WI – RESEARCH NOTES

Social Media Analytics

Ein interdisziplinärer Ansatz und seine Implikationenfür die Wirtschaftsinformatik

Social Media Analytics ist ein neuer Forschungsbereich, in dem interdisziplinäre Methodenkombiniert, erweitert und angepasst werden, um Social-Media-Daten auszuwerten. Nebender Beantwortung von Forschungsfragen ist es ebenfalls ein Ziel, Architekturentwürfe fürdie Entwicklung neuer Informationssysteme und Anwendungen bereitzustellen, die aufsozialen Medien basieren. Der Beitrag stellt die wichtigsten Aspekte des Bereichs SocialMedia Analytics vor und verweist auf die Notwendigkeit einer fächerübergreifendenForschungsagenda, für deren Erstellung und Bearbeitung der Wirtschaftsinformatik einewichtige Rolle zukommt.

DOI 10.1007/s11576-014-0407-5

Die Autoren

Stefan Stieglitz (�)Institut für WirtschaftsinformatikUniversität MünsterLeonardo Campus 1148149 MünsterDeutschlandstefan.stieglitz@uni-muenster.de

Linh Dang-XuanUniversität MünsterMünsterDeutschland

Axel BrunsQueensland University of TechnologyKelvin GroveAustralien

Christoph NeubergerLudwig-Maximilians-UniversitätMünchenMünchenDeutschland

Eingegangen: 2013-03-01Angenommen: 2013-10-30Angenommen nach zwei Überarbei-tungen durch Professoren Bichler,Hess, Krishnan und Loos.

This article is also available in Eng-lish via http://www.springerlink.comand http://www.bise-journal.org:Stieglitz S, Dang-Xuan L, Bruns A,Neuberger C (2014) Social MediaAnalytics. An Interdisciplinary Ap-proach and Its Implications for In-formation Systems. Bus Inf Syst Eng.doi: 10.1007/s12599-014-0315-7.

© Springer Fachmedien Wiesbaden2014

1 Die Ära von Big Data und SocialMedia Analytics

In den letzten Jahren konnten sozialeMedien ein enormes Wachstum an Nut-zern verzeichnen. Facebook hat mehrals eine Milliarde Nutzer (Facebook2013), während auf Twitter jeden Mo-nat über 280 Millionen Nutzer aktivsind (GlobalWebIndex 2013). Es ist ei-ne Vielzahl unterschiedlicher Anwen-dungen und Plattformen entstanden,wie bspw. Weblogs, Microblogs, Soci-al Network Sites (SNS), standortbezo-gene soziale Netzwerke, Diskussionsfo-ren, Wikis, Podcast-Netzwerke, Media-Sharing-Plattformen, Bewertungs- undRezensions-Communitys, soziale Book-marking-Seiten und Avatar-basiertevirtuelle Räume. Im weiteren Sinnebezeichnen soziale Medien „einen dia-logorientierten, verteilten Modus derInhaltsgenerierung, Verbreitung und

Kommunikation in Communities“ (Zenget al. 2010, S. 13).

Die massenhafte Verbreitung vonSocial-Media-Anwendungen führte zueinem Paradigmenwechsel in der Artund Weise, wie Menschen kommunizie-ren, kollaborieren, wie sie Informationenbereitstellen und konsumieren. Insbe-sondere der Prozess des Konsums undder Verteilung von Informationen stehtin einer engen Beziehung mit dem Pro-zess des Generierens und des Teilensvon Informationen (Zeng et al. 2010).Darüber hinaus wird die Diffusion vonöffentlich verfügbaren Informationennicht länger von einer kleinen Grup-pe institutionalisierter „Gatekeeper“kontrolliert.

Die massenhafte Adaption von sozialenMedien im privaten Umfeld als persön-liche Alltagsbereicherung steigert auchihren Stellenwert als Kommunikations-kanal in Unternehmen, der Politik undanderen Kontexten. So setzen Unterneh-men bereits gezielt interne und externe(öffentliche) Social-Media-Plattformenfür eine Vielzahl unterschiedlicher Zwe-cke ein. Während der interne Einsatzvon Social-Media-Anwendungen dieKommunikation und Kollaboration zwi-schen den Mitarbeitern, das Wissens-management und das Voranbringen vonProduktinnovation verbessen soll, habenviele Unternehmen auch bereits begon-nen, Netzwerke in sozialen Medien mitihren Geschäftspartnern aufzubauen.Des Weiteren verwenden Unternehmensoziale Medien für Marketingzwecke,

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

Öffentlichkeitsarbeit (PR), die Verbes-serung der Kundenbeziehungen, Repu-tationsmanagement und Rekrutierung.Auch in der Politik wird sozialen Medi-en ein großes Potenzial zugesprochen,insbesondere wenn diese dazu beitragen,die politische Beteiligung der Bürger zuerhöhen (Wattal et al. 2010). Twitter isteine ideale öffentliche Plattform, um po-litische Informationen und Meinungenschnell und breit zu verteilen (Stieglitzund Dang-Xuan 2013b; Bruns und High-field 2013). Ebenso verwenden politischeAkteure (z. B. Politiker, Parteien, Stiftun-gen) Facebook, um in den politischenDiskurs mit Bürgern einzutreten, zurDiskussion anzuregen und sich in derÖffentlichkeit zu präsentieren.

Die akademische Forschung aus ver-schiedenen Bereichen der Sozial-, derNatur- und angewandten Wissenschaftenschenkt sozialen Medien seit einiger Zeitwachsende Aufmerksamkeit. Zudem sindsoziale Netzwerke und andere Social Me-dia zu einer bedeutenden Domäne imBereich der Erforschung von Informati-onssystemen (IS) geworden. Dieses neueInteresse an „Big Social Data“ (Mano-vich 2012; Burgess und Bruns 2012) wirdunter anderem durch den vereinfachtenZugang zu großen, öffentlich zugängli-chen empirischen Datensätzen von so-zialen Netzwerken wie Twitter, Facebookund LinkedIn getrieben. Einen weiterenwichtigen Aspekt stellen in diesem Zu-sammenhang Plattformen dar, die Mas-senkollaboration und Selbstorganisati-on ermöglichen, beispielsweise Weblogs,Wikis und Social-Tagging-Systeme. Wieboyd und Crawford (2012) hervorhe-ben: „hat die Ära der Big Data begon-nen. Informatiker, Physiker, Wirtschafts-wissenschaftler, Mathematiker, Politik-wissenschaftler, Bioinformatiker, Sozio-logen und andere Wissenschaftler verlan-gen nach dem Zugang zu dieser enor-men Menge von Informationen, die vonMenschen über sich selbst, ihre Interak-tion und andere Dinge geschaffen wur-den“ (boyd und Crawford 2012, S. 663;eigene Übersetzung der Autoren]). BigData wird als kulturelles, technologischesund wissenschaftliches Phänomen ver-standen, das auf einem Zusammenspielvon Technologie, Analyse und Methodebasiert und „weniger mit großen Datenzu tun hat, sondern vielmehr mit Kapa-zitäten für die Suche, Aggregation undReferenzierung von großen Datensätzen“(boyd und Crawford 2012, S. 663). Ausdieser Forschungsperspektive kann Soci-al Media als eine Art Living Lab verstan-den werden, welches es Wissenschaftlern

erlaubt, große Mengen an Daten zu sam-meln und auszuwerten, die unter realenBedingungen erzeugt wurden.

