Sosyal Medya Verileriyle Marka Karşılaştırması

Karşılaştırma neyi yanıtlamalı?

“Hangi marka daha iyi?” tek başına ölçülebilir bir soru değildir. Daha çok mu konuşuluyor, daha yüksek etkileşim mi alıyor, yoksa konuşmalarındaki ton mu daha olumlu? Bu üç soru farklı metrikler, farklı paydalar ve farklı yorumlar gerektirir.

Karşılaştırma için aynı tarih aralığını, benzer platform kapsamını ve tutarlı marka sorgularını kullanın. Marka isminin yaygın bir kelimeyle çakışması, aynı adı taşıyan başka ürünler veya kullanıcı adları sonucu kirletir; sorgularınızı mutlaka örnek paylaşımlar üzerinden doğrulayın.

1. Veriyi hazırlayın

Her paylaşım için marka, platform, zaman, metin, etkileşim sayıları ve mümkünse erişim/gösterim alanları tutarlı biçimde saklanmalı. Tekilleştirme, dil tespiti, spam filtresi ve yeniden paylaşımların nasıl ele alınacağı gibi kuralları en baştan belirleyin.

import pandas as pd

df = pd.read_csv("veri/sosyal_paylasimlar.csv", parse_dates=["tarih"])

df["marka"] = df["marka"].str.strip().str.casefold()
df["etkilesim"] = df[["begeni", "yorum", "paylasim"]].fillna(0).sum(axis=1)
df["gun"] = df["tarih"].dt.date

print(df.groupby("marka").size())
print(df[["platform", "tarih", "marka"]].isna().sum())

casefold(), lower()'dan biraz daha agresif bir normalleştirme yapar (örneğin Almanca ß'yi ss'ye çevirir) ve karşılaştırma amaçlı eşleştirmede tercih edilir. Ama dikkat: ikisi de yerel ayara duyarlı değildir. Python'da "I".casefold() sonucu "i"dir, Türkçedeki "ı" değil. Marka adlarında Türkçe büyük/küçük harf farkı önemliyse bunu ayrıca ele almanız gerekir. Beğeni, yorum ve paylaşımı tek bir etkileşim puanında toplarken de ağırlıklarının eşit olduğunu varsaydığınızı unutmayın; farklı ağırlık kullanıyorsanız formülü raporda açıkça yazın.

2. Paylaşım sayısı ve konuşulma hacmi

Markanın kendi paylaşım sayısı, ne kadar içerik yayımladığını gösterir. Konuşulma hacmi ise seçilen sorgu içinde markadan bahseden yakalanmış paylaşım sayısıdır. Bu ikisini ayrı raporlamak şart: markanın ürettiği gönderilerle kullanıcıların ürettiği konuşmalar tamamen farklı şeyler anlatır.

hacim = (df.groupby(["marka", "gun"])
           .size().rename("paylasim_sayisi").reset_index())

toplam = (df.groupby("marka")
            .agg(paylasim=("metin", "size"),
                 toplam_etkilesim=("etkilesim", "sum"))
            .sort_values("paylasim", ascending=False))
print(toplam)

Ham hacim; marka bilinirliği, kampanya harcaması, takipçi tabanı ve platform erişiminden etkilenir. Hacim artışı tek başına olumlu algı ya da başarı anlamına gelmez — olumsuz bir olay da konuşulma hacmini kolayca ikiye katlar.

3. Etkileşimi adil karşılaştırın

Toplam etkileşim, büyük takipçi kitlesi olan ya da daha sık paylaşım yapan markayı doğal olarak öne çıkarır. Mümkünse erişim veya takipçi başına oranları hesaplayın; paylaşım türünü ve platformu da ayrı değerlendirin.

# Erişim varsa: erişim başına etkileşim daha açıklayıcıdır
df["erisim_orani"] = df["etkilesim"] / df["erisim"].where(df["erisim"] > 0)

# Erişim yoksa takipçi sayısı yaklaşık payda olarak kullanılabilir
df["takipci_orani"] = df["etkilesim"] / df["takipci"].where(df["takipci"] > 0)

ozet = (df.groupby(["marka", "platform"])
          .agg(ortalama_erisim_orani=("erisim_orani", "mean"),
               ortanca_etkilesim=("etkilesim", "median"),
               paylasim=("etkilesim", "size")))
print(ozet.round(4))

where(... > 0) kullanımı sıfıra bölmeyi engeller ve o satırları NaN yapar; böylece oranlar sessizce sonsuza gitmez. Ortalama tek bir viral gönderiden ciddi biçimde etkilenebileceği için medyanı da birlikte raporlayın. Ve en önemlisi: erişim başına oran ile takipçi başına oran aynı şey değildir, ikisini aynı tabloda yan yana koymayın.

