od strane autora ili govornika

predstavlja njegov „manifest“ [3]. Manifest opisuje što je definitivno napisano, dok

latentno značenje predstavlja što je autor želio reći, odnosno napisati. Latentno značenje

predstavlja rizik kod analize sadržaja jer ne predstavlja činjenično, već fiktivno stanje koje

nama nije dostupno. Zbog toga analize sadržaja mogu biti primijenjene samo na manifesni

sadržaj: riječi, rečenice i dijelove teksta.

Na sljedećoj slici (Slika 2) možemo vidjeti primjer obmane manifestom. Naftne

kompanije su iznijele manifest o ograničenosti nafte u što nisu bili sigurni (najnovije

studije upravo pokazuju neograničenost nafte). Ipak analitičari u ekonomiji uzeli su samo

manifest o ograničenosti nafte (izneseno činjenično stanje), te je time cijena barela nafte

120 dolara, a ne realnih 70-75 dolara [4].

Možda neće

nestati.

Manifest

Nafte ima u

ograničenim

količinama.

Analiza

ANALIZA

Analiza

Slika 2: Manifesno i latentno značenje podataka u analizi sadržaja

8

Također iznimno važno kod procesa analize sadržaja je obraćanje pozornosti na

šest osnovnih pitanja analize [3]:

Koji podaci su analizirani?

Kako su definirani?

Koji je uzorak populacije iz koje su oni izvučeni?

U kojem su kontekstu analizirani ti podaci?

Koje su granice analize?

Koji je cilj zaključaka?

Na primjeru društvene mreže Facebook, podaci koji će biti analizirani su dijeljenja

informacije između korisnika koji su definirani preko korisničkog profila ili „fan page“

stranica. Uzorak populacije se može ograničavati na brandove pojedine države. Kontekst

analize podataka može biti rangiranje brandova na društvenoj mreži Facebook po

unaprijed određenim parametrima. Granice analize određuje količina podataka koji su

dostupni. Cilj zaključaka je ispis rangiranih brandova na društvenoj mreži Facebook.

1.3. Pouzdanost u analizi sadržaja

Pouzdanost u bilo kojem obliku istraživanja je stupanj točnosti analize rezultata

koji se dobivaju nizom mjerenja. Svojstva pouzdanosti u analizi sadržaja su dosljednost i

ponovljivost. Neke vrste pouzdanosti su [3] :

unutarnje vrednovanje

o različite skupine ispitanika, ali isti test;

ponavljajući testovi

o ista skupina ispitanika je ispitivana u različitim vremenskim trenucima;

paralelni oblici

o različite skupine ispitanika u istim vremenskim trenucima pristupaju

istom testu;

unutarnja dosljednost

o postavljaju se različito oblikovana pitanja sa istim značenjem.

9

2. Analiza sadržaja na društvenim mrežama

Društvene mreže predstavljaju pristupačni internetski servis koji istovremeno

uključuje i tehnologiju i društvenu interaktivnost. Najčešće su zasnovane na internetskim i

pokretnim tehnologijama.

Društvene mreže osim međusobne povezanosti između više korisnika imaju svoju

ulogu u marketingu i promociji [3]. Marketing i promocija su noviji termini na društvenim

mrežama koji iz dana u dan dobivaju sve veći značaj. Mjerenje uspješnosti učinaka

marketinga i promocije vrši se upravo analizom sadržaja na društvenim mrežama. Bitan

čimbenik koji utječe na uspješnost učinaka marketinga i promocije je društveni utjecaj.

Društveni utjecaj definiran je sa četiri elemenata [3] koji su prikazani na slici (Slika 3):

Izvori;

Konverzije;

Stranice;

Dodaci za društvene mreže.

Izvori

Stranice Konverzije

Dodaci za društvene

mreže

Društveni

utjecaj

Slika 3: Elementi društvenog utjecaja na društvenim mrežama

10

Izvori predstavljaju cjelokupni sadržaj generiran na društvenim mrežama. Pri čemu

izvorom se ne smatra sadržaj koji nije dostupan drugim korisnicima. Sadržaj se međusobno

razlikuje po tipu i po značenju. Tipovi sadržaja mogu biti: video, slika, audio i običan

tekst. Sadržaj po svojoj semantici postaje jedinstveni između ostalih sadržaja, a određuje

samu informaciju i njezinu primjenu.

Konverzije predstavljaju interakcije na društvenim mrežama. Interakcije mogu biti

između korisnika preko međusobne komunikacije ili preko dijeljenja sadržaja jedne

društvene mreže u drugoj društvenoj mreži. Mjerenjem tog prometa može se steći bolji

uvid u društveni utjecaj na društvenim mrežama.

Stranice predstavljaju mjesta na društvenim mrežama na kojima korisnici u sve

većoj mjeri stupaju u interakciju sa sadržajem, dijele ga i raspravljaju o njemu. Ako

uzmemo na primjer Facebook tada postoje tri vrste stranica na kojima korisnici dolaze u

interakciju sa sadržajem:

korisnički profil (Slika 5);

fan page stranice (Slika 6);

naslovna stranica (Slika 7).

Dodaci za društvene mreže predstavljaju dodatne mogućnosti koje nude društvene

mreže. Ponuđene dodatne mogućnosti imaju za cilj olakšati dijeljenje sadržaja sa drugih

internetskih lokacija na društvenu mrežu ili obratno. Kao primjer možemo uzeti Googleov

gumb „+1“ (Slika 4) koji označava dijeljene sadržaja sa drugih internetskih lokacija na

društvenu mrežu Google+.

Slika 4: Google +1 tipka za dijeljenje sadržaja

11

Slika 5: Stranica profila na društvenoj mreži Facebook

Slika 6: Stranica branda na društvenoj mreži Facebook

12

Slika 7: Naslovna stranica društvene mreže Facebook

13

2.1. Metode analize sadržaja na društvenim mrežama

Analiza sadržaja na društvenim mrežama usko je vezana uz znanstvenu disciplinu

ekonometrije. Ekonometrija je relativno mlada grana ekonomske znanosti koja se

intenzivnije počinje razvijati tridesetih godina prošlog stoljeća [5].

Cilj metodologije ekonometrijskih istraživanja je, u biti, povezivanje ekonomske

teorije i stvarnih podataka, koristeći teoriju i tehnike inferencijalne statistike kao spone

između njih. Ekonometrija se može definirati kao društvena znanost u kojoj se

instrumentarij ekonomske teorije, matematike i inferencijalne statistike primjenjuje u

analizi ekonomskih fenomena.

Ekonometrija se razlikuje od matematičke ekonomije koja se bavi kvantitativnim

utemeljenjem ekonomske teorije i proučavanjem odnosa između ekonomskih varijabli i pri

tome koristi suvremeni matematički aparat i jezik. Matematička ekonomija ne traži

verifikaciju konkretnim empirijskim mjerenjem, ocjenjivanjem i testiranjem parametara u

relacijama koje definira. Verifikaciju parametra u definiranim relacijama traži upravo

ekonometrija. To znači da se ekonometrija oslanja na matematičku ekonomiju pri

specifikaciji relacija, ali joj je osnovni cilj mjerenje, ocjenjivanje i testiranje relacija na

temelju stvarnih opažanja.

Ekonometrija zapravo vrednuje u kojoj mjeri je ekonomska teorija konzistentna sa

stvarnim podacima. Omogućuje dublje promicanje u bit stvarnih pojava i procesa, a

vrednovane ekonometrijske relacije i modeli mogu poslužiti za definiranje ekonomskih

parametara potrebnih za predviđanje tendencija budućih kretanja vrijednosti međusobno

ovisnih ekonomskih varijabli. Ako u svojoj analizi uključuje sredstva i rezultate

istraživanja teorijske ekonometrije tada prerasta u primijenjenu ekonometriju. Primijenjena

ekonometrija koristi ekonometrijske metode u istraživanjima primijenjenim u okvirima

određenih ekonomskih područja. Neke od ekonometrijskih metoda su:

Regresija;

Višestruka regresija;

Faktorska analiza;

Složena analiza varijanci.

14

2.2. Regresija

Regresijska analiza je najčešće korištena metodologija u ekonometriji, a bavi se

opisivanjem ovisnosti jedne varijable o jednoj ili više drugih varijabli. Varijabla od

primarnog interesa, čije se varijacije objašnjavaju pomoću varijacija drugih varijabli,

naziva se zavisnom (regresand) varijablom, a varijable kojima se objašnjavaju varijacije

zavisne varijable nazivaju se nezavisnim (regresorskim) varijablama [6].

Model kojim se izražava stohastička (statistička) povezanost između zavisne

varijable i odabranog skupa nezavisnih varijabli je regresijski model. Pod regresijskim

modelom podrazumijevana klasa stohastičkih modela izraženih jednom jednadžbom u

kojima je zavisna varijabla 'y' predočena kao linearna ili nelinearna funkcija varijabli X1,

X2, ... , Xk.

