ソーシャルメディア分析
ソーシャル メディア モニタリング ツールにおける、Twitter 上の「teszt」という用語の話題グラフ。

ソーシャルメディア分析またはソーシャルメディアモニタリングとは、 Facebook、Instagram、LinkedIn、Twitterなどのソーシャルネットワークからデータを収集し分析するプロセスです。ソーシャルメディア分析の一部は、ソーシャルメディアモニタリングまたはソーシャルリスニングと呼ばれています。これは、マーケティング担当者が製品や企業に関するオンライン上の会話を追跡するためによく使用されます。ある著者は、これを「膨大な量の半構造化および非構造化ソーシャルメディアデータから貴重な隠れた洞察を抽出し、情報に基づいた洞察に満ちた意思決定を可能にする芸術と科学」と定義しています。[ 1 ]

プロセス

ソーシャルメディア分析には、データの識別、データ分析、情報の解釈という3つの主要なステップがあります。プロセスの各ポイントで得られる価値を最大化するために、アナリストは答えるべき質問を定義する場合があります。データ分析で重要な質問は、「誰が？何を？どこで？いつ？なぜ？どのように？」です。これらの質問は、評価する適切なデータソースを決定するのに役立ち、実行できる分析の種類に影響を与える可能性があります。[ 2 ]ソーシャルメディア分析をより簡単に追跡できるように、Hootsuite、Sprout Social、Later、Buffer、SocialPilotなどの専用ツールや、Facebook Insights、Twitter Analytics、Instagram Insightsなどのソーシャルメディアプラットフォームのネイティブ分析ツールが作成され、企業が分析を1か所に統合​​できるようにしています。[ 3 ]

データ識別

データ識別とは、分析の焦点となる利用可能なデータのサブセットを特定するプロセスです。生データは解釈されれば有用ですが、分析されると、メッセージを伝え始めることができます。意味のあるメッセージを伝えるデータは情報となります。大まかに言えば、未処理データは正確なメッセージに変換するために、以下の形態をとります。ノイズの多いデータ、関連データと無関係なデータ、フィルタリングされたデータ、関連データのみ、情報、漠然としたメッセージを伝えるデータ、知識、正確なメッセージを伝えるデータ、知恵、正確なメッセージとその背後にある理由を伝えるデータ。未処理データから知恵を引き出すには、データ処理を開始し、焦点を当てたいデータを追加してデータセットを精緻化し、情報を識別できるようにデータを整理する必要があります。ソーシャルメディア分析の文脈において、データ識別とは「どのような」コンテンツが関心の対象であるかを意味します。コンテンツのテキストに加えて、誰がそのテキストを書いたのか、どこで見つかったのか、どのソーシャルメディアのサイトで公開されたのか、特定の地域の情報に興味があるのか​​、ソーシャルメディアで誰かがいつ何かを発言したのかを知りたいのです[ 2 ]。

考慮する必要があるデータの属性は次のとおりです。

[ 5 ]ソーシャルメディア分析プロセス

データ分析

データ分析は、生データを洞察に変換する一連の活動であり、ひいては新しい知識基盤とビジネス価値につながります。言い換えれば、データ分析は、フィルタリングされたデータを入力として受け取り、それをアナリストにとって価値のある情報に変換する段階です。ソーシャルメディアデータでは、投稿、感情、感情要因、地理、人口統計などの分析を含む、さまざまな種類の分析を実行できます。データ分析ステップは、解決したい問題がわかり、意味のある結果を生成するのに十分なデータがあることがわかったら開始します。結論を正当化するのに十分な証拠があるかどうかをどのように知ることができるでしょうか。この質問への答えは、わかりません、です。データの分析を開始してみなければ、これを知ることはできません。分析中にデータが十分でないことが判明した場合は、最初のフェーズを繰り返して質問を変更します。データが分析に十分であると考えられる場合は、データモデルを構築する必要があります。[ 2 ]

データモデルの開発とは、データ要素を整理し、個々のデータ要素間の関連性を標準化するためのプロセスまたは手法です。このステップは、データに対してコンピュータプログラムを実行する必要があるため重要です。どの単語やテーマが重要か、そして特定の単語が調査対象のトピックに関連しているかどうかをコンピュータに伝える方法が必要です。