Das Interesse an der Analyse großerDatenmengen geht nicht allein vonder Forschungsgemeinschaft aus, son-dern ist auch durch die Möglichkeitenzur praktischen Anwendung begründet.So sehen Unternehmen in der Analy-se der Daten neue Möglichkeiten fürzielgerichtete Werbung, PR, Kunden-Beziehungsmanagement und BusinessIntelligence (BI). Das hauptsächliche In-teresse hinter den unterschiedlichen Ak-tivitäten der Unternehmen in sozialenMedien scheint derzeit vor allem in dereffektiven Nutzung der neu entstande-nen Kanäle für Marketingzwecke, aberauch zur Identifikation neuer potenziel-ler Kunden im B2B-Bereich, zu liegen.

In der jüngeren Vergangenheit wuchsauch bei politischen Institutionen undPolitikern das Interesse an der Beobach-tung der öffentlichen Meinung, dem Er-kennen politischer Themen und Stim-mungen sowie dem Management ihrereigenen Reputation im Social Web. Staat-liche Organisationen können vielfältigvon der Auswertung sozialer Medien pro-fitieren. Im Fall von Naturkatastrophenkönnen soziale Medien ausgewertet wer-den, um ortsbezogene, von Bürgern er-stellte Informationen in Reaktionsplä-ne mit einfließen zu lassen (Bruns undBurgess 2012; Bruns und Liang 2012).Es existieren bereits Projekte, in denenSocial-Media-Daten genutzt werden, umFrühwarnsysteme für Krankheitsausbrü-che zu unterstützen. Eine Anwendungs-möglichkeit von Social Data für denEndnutzer und insbesondere den Kon-sumenten ist die Nutzung von verfügba-ren Informationen aus unterschiedlichenQuellen für die bessere Begründung vonEntscheidungen.

Zwei wesentliche Treiber für das zu-nehmende Interesse sind: (1) die Digi-talisierung der Kommunikation und dertechnologische Fortschritt, die zu neuenMöglichkeiten für die fortlaufende au-tomatisierte (Echtzeit-)Auswertung vonSocial-Media-Inhalten und -Interakt-ionen geführt haben, und (2) die Ver-änderung der grundlegenden Prinzipienöffentlicher Diskurse, die zu einer wach-senden Komplexität der Kommunikationführt (z. B. bezüglich der Anzahl und He-terogenität der an der Kommunikationbeteiligten Individuen, der Zugangskos-ten, des Grades der Diffusion von Infor-mationen im Hinblick auf die Reichweite,Größenordnung und Geschwindigkeit).

Die starke Verbreitung mobiler End-geräte, wie Smartphones und Tablets,verstärkt diese Effekte zudem und führtdazu, dass Geolokationsdaten zu einerneuen, vielversprechenden Datenquellefür Social Media Analytics werden.

Jüngere Studien und Umfragen belegendas zunehmende Bedürfnis kontinuierli-cher Beobachtung von sozialen Interak-tionen und nutzergenerierten Inhalten inBereichen wie Wirtschaft, Politik und öf-fentliche Verwaltung. Das Konsumenten-und Bürgerverhalten soll analysiert, zu-sammengefasst und visualisiert werden(z. B. Zeng et al. 2010; Kavanaugh et al.2011; Stieglitz et al. 2012). Dies ist je-doch in Anbetracht der großen An-zahl von unterschiedlichen Social-Media-Plattformen und der dort entstehendenumfangreichen Menge von Daten einebedeutende Herausforderung. Der Um-gang mit diesen i. d. R. unstrukturier-ten Daten und strukturierten Metadatenwird bisher in der Literatur des Data-und Text-Mining nicht systematisch be-handelt (Zeng et al. 2010). Die Datenselbst und ihre Interpretation sind vonhoher Komplexität, da sie bspw. sub-jektive Meinungen, Ansichten, Emotio-nen, Bewertungen und Einstellungen vonNutzern umfassen, die sich als Texte, Bil-der, Videos, Ratings, Tags, Nutzerprofileund andere räumlich, zeitlich und auf-merksamkeitsbezogene Daten manifes-tieren (sie werden z. B. in „Likes“, Kom-mentaren, Retweets und Erwähnungenausgedrückt).

Das neue interdisziplinäre Forschungs-gebiet Social Media Analytics beschäftigtsich mit diesen Problematiken. Das vor-rangige Ziel ist die Entwicklung und Be-wertung von wissenschaftlichen Metho-den, technischen Rahmenmodellen undSoftware für das Auslesen, Modellie-ren, Analysieren und Erfassen von um-fangreichen Daten aus sozialen Medienfür unterschiedliche Zwecke. Im orga-nisatorischen Umfeld kann SMA als ei-ne Teilmenge der Business-Intelligence-Aktivitäten verstanden werden, die sichmit den Methoden, den Prozessen, derArchitektur und den Technologien be-fasst, um rohe Daten aus sozialen Medienin bedeutungsvolle und nützliche Infor-mationen für die Geschäftsabwicklung zutransformieren.

Die Forschung im Umfeld der Wirt-schaftsinformatik (WI) zeigt großes In-teresse an dem Design, der Imple-mentierung, der Verwendung und demManagement von sozialen Medien als

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

sozio-technische Systeme und an de-ren praktischen Einflüssen auf Mitar-beiter, Unternehmen und Gesellschaft.In diesem Artikel wird SMA als neu-es Forschungsgebiet vorgestellt und Wis-sen aus unterschiedlichen Disziplinenvereint, um die Wirtschaftsinformatikmit neuen methodischen Grundlagenzur Sammlung, Modellierung, Analyseund für das Auslesen umfangreicher Da-ten aus sozialen Medien auszustattenund gleichermaßen den wirtschaftlichen,sozialen und technischen Forderungenaus praktischer und forschungsrelevan-ter Sicht nachzukommen. SMA kann dieWI-Forschung unterstützen, Bezugsmo-delle für die Entscheidungsfindung oderEntscheidungsunterstützung für Unter-nehmen zu entwickeln. Weiterhin kannSMA dazu beitragen, Architekturentwür-fe und Rahmenmodelle für die Ent-wicklung neuer Social-Media-bezogenerAnwendungen und Informationssystemebereitzustellen, die auf Grundlage der Er-kenntnisse und der praktischen Impli-kationen aus der Analyse von sozialenMedien abgeleitet wurden.

Dieser Artikel stellt zunächst die un-terschiedlichen Probleme und Herausfor-derungen der SMA-Forschung dar, umanschließend die wichtigsten interdiszi-plinären Methoden für SMA zu präsen-tieren und die Notwendigkeit einer in-terdisziplinären Forschungsagenda undKooperation aufzuzeigen, um den zu-vor beschriebenen Herausforderungengerecht zu werden. Einige Beispiele sys-tematischer Arbeiten werden vorgestellt,um einen Einblick in das Forschungsfeldzu geben.