Stohastička povezanost između 'y' i X1, X2, ... , Xk karakterizirana je time da za

svaki vektor opaženih vrijednosti nezavisnih varijabli [Xi1, Xi2, ... , Xik] postoji distribucija

vrijednosti zavisne varijable. Da bi se taj odnos formalno opisao, u model se uvodi slučajna

varijabla ili greška relacije koja se zbraja ili množi s funkcionalnim dijelom modela [5]:

y = f(X1, X2, ... , Xk) + ε, y = f(X1, X2, ... , Xk) * ε. (2.2.1)

Varijabla 'y' naziva se regresand, endogena ili na primjer output varijabla, dok se varijable

s desne strane jednakosti X1, X2, ... , Xk nazivaju još i regresorskim, egzogenim ili na

primjer input varijablama. Varijabla ε je slučajna varijabla koja daje odabranom modelu

stohastički karakter.

Model jednostavne linearne regresije izražena je stohastička linearna veza između

zavisne varijable 'y' i nezavisne varijable 'x' , koja se može formalno opisati izrazom:

y = f(x) + ε. (2.2.2)

U (2.2.2) f(x) je linearna funkcija varijable 'x', tj.:

f(x) = β0 + β1x (2.2.3)

pri čemu su β0 i β1 nepoznati parametri. β1 opisuje marginalni utjecaj varijable x na zavisnu

varijablu y, odnosno β1 je apsolutna promjena varijable y uzorkovana apsolutnim

jediničnim porastom varijable x. ε je vektor slučajnih varijabli koje još nazivamo greškama

relacije (eng. error term).

15

Zadatak regresijske analize je da se pronađu procjene nepoznatih parametara

(procjena vektora β) i procjena nepoznate varijance σ2 slučajnih varijabli εi. Za

određivanje procjena pretpostavka o normalnosti distribucije slučajnog vektora nije bitna.

Ta je pretpostavka važna u kasnijim koracima analize kako bi se odredila distribucija

procjenitelja i proveli postupci testiranja hipoteze o modelu.

Za određivanje nepoznatih parametara koriste se različite metode. Najčešće

korištene metode su:

metoda najmanjih kvadrata;

metoda momenata;

metoda najveće vjerodostojnosti.

U narednom primjeru bit će opisana metoda najmanjih kvadrata koja je najčešće

upotrebljavana metoda za procjenu nepoznatih parametara u modelima regresije.

Primjer 2.1

Analizira se prolaznost predmeta Vjerojatnost i statistika na Fakultetu

elektrotehnike i računarstva u ovisnosti o prosječnom broju sati samostalnog učenja

gradiva svih studenata. Podaci se odnose na raspon učenja od jednog sata, pa sve do 7

sati koliko je i preporučeno prema broju ECTS bodova. Prosječan broj sati je

neovisna o bilo kojim drugim parametrima sustava, dok prolaznost predmeta ovisi o

uloženom vremenu učenja gradiva. U Tablici 2 nalaze se podaci za promatrani

primjer regresije. U prvom stupcu je broj sati, u drugome stupcu je ukupna

prolaznost dok u zadnjem retku nalazi se suma pojedinog stupca. Svi navedeni podaci

u Tablici 2 su fiktivni i ne podliježu nikakvoj stvarnoj raspodijeli.

Odabran je model jednostavne linearne regresije. Varijable modela su:

y = prolaznost predmeta za određeni prosječni broj učenja, zavisna

varijabla;

x = prosječan broj sati učenja za predmet Vjerojatnost i statistika, nezavisna

varijabla.

16

Tabela 2: Prosječni broj sati učenja i prolaznost na predmetu Vjerojatnost i statistika

Prosječan broj sati učenja - xi (h) Ukupna prolaznost - yi (%)

1 20

2 35

3 47

4 64

5 75

6 89

7 95

SUMA: 28 330

Prvi korak je računanje vrijednosti regresijskih koeficijenata procijenjenog modela:

y' = β0' + β1'x + ε. (2.2.4)

Za vrijednosti iz tablice dobivene su vrijednosti parametara regresijskog modela:

β1' = 27.71;

β0' = -63.71.

Regresijski koeficijent β1' pokazuje da će se na temelju procijenjenog modela, za

povećanje prosječnog broja sati učenja prolaznost povećati za 27.71%. Konstantni član β0'

rijetko se interpretira u modelu i često ima suvislo značenje. Njegova uloga je povezana s

jednadžbom regresijskog pravca. Naime ako nemamo konstantni član tada pravac uvijek

prolazi kroz središte, što je često nerealna pretpostavka.

17

2.3. Višestruka regresija

Višestruka (multipla) regresija je posebna vrsta osnovne regresije. Kao i osnovna

regresija sa jednom nezavisnom varijablom (regresorom) i višestruka regresija se sastoji od

jedne primarne zavisne varijable (regresand) [6]. Za razliku od osnovne regresije,

višestruka regresija sastoji se od dviju ili više varijabli kojima se objašnjavaju varijacije

zavisne varijable, a nazivaju se nezavisnim varijablama (regresorskim).

Model višestruke regresije temelji se na linearnim vezama između zavisne varijable

y i skupa nezavisnih varijabli xi. Linearni model višestruke regresije je:

y = β0 + β1x1 + β2x2 + ... + βjxj + ... + βkxk + ε. (2.3.1)

U (2.3.1) y je zavisna, regresand, endogena ili output varijabla , a x1, x1, ... , xk su

nezavisne, regresorske, egzogene ili input varijable, β0, β1, ... , βk su nepoznati parametri, a

ε je slučajna varijabla (tzv. greška relacije). Regresijski koeficijenti pokazuju prosječnu

promjenu zavisne varijable u originalnim jedinicama mjere kada odgovarajuća nezavisna

varijabla poraste za jednu jedinicu, uz uvjet da su sve ostale neovisne varijable

neizmijenjene. Najčešća metoda za procjenjivanje regresijskih koeficijenata je metoda

najmanjih kvadrata. Procjenjivanje regresijskih koeficijenata mora prethodno zadovoljavati

nekoliko polaznih pretpostavki za model višestruke regresije:

veza između zavisne varijable i odabranog skupa nezavisnih varijabli je

linearna;

regresorske varijable su nestohastičke, te su stoga nezavisne o greškama

relacije εi, i = 1, ... ,n;

greške relacije su međusobno nezavisne;

varijable xi međusobno su nezavisne.

Za višestruku regresiju s dvije regresorske varijable , tj. za k = 2, linearni model je sljedeći:

y = β0 + β1x1 + β2x2. (2.3.2)

U sljedećem primjeru (Primjer 2) bit će korišten upravo linearni model sa dvije

regresorske varijable. Predstavljani model u primjeru zadovoljava sve navedene

pretpostavke modela višestruke regresije.

18

Primjer 2.2

Predmet regresijske analize je ostvaren promet na društvenoj mreži Facebook u

razdoblju od 2004 do 2012 [15]. Svi podaci u Tablici 3 su fiktivni i nisu povezani sa

mogućom stvarnom raspodjelom. Varijable modela su:

y = ostvareni promet na Facebooku u milijunima, PROMET – zavisna

varijabla;

x1 = broj posjećenosti drugih stranica (drugih korisničkih profila) na

Facebooku , STRANICA – nezavisna varijabla;

x2 = indeks vremena u minutama provedenog na Facebook društvenoj

mreži, IND_TF – nezavisna varijabla.

Podaci su navedeni u Tablici 3.

Tabela 3 : Ostvareni promet na društvenoj mreži Facebook

Godina Stranica Promet IND_TF

2004 12919 2816,625 79,2

2005 12139 2649,857 83,9

2006 11529 2781,05 95,5

2007 11190 2839,454 97

2008 13082 3242,059 100

2009 12725 3428,835 103,8

2010 13364 3736,535 108

2011 12772 3826,388 109,6

2012 12183 3980,57 111,7

Iz navedenih podataka u tablici 3 dobivamo sljedeće regresijske koeficijente :

β0 = -4193,3680;

β1 = 0,2913;

β2 = 38,4687.

19

Procijenjena jednadžba glasi:

y = -4193,3680 + 0,2913x1 + 38,4687x2. (2.3.3)

Prvi regresijski koeficijent koji iznosi 0,2913 govori nam ako se poveća broj posjećenosti

drugih stranica za jedan, a indeks provedenog vremena na Facebooku ostane

nepromijenjen, promet će se u prosjeku povećati za 0,2913 milijuna. Drugi regresijski

koeficijent koji iznosi 38,4687 tumači se kao prosječno povećanje vremena provedenog na

Facebooku za povećanje indeksa IND_TF za jedan, uz pretpostavku da je broj posječenosti

drugih stranica konstantan. Svi podaci predočeni ovdje dobiveni su uvrštavanjem u

program za izračun višestruke regresije eViews 7.2 2 (Slika 8).

Slika 8: eViews 7,2

2eViews 7,2 – statistički program za izračun regresijskih modela (http://www.eviews.com).