データ分析においては、複数のツールを利用できると便利です。これは、トピックに関する議論を異なる視点から捉えるのに役立ちます。ここでの目的は、特定のタスクにおいてツールが最高のパフォーマンスを発揮するように設定することです。例えば、ワードクラウドを考えてみましょう。コンピューター専門家、例えば「ITアーキテクト」に関する大量のデータを集めてワードクラウドを構築すると、クラウド内で最も大きな単語は間違いなく「アーキテクト」でしょう。この分析はツールの使用法についても考察します。感情の判断に優れたツールもあれば、テキストを文法形式に分解し、様々な単語やフレーズの意味や用法をより深く理解するのに優れたツールもあります。分析を行う際に、分析の過程におけるすべてのステップを列挙することは困難です。決まったやり方がないため、非常に反復的なアプローチとなります。[ 2 ]

その分析から得られた分類と洞察は次のとおりです。

  • 分析の深さ：ストリーミングデータに基づく単純な記述統計、蓄積データに対するアドホック分析、あるいは蓄積データに対して実行される詳細な分析。この分析次元は、プロジェクトの結果を得るために利用可能な時間の長さによって大きく左右されます。これは、分析時間が数時間から数か月に及ぶ、幅広い連続体として捉えることができます。この分析は、以下のような疑問に答えることができます。
    • ツイートでWikipediaに言及した人は何人いますか？
    • 討論会中に最も多くの「いいね！」を獲得した政治家は誰ですか？
    • ソーシャルビジネスの観点で最も多くの言及を集めている競合企業はどれですか?
  • マシン処理能力:データセットを妥当な時間内に処理するために必要なCPUの量。処理能力の数値は、CPUのニーズだけでなく、データを取得するために必要なネットワーク容量も考慮する必要があります。この分析は、リアルタイム、準リアルタイム、アドホック調査、詳細分析として実行できます。ソーシャルメディアにおけるリアルタイム分析は、特定のトピックに関する世間の認識を理解し、反応や迅速な方向転換を図る上で重要なツールです。準リアルタイム分析では、データがリアルタイムよりも遅い速度でツールに取り込まれることを想定しています。アドホック分析は、特定の1つの質問に答えるために設計されたプロセスです。アドホック分析の成果物は通常、レポートまたはデータサマリーです。詳細分析は、長時間にわたる大量のデータを含む分析を意味し、通常は高いCPU要件につながります。[ 2 ]
  • 分析領域：分析領域は、大きく分けて外部ソーシャルメディアと内部ソーシャルメディアに分類されます。多くの場合、「ソーシャルメディア」という言葉は外部ソーシャルメディアを指します。これには、Twitter、Facebook、LinkedInなどの人気ソーシャルメディアサイトから生成されたコンテンツが含まれます。一方、内部ソーシャルメディアには、企業内コミュニケーションを支援するためのプライベートソーシャルネットワークであるエンタープライズソーシャルネットワークが含まれます。 [ 6 ]
  • データの速度: ソーシャルメディアにおけるデータの速度は、静止データと移動データの2つのカテゴリに分けられます。移動データの速度の側面から、次のような質問に答えることができます。試合の進行中に、一般の人々の感情が選手に対してどのように変化しているか。観客は、実際には試合に負けている選手に対して肯定的な感情を伝えているでしょうか。このような場合、分析はデータが到着した時点で行われます。この分析で生成される詳細の量は、分析ツールまたはシステムの複雑さと直接相関しています。非常に複雑なツールは、より多くの詳細を生成します。速度の観点からの2つ目のタイプの分析は、静止データの分析です。この分析は、データが完全に収集された後に実行されます。この分析を実行することで、次のような洞察が得られます。自社のどの製品が他社製品と比較して最も多く言及されているか。競合他社の製品と比較して、自社製品に対する相対的な感情はどのようなものか。[ 2 ]

情報解釈

分析から得られる洞察は、分析の第1段階で提起された最初の問いと同じくらい多岐にわたります。この段階では、技術に詳しくないビジネスユーザーが情報の受信者となるため、データの提示方法が重要になります。データを効果的に理解し、適切な意思決定に活用するにはどうすればよいでしょうか。この問いへの答えは、情報の視覚化（グラフィック化）です。 [ 7 ]

