CC BY
18
EKOHOMiHHA СТАТИСТИКА. БУХГАЛТЕРСЬКИй ОВЛ1К ТА АУДИТ
Удк 311.21:[316.774:004.738] JEL Classification: С81; L86
СОЩАЛЬИ! МЕД1А ЯК 1НСТРУМЕНТ Д0СЛ1ДЖЕННЯ ВЕЛИКИХ ДАНИХ
® 2020 ГОЛУБОВА Г. В.
УДК 311.21:1316.774:004.738] JEL Classification: С81; L86
Голубова Г. В.
Сощальж медiа як шструмент дослiдження великих даних
Посилення використання хмарних обчислень, со^альних мереж, моб'шьних технологш та технологш великих даних обумовлюють зростання можливостей як для наукових дотджень, так i для практичних завдань. Дотдники стикаються з великою клькстю даних, створених платформами сощальних мереж, р'зномашття яких ще бльше посилюеться сп'шьним змiшуванням платформ со^альних мереж i новими можли-востями 1нтернету. Актуальшсть великих даних i со^альних мед'ш зростае, однак у науков'ш лтератур не вистачае концептуальних 'шстру-мент'в i пiдходiв, як допоможуть дотдникам структурувати та кодиф'шувати знання з великих даних со^альних мед'ш у р'зних предметних областях. У дотдниж немае загального плану для розум'шня даних та складноi мережi взаемозв'язшв мiж сутностями, со^альними мережами, со^альними платформами та iншими стороншми базами даних, системами та об'ектами. Ця проблема ще бльше ускладнюеться при введены! просторово-часових даних. У статт'1 запропоновано загальну основу для дотджень со^альних мед'а з використанням великих даних. Автором представлено п'ять аналтичних напрям'в: просторово-часову аналтику, внутршньомережеву аналтику, мiжмережеву аналтику, аналтику платформ i анал'з даних трет'т стор'ш. У цих напрямках окреслено три перспективи - перспективу обл'шового запису, перспективу вмкту та перспективу мережи Цей матер'ал спрямований допомогти дотдникам зосередити сво! науков'> дотдження у певн'ш галуз дисциплши, вико-ристовуючи дан со^альних мед'а потдовно.
Кпючов'1 слова: соцшльн! мед'ш, аналтика со^альних мед'а, анал'в великих даних, модель дотдження. DOI: https://doi.org/10.32983/2222-0712-2020-1-298-304 Рис.: 1. Табл.: 1. Ббл.: 27.
Голубова Галина Володимирiвна - кандидат економiчних наук, доцент, доцент кафедри статистики, Нацюнальна академiя статистики, облку
та аудиту (вул. П'дг'рна, 1, Кшв, 04107, Укра'ша)
E-mail: [email protected]
ORCID: https://orcid.org/0000-0003-4847-5235
Researcher ID: http://www.researcherid.com/I-6414-2018
УДК 311.21:1316.774:004.738] JEL Classification: С81; L86
UDC 311.21:1316.774:004.738] JEL Classification: C81; L86
Holubova H. V. Social Media as a Means for Big Data Research
Голубова Г. В. Социальные медиа как инструмент исследования
больших данных
Усиление использования облачных вычислений, социальных сетей, мобильных технологий и технологий больших данных обусловливают рост возможностей как для научных исследований, так и для практических задач. Исследователи сталкиваются с большим количеством данных, созданных платформами социальных сетей, многообразие которых еще больше усиливается общим смешиванием платформ социальных сетей и новыми возможностями Интернета. Актуальность больших данных и социальных медиа растет, однако в научной литературе не хватает концептуальных инструментов и подходов, которые помогут исследователям структурировать и кодифицировать знания из больших данных социальных медиа в различных предметных областях. У исследователей нет общего плана для понимания данных и сложной сети взаимосвязей между сущностями, социальными сетями, социальными платформами и другими сторонними базами данных, системами и объектами. Данная проблема еще более усложняется при вводе пространственно-временных данных. В статье предложена общая основа для исследований социальных медиа с использованием больших данных. Автором представлены пять
The growing use of cloud computing, social networks, mobile technologies and big data techniques is leading to increased opportunities for both carrying out scientific research and implementing practical tasks. Researchers are faced with a large amount of data created by social networking platforms, the diversity of which is further enhanced by the mixing of social networking platforms and new features of the Internet. The relevance of big data and social media is growing, but the scientific literature lacks conceptual tools and approaches that would help researchers structure and codify knowledge from big data of social media in various subject areas. Researchers do not have a common plan for understanding data and a complex network of relationships between entities, social networks, social platforms and other third-party databases, systems and objects. This problem is even more complicated when entering spatio-temporal data. The article provides a common framework for studying social media using big data. The author presents five analytical directions: space-time analytics, intranet analytics, internet analytics, platform analytics, and third-party data analysis. In these areas, three perspectives are identified — perspective of the account, perspective of the content, and perspective of the network. This material is intended to
аналитических направлений: пространственно-временная аналитика, внутрисетевая аналитика, межсетевая аналитика, аналитика платформ и анализ данных третьих сторон. В этих направлениях обозначены три перспективы - перспектива учетной записи, перспектива содержания и перспектива сети. Данный материал направлен помочь исследователям сосредоточить свои научные исследования в определенной области дисциплины, используя данные социальных медиа последовательно.
