Reiseblogs auf Twitter – und wie man erfolgreich twittert

Twitter, Facebook, Instagram – viele soziale Netzwerke bieten Schnittstellen, um öffentliche Daten auszulesen. Einhergehend mit aktuellen Trends, wie Big Data und Advanced Analytics, werden zukünftig immer mehr Daten zur Verfügung stehen. Nicht selten liest man in diesem Zusammenhang von »Daten, das Öl des 21. Jahrhunderts«.

Wir wollen einen Schritt in die Analytics-Welt wagen und werten die Twitter-Daten deutscher Reiseblogger aus.

Was macht einen Tweet erfolgreich? Wer twittert erfolgreich? Und was heißt überhaupt erfolgreich? Diese und viele weitere Fragen haben uns während den Analysen beschäftigt und wir hoffen, eine Antwort darauf gefunden zu haben.

Die Datenbasis

Betrachtet haben wir ingesamt 44 Reiseblogs. Die Blogs haben wir anhand der Followerlisten unseres Twitter-Accounts identifiziert.

In unserer Datenbank haben wir insgesamt 102.977 Tweets abgelegt. Die Retweets der Blogger haben wir bei der Betrachtung ausgeschlossen.

Wie wird getwittert?

Blicken wir genauer auf die Tweets: Wer postet? Was steht in den Tweets? Und wann wird gepostet?

Tweet Quelle

Wen hätte es überrascht, von Bots stammen die meisten Tweets auf Twitter.

Zum Beispiel stammen allein von den WordPress Plugins Tweet Old Posts und Win the Customer (Tweetily) 35.206 Tweets.

Anzahl der Hashtags

Mehr als die Hälfte der Tweets enthält mindestens ein Hashtag. Aber immhin 44% kein einziges!

Verwendung von Medien

Nur 14% der Tweets enthält ein Foto oder Video. Ich hätte einen größeren Anteil vermutet.

Uhrzeit der Tweets, Likes und Retweets

Es wird eigentlich rund um die Uhr getwittert. Kein Wunder bei so einem hohen Anteil an Tweet-Bots. Aber tagsüber sieht man deutlich, dass noch die realen Benutzerinteraktionen hinzukommen und der Anteil an Tweets zunimmt. Besonders auffällig ist 19 Uhr. Hier sind die Reiseblogger auf Twitter am aktivsten. Endlich Feierabend? :)

Interessant finde ich auch, dass vor allem morgens der Anteil an Retweets höher ist als zu anderen Tageszeiten. Dem gegenüber steht der Anteil an Likes, der abends deutlich höher ist. Hat wer eine Vermutung?

Erfolgreich twittern

Eingangs hatten wir ja die Frage nach den erfolgreichen Tweets gestellt. Dazu möchten wir erstmal den Erfolg definieren:

Der Erfolg eines Tweets hängt aus unserer Sicht von der Reichweite ab. Da die Reichweite (Impressionen) des Tweets per API nicht einsehbar ist, haben wir uns dazu entschieden, die Anzahl an Likes und Retweets als Gradmesser für den Erfolg eines Tweets zu nehmen.

Je höher die Anzahl an Likes und Retweets, desto erfolgreicher ein Tweet.

Aber kann man Likes und Retweets gleich gewichten? Basierend auf unserer Erfahrung wird ein Like tendenziell zur Anerkennung oder Bestätigung genutzt. Ein Retweet hingegen honoriert ein Tweet, indem man ihn den eigenen Followern zugänglich macht. Folglich sollte ein Retweet höher gewichtet werden als ein Like.

TweetScore: Ein Like wird mit 0,5 gewichtet. Ein Retweet mit 1,0.

Die erfolgreichsten Tweets

Unter Berücksichtigung der oben dargestellten Gewichtung, ergibt sich folgende Top-3 der erfolgreichsten Tweets deutscher Reiseblogger:

Was sind die Erfolgsfaktoren?

Eine erste Indikation, wie erfolgreich getwittert wird, haben dir bereits die Top Tweets geliefert. Aber lässt sich aus den Zahlen erkennen, von welchen Parametern ein Tweet mit möglichst vielen Likes und Retweets abhängt?

Aus diesem Grund haben wir uns die einzelnen Merkmale der Tweets univariat betrachtet. Für eine Multivariate-Betrachtung ist die Datenbasis aus meiner Sicht zu klein. Daher kann der Erklärungsgehalt multivariat natürlich ein anderer sein. Aber wir versuchen es mal so ;)

Um möglichst viele Retweets und Likes pro Tweet zu erhalten, solltet ihr:

• freitagnachmittags tweeten
• ein Hashtag verwenden
• unbedingt ein Foto einbinden!!!!
• allerdings keinen Bot verwenden, sondern eurer Smartphone, am besten mit iOS :)
• und dann noch so viel Nutzer wie möglich erwähnen

Alles klar? Das riecht doch verdammt nochmal nach #FF :D

Ich bin gerade baff. Einerseits scheint der FollowerFriday wirklich viele Reiseblogger zu aktivieren. Klar, sie werden direkt angesprochen (die Anzahl angesprochener User und die Anzahl an Likes  korreliert sehr stark: R²=0,98). Aber ich bin auch erstaunt, wie genau man das aus den Daten herauslesen kann.

Der Erkenntnisgewinn ist in Anbetracht der Tatsache, dass wir gerade den FollowerFriday identifiziert haben, jedoch gering. Schade!