最良の視覚化とは、データに含まれる根底にあるパターンや関係性について新たな何かを明らかにするものです。パターンを明らかにし、理解することは、意思決定プロセスにおいて重要な役割を果たします。データの視覚化において考慮すべき基準は主に3つあります。

  • 対象者を理解する：視覚化を構築する前に、大量の情報を、情報消費者が容易に理解できる形式で伝えるという目標を設定しましょう。「対象者は誰なのか？」「対象者は使用されている用語の知識を持っていると想定できるのか？」という問いに答えることが重要です。専門家の対象者は一般の対象者とは異なる期待を持っているため、その期待を考慮する必要があります。[ 8 ]
  • 明確な枠組みを設定する：アナリストは、視覚化が文法的および意味的に正しいことを確認する必要があります。例えば、アイコンを使用する場合、要素はそれが表す対象と類似しており、サイズ、色、位置はすべて視聴者に意味を伝えるものでなければなりません。[ 8 ]
  • ストーリーを伝える：分析情報は複雑で理解しにくいため、視覚化の目的は情報を理解し、意味づけることです。ストーリーテリングは、閲覧者がデータから洞察を得るのに役立ちます。視覚化では、情報を物語として提示し、記憶しやすい構造にまとめる必要があります。これは、分析者と意思決定者が同一人物ではない多くのシナリオにおいて重要です。[ 8 ]

テクニック

ソーシャルメディア分析の一般的なユースケース 必要なビジネス洞察力 ソーシャルメディア分析技術 ソーシャルメディアのパフォーマンス指標
ソーシャルメディアのオーディエンスセグメンテーション 獲得、成長、維持のためにターゲットとするセグメントはどれでしょうか？ブランドや製品の支持者や影響力を持つのは誰でしょうか？ ソーシャルネットワーク分析積極的な支持者、支持者の影響力
ソーシャルメディアの情報発見 ビジネスに関連する新しいトピックやテーマは何ですか？影響力のある新しいコミュニティは生まれていますか？ 自然言語処理、複合イベント処理トピックのトレンド、感情比率
ソーシャルメディアへの露出と影響力 消費者のブランド認知度は？競合他社と比較した場合、ブランドはどのような位置づけにあるか？議論にはどのソーシャルメディアチャネルが利用されているか？ ソーシャルネットワーク分析、自然言語処理 会話のリーチ、速度、発言力、視聴者のエンゲージメント
ソーシャルメディア行動推論 ビジネスに関連するトピックと課題の間にはどのような関係があるでしょうか？表明された意向（購入、解約など）の原因は何でしょうか？ 自然言語処理、クラスタリング、データマイニング興味や好み（テーマ）、相関関係、トピック親和性マトリックス

ビジネスインテリジェンスへの影響

ソーシャルメディア分析に関する最近の研究では、ソーシャルメディアデータの収集、分析、解釈にビジネスインテリジェンスベースのアプローチを採用する必要性を強調しています。 [ 9 ] [ 10 ]ソーシャルメディアは、ビジネスインテリジェンスにとって、課題はあるものの、有望なデータソースとなります。顧客は自発的に製品や企業について話し合い、ブランドの感情や採用状況をリアルタイムで伝えます。[ 11 ]急速に進化するメディア環境において、ソーシャルメディアはマーケティング担当者にとって最も重要なツールの1つです。企業はソーシャルメディアマーケティングを担当する専門の部署を設けています。これらの議論は、ソーシャルメディアの活動は相互に関連しており、影響を与え合っていることを示唆するソーシャルメディアマーケティングに関する文献と一致しています。[ 12 ]

MoonとIacobucci（2022）[ 13 ]は、ソーシャルメディア分析のマーケティングへの応用に焦点を当てました。このような応用には、ソーシャルメディア上の消費者行動、企業業績へのソーシャルメディアの影響、ビジネス戦略、製品/ブランド管理、ソーシャルメディアネットワーク分析、ソーシャルメディア上の消費者プライバシーとデータセキュリティ、ソーシャルメディア上の虚偽/偏ったコンテンツが含まれます。特に、ソーシャルメディアのデータ侵害に起因するリスクの増大を考えると、消費者のプライバシーとデータセキュリティはソーシャルメディアの世界でますます重要になっています。同様に、ソーシャルメディアの成長に伴い、疑わしいソーシャルメディアの投稿が大幅に増加しています。LucaとServas（2015）[ 14 ]は、競争が激化すると、企業が偽の投稿を使用する潜在的なインセンティブを持つことを報告しました。そのため、疑わしい投稿（例：Yelpの偽のレビュー）を識別および監視する能力を向上させることは、ソーシャルメディアプラットフォーム管理の重要な部分となっています。[ 15 ]