Ключевые слова: социальные медиа, аналитика социальных медиа, анализ больших данных, модель исследования. Рис.: 1. Табл.: 1. Библ.: 27.
Голубова Галина Владимировна - кандидат экономических наук, доцент, доцент кафедры статистики, Национальная академия статистики, учета и аудита (ул. Подгорная, 1, Киев, 04107, Украина) E-mail: [email protected] ORCID: https://orcid.org/0000-0003-4847-5235 Researcher ID: http://www.researcherid.com/I-6414-2018
help researchers focus their study in a specific area of the discipline, using social media data sequentially.
Keywords: social media, social media analytics, big data analysis, research model.
Fig.: 1. Tabl.: 1. Bibl.: 27.
Holubova Halyna V. - Candidate of Sciences (Economics), Associate Professor, Associate Professor of the Department of Statistics, The National Academy of Statistics, Accounting and Auditing (1 Pidhirna Str., Kyiv, 04107, Ukraine)
E-mail: [email protected]
ORCID: https://orcid.org/0000-0003-4847-5235
Researcher ID: http://www.researcherid.com/I-6414-2018
Наростаюча штегращя сощальних медiа надае значш можливост та створюе певш виклики перед досл^никами з утах напрямiв наукових дисциплш. Сощальш медiа, яки-ми користуеться сусшльство у всьому свт, являють собою величезне джерело даних. Щ даш е прикладом великих да-них - даних, що характеризуются сво!м обсягом (наповне-шстю), швидистю та рiзноманiтнiстю. Варто зауважити, що щ сощальних медiа е доступними та в^носно безкоштов-ними. Служби сощальних мереж та !х торговi посередники роблять бкьшу частину цих даних доступними для аналiзу та використання трепми сторонами через лщензп обме-женого доступу. Водночас прогрес у галузi хмарних обчис-лень та телекомушкацш у поеднанш зi зниженням витрат на доступ та використання цих технологш забезпечив шф-раструктуру для того, щоб досл^ники могли рентабельно переносити, збер1гати та обробляти щ дань
Для багатьох науковщв до^дження сощальних ме-дiа, що використовують велии данi, потребують значного техшчного пiдвищення квалiфiкащ! [20]. Це включае ви-вчення нових методiв досл^ження, заснованих на обчис-лювальних технолопях (таких як кластеризацiя, класи-фшащя, правила асощаци та видобуток тексту), а також оновлення знань про наявш методи, що застосовуються в гумаштарних i соцiальних науках (наприклад, регрейя, аналiз часових рядiв та аналiз соцiальних мереж), виявлен-ня явищ та фiксування сощально! та поведшково! динамiки [7]. Не дивно, що пров^ш вченi з рiзних дисциплiн закликали провести бкьш детальнi дослiдження великих даних у сферi соцiальних медiа [24].
Аналiз останнiх дослiджень i публiкацiй, в яких започатковано розв'язання ще! проблеми. Розвиток со-цiальних медiа обумовив зростання штересу до !х вивчен-ня. В УкраМ вивченням цього питання займалися такi вче-ш, як Буда А. Г. [1], Войтович О. П. [1], Головенько В. О. [1], Двулгг З. П. [2], Збрицька Т. П. [3], Онищенко О. Ю. [2], Табанова А. I. [3] та ш. У сво!х роботах вчеш порушують питання щодо пошуку загальних методш вивчення сощ-альних мереж, таких як теорiя графiв, теорiя структурно! еквiвалентностi, теорiя випадкових графш та iн. Проте зi
зростанням илькосп даних, якi надають сощальш медiа, методи !х вивчення та використання при вивченш iнших галузей економiки та суспiльства потребують нових до-опрацювань.
Метою ще! роботи е охарактеризувати та узагальни-ти принципи досл^ження та аналiзу соцiальних медiа з ви-користанням великих даних. Велии даш в цьому випадку виникають iз взаемозв'язив мiж сутностями в межах вебсайту сощально! мережi та платформою сощально! мережу а також мгж платформами сощальних мереж та стороншми базами даних, системами та об'ектами. Щ взаемодп в^бу-ваються в бкьш широкому просторово-часовому контексть Обрання необхiдного наукового тдходу дослiдження цього явища е важливим, осккьки, хоча суб'екти соцiальних медiа та взаемодп надають безлiч даних, !х вивчення мож-на проводити з рiзних точок зору. Це е особливо корисним з точки зору досл^ження, осккьки дозволяе досл^никам видiлити рiзнi складовi досвiду соцiальних медiа.
