Iedereen is het erover eens dat de inhoud van LinkedIn-berichten cruciaal is om viraal te kunnen gaan. Vandaag geef ik geen antwoord de vraag “Waar moet u het over hebben op LinkedIn?” maar eerder op “Hoe moet u het erover hebben? “. Ik maakte gebruik van 4 miljoen LinkedIn-berichten gebruikt om de geuite gevoelens te meten en de correlatie met hun viraliteit te analyseren.
Deze analyse volgt op de analyse die ik hier publiceerde over een reeks van 4,6 miljoen posts en waarin ik de rol van het netwerk, het aantal woorden en het aantal emoji’s in de viraliteit van een LinkedIn-bericht belichtte.
Als u meer wilt weten over LinkedIn en mijn exclusieve analyses per e-mail wilt ontvangen, volstaat het u aan te melden voor mijn nieuwsbrief (hieronder). Zorg ervoor dat u de inschrijvingslink valideert die u per e-mail zal worden toegestuurd!
Samenvatting
- Methodologie
- Gedetailleerde resultaten
- Analyse van gevoelens: hoe werkt het?
- Verschillen in gevoelens uitgedrukt al naargelang de taal
- 3 gedetailleerde gevoelsanalyses
- Gevoelsanalyse van virale berichten op LinkedIn
- Voorspellingsmodel: effect van subjectiviteit op de viraliteit van LinkedIn-berichten
Resultaten in het kort
- Slechts 0,21% van de berichten krijgt meer dan 1000 reacties
- Tussen 82 en 89% van de LinkedIn-berichten kan als “subjectief” worden omschreven.
- Tussen 71% en 77% van de berichten op LinkedIn drukken positieve emoties uit.
- U hoeft niet per se positief te zijn om succesvol te zijn op LinkedIn.
- Het meest virale bericht in de dataset (817355 reacties op het moment van schrijven van dit bericht) bevatte negatieve emoties.
- Er zijn significante verschillen in emotie en objectiviteit/subjectiviteit naar gelang van de taal
- De emoties die in een LinkedIn-bericht worden geuit hebben geen statistische invloed op de waarschijnlijkheid van viraal te gaan.
- Een gemiddelde subjectiviteit van 0,5 verhoogt de waarschijnlijkheid van viraliteit van 3,59% tot 5,2%.
Methodologie
- Er werd gebruik gemaakt van een dataset van 4,6 miljoen LinkedIn-berichten. De gegevens werden voorbereid met Anatella (bedrijf Timi) voor:
- de taal van de post detecteren (CLD2-algoritme)
- het gevoel van de berichten meten in het Engels, Frans en Nederlands
- De gegevens werden vervolgens gevisualiseerd en verkend in Tableau en er werd een voorspellend model ontwikkeld met Modeler (Timi company).
- Het aantal geanalyseerde posten is als volgt:
- Engels: 2,556 miljoen
- Frans: 1,108 miljoen
- Nederlands: 68876
Gedetailleerde resultaten
- Tussen 72% en 77% van de berichten op LinkedIn drukken positieve emoties uit.
- Tussen 23% en 28% van de berichten op LinkedIn bevatten negatieve emoties.
- LinkedIn posts in het Frans zijn gemiddeld positiever dan posts in het Engels en Nederlands
- De geuite emoties hebben slechts een marginale invloed op de viraliteit van een LinkedIn post (4,6%)
- De viraliteit van de post wordt vooral beïnvloed door subjectiviteit (31,7%)
- Maximale viraliteit wordt bereikt voor berichten met
- een subjectiviteit van 0,5 tot 5,55
- een polariteit van 0,24 tot 0,35
Hoe werkt sentimentanalyse?
De komst van NLP (Natural Language Processing) heeft een reeks nieuwe instrumenten beschikbaar gemaakt. In mijn favoriete ETL-software (Anatella) is sinds kort een module gewijd aan gevoelsanalyse.
De gevoelsanalyse is gebaseerd op 2 variabelen:
- subjectiviteit
- polariteit
Subjectiviteit wordt gemeten op een schaal die gewoonlijk loopt van -1 tot 1 of van 0 tot 1. In het geval van het in Anatella gebruikte algoritme is dat [-1;1]. Een subjectief bericht evolueert van 0 naar 1, en een objectief bericht van 0 naar -1.
