1

UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA SCUOLA DI ECONOMIA E STATISTICA

Master di I livello: Business Intelligence e Big Data

Analytics

Facebook social analytics:

dagli Insights all’Utente

Tutor aziendale: Coletto Valentino

Correlatore:

Relazione finale : Davide Tiana

Matr. n.799455

Anno Accademico 2014/2015

2

Sommario Abstract ............................................................................................................................................................. 3

Introduzione ....................................................................................................................................................... 3

Gara Gruppo Volkswagen Italia ........................................................................................................................ 4

Analisi del mercato competitive automotive Italia ........................................................................................ 4

Ascolto Rete .................................................................................................................................................. 5

Text Mining ............................................................................................................................................... 5

Dati Strutturati ........................................................................................................................................... 6

Facebook Dashboard ......................................................................................................................................... 7

Facebook Metrics .......................................................................................................................................... 7

Extract Transform and Load .......................................................................................................................... 8

Dashboard .......................................................................................................................................................... 9

Page KPI ........................................................................................................................................................ 9

Posts KPI ..................................................................................................................................................... 10

Users ............................................................................................................................................................ 11

Conclusioni ...................................................................................................................................................... 12

Appendice A .................................................................................................................................................... 13

Appendice B .................................................................................................................................................... 14

Analisi Mercato Competitivo Automotive ...................................................................................................... 14

Analisi generale del mercato automotive .................................................................................................... 14

Segmenti .................................................................................................................................................... 15

Appendice C .................................................................................................................................................... 22

Facebook Metrics definitions .................................................................................................................... 22

3

Abstract

In questo documento descriveremo lo sviluppo di una dashboard dedicata ai social Analytics su Facebook.

L’idea di sviluppare una Dashboard orientata all’ascolto della rete nasce dalla partecipazione ad una gara per

la gestione dei canali social media ufficiali di alcuni brand del Gruppo Volkswagen Italia.

Le difficoltà di accesso ai dati hanno limitato considerevolmente la possibilità di produrre risultati in tempi

utili per la gara orientando il lavoro a focalizzarsi su un unico canale social e solo su alcune modalità di

analisi dei dati.

La peculiarità principale del progetto, rispetto ai prodotti commerciali esistenti sul mercato, è la capacità di

raggiungere il dettaglio del singolo utente attivo sulla pagina del brand diventando in questo modo un utile

strumento di supporto ai community manager nella gestione delle interazioni con i clienti.

Introduzione

Lo stage, all’interno del quale è stata sviluppata la Dashboard, è l’attività conclusiva del master di primo

livello in “Business Intelligence and Big Data Analytics” frequentato presso l’università Bicocca di Milano.

Lo stage si è svolto presso OOT srl, un’agenzia digitale che offre servizi di consulenza strategica e

comunicazione nel settore digitale e l’occasione di collaborare con quest’azienda nasce dalla loro decisione

di partecipare ad una gara indetta dal Gruppo Volkswagen Italia per affidare ad un nuovo fornitore esterno la

gestione dei canali social media ufficiali di alcuni brand del gruppo.

Inizialmente la gara era per la gestione dei brand AUDI, SEAT, ŠKODA, VOLKSWAGEN e

VOLKSWAGEN VEICOLI COMMERCIALI con termine di consegna delle offerte al 29 febbraio 2016, ma

è stato successivamente limitato dal committente stesso ai soli brand SEAT e ŠKODA.

Poiché già a dicembre 2015 avevo ricevuto un’offerta di stage che purtroppo era stata ritrattata dall’offerente

a metà gennaio 2016, i contatti con OOT e la nuova proposta di stage si sono sviluppati solamente alla fine di

gennaio, limitando in tal modo il mio contributo alla gara a sole tre settimane circa di attività. In

considerazione di ciò e dell’esigenza di raggiungere il quorum di 300 ore richieste dal master per i progetti

conclusivi svolti in modalità di stage, si era quindi concordato sin dall’inizio con OOT che lo stage sarebbe

proseguito anche oltre il termine della gara con attività di approfondimento dei temi emersi durante la gara

sino al raggiungimento del monte ore richiesto dal master stesso.