Виклад основного матерiалу дослiдження з по-вним обгрунтуванням отриманих наукових результатiв. Стлкування через соцiальнi медiа - це один iз способш генерування великих даних i цей механiзм збору даних рiз-ко зростае [24]. Незважаючи на широке використання сощальних медiа в Укра!ш, ми все ще перебуваемо на раннш стади наукових дослiджень з ще! тематики.
1снують три основнi концептуалiзащ! в соцiальних медiа. Перша визначае сощальш медiа з посиланням на штернет-програми, якi дозволяють створювати та обмшю-ватися вмiстом, створеним користувачем [16]. Друга, що зосереджена на комушкаци, поеднуе науку про комушка-щю та соцiологiю та визначае «сощальш медiа як системи комушкаци, яи дозволяють сво!м соцiальним суб'ектам спккуватися» [22]. Третя визначае сощальш медiа як такi, що мктять як канали, так i змкт, що поширюеться за до-помогою взаемодп мiж людьми та оргашзащями [17]. Со-цiальнi медiа - це набiр веб-та мобкьних шструменпв та додаткiв, якi дозволяють користувачам створювати (спо-живати) вмiст, який можуть споживати (створювати) шшъ який дозволяе та полегшуе з'еднання [13].
Каплан та Хаенлейн класифiкують сощальш MeAia за двома аспектами в1д мeAia-AослiAжeнь (соцiaльнa присут-шсть, мeдia-бaгaтство) та соцiaльних процесш (самопре-зентащя, саморозкриття) та видкяють шiсть дискретних категорш соцiaльних мeдia [16]:
■ колективш проекти ( наприклад, Вiкiпeдiя);
■ блоги та мiкроблоги (наприклад, WordPress та Twitter);
■ стльноти з вмiстом (наприклад, YouTube);
■ сощальш мeрeжi (наприклад, Facebook);
■ мaсовi рольовi iгри з великою ккьистю грaвцiв (априклад, World of Warcraft);
■ соцiaльнi вiртуaльнi свiти (наприклад, Second Life).
Хоча щ рiзнi категорп соцiaльних мeдia е в^правною (початковою) точкою, але вони не враховують зростаючих
розмитих лiнiй (понять) мiж цими кaтeгорiями в мiру роз-витку технологи. Наприклад, Facebook можна розглядати як спкьноту вм1сту та сощальну мережу. Каплан i Хаенлейн базують свое визначення сощальних мед1а на верш OECD (Оргашзащя економ1чного спшробггництва та роз-витку), створеного користувачем контенту (UCC, в1д англ. user-created content), що обмежуе його доступшсть для загального доступу. Так1 технологи, як Yammer, Chatter, Wooqer та Huddle, полегшують комушкащю та сприяють спшпращ та керуванню завданнями серед прац1вник1в, без-печно використовуючи приватну соц1альну мережу в орга-шзаци [18].
Прогрес у розумшш соц1альних мед1а також надае Ютцман, який визначив с1м функщональних складових сощальних мед1а, як1 можуть бути використан1 для категори-зацп (табл. 1).
Таблиця 1
Функцюнальш блоки соцiальних медiа
Складов! соц1альних мед1а Опис Насл1дки функц1ональност1
lдентичнiсть 1дентифка^я користувача Контроль конфщенцшносп даних та iнстрyменти для самореклами користyвачiв
Присутшсть Перебування в мережi онлайн чи офлайн Створення та управлшня реальшстю, безпосе-реднiстю контексту
Вщносини Взавмозв'язок мнж користувачами (в тому числi родинш зв'язки) Створення та налагодження зв'язюв мiж користувачами
Pепyтацiя Попyлярнiсть користувача в мережi Мониторинг постiв, настрою та охоплення корис-тyвачiв й брендiв
Групи Створення власних груп або вступ до нових груп Правила та протоколи групи
Kомyнiкацiя Спткування користyвачiв один з одним Створення нових зв'язюв мiж користувачами
Обмш Oбмiн та поширення контенту Система управлшня вмiстом та соцiальний графк
Джерело: узагальнено та побудовано автором за джерелом [17]
Досл1дження соц1альних мед1а можуть проводитись на р1зних р1внях. Огляд роб1т на тему сощальних мед1а ви-являе, що понад 86 % досл1джень соц1альних мед1а зосеред-жуються на 1ндив1дуальному р1вн1 анал1зу, а решта розбива-еться м1ж р1внем групи (5,76 %), р1внем оргашзащ! (5,45 %) та шшими досл1дженнями [8]. Переважна б1льш1сть акцен-туеться на людях i людських орган1зац1ях як соц1альних акторах, однак кнуе все бкьше визнання появи комп'ютeрiв як сощальних акторш [9].
