Descrizione dataset

Un dataset (o data set) è una collezione di dati. Più comunemente un dataset costituisce un insieme di dati strutturati in forma relazionale, cioè corrisponde al contenuto di una singola tabella di database, oppure ad una singola matrice di dati statistici, in cui ogni colonna della tabella rappresenta una particolare variabile, e ogni riga corrisponde ad un determinato membro del dataset in questione. La dimensione del dataset è data dal numero dei membri presenti, che formano le righe, e dal numero delle variabili di cui si compone, che formano le colonne.

Il nostro dataset è composto da 10922 righe, corrispondenti al numero di messaggi facebook di 19 aziende analizzate. Sono stati raccolti tutti i post che ciascuna azienda ha pubblicato in un arco temporale di due anni e mezzo, per l’esattezza dal 1 Luglio 2014 al 31 Dicembre 2016. Queste aziende si differenziano per dimensione, ma sono accomunate dal fatto che svolgono il proprio business all’interno del settore food and beverage.

Figura 4.2: cattura del dataset

Si possono notare, in questa immagine, da quali colonne sia composto il nostro dataset. Tra le più rilevanti abbiamo il nome dell’azienda nella colonna B. Saltando la colonna successiva con i “post id”, nella colonna D abbiamo le date in cui i post sono stati pubblicati. Passando poi alla colonna G, c’è il numero di condivisioni che ogni post ha ricevuto e nelle due successsive colonne, H ed I, troviamo rispettivamente il numero di like ed il numero di commenti per post. Troviamo poi, nella colonna J, la parte fondamentale del nostro studio, il messaggio, ovvero il post che è stato pubblicato. Infine, nelle successive colonne, ai fini della ricerca, può essere rilevante l’informazione sulla tipologia di post (type), ovvero se è presente un link, una foto, un video, o altro.

Come scritto in precedenza il numero dei messaggi totali postati dalle 19 aziende è 10922, però questo numero non corrisponde al numero totale di messaggi analizzati. Nel dataset infatti, alcune righe per errore sono state inserite in bianco ed il numero totale dei messaggi analizzati risulta essere stato 10647. Per correttezza è quindi giusto dire che l’analisi è stata effettuata sul 97,48% dei messaggi che le aziende hanno postato su Facebook nei 30 mesi che vanno dal 1 Luglio 2014 al 31 Dicembre 2016.

Tabella 4.1: tabella riassuntiva del dataset

Nella tabella 4.1 è rappresentata la tabella riassuntiva del dataset. Per prima cosa sono stati suddivisi i messaggi per azienda ed infatti, nella prima colonna troviamo il nome delle 19 aziende presenti nel dataset. Nelle successive colonne ci sono in ordine, il numero di condivisioni, il numero di like, il numero di commenti totali per ciascuna azienda. Nella penultima colonna sono inseriti il numero di messaggi scritti per azienda e nella successiva colonna troviamo la percentuale di messaggi scritti dall’azienda sul totale dei messaggi analizzati. Dando una rapida occhiata alla tabella si nota come il numero di share, like e commenti non sia uniforme per tutte le aziende e si può intuire che le aziende, come scritto in precedenza, siano di dimensioni differenti. Un’altra importante considerazione la si può fare sul numero di post scritti per ogni azienda e si vede come Matilde Vicenzi e ViviDanone assieme abbiano postato quasi il 30% dei messaggi totali analizzati, influendo in questo modo in maniera considerevole su ogni tipo di analisi. Si è deciso quindi di rapportare il numero di share, like e commenti al numero totale dei messaggi postati dall’azienda. In questo modo vediamo un dato probabilmente più significativo, il numero medio di per post e non il totale.

Share Like Comment N messaggi % su totale

Actimel 9.854 299.018 3.561 469 4,40% Activia 48.738 452.060 6.570 736 6,91% AlgidaItalia 6.316 34.302 2.245 238 2,24% Bahlsen Italia 938 4.658 121 228 2,14% benandjerrysUS 304.635 1.213.026 115.355 695 6,53% GelatiSammontana 8.809 66.860 3.160 356 3,34% granarolo.it 28.298 268.057 5.235 534 5,02% MatildeVicenziIt 11.235 115.942 1.551 1.336 12,55% mikado.it 19.081 702.250 8.053 124 1,16% Mukki.Paginaufficiale 6.217 59.656 1.934 704 6,61% Mulino Bianco 167.573 1.600.424 59.879 361 3,39% Oikos Italia 7.185 113.693 1.829 141 1,32% Oreo 82.105 2.808.277 34.401 295 2,77% Tropicana 56.394 342.713 8.501 317 2,98% TUCItalia 17.983 309.150 9.900 145 1,36% valfrutta 15.195 211.723 3.070 592 5,56% Vitasnella 28.073 122.157 3.753 831 7,81% ViviDanone 185.184 589.077 36.931 1.839 17,27% zuegg 9.950 128.529 3.748 706 6,63% Totale 1.013.763 9.441.572 309.797 10.647 100,00% Aziende

Tabella 4.2: risultati medi per azienda

Queste sono solo però, piccole osservazioni antecedenti al principale lavoro di codifica dei messaggi e della loro successiva analisi, che verrà presentata nel proseguo dell’elaborato.