4

Gara Gruppo Volkswagen Italia

In accordo con OOT, nel capitolato di gara, si sono individuati due spazi d’intervento possibili della

Business Intelligence per portare un contributo alla gara: un primo tema legato alla realizzazione dell’analisi

del mercato auto motive in Italia ed un secondo tema nello sviluppare l’ascolto della rete.

Già dall’inizio era stata ritenuta interessante da OOT la mia proposta di sviluppare una Dashboard come

strumento di ascolto della rete, purtroppo si è dovuto concordare che lo sviluppo di una Dashboard avrebbe

richiesto tempi troppo lunghi rispetto ai termini di scadenza della gara e si è quindi deciso di lavorare

soltanto su report di esempio rimandando eventualmente a marzo lo sviluppo della Dashboard.

Analisi del mercato competitive automotive Italia

Per l’analisi del mercato automotive in Italia, era previsto che un partner di OOT fornisse i dati del mercato

italiano su cui poi avremo internamente sviluppato le analisi. Invece quello che è arrivato dal partner

consisteva in un paio di pdf con pochi dati sul mercato ed impaginati in formati scarsamente utilizzabili, di

cui qui sotto un paio di esempi.

Si è quindi deciso di andare a cercare i dati direttamente in rete, venendo a scoprire che in realtà i dati del

PRA dovrebbero essere disponibili come Open Data. In pratica però l’ACI, che l’ente delegato a questa

attività, mette a disposizione i dati delle immatricolazioni in tabelle(Excel) già aggregate e quindi non è

possibile estrarne i dati grezzi su cui poi effettuare analisi lungo dimensioni e metriche a propria scelta.

Alla fine quindi si è optato per utilizzare come fonte lo UNRAE (Unione Nazionale Rappresentanti

Autoveicoli Esteri) che pur fornendo i dati delle immatricolazioni sempre in formato aggregato, offriva

aggregazioni valutate più rispondenti all’analisi del mercato.

Si è quindi proceduto ad estrarre i dati dai pdf dello UNRAE attraverso un tool freeware per poter comunque

preparare un esempio di report(Appendice B) che in ultima analisi è ovviamente risultato molto simile ai

report prodotti da UNRAE, che già distribuisce i propri report agli associati tra cui figura anche il Gruppo

Volkswagen.

5

Ascolto Rete

Da capitolato di gara i social network di cui era richiesto l’ascolto erano: Facebook, Google+, Youtube,

Twitter, Instagram, Pinterest e Linkedin.

Come prima attività si sono cercati strumenti e modalità per accedere ai dati dei vari social, orientandoci da

subito alla ricerca di connettori che permettessero di sfruttare le API messe a disposizione da quasi tutti i

social. La tabella seguente. Si sono cercati in primo luogo connettori per le applicazioni già utilizzate durante

i laboratori del master (Talend e Rapid Miner), quindi si sono cercati tools e software “free” alternativi; la

tabella seguente illustra i connettori “funzionanti” individuati:

Facebook Google+ Youtube Twitter Instagram Pinterest Linkedin

connettori Next

R

Next

Next

R

Talend

Rapid Miner

Next

R

Next

R

Next è un applicazione commerciale di cui è stato utilizzato un free trial, R invece indica l’omonimo

linguaggio di programmazione; si deve precisare che in rete si trova molti connettori e documentazione per

collegarsi alle API dei social in oggetto, ma sono nella stragrande maggioranza basati sulle API versione 1.0

mentre ormai già dal 2015 i social hanno effettuato l’upgrade alla versione 2.0 ed attualmente, almeno i

social più importanti, sono già passati alla 2.5.

