Kansalaisaloite tasa-arvoisesta avioliittolaista sai nopeasti tarvittavat 50000  nimeä, jotta eduskunnan on se käsiteltävä. Lakivaliokunnan puheenjohtajan Anne Holmlundin harkitsematon ja väheksyvä kommentti Aamulehdessä 21.3.2013  sai samana päivänä aikaan mielenkiintoisen sosiaalisen median ilmiön, kun Joonas Pekkanen julkaisi siitä kirjoituksen Avoimen ministeriön Facebook-seinälle. Pekkanen ihmetteli myöhemmin samaista ilmiötä, ja tällä analyysillä pyrin sen purkamaan.

Keskimääräisenä torstaina (lähde 99analytics.com) on suomenkielisillä Facebook-sivuilla noin eri 53 000 henkilöä aktiivisena – jakaa, tykkää ja kommentoi sivujen julkaisuja. Käytännössä kuva sai siis kuudesosan suomenkielisillä Facebook-sivuilla aktivoituvista toimimaan. Ei mikään pieni saavutus.

Kuvassa on visualisoitu jaot eli pallo kuvastaa jokaista tahoa, joka on välittänyt viestin edelleen (jakoyhteys on kuvassa viiva). Nämä jaot tavoittivat yhteensä 266 240 henkilöä. Nopeasti laskettuna jokainen jako tavoitti n. 90 silmäparia.

99analytics.com

Hyödyllistä on purkaa vuorovaikutus myös aikajanalle. Alla on kuvaaja viestin julkisista jaoista.

99analytics.com

Ensimmäinen piikki alkaa klo 10.15, jolloin Avoin ministeriö jakaa linkin. Se ottaa vauhtia kun Facebook-sivu Järkeä tekijänoikeuslakiin jakaa linkin Facebook-seinällään. Seuraava piikki kuvaajassa näkyy puolenpäivän maissa, jolloin todellinen viraalivaihe alkaa. Jakokeskuksia syntyy useita ja pitkiä jakoketjuja kehittyy. Pisin jakoketju on 9 peräkkäistä jakoa. Puolenpäivän jälkeen yli puolet julkisista jaoista on tehty. Jakojen määrä piikkaa aina kun viesti tavoittaa jonkun aliverkoston. Tämä näkyy nopeana nousuna, tasaantumisena ja sitten laskuna.

Suurin osa vuorovaikutuksesta kohdistui Avoimen Ministeriön sivuun, mutta monessa paikassa yhä uudelleen ryöpsähtänyt keskustelu tekee siitä PR:n painajaisen. Yhden tulipalon sijaan lakivaliokunnan puheenjohtajan olisi pitänyt sammutella kymmeniä paloja. Erona edelliseen vastaavaan sosiaalisen median “kuohuntaan” on se, että tässä ei ollut mukana valtamediaa vauhdittamassa jakoja. Tämä oli sosiaalisen median oma ryöpsähdys.

Joonas Pekkanen myös kysyi, miten Facebookin Stories Created -luku muodostuu. Vastaus on, että hyvin sotkuisesti. Facebookin tarjoamat tiedot ovat yleensä kovin hämäriä, sillä niiden syntymistapa on jonkinasteinen liikesalaisuus. Itse suosin selkeitä, yksiselittelisiä lukuja: tämän postauksen tiedot haettu 99analytics.com -palvelulla (siitä vastuussa Mikael Rekola ja allekirjoittanut), joka erikoistuu yksinkertaiseen ja edulliseen sosiaalisen median analytiikkaan.

99analytics.com
twitter.com/jattipaa

A couple of years ago – and still today – any unexplained phenomenon that included social media would simply be named “viral”. Virality means that idea/news/meme starts to spread without the help of the original source. This spreading happens by the infectious nature of the idea or by the influence of those who have come to contact to the viral agent. This has been both the dream and the nightmare of the marketing and PR departments. Last week the nightmare scenario occurred to the The Copyright Information and Anti-Piracy Centre in Finland (CIAPC).

