Acta Informatica Pragensia 2014, 3(2), 154-167 | DOI: 10.18267/j.aip.444392

Analýza nestrukturovaných dat z bankovních stránek na sociální síti Facebook

Lucie Šperková
Katedra informačních technologií, Fakulta informatiky a statistiky, Vysoká škola ekonomická v Praze, nám. W. Churchilla 4, 130 67 Praha 3

Sociální sítě jako novodobý kanál pro sdílení online Word of Mouth představuje pro bankovní společnosti příležitost, jak analyzovat komunikaci a názory svých zákazníků, které zde veřejně sdílejí. Článek ukazuje proces a výsledky pokročilé kontextové analýzy těchto nestrukturovaných dat vybraných veřejných bankovních stránek na sociální síti Facebook. Analýza zákaznických názorů, problémů a přání může hrát významnou roli pro pozici těchto společností na trhu a jejich orientaci na zákazníky. Využity byly metody shlukování a sentiment analýz, výsledky odrážejí stav chování zákazníků a bank na této síti. Článek zdůrazňuje důležitost problematiky Word of Mouth a jeho analýz informačními technologiemi. Zároveň diskutuje, jak analýza kontextu může přenést marketing na další úroveň identifikace zákazníkova chování a jeho vztahu ke společnosti.

Keywords: Nestrukturovaná data, Facebook, shlukování, sentiment analýza, Voice of Customer, Word of Mouth, banka

Unstructured Data Analysis from Facebook Banking Sites

Social networks as a modern channel for sharing online Word of Mouth is an opportunity for banking companies to analyse the communications and opinions of their customers, which they are sharing publicly. The article shows the process and results of these advanced contextual analyses of unstructured data of selected public banking pages on social networking site Facebook. The analysis of customer opinions, problems and desires may play an important role for the position of these companies in the market and their orientation to customers. Clustering methods and sentiment analysis were used, results reflect the state of the behaviour of customers and banks in this network. Paper highlights the importance of the issue of Word of Mouth and its analyses by information technology. At the same time discusses how context analysis can migrate marketing to the next level of identification of customer behaviour and his relationship to the company.

Keywords: Unstructured data, Facebook, Clustering, Sentiment analysis, Voice of Customer, Word of Mouth, bank

Received: October 16, 2014; Revised: December 1, 2014; Accepted: December 9, 2014; Published: December 30, 2014  Show citation

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Šperková, L. (2014). Unstructured Data Analysis from Facebook Banking Sites. Acta Informatica Pragensia, 3(2), 154-167. doi: 10.18267/j.aip.44
Download citation
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Open full article