Окр1м масштабних досл^жень у гaлузi шформати-ки, кнуе нaуково-лiтeрaтурнa база, що стосуеться досль джень у сфeрi комунiкaцiй, включаючи трaнсформaцiю бiзнeсу [4], маркетингу [17], пол!тичну комунiкaцiю [25] та управлшня ланцюгами поставок [6]. Наприклад, Нгай класифшуе роботи з дослiджeнь сощальних мед!а на три широю теоретичш групи особисто! повeдiнки, сощально! поведшки та масово! комунжащ! та пропонуе причинно-нaслiдковий ланцюжок для досл^жень соцiaльних мeдia [21]. Не дивно, що анамз соцiaльних мереж постае як один 1з нaйбiльш часто використовуваних прийомш у цих на-прямах та зазвичай використовуеться в поеднанш з фокусом дисциплши [15].
Шд час аналiзу автором узагальнено принципи до-слiдження сощальних медiа в цкому, незалежно в1д дис-циплiни, методологи дослiдження, машинного навчання чи статистично! технiки. Оглядовi одиницi являють собою не-залежш докази щодо дослiджуваних зв'язкiв i можуть бути використанi для визначення прийнято! структури вибiрки. Це дотдження базуеться на вивченнi соцiальних медiа з використанням великих даних. Результати досл^ження можна представити в п'ять основних груп вивчення сощальних медiа:
I. Просторово-часова аналтика. Багато об'ектш i сутностей як у реальному свт, так i у вiртуальному ма-ють атрибути, пов'язаш з простором i часом, так зваш просторово-часовi данi. Незважаючи на наявшсть уста-лено! лiтератури щодо анамзу просторово-часових да-них, було висловлено припущення, що характеристики та модальшсть даних соцiальних медiа створюють новi нетривiальнi проблеми з уявлення, моделювання та об-числювально! точки зору [5]. Просторовi данi, як правило, зберкаються як координати та тополопя, i це данi, як можна зiставити. Просторовi данi стосуються реальних геопросторових даних та вiртуальних геопросторових да-
них. Реальш reonpocTopoBi AaHi - це даш, що вкносяться до гeoгpафiчнoгo положення та характеристик природних чи побудованих особливостей та меж на, над або тд земною поверхнею. Вipтуальнi гeoпpocтopoвi даш, навпаки, стосуються мicця та характеристик особливостей та меж у вipтуальнoму пpocтopi чи cвiтi. 1снуе ще один геопросто-ровий стан, який може мати користувач у сощальних мeдiа, гшерреальна гeoлoкацiя. Тут кнують гeoпpocтopoвi данi як для вipтуальнoгo, так i для реального свггу.
Аналiз геопросторових даних у сощальних мeдiа провести не зовсгм просто. Сайти та платформи сощальних мереж представляють гeoпpocтopoвi даш в piзних формах та форматах, iнoдi в межах одше'1 платформи, i безпосередньо, i опосередковано, що школи ускладнюе узагальнення. На-приклад, Twitter надае гeoпpocтopoвi данi з власним звгтом у бюграфп профкю oблiкoвoгo запису, а також надае GPS-данi для користувачгв, яи використовують пристро'1 з тд-тримкою GPS. Твiти також можуть включати геореферен-цiйнi данi, наприклад мкця, координати та iншi данi, з яких можна зробити висновок про мкцезнаходження. Тимчасо-вi данi бкьш прост! Данi coцiальних мeдiа зазвичай вклю-чають тoчнi чаcoвi дат для взаемодш. Пpocтopoвo-чаcoвi данi корисш не ткьки для звичайного аналiзу, наприклад, гeoгpафiчнi або peгioнальнi пopiвняння, аналiз часових ря-дiв тощо, а також для бiльш детального аналiзу coцiальних мeдiа [10]. Наприклад, просторово-часовий аналiз великих даних сощальних мeдiа може дати poзумiння структури життя конкретних користувачгв протягом певних часових iнтepвалiв. Цi cлiди можуть бути корисними для розумшня зразкш руху, прогнозування майбутньо'1 пoвeдiнки, вияв-лення дeвiантнol пoвeдiнки та аномалш [6].
