Dergiler / Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2018 / Cilt: 5 - Sayı: 3

SOSYAL MEDYA ANALİTİĞİ İLE DEĞER YARATMA: DUYGU ANALİZİ İLE GELECEĞE YÖNELİM

SOCIAL MEDIA ANALYTICS: VALUE CREATION WITH SENTIMENT ANALYSIS

Sayfa
797–811
Yayın Tarihi
2018-12-27
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu periyoddaki yayın akışındaki tüm programlar için kaç pozitif, kaç negatif ve kaç nötr tweet atıldığı bilgilerine bağlı olarak reyting değeri incelenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Müşterisi sosyal medya kullanıcıları olan işletmelerin bu kanallardan ürünleri hakkında yazılan iletileri toplayıp analiz etme, bunları satış rakamları ile karşılaştırma veya ilişkilendirme, gelecek için stratejiler geliştirme gibi imkanları vardır.
📊
Temel Bulgular & Veri:Bu amaçla bir TV kanalında yayınlanan programlar hakkında Kasım - Haziran 2017 tarihleri arasında Twitter’dan paylaşılan iletiler derlenmiş, duygu analizi tekniği ile her ileti pozitif, negatif ya da nötr olarak etiketlenmiştir.
💡
Sonuç & Katkı:Bu periyoddaki yayın akışındaki tüm programlar için kaç pozitif, kaç negatif ve kaç nötr tweet atıldığı bilgilerine bağlı olarak reyting değeri incelenmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:2017 Verileri
⚙️Değişkenler:Duygu analizi · sosyal medya analitiği · regresyon analizi

Özet

Müşterisi sosyal medya kullanıcıları olan işletmelerin bu kanallardan ürünleri hakkında yazılan iletileri toplayıp analiz etme, bunları satış rakamları ile karşılaştırma veya ilişkilendirme, gelecek için stratejiler geliştirme gibi imkanları vardır. Bu çalışmada uygulanan yöntem ile bir televizyon kanalına ait seyirci görüşlerinin sosyal medya üzerinden derlenerek kanal için faydalı bilgi elde edilmesi ve bu bilgilerin kanal için bir karar destek unsuru olması hedeflenmiştir. Bu amaçla bir TV kanalında yayınlanan programlar hakkında Kasım - Haziran 2017 tarihleri arasında Twitter’dan paylaşılan iletiler derlenmiş, duygu analizi tekniği ile her ileti pozitif, negatif ya da nötr olarak etiketlenmiştir. Bu periyoddaki yayın akışındaki tüm programlar için kaç pozitif, kaç negatif ve kaç nötr tweet atıldığı bilgilerine bağlı olarak reyting değeri incelenmiştir.

Abstract

Businesses with customers who are users of social media, have the option of collecting and analyzing data from social media, comparing or correlating them with sales figures, and developing strategies for the future. By using the method applied in this study, it is aimed to obtain beneficial information for the channel by compiling the views of spectators belonging to a television channel through social media. Also, the study will provide a decision support tool for the channel. For this purpose, Twitter is chosen as social media channel and tweets which are about programs broadcast on a TV channel, were compiled from November 2016 to June 2017. Each tweet is labeled as positive, negative, or neutral by a novel sentiment analysis method. Then, for all programs in this period, the rating was examined based on positive, negative and neutral tweets.

🔖

Bu Makaleye Atıf Yap

AKIN, B., ŞİMŞEK, U. T. G. (2018). SOSYAL MEDYA ANALİTİĞİ İLE DEĞER YARATMA: DUYGU ANALİZİ İLE GELECEĞE YÖNELİM. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 5 - Sayı: 3, 797–811. https://ajindex.com/articles/91524

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. AGRAWAL, D. Et Al. (2011) Challenges And Opportunities With Big Data. AHKTER, J. K. VE SORIA, S. (2010) Sentiment Analysis: Facebook Status Messages. Unpublished Master's Thesis, Stanford, Ca. ARAMAKI, E. VE MASKAWA, S., MORITA, M. (2011) Twitter Catches The Flu: Detecting Influenza Epidemics Using Twitter In: Proceedings Of The Conference On Empirical Methods In Natural Language Processing. Association For Computational Linguistics, P. 1568-1576.
  2. ARDIÇ, B. VE GÖKTÜRK, M. (2009) Kullanilabilir Uygulama Programlama Arayüzleri 4. Ulusal Yazilim Mühendisliği Sempozyumu, Beşiktaş, İstanbul, 91-97.
  3. ASUR, S. VE HUBERMAN, B. A. (2010) Predicting The Future With Social Media In: Web Intelligence And Intelligent Agent Technology (Wi-Iat), Ieee/Wic/Acm International Conference On. Ieee, P. 492-499.
  4. BALOĞLU, A. (2015)
  5. Sosyal Medya Madenciliği, Beta Yayınları.
  6. BATRINCA, B. ve TRELEAVEN, P. C. (2015) Social Media Analytics: A Survey Of Techniques Tools And Platforms. Ai & Society, 30.1: 89-116.
  7. BELLO-ORGAZ, G., JUNG, JASON J. ve CAMACHO, D. (2016) Social Big Data: Recent Achievements And New Challenges Information Fusion, 28: 45-59.
  8. BODNAR, T. ve SALATHÉ, M. (2013) Validating Models For Disease Detection Using Twitter In: Proceedings Of The 22nd International Conference On World Wide Web. Acm, P. 699-702.
  9. CIOFFI-REVILLA, C. (2010) Wiley Interdisciplinary Reviews: Computational Statistics Vol. 2, No. 3, Pp. 259-271.
  10. CODAL, K. S. ve COŞKUN, E. (2016) Sosyal Ağ Türlerinin Karşilaştirilmasina İlişkin Bir Ağ Analizi Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. CULOTTA, A. (2010) Towards Detecting İnfluenza Epidemics By Analyzing Twitter Messages In: Proceedings Of The First Workshop On Social Media Analytics. Acm, P. 115-122.
  11. CVIJIKJ, I. P. VE MICHAHELLES, F. (2013) Online Engagement Factors On Facebook Brand Pages Social Network Analysis And Mining, 3.4: 843-861.
  12. ÇOBAN, Ö., ÖZYER, B. VE ÖZYER, G. T. (2015) Sentiment Analysis For Turkish Twitter Feeds In: Signal Processing And Communications Applications Conference (Siu), 23th. Ieee, 2015. P. 2388-2391.
  13. DING, C., Et Al. (2017) The Power Of The Like Button: The Impact Of Social Media On Box Office Decision Support Systems, 94: 77-84.
  14. EIRINAKI, M., PISAL, S. VE SINGH, J. (2012) Feature-Based Opinion Mining And Ranking Journal Of Computer And System Sciences, 78.4: 1175-1184.
  15. GHIASSI, M., SKINNER, J. VE ZIMBRA, D. (2013) Twitter Brand Sentiment Analysis: A Hybrid System Using N-Gram Analysis And Dynamic A