4.2 Codifica

Per analizzare i messaggi del nostro dataset abbiamo deciso di codificarli seguendo la strategia di marketing utilizzata da Starbucks con i propri messaggi Twitter. L’azienda americana ha scelto di suddividere i contenuti dei propri tweet in tre diverse categorie. Similmente abbiamo inserito tre colonne nel nostro dataset, una per tipologia di messaggio e le abbiamo codificate con il numero 1, se il messaggio apparteneva a quella categoria, oppure con il numero 0 se invece non apparteneva. Un messaggio, è importante aggiungere, può appartenere anche a due categorie contemporaneamente. La descrizione completa delle categorie è presentata nella seguente figura.

Aziende Media share Media like Media comm

Actimel 21,01 637,57 7,59 Activia 66,22 614,21 8,93 AlgidaItalia 26,54 144,13 9,43 Bahlsen Italia 4,11 20,43 0,53 benandjerrysUS 438,32 1.745,36 165,98 GelatiSammontana 24,74 187,81 8,88 granarolo.it 52,99 501,98 9,80 MatildeVicenziIt 8,41 86,78 1,16 mikado.it 153,88 5.663,31 64,94 Mukki.Paginaufficiale 8,83 84,74 2,75 Mulino Bianco 464,19 4.433,31 165,87 Oikos Italia 50,96 806,33 12,97 Oreo 278,32 9.519,58 116,61 Tropicana 177,90 1.081,11 26,82 TUCItalia 124,02 2.132,07 68,28 valfrutta 25,67 357,64 5,19 Vitasnella 33,78 147,00 4,52 ViviDanone 100,70 320,32 20,08 zuegg 14,09 182,05 5,31

Figura 4.3: descrizione categorie

1. Information

Il primo tipo di contenuto è information. Per questo tipo, lo scopo dei messaggi è di comunicare informazioni preziose ai follower, informarli sui nuovi prodotti, o alimentare il loro interesse sui prodotti già esistenti. L’importanza del contenuto è data dai benefici che i follower potrebbero ricevere da questo tipo di comunicazioni. La condizione necessaria che il contenuto sia di tipo information è descritta nella colonna accanto.

Un messaggio è di tipo information se: • fornisce un suggerimento pratico; • presenta o promuove un prodotto; • presenta o promuove un negozio;

• presenta o pomuove un’operazione commerciale; • si stratta di un annuncio ufficiale;

• fornnisce informazioni di altro tipo.

Un esempio pratico di messaggio di tipo information preso dal dataset, è come si può vedere anche dall’immagine 4.2, il quinto messaggio actimel del 5 Luglio 2014, “in Giappone colazione significa riso del mattino, noi vogliamo prenderli alla lettera!”. Questo messaggio, infatti fornisce un’informazione “di altro tipo” e per questo motivo lo possiamo inserire nella categoria information.

2. Emotion

Il secondo tipo di contenuto è emotion. Per rientrare in questo tipo di categoria il messaggio deve essere:

•un immagine;

•un messaggio sentimentale; •un racconto;

•citazioni che hanno lo scopo di ispirare i follower; •poesie;

•messaggi divertenti; •messaggi spiritosi.

Lo scopo principale dei messaggi di tipo emotion, è quello di evocare emozioni positive negli utenti, come per esempio felicità, eccitazione, timore, serenità, pace, calma e gioia. La maggior parte di questi messaggi generalmente è composto da un immagine. Solitamente le immagini utilizzano un contenuto visivo positivo. Sono spesso immagini belle, magari aggiustate digitalmente

e/o modificate per poter creare un interesse a chi le guarda. Nei messaggi che vogliono esprimere un sentimento vengono utilizzate parole che hanno lo scopo di far provare sentimenti positivi. Questi messaggi possono essere lunghi o brevi, sono tipicamente riferiti al brand ed il primo messaggio di Actimel del primo Luglio 2014 ne è un esempio: “Sos. Abbiamo finito Actimel! Siamo ancora in tempo per correre a comprarlo!”. Il messaggio vuole suscitare un’emozione, esprime ansia, agitazione per la mancanza di Actimel, ma anche eccitazione, perché si invita i lettori del post ad andare di corsa a comprare il prodotto. Per questa tipologia di messaggio non hanno lo scopo di fornire informazioni agli utenti, né li spingono a compiere azioni. Tuttavia, creare emozioni attraverso contenuti capaci di suscitare un certo tipo di sensazioni è senza alcun dubbio importante per costruire un brand di successo.