Per cui già sulla base delle possibilità di connettersi ai dati, si è deciso di continuare a lavorare solo sui social

per cui era stato trovato un connettore funzionante o reso funzionante con un minimo di riscrittura del

codice. Inoltre con la nuova versione delle API, i dati scaricabili una volta connessi richiedono per lo più di

essere proprietari o amministratori del profilo di cui si vogliono scaricare i dati. Quindi sulla base di queste

ulteriori limitazioni si è deciso di proseguire l’indagine sui due soli social evidenziati in verde nella tabella.

Text Mining

Come prima attività di analisi si è effettuato del text mining sui tweets per individuare associazioni di

termini tra i marchi ed i modelli di auto di SEAT e ŠKODA versus i loro principali competitors (i primi

cinque modelli per segmento, così come dall’analisi del mercato) in modo da fornire subito associazioni

logiche su cui lavorare ai colleghi che nel team si occupavano di preparare gli esempi di piani di

comunicazione e digital PR. Per quest’attività si è scelto di lavorare su Twitter perché l’esperienza di

laboratorio e la possibilità

di utilizzare strumenti già

approntati in precedenza,

permetteva di raggiungere

dei risultati in tempi brevi.

Di fianco illustriamo alcuni

prodotti di quest’attività;

la scelta di un wordcloud

come modalità di

rappresentazione affiancata

da un grafico a barre hanno

permesso di massimizzare

la leggibilità dei dati anche

per chi non fosse abituato a

grafici più complessi con

cui rappresentare le associazioni di termini.

6

Una seconda attività di text mining è stata svolta sui post di Facebook delle pagine ufficiali di SEAT Italia

per cercare di individuare se possibile il

piano editoriale settimanale in essere;

inseriamo questo tema in questo

paragrafo per coerenza logica sebbene

come analisi sia stata cronologicamente

l’ultima attività svolta per la

partecipazione alla gara.

Abbiamo utilizzato 863 post della

pagina pubblicati nei primi tre mesi del

2016 ed accessibili via Api anche senza

essere amministratori della pagina, i

dati che si possono estrarre essendone

amministratori contengono statistiche

più ricche ad esempio il numero di

utenti raggiunti dal post.

È stato inserito nel testo del messaggio

il giorno della settimana (lunedì,

martedì, …) in cui il post è stato

pubblicato e poi cercata

un’associazione tra i giorni della

settimana ed eventuali termini

ricorrenti utilizzando clustering

gerarchico; in figura è mostrato il risultato del clustering utilizzando il metodo di ward, ma sono stati provati

anche altri metodi senza identificare associazioni particolarmente significative che permettessero di

individuare qualche sorta di piano editoriale.

Dati Strutturati

Come esempio di report sui dati social

strutturati si è lavorato sulla pagina ufficiale

di Youtube del marchio SEAT rispondendo

a specifico interesse del committente;

ancora una volta si sono utilizzitati i post

accessibili via API senza essere

amministratori della pagina. Con i dati

disponibili a questo livello di dettaglio è

stato possibile produrre due grafici, qui a

destra, che mostrassero l’apprezzamento del

video da parte degli utenti in base alla

lunghezza del video ed alla qualità dello

stesso. Come si vede, agli utenti piacciono

maggiormente video brevi (<30 sec) ed in

alta qualità, anche se quelli in bassa qualità

sono visualizzati più spesso probabilmente

per il minor tempo di caricamento.

7

Facebook Dashboard

Terminato il tempo utile per partecipare alla gara del Gruppo Volkswagen Italia, si è concordato con OOT di

impegnare la rimanente parte dello stage nello sviluppo di una Dashboard per l’ascolto della rete ed in

considerazione delle citate difficoltà di accesso a dati con statistiche dettagliate e del tempo disponibile

(scadenza originale del master a fine marzo) si è scelto di lavorare su un unico social tra quelli viabili

(evidenziati in verde nella tabella dei paragrafi precedenti). Tra questi tre Twitter è stato escluso in favore dei

due su cui avevo meno esperienza così da valorizzare la mia crescita professionale all’interno dello stage e

tra gli ultimi due la scelta è ricaduta su Facebook perché ritenuto maggiormente interessante anche rispetto a

quello che viene richiesto sul mercato dei social analytics.