ムルガナンタムとガンディー（2020）は、ソーシャルメディアユーザーの嗜好、感情、行動、マーケティングデータがソーシャルメディア分析と関連していることを証明するために、多基準意思決定（MCDM）モデルを提案しました。インターネットユーザーは密接に結びついており、社会イデオロギーやソーシャルネットワークにおいて高い相互影響力を示しており、それがビジネスインテリジェンスにも影響を与えています。[ 16 ]

国際政治における役割

ソーシャルメディア分析とソーシャルメディアマイニングが政治の場に及ぼす危険性は、2010年代後半に明らかになりました。特に、データマイニング企業ケンブリッジ・アナリティカによる2016年の米国大統領選挙と英国のEU離脱への関与は、ソーシャルメディアマイニングと政治を結びつけることの危険性を示す代表的な事例となりました。このことは、個人のデータプライバシーの問題、そして将来、政治との関連においてデータサイエンス企業にどのような法的境界を設けるべきかという問題を提起しています。以下に挙げる2つの事例は、ビッグデータが国際政治の様相を一変させる未来を示唆しています。政治とテクノロジーは、次の世紀を通して共に進化していく可能性が高いでしょう。ケンブリッジ・アナリティカの事例では、ソーシャルメディア分析の影響が、米国と英国という二大大国を通じて世界中に波及しました。

2016年アメリカ合衆国大統領選挙

2016年のアメリカ大統領選挙後に起きたスキャンダルは、ケンブリッジ・アナリティカ、トランプ陣営、そしてFacebookの三者関係に関係するものでした。ケンブリッジ・アナリティカは、8,700万人[ 17 ]を超える、意識のないFacebookユーザーのデータを取得し、トランプ陣営に有利なように分析しました。2億3,000万人の米国成人に関する数千のデータポイントを作成することで、このデータマイニング企業は、どの個人がトランプ陣営に投票するよう促される可能性があるかを分析し、それらのターゲットにメッセージや広告を送り、ユーザーの考え方に影響を与える可能性がありました。こうして、特定のターゲット有権者は、政治的な影響を受けていることさえ意識することなく、トランプ支持のメッセージに触れることができました。このように、選ばれた個人に平均以上の量の選挙広告を紹介する特定の形態のターゲティングは、「マイクロターゲティング」と呼ばれています[ 18 ]。このマイクロターゲティングが2016年の選挙にどれほどの影響を与えたかを測定するには、依然として大きな議論が続いています。 2010 年代後半の時点では、新興技術分野としてのマイクロターゲティング広告とソーシャル メディア データ分析が政治にどのような影響を与えるかは不明です。

これはユーザーのプライバシーの侵害であるが、データマイニングとターゲットマーケティングは、ソーシャルメディア企業がもはや負う必要のない公的説明責任を弱体化させ、民主的な選挙制度を歪め、「メディアのメッセージを二極化するユーザー生成コンテンツ」のプラットフォームに支配されることを許した。[ 19 ]

2020年アメリカ大統領選挙の論争

ソーシャルメディア分析会社CounterActionによるFacebookの政治グループと投稿の分析は、 2020年の米国大統領選挙の覆しや2021年の米国議会議事堂襲撃などの抗議運動におけるソーシャルメディア大手の役割を明らかにした。[ 20 ] [ 21 ]

クリストファー・ワイリー氏は、ケンブリッジ・アナリティカとフェイスブックのデータスキャンダルを受けて国会議事堂広場で行われた抗議活動で演説した。

ブレグジット

2016年の英国のEU離脱国民投票の際、ケンブリッジ・アナリティカはソーシャルメディアから収集したデータの使用をめぐって物議を醸した。同様のケースでは、ケンブリッジ・アナリティカによるデータ侵害とFacebookのデータが取得された。2016年のEU離脱国民投票で英国民に離脱投票を促すために同社がそのデータを利用したのではないかとの懸念があった。[22] 3年間の調査の後、2020年に国民投票への関与はなかったと結論付けられた。[ 23 ] [ 22 ]ケンブリッジ・アナリティカ以外にも、 AIQ [ 24 ]やケンブリッジ大学心理測定センター[ 25 ]など複数のデータ会社が、データを悪用して英国のEU離脱に向けた違法な選挙運動手法を促進した疑いで英国政府から告発され、調査を受けた。[ 26 ] [ 27 ]国民投票は、投票者の51.89%が英国のEU離脱を支持する結果となった。この最終決定はイギリス国内の政治に影響を及ぼし、世界中の政治・経済制度に波紋を広げた。[ 28 ]