20

2.4. Faktorska analiza

Faktorskom se analizom ispituju međuzavisnosti unutar velikog broja varijabli, te

ih se nastoji objasniti pomoću malog broja zajedničkih faktora. Ubraja se u metode

međuzavisnosti, a primjenjuje se [7]:

za redukciju podataka;

za otkrivanje strukture povezanosti među varijablama, odnosno za

klasifikaciju varijabli.

Osnovni cilj faktorske analize je sažeti informacije sadržane u velikom broju

izvornih varijabli u manji broj zajedničkih faktora uz minimalan gubitak informacija, te

postići bolje razumijevanje odnosa među varijablama. Međuodnos varijabli utvrđuje se

korelacijom sa kojom započinje multivarijantna analiza. Povezanost između dviju varijabli

može biti različitog stupnja. Može biti pozitivna i negativna. Stupanj povezanosti se

iskazuje koeficijentom korelacije, a koji se kreću u rasponu od -1 preko 0 do +1. Vrste

korelacija su:

pozitivna korelacija (Slika 9);

negativna korelacija (Slika 9);

savršeno pozitivna korelacija (Slika 10);

savršeno negativna korelacija (Slika 10);

nepostojeća korelacija (Slika 11).

Slika 9: Na desnoj strani je prikaz pozitivne, a na lijevoj strani negativne korelacije

21

Slika 10: Desno je prikazana savršeno pozitivna, a na lijevoj savršeno negativna korelacija

Slika 11: Nema korelacije (nepostojeća korelacija)

Jedna od osnovnih pretpostavki za primjenu faktorske analize je mjerenje podataka

na intervalnoj skali. No u empirijskim se istraživanjima često javlja problem mjerenja

varijabli, na primjer različite izjave ispitanika, njihova mišljenja, stavovi i slično. Problem

se u takvim slučajevima rješava traženjem od ispitanika da na skali od npr. 1 do 7 procjene

svaku navedenu izjavu, pri čemu 1 bi označavalo „uopće se ne slažem se s navedenom

izjavom“, a 7 „izrazito se slažem s navedenom izjavom“. Ovakva skala je ordinalna, ali

ipak se može smatrati intervalnom ako se polazi od pretpostavke da su intervali na skali

jednaki. Empirijska istraživanja često koriste ordinalne skale, ali prikupljeni podaci

analiziraju se na način kao da su prikupljeni na intervalnoj skali.

22

2.5. Složena analiza varijacije

Složena analiza varijance je statistički postupak koji se primjenjuje u onim

slučajevima kada uspoređujemo rezultate više zavisnih varijabli unutar više nezavisnih

varijabli koje imaju različite razine ili kategorije. Postoje dva osnovna tipa analize

varijance [9] :

osnovna analiza varijance;

složena analiza varijance.

Jednostavna analiza varijance ima samo jednu zavisnu varijablu koja se promatra u

definiranom modelu. Za razliku od osnovne, složena analiza varijance promatra utjecaj

većeg broja nezavisnih varijabli na zavisnu. Osim toga gledamo i međudjelovanje

(interakciju) između većeg broja zavisnih varijabli.

U slučaju kada se podaci mogu podijeliti duž dvije različite dimenzije (faktora),

složena (dvofaktorska) analiza varijacije daje nam odgovor na tri pitanja:

1) Postoji li statistički značajan utjecaj prvoga faktora na zavisnu varijablu

(zanemarujemo mogući utjecaj drugoga faktora)?

2) Postoji li statistički značajan utjecaj drugoga faktora na zavisnu varijablu

(zanemarujemo utjecaj prvoga faktora)?

3) Postoji li statistički značajna interakcija između promatrana dva faktora, tj.

utječu li „istovremene“ promjene u oba faktora statistički značajno na

promjene zavisne varijable?

Primjer 2.3

U tablici su zadani podaci o utjecaju konzumiranja čokolade na broj bodova na testu

iz matematike (16 ispitanika). Ispitanici su na temelju dviju dimenzija (spol: muški i

ženski; količina konzumirane čokolade sate vremena prije pisanja testa) podijeljeni u

4 jednakobrojne grupe. Treba odgovoriti na sljedeća pitanja:

1) Postoji li statistički značajan utjecaj konzumirane čokolade na sposobnost

rješavanja matematičkih zadataka (zanemarujući spol)?

2) Postoji li statistički značajan utjecaj spola na sposobnost rješavanja

matematičkih zadataka (zanemarujući konzumiranu čokoladu)?

23

3) Postoji li statistički značajna interakcija između spola i količine konzumirane

čokolade pri utjecaju na sposobnost rješavanja matematičkih zadataka?

Obrazložite odgovor.

Rješenje:

Rješenje zadatka dobit će se primjenom MS Excela:

1) klikom na Tools odabiremo u padajućem meniju opciju Data Analysis;

2) u dobivenom okviru označavamo proceduru Anova: Two-Factor With

Replication i kliknemo OK.

3) U Input Range upisujemo blok ćelija u kojem se nalaze kvantitativni podaci

koje analiziramo zajedno s naslovnim ćelijama u kojima su upisane

kategorije dva promatrana faktora

4) Pod Rows per sample upisujemo broj redaka u kojima se nalaze podaci o

svakom od uzoraka koje analiziramo.

5) Alpha predstavlja razinu značajnosti (rizika) i u ovom ćemo primjeru mi

uzeti da je ona 0.05.

Vrijednosti ulazne tablice prikazane su u Tablici 4, a rezultat obrade na slici 14.

Tabela 4: Ulazne vrijednosti za analizu varijance

M Ž

100g 40 45

38 42

35 47

42 41

0g 39 30

40 25

38 24

45 20

24

Rezultat obrade dobiven primjenom uređivačkog alata Excel se sastoji od nekoliko

dijelova:

tablica SUMMARY koja sadrži osnovne statističke podatke dobivenih iz tablice;

tablica ANOVA koja sadrži vrijednosti dobivene statističkim izračunima.

Slika 12: Rezultat dobiven s Excelom

Kao rješenje složene analize varijanci uzima se zadnja tablica dobivena u MS

Excelu koja sadrži statističke podatke za analizu. Upravo iz tih podataka dobit ćemo

odgovore na postavljena pitanja.

25

Odgovori:

a) Kao što možemo očitati iz tablice ANOVA (Slika 14) p-vrijednost3 vezana uz

faktor konzumiranja čokolade (pod Sample) iznosi 0,000202. Dakle postoji

statistički značajan utjecaj konzumirane čokolade na sposobnost rješavanja

matematičkih zadataka (zanemarujući spol). Iz deskriptivnih podataka vidimo

da ispitanici koji su sat vremena prije testa pojeli 100g čokolade postižu bolji

rezultat na testu iz matematike od ispitanika koji nisu pojeli čokoladu prije

pisanja testa.

b) Pripadajuća p-vrijednost faktora spola (pod Columns) je 0.006635, što znači

da postoji statistički značajan utjecaj spola na sposobnost rješavanja

matematičkih zadataka (zanemarujući konzumiranu čokoladu). Ispitanici

muškog spola postižu bolje rezultate na testu iz matematike od ispitanika

ženskog spola.

c) P-vrijednost vezana uz interakciju (pod Interaction) iznosi 0.382 * 10-4

.

Zaključujemo da postoji statistički značajna interakcija između spola i

količine konzumirane čokolade pri utjecaju na sposobnost rješavanja

matematičkih zadataka. Ispitanici ženskog spola koji su konzumirali 100g

čokolade sat vremena prije pisanja testa bolje su napisali test od muškaraca

koji su pojeli istu količinu čokolade, dok su žene koje nisu konzumirale

čokoladu znatno gore napisale test iz matematike od muških ispitanika koji

isto nisu konzumirali čokoladu sat vremena prije pisanja testa.

Odgovaranjem na tri osnovna pitanja modela složene analize varijance završava

analiza sadržaja. Daljnja analiza sadržaja temelji se na dobivenim odgovorima. Zbog toga

moramo što konkretnije i točnije razumjeti dobivene statističke podatke u tablici ANOVA.

3 P-vrijednost – određuje prihvaćanje ili odbacivanje hipoteze. Hipoteza se odbacuje u

slučaju kada je vrijednost veća od 0,05, a prihvaća kada je manja. Time je definirana

signifikantnost p-vrijednosti.

26

3. Analiza brandova na društvenoj mreži Facebook

Društvena mreža Facebook osnovana je prije osam godina, no u samome početku

stranice brandova na Facebooku nisu postojale. Facebook-brands stranice javljaju se tek tri

godine kasnije i postigle su veliki uspjeh. Uspjeh Facebook-brands stranica je u uvođenju

poslovnih sustava u društvenu mrežu Facebook. Time Facebook nije namijenjen samo

djeci i studentima za međusobnu interakciju već i za veliki broj poslovnih i financijskih

ustanova. Veliki uspjeh vidio se u povećanju broja korisnika društvene mreže Facebook

koji je nakon tri godine uvođenja brands stranica bio preko 845 milijuna (Slika 13) [14].