In the spring 2012 the CIAPC contacted a Finnish man claiming copyright violations in a P2P network. Long story short: After some threatening emails by the CIAPC and the man’s refusal to pay a compensation the police performed a search and seizure operation. The seizure part included a 9-year old girl’s Winnie the Pooh labeled laptop. Last week, the man described the situation in a Facebook post (original in Finnish) that suddenly started spread through the Facebook’s share-function. Soon the main stream media caught on (first online article in Finnish) and by the end of the next day in even made its way to international media (TorrentFreak and TechCrunch). The result: a PR disaster for the CIAPC.

The original post has at the moment 2 655 Facebook shares. The video below is the dynamic network of the public sharing of the post. The data was gathered by Mikael Rekola using the 99analytics.com  social media analytics platform. Each line represents a share of post, not the post views.

The video visualizes how the original post was shared and re-shared in the first 48 hours of its publication. Largest portion of the shares happened before middle part of the video within the first 24 hours. Actually, 97 % of the public shares happened during the 48 hour period. Those users whose shares got the most re-shares joined the game early.  This means that that the time is of the essence if the PR departments wish to react to these events.

When we look at the time scale of the spreading, we notice a sharp increase in the shared posts between 8 and 11 A.M..  The cascade started from several sources, including politicians  Dan Koivulaakso and Jyrki Kasvi,  who shared the post around 9 A.M. The first news story increased the shares of the original post. Before that, most of the shares were re-shares. The role of main stream media in facilitating these viral phenomenon cannot be forgotten.

The picture below that holds all of the shares. Size of the node represents the amount of shares the user caused and the brightness of the color of the node represents the amount of comments and likes the share received.

Almost all of the shares became directly from the original post (73 %). Less than 4 % of the shares reached some sort of virality i.e. spread beyond the first sharer.The longest chain of shares expanded for 5 steps. ( In Facebook, users are in average 4 steps from one another). We also checked if a friend relationship is present in the shares. Of the public shares, only 14 % of sharing happened between friends. But in the second degree shares, friend relationship was present in 43 % of the shares. The long sharing chains are actually quite rare (pdf) and awareness doesn’t require sharing: for every share there are tens or hundreds of share views.

The power of main stream media to spread a message is unparalleled: the power of social media comes from the power of amplification and raising awareness.

Twitter: jattipaa

99analytics.com

 

EDIT: added some details on what the lines between the nodes represent.

EDIT: English summary as the Google’s translation makes me look like an illiterate git. Mapping the Facebook friendship network and visualizing it with Gephi. The size of the node represents the amount of friends the MP has amongst other MP’s and the color represents the party.

Nyt kun presidentinvaalit ovat ohitse ja sosiaalisen median vaikutukset poliittiseen kampanjointiin on punnittu, voimme siirtyä suomalaisen arjen olennaisimpaan peruskysymykseen: kenellä eduskunnassa on eniten kavereita?

Usealla kansanedustajalla on joko henkilökohtainen profiili tai oma sivunsa, jonka kautta he pitävät yhteyttä äänestäjiinsä. Näistä profiileista ja sivuista raportoinut on esimerkiksi Verkkouutiset. Itseäni kiinnostaa pelkkien sivujen olemassaolon lisäksi se, miten kansanedustajat ovat toistensa kavereita. Jos tiedät kahden henkilön Facebook-id:n, voit kysyä Facebookilta, ovatko nämä kaksi kavereita keskenään. Tämän tiedon avulla voin hakea kaikkien Facebookissa olevien kansanedustajien kaverisuhteet toisiinsa.

Kuvassa pallon koko vastaa kavereiden lukumäärää ja väri puoluetta. Viiva edustajien välillä tarkoittaa kaverisuhdetta. Voimme todeta, että Arto Satonen (kok) voitti eduskunnan kaverikisan 124:llä kaverillaan. Miapetra Kumpula-Natri (sd) oli kakkonen 111 ja Merja Kyllönen (vas) täpärä kolmonen 110:llä kaverillaan. Jos ei muuta voi sanoa, niin nämä kolme ovat kansanedustajien keskuudessa ainakin aktiivisimpia kaverikutsujen lähettäjiä.

