Visual Analytics یک زمینه تحقیقاتی در حال ظهور است که قدرت پردازش داده های الکترونیکی و دانش پس زمینه اجتماعی مبتنی بر شهود انسان را ترکیب می کند. این مطالعه با استفاده از نمونه هایی از جریان احساسات و استراتژی های ارتباطی استراتژیک از طریق توییتر در یک حوزه blockchain ، تجزیه و تحلیل بصری مفید با Tableau را نشان می دهد. ما به طور مقایسه ای جریان احساسات را به مرور زمان و الگوهای استفاده از زبان بین شرکت هایی با شهرت خوب و بنگاه هایی با شهرت ضعیف بررسی کردیم. علاوه بر این ، این مطالعه به بررسی روابط بین شهرت و استراتژی های ارتباطی بازاریابی پرداخته است. ما دریافتیم که شرکت های رمزنگاری در هنگام افزایش تقاضای عمومی و افزایش معاملات و افزایش قیمت سکه ها ، اطلاعات بیشتری را تولید می کنند. استراتژی های زبان عاطفی در رسانه های اجتماعی بر اعتبار ارزهای رمزپایه تأثیر نمی گذارد. الگوی بازنمایی معنایی کلمات کلیدی بین شرکت هایی با شهرت خوب و شرکت هایی با شهرت ضعیف مشابه بود. با این حال ، بنگاه های معتبر در طیف گسترده ای از موضوعات ارتباط برقرار کرده و از استراتژی های فرهنگی متمرکز تر استفاده می کردند و با گسترش دسترسی آنها به سایر شبکه های رسانه های اجتماعی ، مزایای بیشتری از بازاریابی رسانه های اجتماعی را به دست می آوردند. Visual Big Data Analytics بینشی در مورد هوش تجاری ارائه می دهد که به سیاست های آگاهانه کمک می کند.

کلید واژه ها

• cryptocurrency ؛
• ارتباطات بازاریابی؛
• تجزیه و تحلیل شبکه معنایی ؛
• تجزیه و تحلیل احساسات ؛
• تحلیلی بصری

1. معرفی

تلسکوپ ها و میکروسکوپ ها به پیشگام اکتشافات علمی جدید در فیزیک و زیست شناسی کمک کرده اند. به همین ترتیب ، ابزارهای تحقیقاتی جدید شیوه های تحقیقاتی را ایجاد می کنند که با گذشته متفاوت است و در بهبود روند کلی تحقیق نقش دارند. برخی از محققان هشدار داده اند که گسترش ابزارهای جدید تحلیلی روشهای سنتی را بی فایده کرده است [1]. به طور خاص ، سیل داده ها به جای روشهای علمی معمولی ، به تکنیک های جدیدی مانند تجسم نیاز دارند. همچنین این ادعا وجود دارد که "هیچ تئوری بهتری از یک روش خوب" وجود ندارد "[2].

نه تنها دانشمندان علوم طبیعی و مهندسی بلکه اومانیست ها و جامعه شناسان نیز با چالش منفجر شدن داده ها روبرو بوده اند. به لطف افزایش استفاده از پایگاه داده های انتزاعی و نمایه سازی از جمله وب علوم و Scopus ، آنها به راحتی می توانند به اطلاعات زیادی دسترسی پیدا کنند. اگرچه این روش به خودی خود به عنوان هدف نهایی تلاش دانشگاهی در نظر گرفته نمی شود ، اما آگاهی منظم از پدیده های مهم اما گریزان را امکان پذیر می کند. علوم انسانی ، همانطور که از نام مستعار آن "Soft Science" دلالت دارد ، بسیار کمتر به روش های ساختاری و عینی متکی است ، مبادلات دانشگاهی در میان رشته های آنها دشوار است. با این حال ، اگر از ابزارهای جدید تجزیه و تحلیل داده ها برای ارائه نتایج بسیار ذهنی و توصیفی در عکس ها ، نمودارهای نمودار و نمودارهای شبکه استفاده می شود ، می توان ارتباط بهتری انجام داد. بنابراین ، تجزیه و تحلیل داده ها برای تسهیل تحقیقات بین رشته ای طراحی شده است.