3.1. Stranice branda na društvenoj mreži Facebook

Cilj Facebook-brands stranica bio je u povećanju interakcije između korisnika

Facebooka i brandova. Zbog toga velike i male tvrtke počele su stvarati svoje fan-page

stranice kako bi postigle što bolju promociju i što veću interakciju sa svojim fanovima.

Slika 13: Povećanje broja korisnika Facebooka

Broj korisnika

(milijun)

Godina

27

Postavlja se pitanje o učinkovitosti promocije brandova na društvenoj mreži Facebook.

Odgovor na ovo pitanje sadrži tri dijela:

1. Potiče objavljivanje novoga sadržaja i aktivnu interakciju;

2. Pruža bogatiju okolinu za poslovanje;

3. Pruža ozbiljniji uvid u uspješnost poslovanja.

S novim izgledom Facebook stranice (Timeline), stranice branda izgledaju i

ponašaju se kao stranice profila branda [13]. Prije uvođenja Timelina postojao je

Facebook Storefront (Slika 14) koji je bio dostupan kao zasebna usluga dolaskom na

stranicu branda. Putem Storefronta omogućavale su se promocije brandova kroz reklame

[14]. Sada je usluga Storefronta integrirana unutar timelinea (Slika 15). Velika prednost

Storefronta je preglednost sadržaja, no mana je bila slabo stvaranje novog aktivnog

sadržaja, što smanjuje interakciju sa fanovima.

Slika 14: Storefront na društvenoj mreži Facebook

Timeline, koji je nastao 2011. godine, pruža preglednost generiranog sadržaja na

stranicama branda. Osim preglednosti pruža i kategorizaciju sadržaja, tj. odjeljuje sadržaj

generiran od strane fanova i sadržaj generiran od strane branda (Slika 16).

28

Slika 15: Novi Storefront uključen unutar Facebook-Timelinea

Slika 16: Kategorizacija sadržaja na stranici branda

Stranice brandova na društvenoj mreži Facebook daju prodavačima svojih

proizvoda okolinu za predstavljanje i promociju. Prodavači mogu sa novim izgledom

Facebook-brands stranica (Timeline) još više osnažiti prezentaciju svojih proizvoda

fanovima koji su istovremeno potencijalni kupci (Slika 17) [17]. Time stranice branda nisu

više samo stranice za razmjenu sadržaja između branda i fanova već i okolina za uspostavu

poslovnih suradnji i transakcija.

Sadržaj generiran od strane fanova

Sadržaj generiran od strane branda

29

Slika 17: Promocija novih proizvoda na stranicama brandova društvene mreže Facebook

Društvena mreža Facebook nudi svim brandovima statistiku uspješnosti promocije

na Facebook-brand stranicama [12]. U prijašnjoj verziji Facebooka, verzija prije dolaska

timelina, statistika koja je bila namijenjena moderatorima stranica branda na Facebooku,

čekala se do nekoliko dana [9]. Novija verzija Facebooka nudi stvarno-vremensku uslugu

dostave statistika moderatorima stranica branda na Facebooku. Time moderatori mogu

vidjeti uspješnost objava koje su objavili. Pri tome sve objave koje su uspješne prema

dobivenoj statistici mogu postati uz odobrenje moderatora Premium oglas ili samo

popratna sponzorirana priča.

S novim izgledom stranice, kategorizacijom objava, povećanjem generiranja novih

sadržaja, većom integracijom usluga na Facebook-brands stranicama i dostupnosti

podataka omogućena je kvalitetna i kvantitativna analiza sadržaja. Analiza sadržaja koja će

biti provedena uključuje sav kategorizirani sadržaj (slike, objave, statusi, poveznice i

informacije o brandovima) generirane na timelineu stranice branda.

30

3.2. Izvori podataka

Izvori podataka za analizu sadržaja provedenu na društvenoj mreži Facebook

uključuje sve generirane podatke na stranicama brandova. Podaci koji su generirani na

stranici branda su:

objave na zidu („Wall“) (Slika 18);

fotografije (Slika 19);

informacije o brandu (Slika 20).

Slika 18: Zid branda na društvenoj mreži Facebook

Zid branda nudi najviše informacija. Informacije koje se nalaze na zidu su

generirane od strane pristalica branda ili od moderatora stranice branda. Tipovi informacija

koje možemo naći na zidu pojedinog branda su:

statusi ili objave;

fotografije;

video poveznice.

Uvođenjem vremenske crte (Timeline) pojavljuju se novi tipovi koji su nevažni za analizu.

31

Svaku pojedinu objavu korisnik i moderator branda može komentirati ili lajkati.

Time je dostupan broj komentara i lajkova za pojedinu objavu. Upravo ta statistika je

važna za analizu sadržaja. Ovom statistikom možemo mjeriti interakciju između stranice

branda i fanova. Naravno što je veća interakcija između stranice branda i fanova to je veća

popularnost tok branda. Samim time povećava se broj fanova stranice branda. Fenomen

povećanja fanova stranice povećanjem interakcije između fanova i stranice branda može se

pripisati korištenju algoritma za filtriranje objava. Nazivi algoritama su EdgeRank i

GraphRank [10]. EdgeRank i GraphRank su najčešće korišteni algoritmi u društvenim

mrežama za filtriranje velikog broja objava generiranih od korisnika, stranice brandova i

aplikacija. Nama najvažniji algoritam za našu analizu brandova je EdgeRank algoritam koji

odlučuje koje objave smije prikazivati na našoj naslovnoj stranici. Razumijevanje ovog

algoritma može pomoći kod analize povećanja broja pristalica pojedinog branda.

Algoritam svakoj objavi (branda, ostalih korisnika) dodjeljuje vrijednost koja se temelji na:

sklonosti (affinity);

težini (weight) ;

vremenu (time).

Sklonost predstavlja odnos između korisnika i korisnikovog prijatelja ili branda

koji je objavio objavu. Težina predstavlja utjecaj tipa objave, na primjer da li je objavljena

slika ili je samo komentar na drugi status itd. Ova mjera uvodi se zbog stalnog uvođenja

novih medija u Facebook, te se stoga javlja potreba filtriranja prema tipovima objava koje

su zanimljive korisnicima. Treći parametar je vrijeme koje predstavlja koliko dugo je

prošlo od stavljanja objave. Upravo ovaj algoritam je razlog zašto ne vidimo svaku

fotografiju koja se objavi na stranicama brandova koje smo lajkali. Ukoliko je interakcija

između korisnika i stranice branda sve veća tada svaka objava na stranici branda dobiva

sve veću vrijednost sklonosti. Što je veća vrijednost sklonosti to je veća vjerojatnost

prikazivanja te objave na našoj naslovnoj stranici.

Svi podaci na zidu brandova dostupni su preko programskog sučelja koje

predstavlja i razvija Facebook pod imenom Facebook API (Faceboook Aplication

Programming Interface) [16]. Zbog toga moguća je implementacija inteligencije za

analizu sadržaja brandova na društvenoj mreži Facebook.

32

Slika 19: Fotografije na stranici branda

Fotografije na stranicama brandova imaju namjenu povećanja interakcije između

korisnika i branda. Povećanje interakcije moguće je kroz komentiranje, lajkanje slika i

označavanje imena korisnika na slikama. Kroz medij slike brand može pospješiti svoju

prezentaciju i promociju imidža.

Slika 20: Informacije na stranici branda

33

Informacije o brandu (Slika 20) su najmanje značajni dio koji bi mogao povećati

komunikaciju između korisnika i stranice branda. U informacijama se nalaze generičke

osobine samoga branda, a to su:

osnovni podaci

o kada je osnovan brand;

o lokacija branda;

kontakt-informacije

o adresa elektroničke pošte;

o web-stranica;

povijest po godinama;

o brandu;

opis branda.

Podaci i informacije koje su važne za analizu sadržaja provedenu u ovome radu su

podaci sa zida stranice branda. Podaci na zidu stranice branda se razlikuju po tipu, sadržaju

i datumu objave. Primjer djelomičnog dohvaćanja podataka sa zida možemo vidjeti na

ispisu 21 [18].

Ispis 21: Dohvaćanje podataka sa zida stranice branda

34

4. Sustav za analizu brandova na društvenoj mreži

Facebook

Implementacija inteligencije za analizu promocije brandova na društvenoj mreži

Facebook ima za cilj dohvaćanje podataka koji su potrebni za daljnju provedbu analize

sadržaja. Analizom sadržaja dobivamo potrebne zaključke o razlozima povećanja i

smanjenja interakcije između pristalica branda i stranice branda. Sastavni dijelovi

inteligencije su baza podataka koja ima svrhu spremanja podataka za naknadni prikaz u

obliku grafova i za analizu sadržaja, te sustav za dohvaćanje podataka i njihovog

procesiranja. Sve dijelove inteligencije možemo vidjeti na obrascu uporabe sustava za

analizu promocije brandova na društvenoj mreži Facebook (Slika 22).