2 Herausforderungen von SocialMedia Analytics

Als ein aufkommendes Forschungsge-biet befindet sich SMA in einer frühenStufe der Entwicklung und steht einerVielzahl von Herausforderungen gegen-über. Ähnlich der Social Network Ana-lysis (SNA) als interdisziplinäres For-schungsgebiet, das sich überwiegend derTheorien anderer Disziplinen wie derNetzwerkwissenschaft, Soziologie, Statis-tik und Graphentheorie bedient, man-gelt es der SMA an einem theoreti-schen Kern. Aus diesem Grunde bedarfes einer interdisziplinären Forschungs-kooperation. Es besteht zunehmendesInteresse an sozialen Medien oder so-zialen Netzwerken seitens Forschungs-gemeinschaften aller großen Disziplinen

der Sozialwissenschaften (z. B. Soziolo-gie, Kommunikations- und Medienwis-senschaft, Wirtschaftswissenschaften, Po-litikwissenschaft und Sozialpsychologie),der Naturwissenschaften und der an-gewandten Wissenschaften (z. B. Infor-matik, Wirtschaftsinformatik, Linguistikund Statistik). Jede Disziplin nimmt ei-ne eigene Forschungsperspektive ein undverfolgt individuelle Ziele. Während dieInformatik unter anderem darauf abzielt,effiziente Algorithmen und Werkzeugezur Analyse für das Data-Mining unddie Vorhersage von Veränderungen in derStruktur und den Prozessen von sozia-len Netzwerken zu entwickeln, verfolgtdie Politikwissenschaft das Ziel, die Ein-flüsse von Social Media auf die politischePartizipation zu untersuchen. Die Sozial-und Wirtschaftswissenschaftler verwen-den soziale Medien als ein Netzwerk vonSensoren und als Labor für Experimente,um Indikatoren zu finden und neue Hy-pothesen über soziale Interaktionen so-wie deren wirtschaftliche, politische undsonstige gesellschaftliche Implikationenzu testen (Zeng et al. 2010). Die SMA-Forschung muss notwendigerweise voninterdisziplinärer Natur sein. Nichtsde-stotrotz gibt es bisher nur wenig inter-disziplinäre Forschung und Kooperati-on. In vielen Fällen nehmen Forschungs-methoden und -fragen aus den tech-nischen Anwendungsgebieten wie Infor-matik und Netzwerkwissenschaft einedominante Rolle im Vergleich zu den Me-thoden und Fragen anderer Disziplinenein. Es fehlt darüber hinaus an einer wohldefinierten SMA-Forschungsagenda. Indiesem Zusammenhang bedarf es syste-matischer Forschung.

Ausgehend von der methodischen Per-spektive steht SMA Herausforderun-gen gegenüber, die sich auf die Na-tur der Social-Media-Daten, ihre Zu-sammenstellung sowie auf die Metho-den zur Analyse und das Auslesen bezie-hen. Zunächst werden Daten aus sozia-len Medien in sehr großem Umfang er-zeugt, die hoch dynamisch und von kom-plexer Natur sind. Diese Daten könnennicht ohne weiteres unter Verwendungvon Datenbankwerkzeugen oder Visua-lisierungssoftware für traditionelle Da-ten weiterverarbeitet werden. Sie verfü-gen sowohl über Charakteristiken un-strukturierter als auch strukturierter Da-ten. Während strukturierte Daten (oderMetadaten) Nutzerprofile sowie räumli-che, zeitliche, thematische und aufmerk-samkeitsbezogene Daten beinhalten (z. B.

Anzahl an „Likes“, Kommentaren, Ret-weets und Erwähnungen), setzen sich un-strukturierte Daten aus nutzergenerier-ten textuellen Inhalten zusammen, diesich von kontextarmen Beiträgen in Mi-croblogs über Facebook-Kommentare bishin zu kontextreichen Blogs und audio-visuellem Material erstrecken. Diese he-terogene Flut an Informationen bedeu-tet eine große Herausforderung. Darausergibt sich die Notwendigkeit für großeRechenkapazitäten und die Entwicklunganspruchsvoller Methoden für die Stich-probenziehung, Extraktion und Analyse.Die Ableitung von Erkenntnissen aus die-sen großen dynamischen Datenquellenstellt das Data-Mining vor einige Heraus-forderungen. Darüber hinaus muss dieFrage nach der Genauigkeit und Objek-tivität der Daten aus sozialen Mediengestellt werden. Nach boyd und Craw-ford (2012) sind große Datenmengenaus Quellen des Internet aufgrund ihrermöglichen Unvollständigkeit und Inkon-sistenz oft unzuverlässig. Dies ist insbe-sondere dann der Fall, wenn viele Da-tensätze zusammen verarbeitet werden(z. B. Inhalte aus sozialen Netzwerkenund standortbezogene Daten). Unabhän-gig von ihrer Größe unterliegen diese Da-tensätze immer bestimmten Einschrän-kungen und systematischen Verfälschun-gen. Ohne ein genaues Verständnis fürdiese Einschränkungen und Verfälschun-gen kann es leicht zu Fehlinterpretatio-nen der Daten kommen.

In Bezug auf die Datenerhebung stelltdas Sammeln von Daten und Metada-ten aus einer großen Anzahl an Social-Media-Plattformen sowie unter Verwen-dung unterschiedlicher Schnittstellenund Zugangsmethoden eine große Her-ausforderung dar. Viele Social-Media-Plattformen verfügen nicht über eineleicht handhabbare, standardisierte Me-thode für den Zugriff auf die Daten, wiesie etwa Application Programming Inter-faces (APIs) darstellen. Deshalb werdenoft individuelle Methoden zum Extra-hieren und Parsen der Daten benötigt.Selbst wenn eine API durch einen Platt-formbetreiber bereitgestellt wird (diesist bspw. bei Twitter oder Facebook derFall), sind diese häufig Restriktionen inBezug auf den Datenzugriff und laufen-den Veränderungen unterworfen. Unter-schiedliche Datenformate müssen vor-verarbeitet werden, um weitere Analysendurchzuführen. Weitere Herausforde-rungen sind die sich schnell verändern-de Art der Designs, die Konzeption der

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

Social-Media-Plattformen und das teil-weise nicht vorhersehbare Entstehen vonnutzergenerierten Verhaltenskonventio-nen (z. B. nutzergenerierte Innovationenwie Twitter-Hashtags und Retweets). Beider Erhebung der Daten müssen zudemdatenschutzrechtliche Bestimmungenbeachtet werden. Forscher und ande-re Parteien, die an der Erhebung undAuswertung der Daten interessiert sind,müssen sich hier mit ethischen Frage-stellungen auseinandersetzen. Je nachZielstellung der Auswertungen ist diesauch der Fall, wenn Daten grundsätzlichöffentlich verfügbar sind und bewusst öf-fentlich verfasst werden. Wie einige For-scher bereits anmerken, existiert ledig-lich ein geringes Verständnis im Hinblickauf die ethischen Implikationen von BigData und insbesondere von Daten aussozialen Medien (boyd und Crawford2012).

In Bezug auf die Datenanalyse unddas Data-Mining gibt es einen Man-gel an systematischen Rahmenmodel-len, die wissenschaftliche Analysemetho-den unterschiedlicher Disziplinen für be-stimmte analytische Zwecke zusammen-fassen. Des Weiteren befinden sich vie-le Methoden in einer sehr frühen Pha-se der Entwicklung. Derzeit existierenderechengestützte Methoden und Algorith-men weisen noch deutlichen Schwächenbeim Erkennen der Semantik der Beiträ-ge, bei der Auswertung umfangreicher,dynamischer Social-Media-Datensätzenoder darauf basierender Vorhersagen auf.So tendiert die Bedeutung von Textenbeispielweise dazu, sehr kontextabhän-gig und informell zu sein. Emoticons,Abkürzungen, Erweiterungen, Umgangs-sprache, Sarkasmus und Ironie erschwe-ren zusätzlich ein effektives Text-Mining.Es ist eine Herausforderung, relevanteNutzergemeinschaften und Themen ausder Gesamtheit der umfangreichen unddynamischen Menge an Daten zu iden-tifizieren. Eine weitere Aufgabe ist dieEntdeckung von Trends und Memen inSocial-Media-Daten. Neuere Fortschrit-te in der Informatik und Statistik ha-ben eine Vielzahl von Methoden und Al-gorithmen zur Vorhersage aufkommen-der Trends hervorgebracht. Hier man-gelt es aber noch an Genauigkeit undZuverlässigkeit.