Keskimäärin kavereita edustajilla oli 42 kappaletta ja kaveriverkoston halkaisija (eli kuinka monella askeleella kaksi kauimmaista edustajaa tavoittavat toisensa) oli neljä askelta. Puoleilla keskimäärin kavereita: sd 56, kok 50, kesk 42, vihr 42, vas 40, ps 30, kd 25, r 20. Siis RKP, mars kavereita kyselemään!

Verkostoanalyytikolle mielenkiintoista on edellämainittujen lisäksi puolueiden väliset kaverisuhteet. Kuvassa olivat kansanedustajat sijoittuneet selkeästi kaveriporukoihin. Mitä keskemmällä henkilö on, sitä useammassa kaveriporukassa tällä on kavereita. Kaveriporukat näyttävät muodostuvan puoluerajojen mukaisesti.  Silmiin pomppaa RKP:n ja Perussuomalaisten kaverisuhteiden puute.  Alla olevassa kuvassa on visualisoitu puolueiden välisten kaverisuhteiden lukumäärä (viivan paksuus ja luku vastaavat kaverisuhteiden lukumäärää).

Määrällisesti demareiden ja kokoomuksen välillä on eniten kaverisuhteita. RKP ja Perussuomalaiset eivät ole kovinkaan läheisissä väleissä keskenään, mutta Vihreiden ja KD:nkään välillä ei liiemmin kaveripyyntöjä ole lähetelty.

Kiitos Teemo Tebestille, joka auttoi kaivamaan kansanedustajien yhteystietoja. Jos joku haluaa itse kokeilla kansanedustajien kaverisuhteiden visualisoimista, tässä tiedosto. Verkostot on visualisoitu Gephillä, ja apua visualisointiin voi hakea näiden ohjeiden loppupäästä.

Jos kiinnostaa tietää enemmän, mitä Facebookissa ja sosiaalisessa mediassa tapahtuu, käykää kirjautumassa Sometrik-palvelun betaversioon (maksuton eikä vaadi mitään asennuksia).

twitter: jattipaa

www.verkostoanatomia.fi

facebook: http://www.facebook.com/pages/Verkostoanatomia/189756439160

Sosiaalisen median merkitystä presidentivaaleissa on ruodittu tarkkaan niin perinteisissä kuin uudemmissakin medioissa. Hyviä kiteytyksiä on esim. Karri Anttilalla ja Harto Pönkällä. Myös jotain huvittavia paniikkireaktioita on ollut havaittavissa.

En mene tässä kirjoituksessa syvemmällä sosiaalisen median vaikutuksiin vaan keskityn siihen mitä sosiaalisesta mediasta saadaan irti. Itselleni Facebookin, Twitterin yms. viehätys tulee niiden tarjoamasta mahdollisuudesta saada ihmisten vuorovaikutuksesta helposti dataa jatkojalostukseen.

Ajatusleikkinä kokeilen voiko Facebook-sivujen aktiivisuustiedoilla ennustaa vaalituloksia? En tarkoita yksinkertaista ja hieman naiivia tykkäysten määrän laskemista vaan sivuilla tapahtuvan vuorovaikutuksen analyysiä.

Hain ehdokkaiden kaikki sellaiset henkilöt, jotka ovat aktivoituneet vain ja ainoastaan kahden ehdokkaan sivuilla. Aktivoituminen tässä tarkoittaa sivun seinälle kirjoittamista/linkkien yms. julkaisua, kommentointia ja näiden tykkäyksiä. Hain Sometrik-palvelulla (maksuton ja avoin beta-versio) presidentivaaliehdokkaiden Facebook-kampanjasivuilta tietoa siitä, miten sivulla ollaan aktivoiduttu.

Ajatusleikissä vain kahden ehdokkaan sivulla aktivoituminen merkitsee tasapainoilua ehdokkaiden välillä, ja jos ensimmäinen ehdokas putoaa, äänestää aidallaseisoja jäljelle jäänyttä. Näin ensimmäisellä kierroksella pudonneiden ehdokkaiden kannattajien äänet jakautuisivat:

Toisella kierroksella Haaviston taakse siirtyisi enemmän väkeä Eva Biaudet’lta (75 %) ja  Paavo Arhinmäeltä (69 %). Niinistön taakse tulisi selkeästi eniten väkeä Sari Essayahilta (65 %). Muilla jakautuisi aktiivisuus miltei tasan molemmille.