II. Внутршньомережева аналтика. В цьому контек-cтi внутpiшньoмepeжeва аналiтика стосуеться даних у межах одного веб-сайту, служби чи платформи сощальних мереж. У будь-якому даному веб-сайт сощальних мереж (SNS, вгд англ. Social networking service) аналiтику можна проводити з точки зору трьох первинних об'екпв, тобто з точки зору облжового запису, контенту чи мережь
Облiкoвi записи часто називають користувачами або coцiальними суб'ектами [18; 25], проте ми не вважаемо, що облжовий запис е виключно людиною чи особою; це може бути оргашзащя або якась форма автоматизованого про-грамного забезпечення (зазвичай вкома як «бот»), i тому кожен облжовий запис може мати деккькох кopиcтувачiв, яи керують ними [8].
Чжао класифжуе таи програми як шструментальш та комунжативш [26]. Iнcтpумeнтальнi програми забезпе-чують автоматизовану комунжащю (наприклад, шдключе-нг мeдичнi пристро'1 та iншi пристро'1, штернет-мехашзми), тoдi як кoмунiкативнi боти прагнуть iмiтувати спккування мiж людьми i можуть бути певною мipoю iнтepактивними. Можливо, що такi програми були розроблеш для зв'язку з шшими машинами з iншoю метою, наприклад, спам. Таким чином, ми штегруемо кею комп'ютера (або групи кoмп'ютepiв) як coцiальнoгo актора.
Контентна перспектива - це стосуеться будь-яких заcoбiв масово'1 1нформацГ1, створених, спкьно викорис-товуваних або шшим чином використовуваних через SNS, включаючи текст, зображення, в^ео чи аудю. Сощальш
медiа генерують широкий спектр 3aco6iB масово'1 шформа-цп, включаючи загальний контент та платформу. Перший включае URL-адреси та хеш-теги, а останнш «лайки», «ви-бране» та «+ 1» тощо. Контент може бути органiзуючою силою мереж i може керувати дiями через облiковi записи [19; 27]. Варто зазначити, що вмкт може змшюватися, кла-сифжуватися (наприклад, використовуючи iншi хеш-теги), осккьки вiн дкиться всерединi та в шших мережах, можливо, надаючи нову шформащю [12].
Мережева перспектива - ця перспектива, спрямова-на на використання медiа у сощальнш мережi як оргашза-цiйноï сили для дослкжень. Характер соцiальних медiа та служб соцiальних мереж, очевидно, суттево пристосований до ще'1 точки зору, i анамз соцiальних мереж надае широкий набiр методiв та iнструментiв для аналiзу мережевих даних у цкому рядi загальноприйнятих розмiрiв, тобто розмiр, з'еднання, розподк, та сегментацiя [15; 23]. Однак кожен SNS мае рiзнi акценти, яи продовжують розвивати-ся. Структура, що розглядаеться в цш статп, не залежить вiд аналiтичного методу, тобто вона не передбачае, що ана-лiз соцiальних мереж е единим методом дослкження або уншерсальним чи найбiльш шдходящим методом, навггь у перспективi мережi. Аналогiчно, шструменти та методи аналiзу соцiальних мереж можуть однаково застосовува-тися в облжових записах та змiстовних перспективах. Yd суб'екти можуть бути активними, пасивними або неак-тивними i можуть кнувати в межах SNS, не обов'язково взаемодшчи з шшими суб'ектами. Варто зазначити, що облiковi записи можуть зберпатись всередиш SNS навггь пiсля того, як вони перестали кнувати в реальному свт. Суб'екти можуть взаемодiяти мгж собою одно- або двосто-ронньо i можуть здшснювати чи керувати р1зними дГями, що визначаються особливостями та функщональшстю платформи соцiальних мереж [27]. Дослкники також по-винш усвкомлювати органiзацiйний та / або особистий контекст та ознаки, в яких кнують облшов1 записи, вмкт та / або мережi [21].
III. Мiжмережева аналтика. Люди та оргашзацп можуть брати участь у деилькох сощальних мережах, тому анамз д1яльносп одше'1 SNS окремо не представляе повну кторш. Мiжмережа характерна для вкносин мГж рГзними SNS, взаемозв'язок м1ж ними може бути р1вний, асиме-тричний або iерархiчний. Розумшня природи взаемозв'язку може бути зрозумким не лише з точки зору внутршньоме-режевих утворень, але i з точки зору SNS як одинищ ана-лГзу самих себе [4]. Наприклад, коли облжовий запис мае присутшсть у ккькох мережах, можуть виникнути проблеми, пов'язаш з конфкенщйшстю. На рис. 1 показано, що можливо провести дослкження взаемодп двох сощальних мереж з одшею або деилькома загальними особами як одиницями аналiзу.