Slika 22: Obrazac uporabe za analizu promocije brandova na društvenoj mreži Facebook

4.1. Prijava na sustav za analizu brandova

Preduvjet za početak skidanja podataka s Facebooka je prijava na sustav (Slika

23). Korisnik preko implementiranog sučelja unosi svoje korisničko ime i lozinku (Slika

24). Sustav provjerava u našoj bazi podataka ispravnost unesenog korisničkog imena i

lozinke. U slučaju pogrešnog unosa podataka dobivamo poruku o pogrešci. Ako su uneseni

podaci ispravni, dolazimo do obrasca za popunjavanje podataka o brandu (Slika 26).

35

Slika 23: Sekvencijski dijagram za akciju prijave na sustav

Implementirano sučelje za prijavu na sustav za analizu brandova ima svrhu personalizacije

aplikacije. Ovime se osigurava potpuna anonimnost podataka dobivenih analizom branda

na društvenoj mreži Facebook. Korisnik može samo na vlastitu inicijativu objaviti rezultate

analize dobivene implementiranim sustavom za analizu brandova. Sučelje prima

korisničko ime i lozinku administratora branda.

Slika 24: Implementirano sučelje aplikacije brand za prijavu na sustav

Ukoliko se pokušava prijaviti neovlaštena osoba s krivim korisničkim imenom i lozinkom

ili ovlašteni administrator pogriješi kod unosa podataka dobiva poruku o krivom unosu

36

(Slika 25). Korisnik ima mogućnost neograničeno puta pokušati prijaviti se na sustav, to

jest sve dok ne unese ispravno korisničko ime i lozinku.

Slika 25: Ispis pogreške kod prijave na sustav za analizu brandova

4.2. Dohvaćanje podataka s Facebooka

Glavni sudionik je administrator branda. Uspješnom prijavom administrator branda

je preusmjeren na stranicu koja sadrži obrazac za unos podataka o brandu. Postoje dva

načina unosa podataka. Administrator branda može ukoliko su mu poznati podaci:

ID branda na Facebooku;

ime branda;

ime branda dodijeljeno od Facebooka (Facebook name),

unijeti u obrazac prikazan na slici 26. Za primjer uzeli smo podatke o Facebook-brands

stranice Konzum. Unosom svih podataka implementirana web-aplikacija započinje

dohvaćanje podataka s Facebooka. Unos podataka na ovaj način ne zahtjeva unos

poveznice Facebook-brands stranice Konzuma. Drugi način je unos samo URL-a (eng.

Uniform Resource Locator) Facebook-brands stranice (Slika 27).

37

Slika 26: Unos podataka branda u obrazac implementirane web-aplikacije

Slika 27 prikazuje unos URL-a (eng. Uniform Resource Locator) Facebook-brands

stranice Konzuma u obrazac za unos novoga branda. Nakon unosa možemo pritisnuti samo

tipku Enter ili tipku „Spremi“ za dohvaćanje potrebnih podataka o brandu.

Slika 27: Unos linka u obrazac implementirane web-aplikacije

Implementirani sustav prikuplja podatke o brandu s Facebook poslužitelja. Prikupljene

podatke upisuje u nepopunjena polja obrasca za unos novog branda (Slika 28).

38

Slika 28: Popunjena polja obrasca za unos branda putem prethodno predanog linka

U slučaju nemogućnosti obrade poveznice na stranicu branda pristupa se ručnom unosu

podataka. Ako su podaci navedeni u početnom obrascu ispravni započinje spajanje na

poslužitelj društvene mreže Facebook (Slika 29).

Slika 29: Sekvencijski dijagram za dohvaćanje podataka sa poslužitelja Facebook

Ako je uspješno uspostavljena internetska veza s društvenom mrežom Facebook pritiskom

na tipku „Spremi“ započinje dohvaćanje podataka sa zida stranice branda (Slika 29, Slika

39

30). Na sučelju web-aplikacije prikazuje se traka napretka (eng. Progress bar) koja

prikazuje napredak dohvaćanja podataka. Osim trake napretka prikazuje se vrijeme

početka dohvaćanja podataka.

Slika 30: Web-aplikacija započinje dohvaćanje podataka sa Facebook-brands stranice

Brzina dohvaćanja ovisi o brzini internetske veze i brzini obrade zahtjeva na Facebook poslužitelju.

Definirano ograničenje ne utječe na logiku rada sustava, već na iskustvenu kvalitetu korisnika (eng.

Quality of experience). O završetku dohvaćanja podataka dobivamo obavijest preko sučelja web-

aplikacije (Slika 31).

Slika 31: Prikaz obavijesti o uspješnom dohvaćanju podataka s Facebook-brand stranice

40

Postupnim dohvaćanjem podataka započinje ujedno i njihovo procesiranje (Slika 32) koje se sastoji

od:

zbrajanje svih objava koje su generirane tog dana;

zbrajanje svih komentara, lajkova i dijeljenja koji su vezani za sve objave

tog dana;

grupiranje objava po tipovima;

stvaranje statističkih skupova za statističku analizu;

zapisivanje podataka u Excel datoteku.

Tokom procesiranja podataka dohvaćenih sa stranice branda istovremeno se podaci

sustavno spremaju u bazu podataka (Slika 32). Kada su podaci uspješno spremljeni u bazu

podataka pokreće se proces generiranja statistike koja će biti zapisana u obliku Excel

datoteke. Zapisivanje podataka u Excel datoteku provodi se na kraju procesa analize

podataka. Rezultat zapisivanja podataka u Excel datoteku je statistički skup koji se koristi

u definiranim modelima za analizu promocije brandova na društvenoj mreži Facebook.

Slika 32: Sekvencijski dijagram spremanja dohvaćenih podataka u bazu podataka

Nakon uspješnog stvaranja Excel datoteke, datoteka se pohranjuje u repozitorij koji se

nalazi na poslužitelju. Administrator branda može preko sučelja web-aplikacije (unutar

web-preglednika) dobiti popis svih datoteka koje se nalaze u repozitoriju (Slika 33).

Odabirom Excel datoteke određenog branda pokreće se skidanje istoimene datoteke na

računalo administratora branda.

41

Slika 33: Prikaz Excel datoteke u sučelju implementirane web-aplikacije za brand Konzum

Dohvaćanje i procesiranje podataka su dva osnovna procesa koja se izvode u

implementiranom sustavu. Zbog toga implementirani sustav za analizu promocije brandova

na društvenoj mreži Facebook sastoji se od:

algoritma za dohvaćanje podataka sa Facebooka;

algoritma za procesiranje podataka.

Zadnji dio sustava koji se ne implementira je verifikacija sa stranicom Socialnumbers [19].

Služi za provjeru vjerodostojnosti definiranih modela za analizu sadržaja.

4.3. Procesiranje podataka dohvaćenih s Facebooka

Nakon uspješnog dohvaćanja podataka provodi se njihovo procesiranje (Slika 34).

Proces procesiranja podataka dohvaća podatke koji su spremljeni u bazi podataka.

Dohvaćanjem svih potrebnih podataka započinje analiza i provjera ispravnosti podataka.

Analiza podataka analizira broj lajkova, komentara, dijeljenja pojedine objave. Ako imamo

više objava isti dan tada analiza agregira broj lajkova, komentara i dijeljenja svih objava u

jednu podatkovnu strukturu. U toj strukturi podataka zapisan je i broj objava tog dana.

Procesiranjem svih objava od datuma kad je pokrenuto dohvaćanje podataka do 1.11.2011

završava faza analize i započinje zapisivanje i oblikovanje modela za ekonometrijsku

analizu.

42

Slika 34: Sekvencijski dijagram za procesiranje podataka

Faza zapisivanja radi grupiranje podataka po tipu objava i priprema statističke

skupove. Svi pripremljeni statistički skupovi zapisuju se u Excel datoteku. Statistički

skupovi za pojedini tip objave sastoji se od četiri stupaca u kojima su redom zapisani

datum, broj lajkova, komentara, dijeljenja i objava tog dana (Slika 35). Ovakav statistički

skup namijenjen je provedbi jednostrukog ili višestrukog regresijskog modela.

Slika 35: Prikaz statističkog skupa po tipovima objava u Excel datoteci za brand Konzum

. . .

43

Slika 36: Prikaz statističkog skupa za provedbu složene analize varijanci

. . . . . .

. . .

44

Sljedeći statistički skup sastoji se od dva stupca koji redom sadrže broj lajkova i

komentara svih tipova objava (Slika 36). Po recima prvo slijede objave tipa slika, nakon

toga tipa status i na kraju tipa video. Statistički skup koristi se za provedbu modela složene

analize varijanci. Po završetku zapisivanja u Excel datoteku vraća se poruka o uspješnosti

zapisivanja i završetku rada sustava.