    References

    1. Barbosa, L., & Feng, J. (2010, August). Robust sentiment detection on twitter from biased and noisy data.
    2. In Proceedings of the 23rd International Conference on Computational Linguistics: Posters (pp. 36-44).
    3. Association for Computational Linguistics.
    4. Berka, P. (2003). Dobývání znalostí z databází. 1. vydání. Praha: Academia, 366 s. ISBN 80-200-1062-9.
    5. Bermingham, A., Conway, M., McInerney, L., O'Hare, N., & Smeaton, A. F. (2009, July). Combining social
    6. network analysis and sentiment analysis to explore the potential for online radicalisation. In Social
    7. Network Analysis and Mining, 2009. ASONAM'09. International Conference on Advances in (pp. 231
    8. 236). IEEE.
    9. Bughin, J., Doogan, J., & Vetvik, O. J. (2010). A new way to measure word-of-mouth marketing. McKinsey
    10. Quarterly, 2, 113-116.
    11. ČNB. (online 11. 6. 2014) Seznam měnových finančních institucí v České republice. [cit: 2014-11-06]
    12. Retrieved from ČNB
    13. http://www.cnb.cz/miranda2/export/sites/www.cnb.cz/cs/statistika/menova_bankovni_stat/seznamy_mbs/s
    14. eznam_mfi/CZ_MFI_CZ_verze.xls
    15. Feldman, R., & Sanger, J. (Eds.). (2007). The text mining handbook: advanced approaches in analyzing Go to original source...
    16. unstructured data. Cambridge University Press.
    17. Go, A., Bhayani, R., & Huang, L. (2009). Twitter sentiment classification using distant supervision. CS224N
    18. Project Report, Stanford, 1-12.
    19. Griffin, A., & Hauser, J. R. (1993). The voice of the customer. Marketing science, 12(1), 1-27. Go to original source...
    20. H.b. (01. 08. 2010). The New Conversation: Taking Social Media from Talk to Action. [online] 24 pages.
    21. Harvard Business Review, 10815-PDF-ENG. Retrieved from
    22. http://www.sas.com/resources/whitepaper/wp_23348.pdf
    23. Han, X., & Niu, L. (2012). Word of mouth propagation in online social networks. Journal of Networks, 7(10) Go to original source...
    24. 1670-1676.
    25. Helm, S., & Schlei, J. (1998). Referral potential-potential referrals. An investigation into customers'
    26. communication in service markets. In Track 1 Market Relationships, Proceedings 27th EMAC Conference
    27. Marketing Research and Practice (pp. 41-56). ISQA.
    28. Hu, N., Pavlou, P. A., & Zhang, J. (2006, April). Can online word-of-mouth communication reveal true product
    29. quality? Experimental insights, econometric results, and analytical modeling. In Proceedings of the 7th
    30. ACM Conference on Electronic Commerce, Ann Arbor, Michigan, USA, June.
    31. Choi, J. H., & Scott, J. E. (2013). Electronic word of mouth and knowledge sharing on social network sites: a
    32. social capital perspective. Journal of theoretical and applied electronic commerce research 8(1), 69-82.
    33. Kaur, H. (2013). Opinion Mining Task and Techniques: A Survey. International Journal of Advanced Research
    34. in Computer Science, 4(3).
    35. Kruengkrai, C., & Jaruskulchai, C. (2002, July). A parallel learning algorithm for text classification.
    36. In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data
    37. mining (pp. 201-206).
    38. Liu, Bing. (2008) Web data mining. Exploring hyperlinks, contents, and usage data, Corr. 2. print. Data-centric
    39. systems and applications. Springer, Berlin.
    40. Morrissey, S. (2012). Digitální svět nové generace mění bankovnictví. In Bankovnictví v proměnách času
    41. Sborník textů k 20 letům České bankovní asociace. Praha: ČBA, s. 72-75. ISBN 978-80-260-3016-4.
    42. Nacher, P. (online 30.9.2014) Druhá fáze přechodu bankovních klientů se blíží. Bankovní poplatky. Retrieved
    43. from http://www.bankovnipoplatky.com/druha-faze-prechodu-bankovnich-klientu-se-blizi-25121
    44. Pak, A., & Paroubek, P. (2010, May). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. In 7th
    45. International Conference on Language Resources and Evaluation, (pp. 1320-1326).
    46. Půlpánová S. (2007). Komerční bankovnictví v České republice. 1. vyd. Praha: Oeconomica, 338 s. ISBN 978 Go to original source...
    47. 80-245-1180-1.
    48. Sperkova, L. (2014) Word of Mouth Analysis on Facebook in Banking. In Marketing Identity: Explózia inovácií.
    49. Trnava.
    50. Tsiptsis, K., & Chorianopoulos, A. (2011). Data mining techniques in CRM: inside customer segmentation. John
    51. Wiley & Sons.
    52. Veeck, A., & Hoger, B. (2014). Tools for Monitoring Social Media: A Marketing Research Project. Marketing
    53. Education Review, 24(1), 37-72.
    54. Witten, I. H., Frank, E., & Mark, A. Hall (2011). Data Mining: Practical machine learning tools and techniques.
    55. Morgan Kaufmann.

    This is an open access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.


    Return to the content