Facebook Metrics

È opportuno, prima di descrivere la Dashboard, spendere qualche parola su cosa Facebook misura e rende

disponibile a proposito delle pagine; in Appendice C riportiamo le principali, quelle che utilizzeremo tra le

centinaia disponibili, con la definizione ufficiale di Facebook citata testualmente.

Fans utenti di Facebook che hanno attivamente clickato su “Like”, è un parametro

importante perché questi utenti riceveranno direttamente nelle notifiche qualunque contenuto

pubblicheremo sulla pagina.

Story qualunque contenuto che venga mostrato nelle notifiche.

Engaged Users sono gli utenti che hanno reagito in qualche modo ai nostri contenuti, ovviamente

più utenti ingaggiamo e più significa che il nostro contenuto è interessante.

Consumers è sostanzialmente la stessa cosa degli Engaged Users, esistono diverse discussioni

tutt’ora aperte in rete su quale sia l’effettiva differenza tra queste due metriche sebbene test

personalmente condotti e test riportati in rete da altri analisti sembrino indicare che comunque i

Consumers sono sempre inclusi negli Engaged Users e quindi la metrica sembrerebbe in ultima

analisi inutile.

Reach misura il numero di utenti cui il nostro contenuto è stato esposto, ma non per questo

significa che sia stato visto; è ovviamente importante perché più persone raggiungiamo e maggiore

sarà la possibilità che catturiamo l’attenzione di qualcuno.

Impressions misura il numero di volte che un nostro contenuto è stato esposto a qualcuno, lo

stesso contenuto può essere esposto allo stesso utente più volte; è una misura in qualche modo di

quanto il nostro contenuto sarà visto come spam, un alto rapporto tra Impressions e Reach indicherà

che lo stesso utente sta ricevendo il nostro contenuto più volte e questo alla lunga può generare

disaffezione.

Consumption misura quante volte gli utenti interagiscono coi nostri contenuti, un alto valore

rispetto agli Engaged Users indicherà che gli utenti ritornano più volte sui nostri contenuti e che

quindi stiamo producendo un alto tasso di coinvolgimento.

Engagement Rate è il rapporto tra Engaged Users rispetto al Reach e misura quanto abbiamo

coinvolto gli utenti che raggiungiamo; anche in questo caso ci sono innumerevoli dibattiti aperti in

rete su quali metriche di Facebook si debbano usare per calcolare effettivamente l’Engagement Rate

e su quale sia effettivamente la formula utilizzata da Facebook per calcolare il valore che Facebook

stesso riporta nella pagina degli Insights.

8

Alcune note conclusive, come si legge dalle definizioni testuali di Facebook riportate in Appendice C, le

definizioni stesse sono, forse volutamente, vaghe e questo costituisce un problema nel cercare di costruire

misure ed indici coerenti e che rappresentino realmente ciò che vorremmo misurare.

Extract Transform and Load

Si sarebbe voluto realizzare una Dashboard che lavori in real time e quindi effettuare l’estrazione dei dati

unicamente via API, ma al momento non si è ancora trovato un modo per estrarre alcune statistiche, seppur

disponibili via API, ad esempio le informazioni “anagrafiche” sugli utenti (classe d’età, nazionalità, …).

Quindi al momento si è scelto di effettuare l’estrazione in modo misto, prendendo alcuni dati via API., con

codice scritto in R in quanto Next non permette il real time, ed altri scaricando gli Excel disponibili negli

Insights della pagina. Cercando di preservare la coerenza dei dati, tutte le statistiche della pagina e dei post

della pagina mostrate nella Dashboard derivano da dati elaborati a partire dai fogli Excel degli Insights.

Invece le statistiche relative agli utenti sono elaborate a partire dai dati estratti tramite l’API poiché i post

scaricati attraverso gli Insights non contengono i post degli utenti od altre azioni degli utenti come Likes,

Comments e Shares; ma solo il conteggio di questi per ogni Page Post (un Page Post è un post creato dalla

pagina e non da utenti).

