В прошлом материале мы начали обсуждать частные потребительские практики и поведение, которые часто не охватывают в рамках макроэкономических исследований, несмотря на их важность для измерения уровня потребительской уверенности и потребительских расходов. В качестве одного из альтернативных подходов к измерению потребительского поведения выступает анализ метаданных социальных сетей. Его применяют для оценки представлений потребителей о будущем национальной экономики, состоянии рынка труда, планировании крупных покупок или сберегательного поведения.
Экспертный текст как источник данных
Одним из предшественников семантического анализа данных социальных сетей выступает индекс экономических новостей, а также другие индексы экономических настроений, основанные на средствах массовой информации. Подобные индексы чаще строятся на материалах заранее отобранных источников СМИ (обычно – специализированных на экономике и финансах) за определенный период – например, ежемесячно.
Вариации индекса экономических настроений на базе материалов СМИ чаще всего используют один из следующих подходов либо их комбинацию. Ранее более популярным подходом было использование существующих словарей («мешок слов»), чаще – финансовых и экономических, для количественной оценки настроений (позитивного/негативного) или эмоций (радости, грусти, удивления и т. д.) используемых в тексте слов. Результатом было выявление общего настроения на базе материалов по определенной тематике.
Второй подход предполагает использование алгоритмов машинного обучения. Оно учитывает не только эмоциональную окраску самого слова, но также содержание и структуру текста. Это отличает данный подход от базового подхода «мешка слов».
Анализируя потребителей в социальных сетях
Интерес к анализу социальных сетей для понимания текущего отношения потребителей к бренду и потребительскому поведению возник благодаря PR- и маркетинговым исследованиям. Далее этот подход был расширен и стал использоваться не только для анализа отношения потребителей к конкретному бренду или продукту, но и для анализа их отношения к экономике в целом.
Учитывая невозможность ограничения количества данных социальных сетей (как это происходит в случае с анализом источников СМИ), активно развивающийся подход метаанализа данных соцсетей использует алгоритмы машинного обучения. Такой подход позволяет обработать все посты и сообщения пользователей, касающиеся, например, крупных покупок за последний месяц в наиболее часто используемых социальных сетях в отдельной стране.
Настроения VS индикаторы
В большей части исследований потребительских настроений с использованием анализа сообщений пользователей соцсетей его результаты сравниваются с индексом потребительского поведения.
Например, исследование 2010–2014 годов продемонстрировало, что изменения в настроениях сообщений в соцсетях нидерландских пользователей коррелировали с изменениями ежемесячного индекса потребительской уверенности. Оба показателя – индекс потребительской уверенности и показатель настроений пользователей социальных сетей – демонстрировали схожую динамику изменений.
Исследование пользователей социальных сетей Великобритании, проведенное примерно в тот же временной период, продемонстрировало схожую связь настроений в соцсетях с ежемесячным индексом потребительской уверенности от GfK (хоть и с меньшей корреляцией).
Оба исследования показали, что изменения в настроениях в социальных сетях обычно предшествуют изменениям в уровне потребительской уверенности. Разница между изменениями составляет примерно неделю.
От Европы к Азии
Исследования, проводимые в Юго-Восточной Азии (Тайвань, Южная Корея), также демонстрируют долгосрочную и достаточно стабильную связь между сообщениями пользователей социальных сетей по темам, связанным с индексом CCI (планирование крупных покупок, уровень безработицы), и непосредственно индексом потребительской уверенности.
Исследователи также проверили направленность связи. Оказалось, что прогнозные данные, собранные в социальных сетях по сообщениям пользователей и поисковым запросам, опережали официальные статистические данные, агрегированные в индексе потребительской уверенности. Более того, точность прогнозирования потребительской уверенности по опросным данным была улучшена после добавления данных поисковых запросов пользователей по компонентам индекса в перспективе последующих шести месяцев.
Исследования настроений пользователей социальных сетей (а также поисковых запросов по компонентам индекса потребительской уверенности) крайне перспективны, поскольку являются опережающими по сравнению с опросными методами, используемыми для построения индекса потребительской уверенности. Если взаимосвязь между обоими показателями остается стабильной, а используемые данные отобраны с позиции их объяснительной силы в случае каждой конкретной страны, то показатели настроений пользователей социальных сетей и поисковых запросов могут публиковаться с большей частотой, чем основанные на опросных данных макроэкономические индексы. Также показатели экономических настроений пользователей могут быть использованы для уточнения индикаторов, собранных опросными способами.