Приклад 1 кюструе ситуацiю, де облжовий запис (акаунт) е спкьним об'ектом на двох платформах сощаль-но'1 мережi. Облжовий запис N може бути користувачем у LinkedIn та Twitter i спккуватися р1зними повкомлення-ми та мати рГзш мережi комунiкацiï. Y прикладi 1 користувач, наприклад, на Гм'я 1ван, мае облжовий запис у LinkedIn та Twitter, але мае р1зш тдключення та послковник1в в кожнш мережi. КрГм того, вш передае р1зш повкомлен-
Приклад 1 Приклад 2 Приклад 3
Рис. 1. Модель взаемодм сощальних мереж
ня в кожну мережу. Ди облiкового запису N та напрямок комунiкацiй / взаемодш можуть бути дуже рiзними i визна-чатись межами платформи сощально'1 мережi. У Прикладi 2
0 блшовий запис N передае один i той же вмют у двi рiзнi ме-режi, X i Y. Тут 1ван використовуе Instagram i дкиться тим самим зображенням i пов'язаним вмютом як у Twitter, так
1 в Instagram. У прикладi 3 облшовий запис N передае один i той же вмют мереж^ що складаеться з тих самих людей на двох рiзних платформах сощально'1 мережь Наприклад, 1ван може бути частиною двох соцiальних мереж шдпри-емства, якi складаються з тих же працшниив у компани. В1дмшносй в поведiнцi та результати в прикладi 3 можна пояснити лише функщями та функцiональнiстю веб-сайту сощально'1 мережi, сервiсу, платформи чи ставленням до не'1. Такий аналiз дае розумшня поведiнки суб'ектш, а та-кож надае корисну стратегiчну шформащю користувачам платформи SNS.
IV. Аналiз платформи. Анамтика платформи в^-носиться до анамзу даних або статистичних даних, сфор-мованих на ршш платформи. Вона включае атрибути платформи, метадаш та iншi даш, що генеруються системами платформи SNS про використання та взаемодш з шшими суб'ектами. Цей тип даних включае даш джерела вмюту (наприклад, шший SNS або додаток для обмшу пов^омлен-нями, наприклад Hootsuite або Tweetdeck), данi апаратного забезпечення облжового запису, наприклад, тип пристрою або операцшну систему пристрою (ОС), функщю платформи або використання функцш та iншi зовнiшнi даш, яи можуть збиратися пасивно. SNS та сервюи швидко розви-ваються, регулярно впроваджуючи новi функци та функци, атрибути платформи SNS та 1х якiсть можуть впливати на прийняття, поведшку та результати використання [14]. До-слiдникам необхiдно враховувати вплив впровадження, змши або вилучення функци, а також функщональносп на певнш платформi. Двома плiдними напрямками дотджень е розширення функщональних можливостей SNS, щоб включити ва новiтнi функци реклами та пошуку.
V. Дат mpemix сторш. Набори даних у сощальних мережах можуть бути доповнеш даними зi стороннк дже-рел. Третi сторони, таи як Datasift та Klout, надають допо-внення до вихiдних даних. Загальш доповнення включають
виразнiсть та настро'1, стать, вiк, оцiнки сощального впливу та мову. На в^мшу вiд цього, дискретнi данi збираються незалежно в^ даних соцiальних медiа, що аналiзуються. Це може включати загальнодоступш данi, приватнi данi, даш спкьноти та данi самокiлькiсноï ощнки [11]. У великих проектах даних часто використовуваш набори даних включають даш ^мату та транзакцш. Хоча клiматичнi данi можуть бути легко штегроваш та узгоджеш з наборами даних у сощальних мережах, використовуючи просторово-часовi данi, виршнювання даних на основi iдентичностi (наприклад, транзакцш ^ентш) е складншим завданням. Певна форма рейтингово'1 системи потрiбна для вiдповiдностi об-лжових записш у соцiальних мережах ^ентичност в тран-закцiях або CRM-системах.
Висновки. Сощальш медiа е все бкьш поширеною частиною комунiкацiйного ландшафту в сучасному сус-пiльствi. Водночас це тдживлюе та прискорюе хмарш обчислення, мобiльнi технологи та наростаючий штерес й попит великих даних. Часто загальнодоступний характер великих даних сощальних медiа надае значнi можливост дослiдникам, але також породжуе i ряд проблем. Працю-ючи з великою ккьистю даних та можливостями 1х дотдження, дослiдники можуть зштовхнутися зi складнiстю дослiджень й анамзу в соцiальних мережах, в тому чи^ з механiзмом 1х обчислювання.
Отриманi результати дослiдження в цш статтi е сво-ер^ним стартом (стимулом) для обговорення та майбутшх дослiджень, включаючи тестування та розширення моделi за допомогою рiзних наборiв даних соцiальних медiа.
Л1ТЕРАТУРА
1. Буда А., Войтович О., Головенько В. Дослiдження методiв аналiзу соцiальних мереж як середовища шформацмних вiйн // Методи та засоби кодування, захисту й ущiльнення шформацп : матерiали VI Мiжнар. наук.-практ. конф. (Вшниця, 24-25 жовтня 2017 р.). Вшниця, 2017. С. 76-80.