4. Duygu dağılımını yorumlayın

Duygu analizi metinleri çoğunlukla olumlu, nötr ve olumsuz sınıflara ayırır. Sınıflandırıcılar ironi, argo, emoji, bağlam, çok dilli kullanım ve marka adlarını yanlış okuyabilir. Skor, kamuoyunun kusursuz ölçümü değil, incelenmesi gereken yaklaşık bir göstergedir.

# duygu sütununun pozitif / nötr / negatif etiketleri içerdiğini varsayalım
duygu_sayisi = pd.crosstab(df["marka"], df["duygu"])
duygu_yuzde = pd.crosstab(df["marka"], df["duygu"], normalize="index") * 100

print(duygu_sayisi)
print(duygu_yuzde.round(1))

Yüzdeleri her zaman örnek sayısıyla birlikte paylaşın. 40 paylaşımda %70 olumlu ile 4.000 paylaşımda %70 olumlu aynı güvende değildir. Otomatik etiketlerin bir bölümünü elle gözden geçirin: hem model hatalarını görürsünüz hem de hangi konuların hangi tonu çektiğini anlarsınız.

5. Konuşulma payı ve zaman içindeki değişim

Paylaşımların aynı izleme kapsamından geldiği varsayımıyla konuşulma payı, markanın toplam marka konuşmaları içindeki hacim oranıdır. Pazar payı ya da satın alma tercihiyle karıştırılmamalıdır. Günlük veya haftalık seri ise kampanya ve kriz sıçramalarını görünür kılar.

marka_hacmi = df.groupby("marka").size()
konusulma_payi = marka_hacmi / marka_hacmi.sum() * 100
print(konusulma_payi.round(1))

gunluk = (df.groupby(["gun", "marka"]).size()
            .rename("hacim").reset_index())

Paydanın hangi markaları ve hangi paylaşımları kapsadığını mutlaka belirtin. Tek bir rakibin sorgudan çıkarılması bile tüm payları değiştirir. Botlar, kopyala-yapıştır tekrarlar ve tek bir viral gönderi de hacmi kolayca şişirir.

6. Görseller ve karşılaştırma tablosu

Önce ortak tarih aralığında hacim eğilimini, ardından platforma göre etkileşim oranını ve duygu dağılımını gösterin. Eksenleri, paydaları ve birimleri etiketleyin; ham sayılarla oranları asla aynı grafikte karıştırmayın.

import seaborn as sns
import matplotlib.pyplot as plt

sns.lineplot(data=gunluk, x="gun", y="hacim", hue="marka")
plt.title("Günlük marka konuşulma hacmi")
plt.xlabel("Tarih"); plt.ylabel("Paylaşım sayısı")
plt.xticks(rotation=30)
plt.tight_layout()
plt.savefig("cikti/gunluk_hacim.png", dpi=160)
plt.close()

7. Bulguyu karara dönüştürün

1. Soruyu ve dönemi sabitleyin: aynı platform kapsamı, aynı tarih aralığı.
2. Veri sorgusunu doğrulayın: marka adı, yazım varyantları, spam ve tekrarlar.
3. Ham ve normalize ölçüleri yan yana verin: hacim, oran ve örneklem büyüklüğü birlikte.
4. Değişimleri bağlamlandırın: kampanya, ürün duyurusu, kriz ve platform algoritma değişiklikleri.
5. Sonucu ihtiyatla ifade edin: gözlemi nedensel iddiadan ayırın.

Kontrol listesi

Tek bir lider tablosu yeterli değil

Sosyal medya marka karşılaştırması tek bir sıralamadan ibaret değildir. Hacim görünürlüğü, oranlar etkileşim kalitesini, duygu dağılımı ise metinlerdeki yaklaşık tonu gösterir. Üçü farklı soruları yanıtlar ve çoğu zaman farklı markayı öne çıkarır.

Birden çok ölçüyü aynı kapsamda, paydalarıyla ve bağlamıyla sunmak hem daha adil hem de karar verirken daha işe yarar bir değerlendirme sağlar. “A markası önde” cümlesi, hangi metrikte ve hangi kapsamda önde olduğu yazılmadığı sürece bir bulgu değildir.