4.4. Baza podataka za analizu promocije brandova

Podatke koje sustav sprema i s kojima radi potrebno je spremati na adekvatan

način, stoga koristimo bazu podataka. Ona pohranjuje podatke i povezuje ih na način da se

eliminira redundancija. Podaci koje sustav sprema koriste se kod daljnje analize promocije

brandova. Tablice baze podataka prikazane su u Tablici 5.

Tabela 5: Prikaz baze podataka sustava za analizu promocije brandova

Entitet Atributi Objašnjenje

BRAND IDBrand

Name

Fname

Network

K={IDBrand}

Atribut IDBrand predstavlja

jedinstveni identifikator branda

dodijeljen od strane Facebooka.

Atribut Name predstavlja ime branda,

dok Fname predstavlja ime branda

napisano unutar URL-a (Uniform

Resource Locator). Atribut Network

predstavlja ime mreže u kojoj

proučavamo promociju branda.

BRAND_INFO IDBrand

More_About

About

Likes

Web_Page

Talking_About

K={IDBrand}

Atribut IDbrand jednoznačno

određuje brand. Ostali atributi

predstavljaju informacije dohvaćene

sa Facebook poslužitelja o tom

brandu.

45

Entitet Atributi Objašnjenje

AGREGACIJA IDBrand

Date

Likes

Comment

Share

Post

K={IDBrand}

Atributom IDBrand određujemo

jednoznačno kome pripadaju zapisane

objave. Sve objave, svih tipova,

pojedinog dana su agregirane u ovoj

tablici. Atributom Date označavamo

datum dana za koji su agregirane sve

objave tog dana. Atributi Likes,

Comment i Share predstavljaju ukupni

broj lajkova, komentara i dijeljenja

tog dana.

VIDEO IDBrand

Date

Likes

Comment

Share

Post

K={IDBrand}

Tablica VIDEO predstavlja broj

lajkova, komentara i dijeljenja svih

objava tipa video agregiranih po danu.

PHOTO IDBrand

Date

Likes

Comment

Share

Post

K={IDBrand}

Tablica PHOTO predstavlja broj

lajkova, komentara i dijeljenja svih

objava tipa video agregiranih po danu.

46

Entitet Atributi Objašnjenje

LINK IDBrand

Date

Likes

Comment

Share

Post

K={IDBrand}

Tablica LINK predstavlja broj

lajkova, komentara i dijeljenja svih

objava tipa video agregiranih po danu.

STATUS IDBrand

Date

Likes

Comment

Share

Post

K={IDBrand}

Tablica STATUS predstavlja broj

lajkova, komentara i dijeljenja svih

objava tipa video agregiranih po danu.

Ovakva relacijska shema baze podataka je u normaliziranom obliku. Uklonjena je

redundancija – anomalije unosa, izmjene i brisanja te neracionalno korištenje prostora za

pohranu. Omogućena je analiza promocije brandova na drugim društvenim mrežama.

Osigurana je skalabilnost sustava povećanjem broja brandova i spremanja novih podataka

za analizu. Podaci o pojedinim tipovima objava međusobno se ne isprepliću. Time je

postignuta podatkovna apstrakcija koja je korisna za međusobne usporedbe podataka.

47

4.5. Model analize brandova na društvenoj mreži

Facebook

Model analize promocije brandova na društvenoj mreži Facebook provodi se nad

dobivenom Excel datotekom pomoću metoda temeljenih na linearnoj regresiji. Strukturalni

opis Excel datoteke nalazi se u poglavlju 4.3. Sustavnim proučavanjem podataka dobivenih

sa zidova na stranicama Facebooka ustanovljena je mogućnost stvaranja potpuno

pouzdanog modela za analizu promocije brandova. Model koji je implementiran i proveden

u ovoj analizi temelji se na regresiji. Vrijednost korelacijskog koeficijenta

implementiranog modela približno je jednak jedinici. Što je vrijednost korelacijskog

koeficijenta približno jednaka jedinici to je model bolje reprezentativan i pouzdaniji za

daljnju analizu. Kao rezultat implementiranih modela je maksimalno povećanje interakcije

između stranica brandova i pristalica brandova. Dobiveni rezultati su temelj za daljnje

proučavanje promocije brandova na društvenoj mreži Facebook. Implementirani modeli

su:

Regresijski model

o regresijski model za objavu tipa slike;

o regresijski model za objavu tipa video poveznice;

o regresijski model za objavu tipa status;

o regresijski model za objavu tipa poveznice;

o regresijski model za sve vrste objava (agregirane objave);

Model za složenu analizu varijanci

o ovisnost između objava tipa:

status;

video;

slika;

o ovisnost između broja lajkova i broja komentara.

Navedeni modeli biti će objašnjeni u sljedećim poglavljima na primjeru branda

Konzum. Za svaki model biti će prikazana rješenja koja su dobivena implementacijom

sustava za promociju brandova. Svako rješenje biti će analizirano i prokomentirano.

48

4.5.1. Regresijska analiza za promociju brandova na društvenoj

mreži Facebook

Regresijski model temeljen na metodama linearne regresije provodi se nad skupom

podataka dobivenih od svih objava objavljenih do datuma 1.11.2011 za brand Konzum.

Ovaj datum je odabran iz potrebe za što većim skupom podataka. Prema zakonima

statistike što je veći skup podataka modaliteta, to su rezultati statistike više vjerodostojniji.

Kod povećanog modaliteta podataka u statistici pristupa se postupku grupiranja podataka.

U svim prethodno navedenim regresijskim modelima podaci su grupirani prema tipovima

objava. Kod svakog tipa objave gleda se broj:

komentara;

lajkova;

dijeljenja objave drugim korisnicima.

Objave svih tipova generirane na zidovima brandova podliježu nelinearnim

vjerojatnostima generiranja novog sadržaja na Facebooku, što nas dovodi do problema

prevelikog skupa podataka za samo jedan dan. Zbog toga podaci o objavama grupiraju se

po danu. Svaka vrsta objave dobiva svoju vlastitu tablicu u koju se uz broj komentara,

lajkova i dijeljenja dopisuju datum generiranja objave i broj objava generiranih tog dana.

Prikaz konačnog rješenja skupa podataka za regresijsku analizu branda Konzum prikazan

je na slici 37.

Slika 37: Prikaz statističkog skupa za regresijsku analizu

1

. . .

49

Statistički skup za regresijsku analizu generiran je i spremljen u obliku Excel

dokumenta. Generiranje i opis Excel dokumenta dano je u poglavlju 4.3. Svaki pojedini

redak u Excel datoteci (Slika 37, dio 1) označava ukupni broj lajkova, komentara,

dijeljenja i objava pojedinog dana koji je označen datumom. Excel je uređivački alat koji

nudi alate za analizu podataka koji su sadržani u samome dokumentu. Jedina mana

uređivačkog alata Excel je nepodržana podrška za višestruku regresiju. Višestruka

regresija je moguća nad generiranim statističkim skupom podataka. Ipak postoje drugi

uređivački alati kao što su eViews koji ima podršku za izračunavanje višestruke regresije.

Metode analize sadržaja koje su nama važne a podržane su uređivačkim alatom Excel su:

Jednostruka linearna regresija;

Složena analiza varijanci

Cilj jednostruke linearne regresije u našem modelu je pokazati zavisnost između

broja objava koji su generirani u jednome danu i broja komentara ili broja lajkova ili broja

dijeljenja sadržaja. Rezultat regresijske analize trebao bi pokazati vrstu objave koju mora

moderator stranice branda generirati kako bi se interakcija između pristalica branda i

stranice branda povećavala. Interakcija pristalica i stranice branda predstavljena je kroz

broj komentara, lajkova i dijeljenja sadržaja pojedine objave (Slika 37, dio 1).

Statistički podaci grupirani su po vrsti objava na (Slika 38 ):

slike;

video;

poveznica ;

status;

agregirano.

Slika 38: Prikaz grupiranja objava po tipovima za brand Konzum

. . .

50

Razlog grupiranja sadržaja po vrstama objava je dobivanje regresijskog koeficijenta

rasta interakcije po objavi određenog tipa. Ako provodimo regresiju za objavu tipa

(regresijski model za objave tipa video) video stranice branda Konzum između zavisne

varijable (regresand) like koja predstavlja broj lajkova određenog dana i nezavisna

varijabla (regresor) post koja predstavlja broj objava tog tipa određenog dana. Rezultat

regresijske analize prikazan je na slici 39.

Slika 39: Prikaz rezultata regresije za objave tipa video

Na slici 39 dio 1 predstavlja vrijednosti koeficijenata (β) regresije u izrazu 2.2.3. Prvi

koeficijent β0 iz izraza 2.2.3 u ovome primjeru iznosi 1,55, dok β1 iz izraza 2.2.3 iznosi

43,82. Prema izrazu 2.2.3 pravac regresije je sljedeći:

Like = 1,55 + 43,82*Post.