参照

参考文献

  1. ^スポンサー、マーシャル;カーン、ゴハール F. (2017)。マーケティングのためのデジタル分析。ニューヨーク州ニューヨーク州。ISBN 9781138190672. OCLC  975370877 .{{cite book}}: CS1 maint: location missing publisher (link)
  2. ^ a b c d e f Ganis, Matthew; Kohirkar, Avinash (2015).ソーシャルメディア分析：ソーシャルメディアからビジネス価値を引き出すためのテクニックと洞察ニューヨーク：IBM Press. pp.  40– 137. ISBN 978-0-13-389256-7。
  3. ^ピスキン、セルカン（2022年12月30日）『ソーシャルメディアマーケティングをマスターする2023：ビジネスオーナーのための必須ガイド』ISBN 979-8-3720-8527-5。
  4. ^ 「構造化データとは？ - WhatIs.comからの定義」 WhatIs.com 2016年12月6日閲覧。
  5. ^ Ganis, Matthew; Kohirkar, Avinash (2015). 『ソーシャルメディア分析：ソーシャルメディアからビジネス価値を引き出すためのテクニックと洞察』ニューヨーク: IBM Press. pp.  247– 248. ISBN 978-0-13-389256-7。
  6. ^ Kitt, Denise (2012年5月24日). 「エンタープライズソーシャルネットワークの説明」 . CRM Switch . 2016年11月5日閲覧。
  7. ^ Steele, Julie (2012年2月15日). 「データビジュアライゼーションが重要な理由」 . O'Reilly Media . 2016年12月11日閲覧。
  8. ^ a b c「成功するデータビジュアライゼーションの3つの要素」ハーバード・ビジネス・レビュー。 2016年12月11日閲覧。
  9. ^ Ruhi, Umar (2014). 「ビジネスインテリジェンスの実践としてのソーシャルメディア分析：現状と将来の展望」 . Journal of Internet Social Networking & Virtual Communities : 1– 12. doi : 10.5171/2014.920553 . S2CID 167544401 . 
  10. ^ Fan, W., & Gordon, MD (2014年6月1日). 「ソーシャルメディア分析の威力」. Association for Computing Machinery. Communications of the ACM , 57, 6, 74.
  11. ^ Lu, Y., Wang, F., & Maciejewski, R. (2014年1月1日). 「ソーシャルメディアからのビジネスインテリジェンス：VAST Box Office Challengeの調査」 IEEE Computer Graphics and Applications , 34, 5.)
  12. ^ Saboo, AR, Kumar, V., Ramani, G. (2016年9月1日). 「ソーシャルメディア活動がヒューマンブランド売上に及ぼす影響の評価」 International Journal of Research in Marketing , 33, 3, 524-541.
  13. ^ Moon, Sangkil; Iacobucci, Dawn (2022年2月28日). 「ソーシャルメディア分析とマーケティングへの応用」 . Foundations and Trends in Marketing . 15 (4): 213– 292. doi : 10.1561/1700000073 . ISSN 1555-0753 . S2CID 247201448. 2022年12月11日時点のオリジナルよりアーカイブ。2022年12月11日閲覧。  
  14. ^ Luca, Michael; Zervas, Georgios (2016年12月1日). 「偽りの人生：評判、競争、そしてYelpレビュー詐欺」 . Management Science . 62 (12): 3412– 3427. doi : 10.1287/mnsc.2015.2304 . hdl : 2144/40313 . ISSN 0025-1909 . 2022年12月11日時点のオリジナルよりアーカイブ。 2022年12月11日閲覧。 