3. Action

La terza e ultima tipologia di contenuto la chiamiamo emotion. Questi messaggi cercano di convincere gli utenti a compiere una determinata azione, come può essere un acquisto, ma anche partecipando ad una qualche iniziativa, o registrandosi su un sito. Solitamente il messaggio si presenta in forma imperativa e spesso riguarda la vendita promozionale. I messaggi di tipo emotion in particolare sono quelli che chiedono di:

• scaricare dei contenuti; • partecipare ad eventi; • rispondere a delle domande;

• agire a seguito di un’azione di promozione; • interagire con i social media;

• registrarsi a siti o carte fedeltà.

Un esempio di questo tipo di contenuto, prendendo sempre come riferimento i primi messaggi del nostro dataset, è il post Actimel del 13 Luglio 2014: “Sapete che cosa indebolisce il sistema

immunitario? Scopriamolo insieme! http://www.actimel.it/sistema_immunitario/stress.aspx In

questo, come scritto precedentemente, Actimel in maniera imperativa invita il lettore a compiere un’azione, in particolare a cliccare sul link indicato per visitare il sito dell’azienda.

Figura 4.4: primi messaggi codificati

Dalla figura 4.4 si possono vedere le tre nuove colonne aggiunte per la codifica dei messaggi. In ordine troviamo la colonna information, emotion ed action. Come scritto precedentemente, la codifica è avvenuta inserendo il numero 1 quando si è pensato che il messaggio potesse rientrare nella categoria e con il numero 0 quando al contrario non vi rientrava. Inoltre, si può anche notare che alcuni messaggi rientrano contemporaneamente in due diverse categorie. Il sesto messaggio, infatti, ne è un esempio, “fai mi piace anche tu se Actimel 0,1 è il tuo preferito per l’estate!”, poiché rientra sia nella categoria emotion, sia in quella action. Il significato principale è quello di spingere il lettore a compiere un’azione mettendo like al post e per questo motivo il messaggio rientra nella categoria action. Allo stesso tempo, però può anche appartenere ad emotion, perché implicitamente si chiede al lettore un gusto, una preferenza e si cerca di fargli vivere sentimenti positivi attraverso il ricordo dell’estate. Dopo questa breve presentazione del dataset e spiegazione della sua composizione, nel prossimo paragrafo si mostreranno i risultati ottenuti dall’analisi fatta.

4.3 Risultati

Dopo aver completato il lungo processo di codifica, sono stati raccolti i risultati e sintetizzati nella tabella seguente.

Tabella 4.3: statistiche descrittive del dataset

Le prime tre colonne sono suddivise per tipologia di contenuto dei messaggi, mentre l’ultima somma i totali. Per quanto riguarda le righe, invece abbiamo inserito in ordine, share, like e commenti. In questo modo nella prima riga è presente il numero totale di codivisioni per tipologia di messaggio, nella successiva il numero totale di like per tipologia di messaggio e nella terza il numero totale dei messaggi. Questi dati non sono molto significativi, ma sono utili per i successivi calcoli. Troviamo poi il numero di messaggi per tipologia di contenuto, con la relativa percentuale nella riga successiva e notiamo come più della metà, il 56,9%, siano di tipo information, seguono poi gli action con 29,38% e gli emotion con il 21,51%.

La somma delle tre percentuali, come riportato alla fine della riga, supera il 100%. Non è un errore, anche se magari si poteva non inserire nella tabella, ma semplicemente indica che alcuni messaggi contengono un doppio contenuto. Come scritto in precedenza l’appartenenza ad una tipologia di contenuto non ne esclude a priori un’altra.

Nelle ultime tre righe abbiamo calcolato le medie di condivisioni, like e commenti per tipologia di contenuto. Si può notare che il numero di condivisioni sia maggiore per i messaggi di tipo information, 112,41 condivisioni a messaggio, poi seguono emotion con 78,56 ed action con 53,26. I maggiori like si ricevono per i messaggi di tipo emotion, seguono poco staccati gli action e