Dio 2 na slici 39 predstavlja tablicu predviđenih vrijednosti broja lajkova (predicted Like) i

odstupanja od stvarne vrijednosti (Residuals). Ako promatramo slučaj pod rednim brojem

1 vidimo da je predviđeni broj lajkova za ni jednu objavu jednak 1,55 (zaokruženo na 2).

Naravno ovo je pogrešno dobivena vrijednost jer ne može se lajkati ukoliko objava ne

postoji. Upravo zbog toga vrijednost β0 se u regresijskim analizama odbacuje. Prema tome

stvarna vrijednost regresijskog pravca je sljedeća:

Like = 43,82*Post. (4.5.1.1)

2

1

3

51

Primjenom regresijskog pravca 4.5.1.1 bez koeficijenta β0 dobivamo preciznije predikcije

broja lajkova za svaku objavu. Na slici 40 je prikazana ispravna tablica vrijednosti

predviđenog broja objava i vrijednosti odstupanja od stvarne vrijednosti.

Slika 40: Prikaz tablice predviđenih vrijednosti broja lajkova za objave tipa video branda Konzum

U 3. dijelu slike 39 prikazane su p-vrijednosti za pojedini koeficijent. Ako su p-vrijednosti

manje od 0,05 tada je iznos koeficijenta dobiven regresijom pouzdan. U suprotnom ako je

p-vrijednost puno veća od 0,05 tada su vrijednosti dobivene regresijom nepouzdane.

Korelacijski koeficijent dobiven analizom približno je jednak jedinici i prema tome

. . .

52

zaključujemo da je provedena analiza reprezentativna i pouzdana. Vrijednost korelacijskog

koeficijenta može se vidjeti na slici 41 [11] :

Slika 41: Prikaz vrijednosti regresijskog koeficijenta

Rezultat provedene regresije je rast broja lajkova po povećanju broja objava.

Dobiveni koeficijent regresije βlike iznosi približno 44 (43,82). Koeficijent predstavlja

nagib linearnog regresijskog pravca iz izraza 2.2.3 kojeg možemo vidjeti na slici 42.

Koeficijent βlike tumači se kao povećanje broja interakcija između Facebook-brands

stranice Konzum i pristalica branda za 16 interakcija generiranjem jedne objave.

Generiranjem dviju objava dogodit će se 32 interakcije.

Slika 42: Prikaz linearnog regresijskog pravca

Analogno izračunavanju koeficijenta βlike izračunavamo koeficijente βcomment i βshare.

Βcomment predstavlja ovisnost broja objava i komentara, a βshare predstavlja ovisnost broja

objava i dijeljenja. Ukupno maksimalno povećanje interakcije po objavi tipa video za

brand Konzum dobivamo zbrajanjem svih dobivenih koeficijenata. Formula za

izračunavanje ukupne maksimalne interakcije po objavi je:

MAX = βlike + βcomment + βshare. (4.5.1.2)

Koeficijent MAX dobiven regresijom predstavlja maksimalno statističko povećanje

interakcije za objavljenu objavu, bez obzira na vrstu interakcije.

53

4.5.2. Složena analiza varijacije promocije brandova na

društvenoj mreži Facebook

Model složene analize varijanci uklanja nedostatak regresijskog modela.

Nedostatak regresijskog modela je nemogućnost usporedbe skupova podataka koji su

međusobno zavisni. Taj nedostatak možemo uočiti u bitnom smanjenju koeficijenta

regresije koji je približno jednak nuli. Takav regresijski model je statistički neprihvatljiv. U

tom slučaju moramo pokušati analizirati podatke sa drugom metodom. Glavna odlika

modela složene analize varijanci je prikazati međusobni utjecaj i interakciju između većeg

broja zavisnih varijabli. Broj lajkova, komentara i dijeljenja međusobno su zavisni (npr.

kada nam se neka objava svidi najčešće uz komentiranje objave dolazi i do lajkanja iste

objave, a u najboljem slučaju i do njenog dijeljenja) u odnosu na tipove objava koji nisu.

Kroz modele složene analize varijanci prikazat ćemo ovisnost povećanja interakcije

između pristalica i stranice branda Konzum o tipu generirane objave. Prikazat ćemo ujedno

i ovisnost između povećanja broja lajkova i broja komentara. Za svaki navedeni model

postojat će generirane tablice sa skupom podataka za provedbu statistike.

Naziv tablice u kojoj se nalazi statistički skup podataka za složenu analizu varijanci

je „Model“ (Slika 43). Statistički skup sadržan u toj tablici uključuje oba navedena modela

složene analize varijanci. Stupci tablice sastoje se od broja lajkova i komentara dobivenih

sa stranica branda Konzum. U recima tablice navedeni su tipovi objava na koje se odnosi

određeni broj lajkova i komentara. Ovakav oblik tablice (Slika 43) je obavezan jer u

suprotnom nećemo moći provesti složenu analizu varijanci.

Pitanja na koje naš model mora odgovoriti su sljedeća:

1. Postoji li statistički značajan utjecaj tipa objave na povećanje interakcije

(zanemarujemo tip interakcije)?

2. Postoji li statistički značajan utjecaj tipa interakcije na povećanje interakcije

(zanemarujemo tip objave)?

3. Postoji li statistički značajna povezanost između tipa objave i tipa

interakcije pri utjecaju na povećanje interakcije?

Zbog ograničenja u uređivačkom alatu Excel možemo proučavati odnos između samo dvije

vrste interakcija i istovremeno samo sa dvije vrste objava. Statistički skup sadrži sve vrste

objava sa ciljem mogućnosti odabira dviju vrsta objava za koje želimo provesti analizu.

54

Slika 43: Prikaz tablice za izračun složene analize varijanci

. . . . . .

. . .

55

Za primjer uzet ćemo objave tipa slika i video Facebook-brands stranice Konzum.

Rješenje dobiveno uređivačkim alatom Excel za složenu analizu varijance prikazano je na

slici 44.

Slika 44: Prikaz rješenja složene analiza varijanci za brand Konzum

Rezultat dobiven sa uređivačkim alatom Excel sastoji se od nekoliko dijelova. Prvi dio

predstavlja općenite informacije za skupove podataka. Skupovi podataka na slici 44 u

oznaci 1 su:

photo (slika);

video.

Deskriptivni podaci u tablicama koriste se za međusobnu usporedbu skupova podataka.

1

2

56

Drugi dio koji je predstavljen tablicom ANOVA predstavlja rješenje dobiveno

složenom analizom varijacija. Pomoću vrijednosti dobivenih u tablici ANOVA dobit ćemo

odgovore na naša postavljena pitanja. Najvažnije vrijednosti koje koristimo tokom

provođenja analize rješenja su P-vrijednosti (Slika 44, dio 2). P-vrijednost određuje

prihvaćanje ili odbacivanje postavljene hipoteze. Ako je P-vrijednost veća od 0,05 hipoteza

se odbacuje, a ako je manja tada se prihvaća.

Odgovori na naša postavljena pitanja su sljedeći:

1) Kao što možemo očitati iz tablice ANOVA (Slika 44) P-vrijednost vezana uz faktor

tipa objave (pod Sample) iznosi 1,97 * 10-58

. Dakle postoji statistički značajan

utjecaj tipa objave na povećanje interakcije na Facebook-brands stranici Konzuma

(zanemarujući tip interakcije). Iz deskriptivnih podataka vidimo da objave tipa slika

(Photo) imaju veću interakciju od objava tipa video (redak Sum).

2) Pripadajuća P-vrijednost faktora tipa interakcije (pod Columns) je 2,01 * 10-17

, što

znači da postoji statistički značajan utjecaj tipa interakcije na povećanje interakcije

na Facebook-brands stranici Konzuma (zanemarujući tip objave). Možemo vidjeti

u tablici Total na slici 44 u retku Sum da lajkovi više doprinose interakciji na

Facebook-brands stranici nego komentari.

3) P-vrijednost vezana uz interakciju (pod Interaction) iznosi 3,3 * 10-11

.

Zaključujemo da postoji statistički značajna interakcija između vrste obajava i broja

lajkova i komentara na stranicama branda. Broj lajkova je veći objavljivanjem

objava tipa slika. Broj komentara je manji od broja lajkova objavljivanjem objava

tipa slika i tipa video. Broj komentara dobivenih objavljivanjem objava tipa slika je

puno veći od broja komentara dobivenih objavljivanjem objava tipa video.

Iz dobivenih odgovora zaključujemo da objave tipa slika najviše povećavaju interakciju na

stranicama branda Konzum. Zavisnost između broja lajkova i komentara ovisi o tipu

objave generirane na stranici branda. Najveći broj lajkova dobit ćemo objavljivanjem

objava tipa slika.

57

Zaključak

Društvena mreža kao platforma danas više ne predstavlja samo medij za

međusobnu interakciju korisnika nego i medij za prikupljanje ciljanih informacija putem

različitih pretplata. Velik broj korisnika usluga društvenog umrežavanja vijesti ili poruke

objavljene posredstvom društvenih stranica nekog branda ne shvaćaju kao reklamu za

određeni brand nego kao zanimljivu obavijest koju su voljni svojevoljno pregledati,

komentirati pa čak i označiti da im se taj sadržaj sviđa (tkz. like). Postavlja se pitanje kako

mjeriti uspješnost promocije branda na društvenim mrežama.