3 Social Media Analytics undinterdisziplinäre Methoden

In vielen Disziplinen, insbesondere in derInformatik, der Statistik, der Netzwerk-

analyse und Computerlinguistik wur-den in den vergangenen Jahren bemer-kenswerte methodische Fortschritte beimAuslesen von Daten sowie der Beob-achtung, Modellierung und Analyse ge-macht. Im Kontext der SMA existie-ren drei weit verbreitete Analysemetho-den: (1) die Textanalyse bzw. das Text-Mining, (2) die Soziale Netzwerkanalyseund (3) die Trendanalyse.

Die Textanalyse bzw. das Text-Miningist ein methodischer Ansatz im Bereichder Inhaltsanalyse, um auf Basis von Tex-ten, replizierbare und korrekte Schluss-folgerungen auf den Kontext der Be-nutzung ziehen zu können (Krippen-dorff 2004). Bedenkt man die großenDatenmengen in sozialen Medien, kön-nen automatisierte quantitative Metho-den der Textanalyse einen wertvollen Bei-trag leisten. Diese Methoden sind geeig-net, um Antworten auf eine große An-zahl von Fragestellungen zu geben, diedie Klassifizierung von Texten betreffen,etwa die Ermittlung von Sentiments undThemen (Krippendorff 2004). Es exis-tiert eine Reihe neuer Ansätze der au-tomatischen Textanalyse, die auch Ein-zug in die Sozialwissenschaften gefun-den haben. Hierzu gehören insbesonde-re Arten der Textklassifikation, die aufüberwachtem und unüberwachtem Ler-nen basieren (Sebastiani 2002; Liu 2011).Insbesondere die überwachte Textklassi-fikation, die sich statistischer Algorith-men aus dem Machine Learning be-dient (z. B. Support Vector Machine(SVM) oder naive Bayes-Klassifikatoren),hat das Potenzial, eine Standardmetho-de des automatisierten Text-Mining zuwerden. Zusätzlich könnten Dokumentebasierend auf dem unüberwachten Ler-nen geclustert werden, wobei Techni-ken wie die Hierarchische Clusteranalyseoder der k-Means-Cluster-Algorithmuszur Anwendung kommen. In Bezug aufdie Themenmodellierung bieten jüngs-te Fortschritte im Bereich der natürli-chen Sprachverarbeitung statistische Mo-delle zur Entdeckung vorkommender ab-strakter Themen und zur Vorhersageaufkommender Themen.

Eine wichtige Teildisziplin der Textana-lyse ist die Sentimentanalyse bzw. dasOpinion-Mining, das sich als Methodezur Erfassung von Meinungen gegen-über bestimmten Entitäten wie Indivi-duen, Problemen, Ereignissen, Themenund ihrer Attribute etabliert hat (Pangund Lee 2008; Liu 2011). Bis zum jet-zigen Zeitpunkt ist es mit großem Auf-wand verbunden, relevante Internetsei-

ten zu finden und relevante Textele-mente zu extrahieren, zu klassifizieren,zusammenzufassen und in einer verwert-baren Form zu organisieren. Für das au-tomatisierte Auffinden von Meinungenund deren Zusammenfassung werden da-her Systeme der Sentimentanalyse benö-tigt (Liu 2011). Grundsätzlich kann ei-ne Sentimentanalyse auf zwei verschiede-nen Ansätzen basieren. Der erste Ansatzist die traditionelle, auf einem Wörter-buch basierende Klassifikation von Sen-timentausrichtungen, wobei die Polarität(positiv und negativ) sowie die Stärke be-rücksichtigt werden. Dafür herangezogenwerden unter anderem Datenbanken, indenen die Wörter zusammen mit ihrerSentimentausrichtung abgelegt sind unddie für die Extraktion von Sentimentsaus Texten verwendet werden. Zudembedient sich die Sentimentanalyse einesweiteren Ansatzes, der auf maschinellemLernen basiert und bei dem die Klassifi-kation von Sentiments als Lernproblemmit drei Klassen formuliert wird: positiv,negativ und neutral. In diesem Fall er-folgt die Sentimentanalyse auf Grundlagevon überwachtem und unüberwachtemLernen (Liu 2011). Trotz der vielen Vor-teile des automatisierten Ansatzes stehtdie Sentimentanalyse vielen Herausfor-derungen gegenüber. Dies ist insbeson-dere dem typisch informellen Charakterder Inhalte in sozialen Medien geschul-det, der sich in Form von Emoticons,Akronymen, Erweiterungen, Umgangs-sprache, Sarkasmus und Ironie äußert.Zusätzlich haben die unterschiedlichenKontexte und Domänen generell nega-tive Auswirkungen auf die Genauigkeitder Klassifikation von Texten. Diese Ein-schränkungen machen oftmals das Testender Befunde der automatisierten Text-analyse mittels manueller Verfahren not-wendig. Beim manuellen Kodieren wer-den Kategorien für qualitative Merkma-le des Textes verwendet, die menschlicheKodierer erfassen. Dies ermöglicht eineverlässlichere und detailliertere Analysevon Texten (Krippendorff 2004).

Eine weitere häufig verwendete Analy-semethode ist die Social Network Anal-ysis, die sich mit den Beziehungen zwi-schen Akteuren, z. B. Personen, Organi-sationen, Interessengruppen, Staaten etc.,befasst, indem sie die Struktur ihrer Ver-bindungen analysiert (Scott und Car-rington 2011). In einem SMA-Kontextkann die SNA dabei helfen, einflussrei-che Nutzer oder Meinungsführer und re-levante Nutzergemeinschaften in sozia-len Medien zu identifizieren. Es gibt ei-

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

ne Vielzahl von Maßzahlen für den Ein-fluss eines Akteurs in einem Netzwerk,die sich auf ihre Zentralität und ihr Pres-tige beziehen (z. B. Grad der Between-ness, Eigenvektor-Zentralität oder Gradder Nähe) (Wasserman und Faust 1994;Scott und Carrington 2011). Auch für dasErkennen relevanter Communitys kanndie SNA von Nutzen sein, da sie dafürverschiedene Methoden und Algorith-men zur Verfügung stellt (z. B. graphen-theoretische Ansätze wie der Girvan-Newman Algorithmus (Girvan und New-man 2002) oder weitere Clustermetho-den wie das hierarchische k-Means unddas Fuzzy c-Means Clustering (Prabhuet al. 2010)). Trotz dieser Fortschrittesteht die SNA immer noch vor Heraus-forderungen, was die Analyse dynami-scher Cluster und sehr umfangreicherDatensätze betrifft.