Purtroppo l’accesso agli Insights non è consentito a chiunque, come abbiamo scoperto solo a fine febbraio, o

più precisamente valgono le seguenti regole stabilite da Facebook:

1. gli Insights sono disponibili per qualunque pagina, ma solo dopo che la pagina ha raggiunto almeno

trenta Likes e solo per gli amministratori/proprietari della pagina;

2. con 100 o più Likes si può accedere anche agli Insights di altre pagine di cui non siamo

amministratori o proprietari attraverso una semplice richiesta anonima;

3. le stesse regole valgono se si cerca di accedere agli Insights via API.

Notare che si parla di pagine non di profili utente.

Quindi per avere degli Insights su cui costruire la nostra Dashboard è stato innanzitutto necessario creare una

pagina (NOBdata), quindi per raggiungere il quorum di Likes necessari ad accedere agli Insights si è

proceduto alla creazione di alcuni profili finti da usare non solo per i Likes ma anche per riempire con

contenuti, clicks, views ed azioni la pagina.

Purtroppo le attuali policy di Facebook limitano notevolmente la creazione di “fakes”; se non ci si registra

usando un numero di cellulare valido per la conferma della registrazione, sembrerebbe che Facebook tracci

lo IP usato per registrarsi e che dal terzo tentativo blocchi (sblocco in 24/48 ore) le registrazioni da quel IP

forzando la conferma via cellulare e pure Inutili sono stati i tentativi di aggirare il blocco ricorrendo a numeri

di telefono virtuali.

Dopo tre settimane di creazione di “fakes” e dopo aver coinvolto tutti i contatti disponibili eravamo arrivati a

poco più di quaranta Likes, quindi si è deciso di abbandonare l’idea di raggiungere i 100 per poter costruire

le analisi su dati reali ed il progetto ha continuato a svilupparsi sui pochi dati simulati che è stato possibile

inserire.

L’idea originale del progetto avrebbe previsto anche un interfaccia verso mysql per salvare i dati raccolti in

modo da preservare lo storico visto che Facebook permette di risalire al massimo a dati vecchi di 180 giorni,

ma per motivi di tempo si è rimandato lo sviluppo di questo pezzo di codice a dopo la conclusione del

master.

Per lo stesso motivo si sono rimandati a sviluppi futuri i seguenti temi:

automatizzazione del download dei file Excel dagli Insights Facebook, ove non si riuscissero a

superare gli ultimi ostacoli ad avere tutti i dati via API (vedere quanto detto ad inizio paragrafo sulle

“anagrafiche”)

pagina/applet iniziale da cui lanciare diverse Dashboard ciascuna dedicata ad un social, oppure

reimpostazione della GUI per avere tutte le analisi di tutti i social in un'unica Dashboard

ottimizzazione del codice per ridurre i tempi di caricamento e calcolo, attualmente è veramente

lento

aggiunta di una maschera di ricerca da cui selezionare le pagine da mettere a confronto

sviluppare lo scrapping dei dati degli utenti

9

sviluppare sentiment e text mining sui post degli utenti.

Dashboard

La Dashboard è divisa in tre sezioni 4 sezioni che contengono grafici coerenti

soggetto cui le statistiche si riferiscono e si può accedere alle sezioni da una

barra posta sulla sinistra:

Page KPI contiene le statistiche della pagina e sui Fans

Posts KPI contiene statistiche sui post pubblicati dalla pagina, quindi

esclusi quelli degli utenti

Users contiene le statistiche sui post degli utenti

Help è composto di due sottosezioni: un breve riepilogo delle definizioni

delle metriche usate ed un “about” dove inserire i dati

dell’azienda,contatti,riferimenti.

In generale tutta la Dashboard è stata sviluppata dal sottoscritto, incluse le parti

di codice HTML ove utilizzato.