Sustav Brands nastoji primjenom različitih metoda analize sadržaja dobiti potrebne

zaključke o razlozima povećanja i smanjenja broja interakcija između pristalica branda i

Facebook-brands stranice. Izrađen je algoritam za stvaranje modela statistike svih objava

objavljenih na stranicama branda. Algoritam se sastoji od dva osnovna dijela. Prvi dio se

odnosi na dohvaćanje podataka o objavama s Facebook-brands stranica. Dohvaćeni podaci

se predaju algoritmu za njihovo procesiranje i stvaranje statistike. Stvorena statistika o

uspješnosti promocije branda trajno se sprema u bazu podataka. Statistika se temelji na dva

definirana modela dobivenih vlastitim istraživanjima. Administrator branda može stvorene

statističke modele preuzeti preko sustava Brands u obliku Excel datoteke koja je prethodno

stvorena. Primjenom metoda analize sadržaja administrator branda može dobiti povratne

informacije o uspješnosti promocije branda na društvenoj mreži Facebook.

Sustav Brands moguće je unaprijediti novim modelima za analizu sadržaja o

uspješnosti promocije brandova na društvenoj mreži Facebook. Osim društvene mreže

Facebook sustav Brands moguće je proširiti na druge društvene mreže. Širenjem sustava

na druge društvene mreže zahtjeva izradu novih algoritama za stvaranje statistike o

uspješnosti promocije brandova. Za kontinuirano stvaranje novih statistika svakog dana

potrebno je implementirati algoritam dohvaćanja novih podataka sa stranica branda.

Algoritam bi se trebao izvršavati svaki drugi dan tokom noći kada je korištenje društvenih

mreža najmanje. Zbog velike raširenosti i popularnosti pametnih mobilnih uređaja moguće

je izraditi mobilne aplikacije preko kojih će administratoru branda biti u svako doba dana

dostupne statistike o uspješnosti promocije branda.

58

Literatura

[1] E. BABBIE, The Practice of Social Research, Wadsworth, Thomson Learning Inc..,

2007

[2] O. R. HOLSTI: Content Analysis for the Social Sciences and Humanities. Reading,

Addison-Wesley, 1969.

[3] „An Overview of Content Analysis“

http://pareonline.net/getvn.asp?v=7&n=17, Svibanj 2012

[4] W. ENGDAHL, Mitovi, laži i ratovi za naftu, Zagreb, PROFIL KNJIGA d.o.o., 2012

[5] V. BAHOVEC, N. ERJAVEC: Uvod u ekonometrijsku analizu, Zagreb, Element,

2009.

[6] C. DOUGHERTY: Introduction to Econometrics, Oxford, Oxford University Press,

2002.

[7] „Faktorska analiza“

http://web.efzg.hr/dok/sta/vbahovec//Faktorska%20analiza03.pdf, Svibanj 2012.

[8] „Multivariate Analysis of Variance (MANOVA): I. Theory“

http://ibgwww.colorado.edu/~carey/p7291dir/handouts/manova1.pdf, Svibanj 2012

[9] „3 Reasons Facebook Brand Pages are good for Businesses“

http://mashable.com/2012/03/30/facebook-brand-pages-business/, Svibanj 2012

[10] „EdgeRank and GraphRank defined“

http://www.insidefacebook.com/2011/12/27/edgerank-and-graph-rank-defined/,

Svibanj 2012

[11] „EXCEL 2007: Multiple Regression“

http://cameron.econ.ucdavis.edu/excel/ex61multipleregression.html, Svibanj 2012

[12] „4 tools to enhance brand engagement on Facebook“

http://mashable.com/2012/05/10/facebook-marketing-tools/, Svibanj 2012

[13] „Facebook Timeline Changed the Way We See Brand Pages; Here’s How“

http://mashable.com/2012/04/30/facebook-timeline-eyetrack-study/, Svibanj 2012

[14] „The evolution of Facebook for brands“

http://mashable.com/2012/03/30/facebook-for-brands/, Svibanj 2012

[15] „Facebook brand statistic“

http://www.socialbakers.com/facebook-pages/brands/, Svibanj 2012

[16] „Facebook for websites“

https://developers.facebook.com/docs/guides/web/, Svibanj 2012

[17] „How to use Facebook timeline without reworking your brand strategy“

http://mashable.com/2012/04/16/facebook-timeline-for-brands-facebook-strategy/,

Svibanj 2012

59

[18] „Graph API Explorer“

https://developers.facebook.com/tools/explorer?method=GET&path=Konzum,

Svibanj 2012

[19] „Socialnumbers“

http://hr.socialnumbers.com/, Svibanj 2012

60

Sažetak

Analiza promocije brandova na društvenoj mreži Facebook zasnovano na statističkim

modelima

U radu je pokazana mogućnost analize promocije brandova na temelju podataka

generiranih na Facebook-brands stranicama. Sadržaj na stranicama brandova analizira se

primjenom statističkih metoda analize sadržaja. Analiza sadržaja kao znanstvena disciplina

opisana je kroz povijest svog razvitka. Time dobivamo uvid u razvoj metoda i primjenu

metoda za analizu sadržaja. Najvažnije metode analize sadržaja su: regresija, višestruka

regresija, faktorska analiza i složena analiza varijacije. Za svaku pojedinu metodu

navedene su sve prednosti i nedostaci, te su navedeni primjeri modela za provedbu analize

sadržaja tom metodom. Nadalje u radu su opisani izvori informacija na Facebook-brands

stranicama. Navedeni su i opisani sastavni dijelovi stranica brandova. Opisan je utjecaj

uvođenja Timelinea na promociju i marketing brandova na Facebooku. Praktični dio rada

sadrži implementirani sustav za generiranje statističkih modela nad kojima se provodi

regresijska analiza, te složena analiza varijanci. Sustav se sastoji od algoritama za

dohvaćanje podataka sa društvene mreže Facebook i algoritma za procesiranje dohvaćenih

podataka. Opis algoritama nalazi se u pisanom dijelu rada. Značenje i način tumačenja

dobivene statistike primjenom metoda analize sadržaja nad dobivenim modelima iz

implementiranog sustava dani su u pisanom dijelu rada.

Ključne riječi: analiza sadržaja, metode analize sadržaja, regresija, višestruka regresija,

složena analiza varijacije, faktorska analiza, Facebook-brands stranice, fan-page, brand,

promocija brandova, modeli analize sadržaja, EdgeRank, Facebook

61

Summary

Brand promotion analyses on the social network Facebook are based on statistical

models.

The paper shows the possibility of promoting brands analysis based on data

generated on the Facebook pages of the brands. The contents of the brands are analyzed

using statistical methods of content analysis. Content analysis as a scientific discipline is

described through the history of its development. Thus we get an insight into the

development of methods and application of methods for content analysis. The most

important methods of content analysis are: regression, multiple regression, factor analysis

and analysis of complex variations. For each method are listed all the advantages and

disadvantages, and there are examples of models for the implementation of this method of

content analysis. Furthermore, the paper describes the sources of information on Facebook

brands pages. The paper also describes the components of the brands page on Facebook.

The impact of the introduction of Timeline for the promotion and marketing of brands on

Facebook is also described. The practical part of the work conatins an implemented system

for generating statistical models using regression analysis and complex analysis of

variance. The system consists of algorithms to retrieve data from the social network

Facebook and algorithms for processing the retrieved data. The description of the

algorithm is written in the paper. The meaning and method of interpretation of the statistics

obtained from the implemented system are given in the written part of the paper.

Keywords: content analysis, content analysis method, regression, multiple regression,

analysis of complex variations, factor analysis, Brands Facebook page, fan page, brand,

promotion of brands, models of content analysis, EdgeRank, Facebook

62

Privitak

1. Instalacija programa XAMPP

Preuzeti program sa stranice http://www.apachefriends.org/en/xampp.html

Pokrenuti .exe datoteku i instalirati XAMPP prema uputama

2. Podešavanje baze podataka u XAMPP-u

Pokrenuti XAMPP Control Panel Application

Pokrenuti usluge Apache i MySQL pritiskom na gumbe Start

Kliknuti na Admin, otvara se web stranica. U izborniku kliknuti na

phpMyAdmin (Slika 1.)

Slika 1. Podešavanje baze podataka

Pritisnuti na Uvoz i odabrati datoteku localhost.sql iz foldera Brands

3. Podešavanje programa Brands na XAMPP poslužitelju

Otvoriti datoteku XAMPP na particiji C (C:\xampp\)

Otvoriti datoteku htdocs

Kopirati datoteku Brand iz doteteke Brands koja se nalazi na priloženom CD-u

Pokrenuti web-preglednik i upisati sljedeći URL: http://localhost/Brand/login.php