  15. ^ Moon, Sangkil; Kim, Moon-Yong; Bergey, Paul K. (2019-09-01). 「極端な表現に基づく消費者レビューにおける欺瞞の推定：オープン型ホテル予約プラットフォームとクローズ型ホテル予約プラットフォームの比較分析」 . Journal of Business Research . 102 : 83–96 . doi : 10.1016/j.jbusres.2019.05.016 . ISSN 0148-2963 . S2CID 181482746 .  
  16. ^ Muruganantham A.; Gandhi, G. Meera (2020-02-01). 「多基準意思決定（MCDM）モデルに基づくソーシャルメディア分析フレームワーク」 .マルチメディアツールとアプリケーション. 79 (5): 3913– 3927. doi : 10.1007/s11042-019-7470-2 . ISSN 1573-7721 . S2CID 254869748 .  
  17. ^ハンナ・ミナ、アイザック・ジム（2018年8月14日）「ユーザーデータのプライバシー：Facebook、ケンブリッジ・アナリティカ、そしてプライバシー保護」Computer 誌51 ( 8): 56– 59. doi : 10.1109/MC.2018.3191268 . S2CID 52047339 . 
  18. ^タラン、ブライアン（2018年5月29日）「Facebookとケンブリッジ・アナリティカのスキャンダルから何を学ぶことができるか？」『Significance』15 (3): 4–5 . doi : 10.1111/j.1740-9713.2018.01139.x .
  19. ^サントス、ティアゴ;ルサ、ヘルデル・コエーリョ、ホルヘ。コエリョ、ヘルデル（2020年2月19日）。 「公共領域のデジタル変革」。システム研究と行動科学。36 (6): 778.土井: 10.1002/sres.2644。S2CID 210550036。 
  20. ^クレイグ・シルバーマン、クレイグ・ティンバーグ、ジェフ・カオ、ジェレミー・B・メリル（2022年1月4日）。「記録によると、Facebookは1月6日の攻撃までの数ヶ月間、誤情報と反乱の脅威を急増させた」。Defense Oneウェブサイト、 2022年1月9日アーカイブ、 Wayback Machineにて閲覧。2021年1月8日。
  21. ^クレイグ・ティンバーグ、エリザベス・ドウォスキン、リード・アルベルゴッティ (2021年10月22日). 「Facebookの裏側、1月6日の暴力事件は怒りを煽り、警告サインを見落としたことを後悔」ワシントン・ポスト・ウェブサイト、 2021年10月22日アーカイブ、 Wayback Machineにて閲覧。2022年1月8日閲覧。
  22. ^ a b「ケンブリッジ・アナリティカはブレグジット国民投票に『関与していない』と監視団体が主張」 BBCニュース。2020年10月7日。2020年10月7日時点のオリジナルよりアーカイブ。 2022年6月13日閲覧。
  23. ^ 「ケンブリッジ・アナリティカはEU国民投票でデータを不正使用していないと監視団体が主張」ガーディアン紙、2020年10月7日。2022年6月13日時点のオリジナルよりアーカイブ。 2022年6月13日閲覧。
  24. ^ 「AggregateIQがケンブリッジ・アナリティカの選挙ソフトウェアを開発、その証拠がここに」 Gizmodo 2018年3月26日。2018年4月25日時点のオリジナルよりアーカイブ。 2022年6月13日閲覧。
  25. ^調査委員会事務局（2018年11月6日）「政治キャンペーンにおけるデータ分析の利用に関する調査」（PDF） : 116。2022年8月9日時点のオリジナルよりアーカイブ（PDF） 。 2022年6月13日閲覧。{{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  26. ^ 「Facebook、データスキャンダルでカナダ企業AggregateIQを業務停止」 CNBC 2018年4月7日。2018年4月7日時点のオリジナルよりアーカイブ。2022年6月13日閲覧。
  27. ^ 「データ会社、ブレグジットと米国の選挙運動への関与でカナダのプライバシー法違反か - 調査」ロイター2019年11月26日. 2020年1月13日時点のオリジナルよりアーカイブ。 2022年6月13日閲覧。
  28. ^ 「EU離脱に関する国民投票の結果と投票率」 www.electoralcommission.org.uk 2019年9月25日. 2021年4月1日時点のオリジナルよりアーカイブ。 2022年10月23日閲覧。
「 https://en.wikipedia.org/w/index.php?title=Social_media_analytics&oldid=1314216800」より取得