Indubbiamente non ha la pretesa di brillare per estetica, ma ha il vantaggio di

poter essere migliorata con altro codice HTML aggiungendo sfondi, icone più

“carine” e quant’altro si voglia.

Page KPI

La sezione che mostra le statistiche delle pagine a confronto è quella che si presenta all’apertura della

Dashboard

Il primo box in alto mostra l’andamento temporale delle metriche che si possono selezionare dalla checkbox

posta sulla barra di sinistra; il grafico superiore mostra i dati per una delle due pagine selezionate per il

confronto, qui chiamata “Competitor” e si tratta di dati puramente inventati imputandoli direttamente su una

copia degli Insights di NOBdata, mentre il grafico inferiore sono esattamente i dati della pagina NOBdata,

indicata come “Target” che abbiamo creato per i motivi spiegati nei paragrafi precedenti.

10

Nei grafici dei due box inferiori vengono mostrate alcune statistiche dei Fans: le ripartizioni per genere,

classe di età e nazione; ma la scelta di cosa mostrare è assolutamente arbitraria ed andrebbe concordata con

un eventuale committente.

Posts KPI

la sezione dedicata alle statistiche dei post della pagina in realtà si apre, primo box in alto, con una misura

che non ha a vedere direttamente coi post della pagina.

In effetti questa sezione, nell’ottica che la Dashboard sia utilizzata da un community manager, è pensata non

solo per valutare l’efficacia dei post già pubblicati, ma anche per pianificare le prossime pubblicazione. Ecco

quindi che i primi grafici che mostrano quando sono online i Fans delle due pagine potranno essere un utile

indicazione su quando è meglio pubblicare un post, ad esempio evitando di comunicare un evento fissato per

sabato durante i feriali precedenti se sappiamo dai grafici di cui sopra che i nostri Fans si collegano soltanto

durante il week-end; l’evento andrà in questo caso comunicato almeno prima del sabato precedente l’evento

stesso. In questi due grafici la colorazione delle barre è stata utilizzata soltanto per distinguere le domeniche

in rosso (ma potrebbe essere considerato festivo anche il sabato) dagli altri giorni feriali, così da facilitare la

lettura al nostro community manager od a chi per esso.

Nel secondo box vengono visualizzati i valori delle metriche per ogni singolo post, vengono selezionati i

primi n (è da aggiungere un controllo per permettere di scegliere n) in base alla metrica selezionata, con un

flag sulla barra è anche possibile limitare il calcolo delle metriche ai soli Fans oppure lasciarlo calcolato su

tutti gli utenti. Il grafico volutamente non ha etichette di identificazione del post, perché selezionando le

barre del grafico automaticamente si dovrebbe evidenziare il post nella tabella sottostante, ma al momento

questa caratteristica non è funzionante e sfortunatamente non era più disponibile un backup per ripristinare il

grafico colle etichette dopo il tentativo di implementazione di questi ultimi giorni.

Da notare che soggiacente al messaggio nella tabella è attivo un link che automaticamente apre il post in una

nuova scheda del browser.

11

Users

In questa sezione l’attenzione si sposta sulle attività degli utenti: post, Likes, Comments,

Shares,Photos,Links,Videos,…

Fortunatamente, o forse volutamente, Facebook non rende disponibili le statistiche per queste attività (ad

esempio la Reach o le Impressions di un Link postato da un utente) e quindi si è dovuta valutare l’efficacia

delle attività degli utenti in altro modo.

Nel grafico di questa sezione come Activity Level si è preso il conteggio di ogni azione fatta da ciascun

utente e come Reach Level la somma dei Likes, Comments and Shares ottenuti da ciascun attività

dell’utente.

Ovviamente il Reach Level così calcolato non corrisponde alla Reach così come l’avevamo definita nella

presentazione delle metriche di Facebook, ma è la miglior stima che possiamo dare sulla base dei dati

disponibili, inoltre occorre tenere presente che non tutte le attività dell’utente hanno Likes, Comments, … ad

esempio un Like non può a sua volta ricevere un Like od un commento.