علاقه های فزاینده ای در تجزیه و تحلیل بصری در علوم داده وجود داشته است. علیرغم ارزش و ابزار آن ، تجزیه و تحلیل تجسم نسبتاً محدود به نمودارهای نوار و توطئه های ساده برای محققان در پس زمینه علوم انسانی است [3،4]. به تازگی ، با توسعه ابزارهای مختلف و منابع داده باز با قیمت های مقرون به صرفه ، تجسم داده ها در صنعت و سایر زمینه های تحقیقاتی فراتر از علوم کامپیوتر و حوزه های مهندسی مورد استفاده قرار گرفته است [5]. در میان بسیاری از ابزارهای تحلیلی بصری ، Tableau به ویژه برای کشف داده های رابطه ای چند بعدی ، تجسم و تجزیه و تحلیل آماری مفید است [6]. Tableau مبتنی بر یک زبان تجسم بانک اطلاعاتی VIZQL (زبان پرس و جو بصری) است که اقدامات کاربران را به نمایش داده های پایگاه داده تبدیل می کند که منجر به طیف گسترده ای از گرافیک ها از طریق مراحل نسبتاً ساده و آسان می شود [7].

هدف از این مطالعه ، نشان دادن تجزیه و تحلیل بصری و تجزیه و تحلیل شبکه معنایی برای تعیین چگونگی ارتباط شرکت های رمزنگاری محبوب استراتژیک سکه های خود در رسانه های اجتماعی است. ما به طور مقایسه ای جریان احساسات را به مرور زمان و الگوهای استفاده از زبان بین شرکت هایی با اعتبار بالا و شرکت هایی با اعتبار کم بررسی می کنیم. علاوه بر این ، این مطالعه به بررسی روابط بین شهرت و استراتژی های ارتباطی بازاریابی از نظر شدت عاطفی عبارات و الگوهای استفاده از زبان می پردازد.

2. درک ارزهای رمزنگاری شده در اقتصاد دیجیتال

قیمت بیت کوین به سرعت در حال تغییر است. همچنین تفسیرهای مختلفی از علت وجود دارد. توجه به این نکته ضروری است که این تغییرات پدیده های ناگهانی نیستند. اقتصاددانان سرمایه گذاری موسوم به «نپرس» را به بحران گل لاله هلند در سال 1630، حباب دات کام در اوایل دهه 2000 و بحران جهانی مسکن در سال 2007 نسبت می دهند. بازار سهام جهانی در آخرین ویرایش خود از 'شور غیر منطقی'. از نظر تئوری، این پدیده نوعی «رفتار گله ای» است که زمانی اتفاق می افتد که افراد بدون در نظر گرفتن جدی مبانی اقتصادی، تصمیم سرمایه گذاری می گیرند [9]. به عبارت دیگر، آنها مانند یک گله گوسفند در بازار ارزهای دیجیتال عمل می کنند [10]. با این حال، اقتصاددانان اغلب نقش مهم رسانه های اجتماعی را که می تواند سرمایه گذاران بی تجربه در بازار ارزهای دیجیتال را تحت تاثیر قرار دهد نادیده گرفته اند [11].

این مطالعه مبتنی بر ایده های تحقیق در مورد استفاده از توییتر برای پیش بینی بازار ارزهای دیجیتال است. تصمیمات مصرف کننده توسط اصول غیراقتصادی مانند احساسات [12،13] و اطلاعات موجود در رسانه های اجتماعی [14] شکل می گرفت. مطالعات قبلی در این زمینه بر قدرت پیش بینی معیارهای وب و رسانه های اجتماعی مانند توییتر برای استفاده، پذیرش و ارزش گذاری ارزهای دیجیتال متمرکز شده اند. مطالعات تجربی نشان می دهد که رسانه های اجتماعی به درک صدای افراد و سازمان های با نفوذی که بر قیمت ارزهای دیجیتال تأثیر می گذارند کمک می کنند. به عنوان مثال، ترافیک جستجوی وب مانند Google Trends قیمت ارزهای دیجیتال را پیش بینی می کند [15،16]. در همین راستا، استنادهای وب سایت های ارزهای دیجیتال عملکرد مالی ارزهای دیجیتال مانند ارزش بازار، قیمت و حجم معاملات را منعکس می کنند [17،18]. رسانه های اجتماعی همچنین به عنوان سیگنال های اجتماعی ارزهای دیجیتال عمل می کنند. برای مثال، بارت و همکاران.[19] کشف کرد که بحث های غیراخلاقی مکرر در مورد ارزهای دیجیتال در توییتر به طور منفی با قیمت ارزهای دیجیتال مرتبط است. برعکس، بحث های اخلاقی با قیمت ها ارتباط مثبت داشت. گارسیا و همکاران[20] دریافتند که حجم جستجوی اطلاعات کاربران و ارتباطات دهان به دهان بیت کوین در رسانه های اجتماعی نه تنها بر رشد قیمت آن، بلکه بر تغییرات قیمت نیز تأثیر گذاشته است.