De polariteit komt overeen met een evaluatie van de emoties in de tekst. Ook hier wordt het gemeten op een schaal van -1 tot 1. Negatieve emoties liggen tussen -1 en 0; positieve emoties tussen 0 en 1.
Als u meer wilt weten raad ik u dit gesprek op Quora (Engelse site) aan.
Opmerkelijke verschillen in de “toon” van LinkedIn-berichten al naargelang de taal
In deze eerste visualisatie deelde ik de berichten in 4 categorieën in op basis van subjectiviteit (negatief/positief) en polariteit (negatief/positief).
Omdat negatieve subjectiviteit overeenkomt met objectiviteit heb ik deze term gebruikt. De term “polariteit” verwijst naar emoties, dus heb ik ervoor gekozen deze term te gebruiken voor een beter begrip.
Zo krijgen we 4 “kwadranten” die ons toelaten de LinkedIn-berichten in te delen volgens hun objectiviteit/subjectiviteit en positieve/negatieve emoties. Zoals u merkt, zijn er aanzienlijke verschillen tussen de verschillende talen (klik gerust op het plaatje om het te vergroten).
LinkedIn-berichten zijn bijna altijd subjectief … behalve in het Frans
De onderstaande grafiek toont de emoties die werden geuit in de 99,79% van de berichten die minder dan 1000 reacties kregen. U ziet dat de overgrote meerderheid daarvan zich in het bovenste deel van de grafiek bevindt, d.w.z. in het “subjectieve” deel. Alleen de Franse berichten vormen een beetje een uitzondering op deze regel.
Virale LinkedIn-berichten zijn meestal subjectief en drukken positieve emoties uit
Onderstaande grafiek toont de LinkedIn-berichten die meer dan 1000 reacties (likes + comments) opleverden. De meeste bevinden zich, net als de niet-virale berichten, in het bovenste rechterkwadrant (zie gestippeld kader). Het zijn dus subjectieve berichten waarvan de emoties positief zijn. Voor de Engelse taal is er echter een aanzienlijk aantal berichten in het kwadrant linksboven, d.w.z. berichten met negatieve emoties. De meest virale post van de hele dataset bevindt zich daar.
De meest virale post in de dataset is het werk van deze persoon. Ze wordt beschouwd als een licht negatieve post in termen van emoties en gemiddeld subjectief. Ik laat het aan u over of het algoritme goed werk heeft verricht. Zoals u ziet, heeft dit bericht, sinds de dataset aan mij is verstrekt, nog altijd “likes” en reacties gekregen. Het gecumuleerde aantal reacties bedraagt nu 817355.
Subjectiviteit heeft de grootste invloed op de viraliteit van een LinkedIn-bericht
Het laatste deel van deze analyse was om na te gaan welk effect de variabelen “subjectiviteit” en “polariteit” hadden op de waarschijnlijkheid dat een LinkedIn-bericht viraal zou gaan.
Het voorspellingsmodel werd gemaakt met “Modeler” van Timi. Ik heb dezelfde methode toegepast als in mijn vorige studie. Ik heb de kans gemodelleerd om 100 reacties te krijgen op een LinkedIn-bericht . De “reacties” worden gedefinieerd als de som van “vind ik leuk (like)” en “commentaar”.
Uit het Timi-model blijkt dat subjectiviteit 31,7% bijdraagt tot het bereiken van het doel; de bijdrage van de variabele “polariteit” (d.w.z. de geuite emoties) bedraagt slechts 4,6%. Met andere woorden, de emoties die in de post worden geuit, hebben weinig invloed op de waarschijnlijkheid dat een post viraal gaat.
De “natuurlijke” kans op het bereiken van 100 reacties is 3,59%. Wanneer de subjectiviteit van de post ongeveer 0,5 bedraagt, stijgt deze waarschijnlijkheid tot 5,2%.
Dankwoord
Met dank aan Tableau Software voor de ondersteuning bij mijn onderzoek.
Met dank aan Frank Vanden Berghen en Timi voor hun hulp om Anatella en Modeler ter beschikking te stellen.
Posted in Data en IT.