Ovviamente gli utenti su cui si dovrà maggiormente concentrare l’attenzione del community manager

saranno quelli che si posizionano in alto a destra nel grafico.

Anche per questo grafico sarebbe prevista la caratteristica che clickando su un punto del grafico si evidenzia

il record corrispondente nella tabella, ma è ancora in fase di implementazione.

Nella tabella soggiacente il nome dell’utente c’è nuovamente un link attivabile che apre in una nuova scheda

il profilo Facebook dell’utente; potenzialmente con ulteriori sviluppi dell’applicazione si potrebbero estrarre,

via scrapping, i dati più interessanti della pagina dell’utente e mostrarli in modo strutturato in un nuovo box

in questa sezione. Magari addirittura aggiungere una componente che faccia text mining e/o sentiment sui

contenuti dell’utente per fornire al nostro community manager qualche informazione in più sugli utenti “a

maggior valore”.

12

Conclusioni

L’originalità del progetto sviluppato e descritto in queste pagine rispetto ai molti prodotti commerciali

esistenti consiste nel tentativo di scendere fino al dettaglio degli utenti ingaggiati dai nostri contenuti social,

potremmo quasi dire il tentativo di dare un volto a quelle persone che in tanti altri analytics compaiono solo

come numeri.

Due ultime considerazioni sugli aspetti critici di questo progetto:

Credibilità dei dati presenti in Facebook

Incertezza sul significato dei dati utilizzati.

Quando parliamo di credibilità dei dati ci riferiamo al fatto che su Facebook ed in generale sui social

esistono milioni di profili finti creati dagli utenti per svariati motivi, ad esempio i quaranta e più profili che

ho creato io per avere una base dati per questo progetto. Una possibile risposta a questo problema potrebbe

essere che comunque anche un profilo finto, per quanto i dati inseriti siano inventati, rappresenta una “faccia

sociale” dell’utente e che quindi in qualche modo rispecchia comunque l’utente

Per incertezza del significato dei dati ci riferiamo invece alle già citate discussioni aperte sulla vaghezza

delle definizioni date da Facebook e dagli altri social. Questa seconda criticità sarebbe facilmente risolvibile

dedicando a progetti di questo tipo anche il tempo necessario per verificare con test diretti ciascuna metrica

quali azioni e effettuate dove stia misurando.

Ovviamente essendo ben consci che un tal genere di verifica diretta andrebbe rifatta ogni sei mesi/ un anno

perché nel frattempo Facebook od un altro social avranno già cambiato tutto, sostituendo ad esempio i Likes

con una nuovo set di gradimenti.

13

Appendice A

Estratto bando di gara: attività richieste al vincitore

Estratto bando di gara: esercizi richiesti

ESERCIZIO 1. Sulla base di quello che avete compreso del Brand SEAT, del suo tono di voce e della sua Corporate

Identity, presentate una proposta di piano editoriale settimanale per il canale Facebook in grado,

secondo voi, di rappresentare quello che proporreste come attività social e modalità di

comunicazione in caso di scelta della vostra agenzia.

…

ESERCIZIO 2. Di seguito trovate una lista di temi che potrebbero esservi proposti come argomenti da sviluppare sui

canali social. Indicate in quali canali e con quale modalità intendete svilupparli.

…

ESERCIZIO 3. Sulla pagina social di SEAT Italia, appare questo commento: “belle le auto ma la consulenza offerta

dal Concessionario Rossi di Milano è stata davvero scarsa”.

…

ESERCIZIO 4. Secondo l’idea e l’esperienza che vi siete fatti, quali obiettivi può porsi un brand automotive

nell’utilizzo dei canali social?

…

ESERCIZIO 5. Viene richiesto di fornire un esempio di report (anche con numeri oscurati) che fornite ai vostri

clienti e che rispecchi la vostra filosofia. Vi chiediamo di specificare quali KPIs vanno monitorati

secondo la vostra esperienza, per monitorare correttamente le attività social del nostro brand.