Die Trendanalyse als dritte Hauptme-thode bedient sich neuerer Errungen-schaften der Informatik und Statistik,um aufkommende Themen vorherzusa-gen. Viele Algorithmen zur Trendentde-ckung basieren dabei auf sogenanntenversteckten Markov-Modellen, bei de-nen die Themenbeobachtung bei solchenModellen trainiert wird, die wiederumin einer Bibliothek zur Vorhersage ebendieses Themas gespeichert werden. The-men mit einem ähnlichen Lebenszykluswerden dabei aufgenommen und teilensich dasselbe Modell (z. B. Zeng et al.2007; Liu und Guo 2011). In einer neu-en Studie stellen Budak et al. (2011) ei-ne neue Methode zur Identifikation vonwichtigen Themen in sozialen Netzwer-ken vor, die sich der Netzwerktopologiebedient. Sie schlagen zwei Definitionenvon Trends vor: koordinierte und unko-ordinierte Trends. Diese erkennen ent-sprechende Themen, die unter stark ge-häuften bzw. sehr verteilten Nutzern be-liebt sind. Einem anderen Ansatz folgendschlagen Kasiviswanathan et al. (2011)einen Bezugsrahmen vor, der auf einemlernenden Wörterbuch basiert und derdem Erkennen von aufkommenden The-men in sozialen Medien und verwand-ten Streams dient. Das übergeordnete Re-ferenzmodell besteht aus zwei Ebenen– zunächst müssen neue Dokumente indem Stream bestimmt und anschließendderen Clusterstruktur identifiziert wer-den. Eine Methode von Mathioudakiset al. (2010) berücksichtigt die Problema-tik der Früherkennung von Elementen,die eine große Aufmerksamkeit innerhalbder sozialen Medien erhalten.

In der Praxis gibt es viele analytischeProbleme, die durch die Kombinationverschiedener Methoden gelöst werdenkönnen. Dafür ist ein systematischer Be-zugsrahmen nützlich, der das Vorgehenfür unterschiedliche analytische Zweckebeschreibt. Bisher fehlt ein solcher Be-zugsrahmen, der wissenschaftliche Me-thoden aus unterschiedlichen Diszipli-nen für verschiedene Analysezwecke um-reißt. Aus Sicht der SMA-Forschung istein solcher Bezugsrahmen für die unter-schiedlichen Kontexte der Analyse not-wendig (z. B. Unternehmen, Politik, Per-sonen). Darüber hinaus sollte die SMA-Forschung in Anbetracht der bestehen-den Schwächen auf die kontinuierlicheVerbesserung der rechengestützten Ana-lysemethoden und Algorithmen sowieauf die Entwicklung neuer und innovati-ver Methoden abzielen.

Die Entwicklung neuer Methodenund Instrumente kann entsprechend desDesign-Science-Ansatzes, der von Hev-ner et al. (2004) vorgeschlagen wurde,umgesetzt werden. Design Science ist inden Ingenieurswissenschaften und in denArtificial Sciences (AS) verankert. AS istein Paradigma für das Lösen von Pro-blemen durch das Schaffen neuer undinnovativer (IT) Artefakte, welche weit-gehend als Konstrukte (Vokabeln undSymbole), Modelle (Abstraktionen undRepräsentationen), Methoden (Algorith-men und Verfahren) und Instanziierun-gen (implementierte und prototypischeSysteme) definiert sind (Hevner et al.2004). Im Hinblick auf die zuvor ge-nannten Schwächen der SMA müsstezunächst eine zweckorientierte Methodefür ein spezifiziertes Problem (Domäne)geschaffen werden. Die Methode sollteanschließend in Bezug auf ihren Nutzensowie Qualität und Effizienz evaluiertwerden. Sie sollte aufgrund ihrer Inno-vativität einen Beitrag für die Forschungund Praxis leisten: das Lösen eines bis-her ungelösten Problems oder das Löseneines bekannten Problems auf eine effi-zientere und effektivere Art und Weise.Angesichts der multidisziplinären Naturvon SMA ist es notwendig, dass Ergeb-nisse effektiv und übergreifend über dieunterschiedlichen Disziplinen kommu-niziert werden (Hevner et al. 2004). ZurOptimierung der automatisierten Instru-mente sollten die Ergebnisse mit Befun-den der manuellen Inhaltsanalyse vergli-chen werden. Ein Beispiel hierfür ist diemanuelle Identifikation von Charakte-ristiken der Kommunikation in sozialen

Medien (z. B. Verwendung von Akro-nymen, Emoticons, Umgangssprache),um mit diesen Ergebnissen automatisier-te Algorithmen zu trainieren. Es mussaußerdem berücksichtigt werden, dassInhalte aus Social Media in unterschiedli-chen Kontexten (z. B. Politik, Wirtschaft,Sport, Unterhaltung) unterschiedlicheMethoden benötigen.

4 ZukünftigeForschungsrichtungen undInterdisziplinäre Kooperation

Um die oben beschriebenen Herausfor-derungen anzugehen, bedarf es in derZukunft neuer Forschungsrichtungen aufinterdisziplinärer Basis. Zunächst soll-te sich die SMA-Forschung, ausgehendvon einer interdisziplinären Perspektive,hauptsächlich mit der Entwicklung undEvaluation von wissenschaftlichen Me-thoden, technischen Rahmenmodellenund Software sowie Plattformen für dasMining und Modellieren von umfang-reichen Daten aus sozialen Medien be-schäftigen. Insbesondere die auf dem ma-schinellen Lernen beruhende Klassifikati-on von textuellen Social-Media-Inhaltenund das Erkennen von Mustern in sozia-len Netzwerken muss verbessert werden.In dieser Hinsicht sind besonders Dis-ziplinen wie die Informatik, künstlicheIntelligenz, die Verarbeitung natürlicherSprachen, die Statistik und die Netzwerk-wissenschaften gefragt, um hier einenBeitrag zu leisten. Es ist wichtig, dass dieSMA-Forschung die hoch dynamischenEigenschaften der Daten aus sozialen Me-dien genauso wie die sich schnell verän-dernde Natur des Designs und der Kon-zeption der Social-Media-Anwendungenberücksichtigt. Auf diese Weise kann dieSMA-Forschung andere Disziplinen mitmethodologischen Grundlagen für ihreSocial-Media-bezogene Forschung aus-statten. Insbesondere die WI-Forschung,die sich mit dem Design, der Implemen-tierung, der Verwendung und dem Ma-nagement von Social Media als sozio-technisches System und dessen prakti-schen Einflüssen beschäftigt, könnte hier-von außerordentlich profitieren.

Die SMA-Forschung sollte – als eineweitere Richtung – basierend auf diesenMethoden, Rahmenmodellen und Werk-zeugen die Entwicklung von entspre-chenden datengetriebenen und dynami-schen Bezugsrahmen für die Entschei-dungsfindung oder die Entscheidungs-unterstützung, insbesondere im unter-

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

nehmerischen Kontext, angehen. Bei-spielsweise kann die SMA-Forschung da-bei helfen, Business Intelligence um ei-ne soziale Komponente zu erweiternund somit ein „Social BI“ zu ermögli-chen. Da geschäftsbezogene Bezugsrah-men für die Entscheidungsfindung klardefinierte Indikatoren für die Erfolgs-messung voraussetzen, bedeutet dies fürdie SMA-Forschung im engeren Sinne,sich mit der Problematik der Erfolgs-messung weiter auseinander zu setzen.Diese Problematik ist von sehr großerRelevanz in der WI-Forschung. Dabeistellt es eine Herausforderung dar, In-dikatoren für die Erfolgsmessung zuquantifizieren, nicht zuletzt aufgrunddes breiten Spektrums der unterschiedli-chen Social-Media-Anwendungen. Kon-sequenzen dieser Problematik äußernsich in der erschwerten Bestimmung desReturn of Investment für jene Unterneh-men, die Social-Media-Plattformen ein-setzen bzw. planen diese einzuführen. Soexistieren beispielsweise offene Fragen imHinblick auf die Messung der Effektivitätvon Public Relations und Werbemaßnah-men in sozialen Medien. Diese spielen je-doch eine wichtige Rolle bei der Entschei-dung über eine angemessene Zielsetzungund Budgetzuweisung für eben diese Ak-tivitäten genauso wie für die Auswahlgeeigneter Instrumente.