2. Двулгг З. П., Онищенко О. Ю. Прогнозування тенденцм розвитку сощального медiа маркетингу в Укран Науковий ei-сникНЛТУ Украни. 2018. Т. 28. № 4. С. 41-45.
3. Збрицька Т. П., Табанова А. I. Актуальшсть використання шструменпв сощальних мереж в освггньому проце-ci. Всник софльно-економ'\чних досл'джень. 2018. № 3 (67). С. 117-130.
4. Aral S. Introduction to the special issue - Social media and business transformation: A framework for research. Information Systems Research. 2013. Vol. 24. No. 1. P. 3-13.
5. Cao G. A scalable framework for spatio-temporal analysis of location-based social media data. Preprint submitted to Computers, Environment and Urban Systems. 2014. P. 1-25.
6. Chae B. Insights from hashtag #supplychain and twitter analytics: Considering Twitter and Twitter data for supply chain practice and research. International Journal of Production Economics. 2015. Vol. 165. P. 247-259.
7. Colleoni E. New forms of digital marketing research // The Routledge Companion to Digital Consumption / R. W. Belk, R. Llamas. Florence, KY : Routledge, 2013. P. 124-134.
8. Coursaris C., Osch W. Organizational social media: A comprehensive framework and research agenda // Proceedings of the 46th Hawaii International Conference on the System Sciences (HICSS), 2013. P. 700-707.
9. Edwards C. Is that a bot running the social media feed? Testing the differences in perceptions of communication quality for a human agent and a bot agent on Twitter. Computers in Human Behavior. 2014. Vol. 33. P. 372-376.
10. Gao H. Towards online spam filtering in social networks // Proceedings of the Symposium on Network and Distributed System Security (NDSS), 2012.
11. George G. Big data and management. Academy of Management Journal. 2014. Vol. 57. No. 2. P. 321-326.
12. Hennig-Thurau T. The impact of new media on customer relationship. Journal of Service Research. 2010. Vol. 13. No. 3. P. 311330.
13. Hoffman D. L., Novak T. P. Why do people use social media? Empirical findings and a new theoretical framework for social media goal pursuit, 2012. URL: http://ssrn.com/abstract= 1989586.
14. Hsiao K. Antecedents and consequences of trust in online product recommendations: An empirical study in social shopping. Online Information Review. 2010. Vol. 34. No. 6. P. 935-953.
15. Kane G., What's different about social media networks? A framework and research agenda. MIS Quarterly. 2014. Vol. 38. No. 1. P. 275-304.
16. Kaplan M. Users of the world, unite! The challenges and opportunities of social media. Business Horizons. 2010. Vol. 53. No. 1. P. 59-68.
17. Kietzman J. H. Social media? Get serious! Understanding the functional building blocks of social media. Business Horizons. 2011. Vol. 54. P. 241-251.
18. Kiron D., Kruschwitz N., Palmer D., Phillips N. Social Business: What Are Companies Really Doing? MIT Sloan Management Review 2012 Social Business Global Executive Study and Research Project.
19. Liu-Thompkins Y. Rising to stardom: An empirical investigation of the diffusion of user-generated content. Journal of Interactive Marketing. 2012. Vol. 26. No. 2. P. 71-82.
20. Morabito V. Big data and analytics. Strategic and Organisational Impacts. Cham, Switzerland : Springer International Publishing, 2015. 180 р.
21. Ngai E. Social media research: Theories, constructs, and conceptual frameworks. International Journal of Information Management. 2015. Vol. 35. No. 1. P. 33-44.
22. Peters K. Social media metrics - A framework and guidelines for managing social media. Journal of Interactive Marketing. 2013. Vol. 27. P. 281-298.
23. Scott J. Social Network Analysis // A Handbook. London : Sage, 1987. 224 p.
24. Shneiderman B. Realising the value of social media requires innovative computing research. Communications of the ACM. 2011. Vol. 54. No. 9. P. 34-37.
25. Stieglitz S., Dang-Xuan L., Social media and political communication: a social media analytics framework. Social Network Analysis and Mining. 2013. Vol. 3. No. 4. P. 1277-1291.
26. Zhao S. Toward a taxonomy of copresence. Presence: Tele-operators and Virtual Environments. 2003. Vol. 12. No. 5. P. 445-455.
27. Vries De L. Popularity of brand posts on brand fan pages: An investigation of the effects of social media marketing. Journal of Interactive Marketing. 2012. Vol. 26. No. 2. P. 83-91.
REFERENCES
Aral, S. "Introduction to the special issue - Social media and business transformation: A framework for research". Information Systems Research, vol. 24, no. 1 (2013): 3-13.