…

A) Gestione quotidiana delle pagine social del brand SEAT per il mercato italiano

B) Creazione di una strategia a medio-lungo termine per il profilo Youtube

C) Collaborazione nello sviluppo della strategia di comunicazione on e offline

D) Redazione di reportistica sui singoli social network

E) Analisi, almeno, trimestrale di ascolto della rete

F) Analisi, almeno, trimestrale del contesto competitivo automotive o extra-settore

G) Gestione delle attività di Digital PR

14

Appendice B

Analisi Mercato Competitivo Automotive Il presente documento costituisce una breve analisi del mercato delle automobili in Italia, basato su dati estratti dalle

pubblicazioni del UNRAE (Unione Nazionale Rappresentanti Autoveicoli Esteri). Nel documento analizzeremo i trend

generali del mercato e in modo più dettagliato i segmenti su cui si confronta il gruppo GVI (Gruppo Volkswagen Italia)

limitatamente ai brand Skoda, Seat ed Audi.

Analisi generale del mercato automotive A seguito della crisi economica globale di questo inizio millennio, il mercato delle automobili si è progressivamente

ridotto sino a raggiungere il minimo di 1.3 milioni di immatricolazioni nel 2013 (“2015 Market Insight”, C. Petrucci).

Dal secondo semestre 2014 il mercato segna una leggera ripresa che sembrerebbe però essersi già esaurita negli ultimi mesi del 2015 (FIGURA 1).

La suddivisione in macroaree geografiche(FIGURA 2) mostra come tutto il Nord Italia sia il mercato trainante con il Sud Italia e le isole relegate a rappresentare piccole frazioni soltanto del mercato.

15

Per quanto concerne i combustibili(FIGURA 3), gli italiani mostrano di preferire decisamente diesel e benzina rispetto ad altre vettori energetici, anche se occorre osservare che le motorizzazioni a gas liquidi o gassosi(GPL e metano) hanno una loro quota di mercato abbastanza stabile. Notevole osservare che le motorizzazioni ibride, sebbene rappresentino ancora in Italia una frazione minore delle auto immatricolate, mostrano una piccola ma costante crescita lungo tutti i tre anni osservati. La crescita è maggiore di quella del mercato in generale che possiamo pensare rappresentata dalle linee di tendenza di diesel e benzina e quindi in prospettiva questo segmento potrebbe rivelarsi interessante nei prossimi anni.

in FIGURA 4 mostriamo le immatricolazioni per tipo di carrozzeria usando solo le linee di tendenza derivate dai dati per aumentare la leggibilità del grafico stesso. Le berline restano la tipologia di carrozzeria preferita dagli italiani ed a seguire i crossover e fuoristrada, ma con numeri decisamente inferiori(notare che il grafico è in scala logaritmica su y). Pur nei loro piccoli numeri però crossover e fuoristrada sono le categoria che mostrano il maggior tasso di crescita, così come i monovolume grandi ma solo limitatamente al secondo semestre 2015.

Segmenti

16

17

18

19

20

21

22

Appendice C

Facebook Metrics definitions

METRIC API DEFINITION

Fans

Sì Number of people who likes your Page

Story

Sì A story is an item that is displayed in your News Feed or

News Ticker

Engaged Users

(Engagement)

Sì number of people who engaged with your Page.

Engagement includes any click or story created. (Unique

Users)

Consumers No

number of people who clicked on any of your content.

Stories that are created without clicking on Page content

(ex, liking the Page from timeline) are not

included. (Unique Users)

Reach

Sì number of people who have seen any content

associated with your Page. (Unique Users)

Impressions

Sì number of impressions seen of any content

associated with your Page.

Consumption

Sì? number of clicks on any of your content. Stories

generated without clicks on page content (e.g., liking the

page in Timeline) are not included.

Engagement

(Rate)

Calcolato Engagement rate is the percentage of people who

saw a post that reacted to, shared, clicked or commented on it