Ein weiterer Forschungszweig solltesich mit der Bereitstellung von Ar-chitekturentwürfen und Solution Fra-meworks für bereits existierende undneue Social-Media-Anwendungen befas-sen. Dies kann auf Grundlage des Stu-diums der Interaktion zwischen De-sign und Konzeption von Social-Media-Anwendungen sowie der Nutzeraneig-nung und dem Nutzerverhalten gesche-hen. Erkenntnisse und praktische Im-plikationen aus der Analyse von Datenaus sozialen Medien müssen berücksich-tigt und miteinbezogen werden. Auch dieWI-Forschung würde von diesem For-schungszweig profitieren, wenn es umdas Design und die Implementierungneuer, auf Social-Media-basierender In-formationssysteme geht.

Letztendlich beschränkt sich SMAnicht auf die Analyse von Social Media.Relevant ist es ebenfalls das Zusammen-spiel zwischen sozialen und traditionel-len Medien, was weitere Onlineinhalteund -aktivitäten einschließt. So kön-nen (Online-)Werbekampagnen Nutzerzur Erzeugung neuer Inhalte und zumStarten neuer Aktivitäten anregen undumgekehrt.

Dieser Beitrag ruft zu einem höhe-ren Grad interdisziplinärer Forschungs-kooperation auf. Kooperationen soll-ten sich nicht nur auf eine vereinzel-te Zusammenarbeit zwischen individuel-len Forschern beschränken, sondern sichauf große, koordinierte Forschungsakti-vitäten beziehen und über alle Diszipli-nen ausdehnen, die in die Erforschungvon Social Media involviert sind. DieserAufwand kann darauf abzielen, signifi-kante Fortschritte bei den wissenschaft-lichen Methoden zur Analyse von Soci-al Media zu machen und Forschungs-fragen aus unterschiedlichen Disziplinenzu beantworten. Vielversprechende An-knüpfungspunkte bestehen bspw. mit derKommunikationswissenschaft und derenTheorien über den öffentlichen Raumund mediale Auswirkungen wie Agenda-Setting, Verbreitung von Informationen,Meinungsführerschaft, die Schweigespi-rale, Deliberations-, Fragmentierungs-und Polarisierungshypothesen, den Di-gital Divide und Ungleichheiten bei derVerteilung von Aufmerksamkeit und Ein-fluss in der öffentlichen Kommunikati-on. Übergreifend sollten Theorien ausden Sozialwissenschaften mit den Metho-den der angewandten Wissenschaften wieder Informatik, der Wirtschaftsinforma-tik und Statistik verbunden werden undumgekehrt.

Unter Berücksichtigung der Implika-tionen von SMA für die Wirtschaftsin-formatik gibt es zwei wichtige Perspekti-ven, die beide einen Einfluss auf die For-schungsagenda haben. Zunächst ist SMAein eigenes Forschungsgebiet, das eige-ne Forschungsfragen beinhaltet. Beispielehierfür sind:� Welche Methoden (aus verschiedenen

Disziplinen) können von SMA adap-tiert werden?

� Wie können Methoden kombi-niert und verbessert werden, umdie spezifischen Anforderungen vonSocial-Media-Kommunikation zuberücksichtigen?

� Welche Werkzeuge könnten Forschernhelfen, Social-Media-Daten zu sam-meln und zu analysieren? Wie könnensolche Werkzeuge entwickelt werden?

� Wie können Methoden an sich verän-dernde Plattformcharakteristika undsich veränderndes Kommunikations-verhalten angepasst werden?

� Wie können alle relevanten Daten(z. B. über ein bestimmtes Thema)aus der gesamten Netzwerkstrukturextrahiert werden?

An dieser Stelle muss angemerkt wer-den, dass die meisten dieser Fragen nichtallgemein beantwortet werden können.Die Auswahl geeigneter Methoden hängtbeispielsweise von der aktuellen For-schungsfrage und den zu untersuchendenSocial-Media-Plattformen ab. Nichtsde-stotrotz sind diese Fragen von großer Re-levanz für die Forschung in der Wirt-schaftsinformatik und sollten (auch) vonForschern aus der WI untersucht werden.

Aus einer zweiten Perspektive kannSMA als methodologischer Ansatz ver-standen werden, der nutzenbringendin unterschiedlichen Disziplinen ange-wandt werden kann (z. B. Wirtschaftsin-formatik, Kommunikationswissenschaft,Marketing). Im Hinblick auf die Wirt-schaftsinformatik kann SMA unter ande-rem dabei helfen, die folgenden exempla-rischen Fragen technischer und organisa-tioneller Natur zu beantworten:� Wie beeinflussen einzelne Social-

Media-Funktionen die Kommunikati-on?

� Wie funktioniert Informationsdiffusi-on in sozialen Medien?

� Welche Unterschiede und Gemein-samkeiten existieren zwischen inter-nen Unternehmensnetzwerken und öf-fentlichen Netzwerken?

� Wie beeinflussen sich unterschiedlicheSocial-Media-Plattformen untereinan-der?

� Wie können Daten aus Social Me-dia Analytics benutzt werden, umdas Wissensmanagement und dasCommunity-Management zu unter-stützen?Um diese miteinander in Beziehung

stehenden Fragen beantworten zu kön-nen, wird ein systematisches Forschungs-design einschließlich angemessener Me-thoden benötigt. Bis jetzt wurden jedochlediglich erste Schritte in diese Richtunggemacht.

5 Beispiele für erste Arbeiten

Wie bereits erwähnt, kann SMA dazuverwendet werden, verschiedenen Zie-len nachzugehen, wie etwa der Verbesse-rung des Innovationsmanagements (z. B.durch das Filtern der Vorschläge undAnregungen von Kunden), des Stake-holdermanagements (z. B. Einsichten indie Bedenken des Kunden erhalten), desReputationsmanagement (z. B. Evaluie-rung der öffentlichen Meinung in Bezug

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

Abb. 1 Social Media Analytics Framework (nach Stieglitz und Dang-Xuan 2013a)

auf das Unternehmen) und des Issues-Managements (z. B. zeitnahe Identifikati-on neuer Entwicklungen). Um diese Auf-gaben zu unterstützen, bedarf es der Ent-wicklung eines interdisziplinären, syste-matischen methodologischen Bezugsrah-mens, der sich der Analysemethoden ver-schiedener Disziplinen, insbesondere derInformatik, Mathematik/Statistik, Netz-werkanalyse und Linguistik, bedient.