Buda, A., Voitovych, O., and Holovenko, V. "Doslidzhennia metodiv analizu sotsialnykh merezh yak seredovyshcha infor-matsiinykh viin" [Research of Methods of Analysis of Social Networks as an Environment of Information Wars]. Metody ta zasoby koduvannia, zakhystu i ushchilnennia informatsii. Vinnytsia, 2017. 76-80.
Cao, G. "A scalable framework for spatio-temporal analysis of location-based social media data". Preprint submitted to Computers, Environment and Urban Systems (2014): 1-25.
Chae, B. "Insights from hashtag #supplychain and twitter analytics: Considering Twitter and Twitter data for supply chain practice and research". International Journal of Production Economics, vol. 165 (2015): 247-259.
Colleoni, E. "New forms of digital marketing research". In The Routledge Companion to Digital Consumption, 124-134. Florence, KY: Routledge, 2013.
Coursaris, C., and Osch, W. "Organizational social media: A comprehensive framework and research agenda". Proceedings of the 46th Hawaii International Conference on the System Sciences (HICSS), 2013. 700-707.
Dvulit, Z. P., and Onyshchenko, O. Yu. "Prohnozuvannia ten-dentsii rozvytku sotsialnoho media marketynhu v Ukraini" [Predicting Trends of Social Media Marketing Development in Ukraine]. Naukovyi visnyk NLTU Ukrainy, vol. 28, no. 4 (2018): 41-45.
Edwards, C. "Is that a bot running the social media feed? Testing the differences in perceptions of communication quality for a human agent and a bot agent on Twitter". Computers in Human Behavior, vol. 33 (2014): 372-376.
Gao, H. "Towards online spam filtering in social networks". Proceedings of the Symposium on Network and Distributed System Security (NDSS), 2012.
George, G. "Big data and management". Academy of Management Journal, vol. 57, no. 2 (2014): 321-326.
Hennig-Thurau, T. "The impact of new media on customer relationship". Journal of Service Research, vol. 13, no. 3 (2010): 311330.
Hoffman, D. L., and Novak, T. P. "Why do people use social media?" Empirical findings and a new theoretical framework for social media goal pursuit. 2012. http://ssrn.com/abstract=1989586
Hsiao, K. "Antecedents and consequences of trust in online product recommendations: An empirical study in social shopping". Online Information Review, vol. 34, no. 6 (2010): 935-953.
Kane, G. "What's different about social media networks? A framework and research agenda". MIS Quarterly, vol. 38, no. 1 (2014): 275-304.
Kaplan, M. "Users of the world, unite! The challenges and opportunities of social media". Business Horizons, vol. 53, no. 1 (2010): 59-68.
Kietzman, J. H. "Social media? Get serious! Understanding the functional building blocks of social media". Business Horizons, vol. 54 (2011): 241-251.
Kiron, D. et al. "Social Business: What Are Companies Really Doing?" MIT Sloan Management Review 2012 Social Business Global Executive Study and Research Project.
Liu-Thompkins, Y. "Rising to stardom: An empirical investigation of the diffusion of user-generated content". Journal of Interactive Marketing, vol. 26, no. 2 (2012): 71-82.
Morabito, V. Big data and analytics. Strategic and Organisational Impacts. Cham, Switzerland: Springer International Publishing, 2015.
Ngai, E. "Social media research: Theories, constructs, and conceptual frameworks". International Journal of Information Management, vol. 35, no. 1 (2015): 33-44.
Peters, K. "Social media metrics - A framework and guidelines for managing social media". Journal of Interactive Marketing, vol. 27 (2013): 281-298.
Scott, J. "Social Network Analysis". In A Handbook. London: Sage, 1987.
Shneiderman, B. "Realising the value of social media requires innovative computing research". Communications of the ACM, vol. 54, no. 9 (2011): 34-37.
Stieglitz, S., and Dang-Xuan, L. "Social media and political communication: a social media analytics framework". Social Network Analysis and Mining, vol. 3, no. 4 (2013): 1277-1291.
Vries, De L. "Popularity of brand posts on brand fan pages: An investigation of the effects of social media marketing". Journal of Interactive Marketing, vol. 26, no. 2 (2012): 83-91.
Zbrytska, T. P., and Tabanova, A. I. "Aktualnist vykorystannia instrumentiv sotsialnykh merezh v osvitnyomu protsesi" [The Relevance of Using Social Networking Tools in the Educational Process]. Visnyk sotsialno-ekonomichnykh doslidzhen, no. 3 (67) (2018): 117-130.
Zhao, S. "Toward a taxonomy of copresence". Presence: Tele-operators and Virtual Environments, vol. 12, no. 5 (2003): 445-455.
Cram Hagrnwna go pega^n 29.01.2020 p.