Ursächlich könnte hierfür natürlich die (noch immer) starke Gewichtung der Likes (mit 0,5) und die Reaktion der Twitter-User auf Erwähnungen (mit einem Like des Tweets) sein.

Reduziert man Likes auf ein Zehntel des Gewichts eines Retweets (0,1) sieht das ganze, wie folgt aus:

• bester Zeitpunkt zum Twittern: Mittwochvormittags
• sechs Hashtags verwenden und möglichst alle 140 Zeichen
• das Foto ist immer noch sehr wichtig!!
• Buffer oder IFTTT nutzen, um zu tweeten
• und am besten immer noch viele User erwähnen ;)

Das Verfahren zur Ermittlung

Wie bin ich vorgegangen, um diese Aussagen treffen zu können? Dazu möchte ich dir die Auswertung des Merkmals eingebundener Nutzer zeigen:

Ich lasse mir pro Merkmalsausprägung einen mittleren TweetScore errechnen.

Um zu bestimmen, welche Ausprägung zu einem höheren TweetScore führt, normiere ich den mittleren TweetScore einer Ausprägung auf den mittleren TweetScore aller Ausprägungen. Dadurch lässt sich ablesen, welche Ausprägung besser performt als ein andere.

Nun zur Grafik – diese zeigt zwei Sachverhalte:

1. es ist eine Abhängigkeit zwischen Anzahl erwähnter User und Anzahl Likes und Retweets sichtbar
2. Erwähne ich 1, 2 oder 3 User wird die Interaktion im Mittel geringer ausfallen, als wenn ich 0, 4 oder mehr User erwähne

Spannend, oder?

Natürlich sind solche Aussagen immer etwas mit Vorsicht zu genießen.

1. die Datenbasis ist bei den Ausprägungen ab 4 Usern verhältnismäßig klein
2. durch die univariate Betrachtung bleiben mögliche andere Einflüsse unberücksichtigt

Deswegen auch bitte meine Feststellung zu »wie twittert man erfolgreich« nicht ganz so ernst nehmen.

Weitere Erkenntnisse aus einhundertzweitausend Tweets

Durch mehr Follower erhält man mehr Likes und Retweets pro Tweet. So könnte man die Hypothese formulieren. Allerdings trifft das nicht zu.

Seht her:

Der Korrelationskoeffizient liegt gerade mal bei 0,3. Entfernt man allerdings den Ausreißer-Reiseblog mit 16.000 Followern klettern der Koeffizient auf 0,5.

Auch scheint es keinen Effekt zu haben, ob man viel oder wenig pro Monat (hier der Monat Januar ’16) postet. Die Punkte sind zufällig innerhalb der Grafik verteilt.

Tendenziell wirkt sich zu viel posten eher negativ auf den TweetScore aus (R²=-0,1). Ähnlich verhält es sich bei der Betrachtung der Anzahl Tweets pro Tag.

Viele Follower gleich viele Likes und Retweets?

Mehr Follower zu haben, bedeutet die potenzielle Chance mehr Interaktionen zu erhalten. Dies gelingt jedoch nur, wenn man unabhängig von der Followeranzahl interaktive Follower hat.

Betrachtet man die TweetScore pro User, nimmt die Interaktion mit steigender Followerzahl jedoch ab.

Hat es also einen Mehrwert, viele Follower auf Twitter zu haben?

Ich denke schon!

Allerdings müsste man dazu die Wirkung von Anzahl Tweets und Follower auf die Anzahl Likes und Retweets messen.

Wie das vernünftig funktionieren kann, übersteigt allerdings momentan mein statistisches Wissen. Interessant könnte an dieser vielleicht eine gewichtete lineare Regression, multiple Korrelation oder ein GLM sein..?

What’s next?

Was steht alles als nächstes an? Meine To-Do-Liste ist noch ziemlich lang

Ich will …

• für jeden Reiseblog ein Influencer Score ermitteln und die Anzahl Reiseblogs vergrößern
• die TweetScore um die Anzahl der Follower des Retweeters erweitern
• in einer Zeitreihe die Interaktion und die Entwicklung der Followerzahl eines Reisebloggers beobachten
• die Tweet-DB deutlich vergrößern und das Python-Script so erweitern, dass das Abgreifen von älteren und aktuelle Tweets möglich wird
• Text-Mining, Entity Recognition und Sentiment-Analysen auf die Inhalte der Tweets laufen lassen
• die Streaming-API testen und eine Echtzeit Reiseblogger-Karte anhand der Geo-Position des letzten Tweets erstellen
• Auswertungen auf Facebook und Instagram ausweiten

Weiterführende Literatur

Ihr seid auch an eigenen Auswertungen interessiert? Hier ist die Literatur, die ich verwendet habe.

• Mining the Social Web: Data Mining Facebook, Twitter, LinkedIn, Google+, GitHub, and More
• Angewandte Statistische Regression
• Stackoverflow
• Dev Twitter

Hast du noch Anregungen zum Artikel? Weißt du, wie man die Auswertungen noch verbessern könnte? Oder willst ein technisches Detail wissen? Kein Problem, schreib‘ uns einfach oder hinterlasse einen Kommentar.

Hat dir die Analyse gefallen? Dann folge uns doch auf Facebook, Twitter oder Instagram. Gerne kannst du ihn auch mit deinen Freunden teilen.