Kun pudonneiden äänisaalis jaetaan näiden painokertoimien mukaan ja mukaan lasketaan Niinistön ja Haaviston omat äänisaalit, saamme toisen kierroksen tulokseksi

Niinistö 61 % ja Haavisto 39 %.

Ajanjakso oli kuukausi ennen ensimmäistä kierrosta 19.12.2011-19.1.2012. Halusin saada kaikkien ehdokkaiden vuorovaikutustiedot, ja poliittisilla kampanjasivuilla on tapana hiipua heti kisan päätyttyä. Yleiset aktiivisuustiedot (esim. kuinka suuren osan tykkääjistään sivu on saanut liikkeelle) voi katsoa Sometrikista.

Kuten sanottu, kyseessä on ajatusleikki, mutta odotan mielenkiinnolla toteutuneita tuloksia.

twitter: jattipaa

www.verkostoanatomia.fi

facebook: http://www.facebook.com/pages/Verkostoanatomia/189756439160

*otsikossa on kysymysmerkki kunnianosoituksena iltapäivälehdille. Jos lisää kysymysmerkin, ei varsinaisesti väitä mitään.

Edit: I’ve jumped the gun: the Markkinointiviestinnän viikot #-tag was changed. This is the new version. Note self: check the #-tag beforehand…

Everything seems to happen sporadically . This is also true in Finland as the Mindtrek event in Tampere and – aptly named two day event – Markkinointiviestinnän viikko (Week of marketing communications) in Helsinki coincide in the same week. Luckily one is able to follow both via twitter with the #tags #mindtrek and #2011mvv   (+  #mvv2011). Moreover we can visualize the conversations happening in both. Do they overlap, which event activates more people and conversation and who orchestrates the communication etc? In this picture I have combined the tweets of the two events (at 2.20 PM).

The two events seem to overlap but two distinctive groups are formed: Mindtrek on the left and MVV on the right. There are total 446 tweeters combined.  The size of the node represents the bridgespanning role of the person: the bigger the node the between the two groups tweets the person is. We see that   @vesilola, @pauliinamakela, @mindtrek_ and @arimarjamaki ‘s tweets connect the two events.

Looking at the two events separately we can detect the most mentioned people. The size of the node represents the amount of tweets received and the color of the node the persons activity in mentioning others.

In Mindtrek there are at the moment 187 different tweeters. @mindtrek_@vesilola are the most mentioned while @mindtrek is the most active.

In Markkinointiviestinnän viikot there are at the moment 289 different tweeters. @vesilola, @socialdistrict and @greenpeacesuomi are the most mentioned while @pauliinamakela and @eisoma the most active. The overall structure seems more dense than Mindtrek’s so there seems to be more going on in Helsinki.

This is a a snapshot of the situations. If you want to do similar analysis yourself instructions can be found in these slides. The tweets were gathered with NodeXL and visualized with Gephi.

twitter/jattipaa

www.verkostoanatomia.fi

Visualizing Twitter networks can make sense in the constant stream of tweets. We can detect different communities or active Tweeters. I have made a quick hands on guide for twitter hashtag visualization using Gephi and NodeXL:

 

twitter: jattipaa

www.verkostoanatomia.fi

facebook: http://www.facebook.com/pages/Verkostoanatomia/189756439160

I found out of the horrible Norway attacks an hour after the bombings in twitter. The shootings and extent of the murders were revealed a while later. Usually I gather the tweets for network visualization with NodeXL‘s script, but this time I offer only the dataset for researchers.

The data is 24 hours of tweets gathered every 5 minutes containing the word “oslo” from 4.35 PM (CET) Friday 22nd July. I cannot guarantee that every tweet is in this dataset. The file format is GraphML (you can use text editor to find the term “Tooltip” where the content of the tweet is).

Dataset

Let me know if you can make use of the data.

twitter: jattipaa