Die erste Herausforderung besteht dar-in, relevante Daten entsprechend desdefinierten Zieles nachzuverfolgen. Esgibt verschiedene Ansätze zur Daten-verfolgung wie etwa stichwort-, akteur-oder URL-bezogene Ansätze. Abhängigvon der Social-Media-Plattform kön-nen APIs, RSS oder HTML-Parsing ver-wendet werden, um strukturierte (z. B.Links, Follower-Followee-Beziehungen)oder unstrukturierte Daten (z. B. textu-elle Inhalte) zu erfassen. Es existieren au-ßerdem zahlreiche Tracking Tools für diebekanntesten Social-Media-Plattformenwie Facebook und Twitter. Dennochist es unter Umständen notwendig, einentsprechendes Werkzeug zu entwickelnoder anzupassen, das die benötigten Da-ten sammelt und vorbereitet. Im An-schluss an die Datensammlung müssendiese aufbereitet werden (z. B. durchdas manuelle oder filterbasierte Ent-fernen von Spam). In einem nächstenSchritt müssen geeignete Analyseansätze(z. B. die Identifikation von strukturel-len Attributen, Sentiments oder themen-

und trendbezogenen Mustern), Metho-den (z. B. statistische Analysen wiedie Regressionsanalyse, Social NetworkAnalysis, Sentimentanalyse, Inhaltsanaly-se oder Trendanalyse) und Analysewerk-zeuge (z. B. Gephi, SentiStrength) ent-sprechend der gegebenen Forschungs-frage ausgewählt werden. Darüber hin-aus müssen Entscheidungen im Hinblickauf die statische oder dynamische Da-tenanalyse getroffen werden. Die stati-sche Datenanalyse kann zum Beispielbei der Identifikation eines gemeinsa-men Auftretens von spezifischen Wör-tern in einem Datensatz eingesetzt wer-den. Die dynamische Datenanalyse kanndabei helfen, die Entwicklung von The-men über einen längere Zeit in einemsozialen Raum zu verstehen (Abb. 1).

Es existiert eine Vielzahl von For-schungsfragen, die nur durch eine Kom-bination von Methoden beantwortet wer-den kann. Ein Beispiel hierfür, das sowohlMethoden der Social Network Analysisals auch der Inhaltsanalyse benötigt, istdie Identifikation von Meinungsführernin einem Netzwerk.

Automatisierte Methoden ermöglicheneine (fast) vollständige und durchgän-gige Überwachung der Kommunikati-on. In der Vergangenheit mussten sichdie Sozialwissenschaften oftmals mit ei-ner Fallstudie oder kleineren Stichpro-ben begnügen. Dennoch sollte sich dieForschung bewusst sein, dass die Ent-wicklung und Implementierung von neu-en Methoden und/oder die Verbesserung

bestehender Methoden aufgrund der be-stehenden Einschränkungen der compu-terbasierten Methoden und Algorithmennotwendig sind. Des Weiteren ist zu be-achten, dass soziale Medien nur einenkleinen Teil des Internet und des öffent-lichen Raumes ausmachen. Daher müs-sen auch die Unterschiede und Verbin-dungen zwischen Social Media und ande-ren Komponenten des Internet oder derOffline-Medien analysiert werden.

Neben diesem Bezugsmodell (sieheStieglitz und Dang-Xuan 2013a) wurdenweitere wichtige Schritte in Richtung sys-tematischer Forschung in dem Gebiet derSMA erreicht. Im Hinblick auf die An-wendung in einem Geschäftsumfeld stel-len Larson und Watson (2011) ihr „Soci-al Media Ökosystem“-Bezugsmodell vor,welches die durch Social Media ermög-lichten Beziehungen zwischen Stakehol-dern erklärt und vorschlägt, wie Forscherin Zukunft Forschungsfragen basierendauf diesem Modell angehen können. DesWeiteren bereitet es den Weg für die Ent-wicklung von Indikatoren zur Leistungs-messung von Social-Media-Aktivitäten,in denen Kunden und Unternehmen in-volviert sind. Gleichzeitig nimmt es ei-ne kritische Haltung gegenüber der Un-ternehmensperformance ein. In einemweiteren Beitrag stellen Rosemann et al.(2012) „Social CRM“ und „Social BI“als aufkommende Forschungsgebiete vor.Zusätzlich haben sie ein multidimensio-nales Datenmodell für das konzeptionelle

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

Zusammenfassung / AbstractStefan Stieglitz, Linh Dang-Xuan, Axel Bruns, Christoph Neuberger

Social Media Analytics

Ein interdisziplinärer Ansatz und seine Implikationen für die Wirtschaftsinformatik

Der vorliegende Beitrag setzt sich mit dem neu aufkommenden Forschungsgebiet„Social Media Analytics“ (SMA) auseinander. Nach Ansicht der Autoren wird diesesFeld erheblichen Einfluss auf die künftige Forschung im Bereich sozialer Medien inunterschiedlichen wissenschaftlichen Fachrichtungen ausüben. Es wird verdeutlicht,dass SMA in der interdisziplinären Wissenschaft mehrwertstiftend als Methodenge-rüst in der Forschung zu sozialen Medien eingesetzt werden kann. Besonders fürdie Wirtschaftsinformatik wird deutlich, dass SMA helfen kann, Bezugsmodelle fürEntscheidungsfindungen oder Entscheidungsunterstützung zu entwickeln. Dies giltsowohl für die Messung der Auswirkungen sozialer Medien innerhalb von Organi-sation als auch für die Analyse öffentlicher sozialer Netzwerke, einschließlich de-ren Auswirkungen auf Organisationen. SMA unterstützt zudem dabei, Architektur-entwürfe für die Entwicklung neuer Anwendungen und Informationssysteme be-reitzustellen, die auf sozialen Medien basieren. Im Bereich der SMA ist eine inter-disziplinäre Forschungsagenda notwendig, die gleichermaßen eine verstärkte inter-disziplinäre Zusammenarbeit erfordert und fördert. Gemeinsames interdisziplinäresZiel muss es sein, Fortschritte bei der Entwicklung von wissenschaftlichen Metho-den für die Analyse von sozialen Medien zu erreichen, die zu der Beantwortung vonForschungsfragen verschiedener Disziplinen beitragen.

Schlüsselwörter: Social Media Analytics, Soziale Medien, Informationssysteme, BigData, Interdisziplinäre Methoden, Forschungsagenda, Fächerübergreifende Koopera-tion

Social Media Analytics

An Interdisciplinary Approach and Its Implications for Information Systems

In this contribution, we introduce “social media analytics” (SMA) as an emerging in-terdisciplinary research field that, in our view, will have a significant impact on so-cial media-related future research from across different academic disciplines. Despitea number of challenges, we argue that SMA can provide other disciplines – includ-ing IS – with methodological foundations for research that focuses on social me-dia. Furthermore, we believe that SMA can help IS research to develop decision-making or decision-aiding frameworks by tackling the issue of social media-relatedperformance measurement, which has been challenging until now. Moreover, SMAcan provide architectural designs and solution frameworks for new social media-based applications and information systems. Finally, we call for an interdisciplinarySMA research agenda as well as a significantly increased level of interdisciplinary re-search co-operation, which must aim to generate significant advancements in scien-tific methods for analyzing social media, as well as to answer research questions fromacross different disciplines.

Keywords: Social media analytics, Information systems, Big data, Interdisciplinarymethods, Research agenda, Interdisciplinary co-operation

Design von Social-BI-Systemen konstru-iert und anhand der Entwicklung von Be-richten in einem Verkaufsszenario dessenAnwendbarkeit demonstriert. Aufgrunddes Fehlens von Standardmetriken fürTwitter zum Vergleich von kommunikati-ven Mustern über verschiedene Kontextehinweg haben Bruns und Stieglitz (2013)einen Katalog von weithin anwendbaren,standardisierten Metriken für eine um-fassendere Analyse von Twitter-basierterKommunikation bereitgestellt, der einenspeziellen Fokus auf den Austausch mitHashtags legt.

6 Fazit

Dieser Artikel stellt Social Media Analy-tics als ein aufkommendes Forschungs-gebiet vor, das sowohl einen großenEinfluss auf die weitere Social-Media-bezogene Forschung in unterschiedlichenDisziplinen hat als auch eine große prak-tische Relevanz besitzt. Unter Berück-sichtigung der in diesem Beitrag darge-stellten Herausforderungen kann SMAneben der Wirtschaftsinformatik auchandere Disziplinen mit methodischenGrundlagen für die Erforschung sozia-ler Medien ausstatten. SMA kann derForschung im Bereich der Wirtschafts-informatik dabei helfen, Bezugsmodellefür die Entscheidungsfindung und Ent-scheidungsunterstützung zu entwickeln,indem die Problematik der auf Social-Media-bezogenen Leistungsmessung an-gegangen und zusätzlich Architekturent-würfe und Solution Frameworks für neueauf Social Media basierende Anwendun-gen und Informationssysteme bereitge-stellt werden. Abschließend wird zu ei-ner interdisziplinären Forschungsagendaund einem erheblich höheren Grad aninterdisziplinärer Forschungskooperati-on aufgerufen, deren Ziel es sein muss,maßgebliche Fortschritte bei der Weiter-entwicklung von wissenschaftlichen Me-thoden zur Analyse von Social Mediazu erzielen und gleichzeitig entsprechen-de Forschungsfragen aus verschiedenenDisziplinen zu beantworten.

Literatur

boyd d, Crawford K (2012) Critical questionsfor big data. Information, Communication& Society 15(5):662–679

Bruns A, Burgess J (2012) Local and glo-bal responses to disaster: #eqnz and thechristchurch earthquake. In: Proc of Aus-tralia New Zealand disaster and emergen-cy management conference AST manage-ment, Brisbane, S 86–103

WIRTSCHAFTSINFORMATIK

WI – RESEARCH NOTES

Bruns A, Highfield T (2013) Political networkson twitter: tweeting the Queensland stateelection. Information, Communication &Society 16(5):667–691

Bruns A, Liang EY (2012) Tools and methodsfor capturing twitter data during naturaldisasters. First Monday 17(4)

Bruns A, Stieglitz S (2013) Towards more sys-tematic twitter analysis: metrics for twee-ting activities. International Journal of So-cial Research Methodology 16(2):91–108

Budak C, Agrawal D, El Abbadi A (2011) Struc-tural trend analysis for online social net-works. Technical report UCSB/CS-2011-04,UCSB

Burgess J, Bruns A (2012) Twitter archivesand the challenges of “Big Social Data” formedia and communication research. M/CJournal 15(5):1–7

Facebook (2013) Facebook key facts.http://newsroom.fb.com/Key-Facts. Abrufam 2013-02-19

Girvan M, Newman MEJ (2002) Communitystructure in social and biological networks.Proceedings of the National Academy ofSciences of the USA 99:8271–8276

GlobalWebIndex (2013) Twitter now thefastest growing social platform in theworld. https://www.globalwebindex.net/twitter-now-the-fastest-growing-social-platform-in-the-world/. Abruf am2013-09-03

Hevner AR, March ST, Park J, Ram S (2004) De-sign science in information systems rese-arch. MIS Quarterly 28(1):75–105

Kasiviswanathan SP, Melville P, Banerjee A,Sindhwani V (2011) Emerging topic detec-tion using dictionary learning. In: Proc ofCIKM’11

Kavanaugh A, Fox EA, Sheetz S, Yang S, LiLT, Whalen T, Shoemaker D, Natsev P, XieL (2011) Social media use by government:

from the routine to the critical. In: Procof 12th annual international digital gover-nment research conference, College Park,Maryland, S 121–130

Krippendorff K (2004) Content analysis: an in-troduction to its methodology. Sage, Lon-don

Larson K, Watson RT (2011) The value of so-cial media: toward measuring social me-dia strategies. In: Proc of 32nd interna-tional conference on information systems,Shanghai, China

Liu B (2011) Web data mining: exploring hy-perlinks, contents, and usage data. Sprin-ger, Heidelberg

Liu R, Guo W (2011) HMM-based state pre-diction for Internet hot topic. In: Proc ofthe IEEE international conference on com-puter science and automation engineering(CSAE)

Manovich L (2012) Trending: the promisesand the challenges of big social data. In:Gold MK (Hrsg) Debates in the digital hu-manities, University of Minnesota Press,Minneapolis, S 460–475

Mathioudakis M, Koudas N, Marbach P (2010)Early online identification of attention ga-thering items in social media. In: Proc ofthe 3rd ACM international conference onweb search and data mining, 4–6 February,2010, New York, USA

Pang B, Lee L (2008) Opinion mining andsentiment analysis. Found Trends Inf Retr2(1–2):1–135

Prabhu J, Sudharshan M, Saravanan M, Pra-sad G (2010) Augmenting rapid clusteringmethod for social network analysis. In: Procof 2012 IEEE/ACM int conf adv soc netwanalysis min, S 407–408

Rosemann M, Eggert M, Voigt M, Beverun-gen D (2012) Leveraging social network da-ta for analytical CRM strategies – the intro-

duction of social BI. In: Proc of 20th Euro-pean conference on information systems,Barcelona, Spain

Scott J, Carrington PC (2011) Handbook ofsocial network analysis. Sage, London

Sebastiani F (2002) Machine learning in au-tomated text categorization. ACM Compu-ting Surveys 34(1):1–47

Stieglitz S, Brockmann T, Dang-Xuan L (2012)Usage of social media for political commu-nication. In: Proc of 16th pacific Asia confe-rence on information systems. Ho Chi MinhCity, Vietnam

Stieglitz S, Dang-Xuan L (2013a) Social me-dia and political communication – a socialmedia analytics framework. Social NetworkAnalysis and Mining 3(4):1277–1291

Stieglitz S, Dang-Xuan L (2013b) Emotionsand information diffusion in social media– an investigation of sentiment of micro-blogs and sharing behavior. Journal of Ma-nagement Information Systems 29(4):217–248

Wattal S, Schuff D, Mandviwalla M, WilliamsC (2010) Web 2.0 and politics: the 2008 USpresidential election and an e-politics re-search agenda. Management InformationSystems Quarterly 34(4):669–688

Wasserman S, Faust K (1994) Social networkanalysis: methods and applications. Cam-bridge University Press, New York

Zeng J, Zhang S, Wu C, Xie J (2007) Predictivemodel for internet public opinion. In: Pro-ceedings of the fourth international con-ference on fuzzy systems and knowledgediscovery (FSKD 2007)

Zeng D, Chen H, Lusch R, Li S (2010) So-cial media analytics and intelligence. IEEEIntelligent Systems 25(6):13–16

WIRTSCHAFTSINFORMATIK