علاوه بر این ، مطالعات قبلی اهمیت در دسترس بودن اطلاعات در کشش و ارزش گذاری ارزهای رمزنگاری شده را برجسته می کند. به عنوان مثال ، جهانانی و همکاران.[21] ادعا می کند که همراه با سطح بالاتر در دسترس بودن نوآوری فنی برای سکه ها ، در دسترس بودن اطلاعات موفقیت اکوسیستم cryptocurrency را تعیین می کند. به همین ترتیب ، یوهانسون و Tjeström [22] پیشنهاد می کنند که تقاضای اطلاعات پیش بینی کننده مثبت نوسانات بیت کوین است.

همانطور که در بالا بررسی شد ، مطالعات موجود در مورد استفاده از رسانه های اجتماعی در بازار cryptocurrency به شدت بر عملکرد توییتر در پیش بینی قیمت ها و ارزیابی های رمزنگاری شده متمرکز شده است. با این حال ، کمبود کار در فعالیت های سازمانی وجود دارد که می تواند ارزش ارزهای رمزنگاری شده در جوامع رسانه های اجتماعی را شکل داده و تأثیر بگذارد. اگرچه مطالعه کمی در مورد تأثیر رفتارهای بازاریابی شرکتهای رمزنگاری شده بر شهرت آن ، اکتشافی تجربی وجود داشت ، اما تعداد کمی از مطالعات نشان داد که چگونه ارتباطات کلمه ای بنگاه ها بر درک و رفتارهای سرمایه گذاران در بورس سهام تأثیر می گذارد. صدور سهام عدالت به زبانهای بنگاه های اقتصادی که حاکی از احساسات مورد استفاده در اسناد افشای است ، بر عملکرد شرکت [23] و احساسات سرمایه گذاران تأثیر می گذارد [24]. علاوه بر این ، این تغییر احساسات بر خرید یا فروش سهام تأثیر می گذارد [25]. یک مطالعه جدید به بررسی تأثیر احساسات صادرکنندگان رمزنگاری از طریق توییتر بر قیمت Cryptocurrency و واکنش های بازار پرداخته است. مشخص شد که احساسات مثبت دلالت بر حساب رسمی توییتر یک شرکت رمزنگاری شده باعث افزایش بازگشت سکه می شود [26]. سرمایه گذاران بر این اساس نسبت به احساسات بنگاهها واکنش نشان دادند زیرا احساسات شرکت ها را به عنوان اطلاعات معتبر می دانستند.

چنین شواهد تجربی معدودی نشان می دهد که ارتباطات کلمه ای بر روی پراکندگی ، ترویج و شکل دادن به دیدگاه های کاربران و رفتارهای خرید تأثیر می گذارد [4،27]. برای پر کردن این شکاف در ادبیات ، این مطالعه با هدف بررسی نقش فعالیتهای ارتباطی بازاریابی شرکتهای رمزنگاری شده با استفاده از رسانه های اجتماعی با تجزیه و تحلیل چگونگی تجلی آنها در محتوای تبلیغاتی آنها انجام می شود.

این مطالعه یک تلاش اولیه برای تعیین چگونگی ترویج ارزهای رمزنگاری شده در رسانه های اجتماعی و روابط بین شهرت و استراتژی های ارتباطی بازاریابی است. این مطالعه به درک استراتژی های مؤثر در بازاریابی توییتر از نظر بیان احساسات و استفاده از زبان در رسانه های اجتماعی با مقایسه ارتباط شرکتهای با تکامل بالا و پایین در بازارهای رمزنگاری کمک می کند. به منظور دستیابی به این هدف ، این تحقیق تمام توییت ها را از حسابهای اداره شده توسط ارزهای برتر رمزنگاری و تجزیه و تحلیل ترافیک و تجزیه و تحلیل متن با ترکیب تجزیه و تحلیل احساسات و تجزیه و تحلیل شبکه معنایی جمع آوری کرده است.

3. مواد و روشها

ما در مجموع 74 ارز رمزنگاری محبوب را از نظر رتبه اعتباری گزارش شده توسط ویس از 20 فوریه 2018 جمع آوری کردیم (به جدول 1 مراجعه کنید) [28].

جدول 1. شهرت رمزنگاری

تمام توییت های ارسال شده توسط 74 حساب cryptocurrency با استفاده از یک ابزار مبتنی بر API ، تحلیلگر وب سنج 2. 0 [29] استخراج شد. شدت احساسات نشان داده شده در تقریباً 10 ، 000 توییت بر اساس مقیاس 5 امتیاز لیکرت با استفاده از نرم افزار Sentister-Inftion طبقه بندی شد [30]. جریان احساسات پروفایل ارزهای رمزنگاری شده با گذشت زمان با استفاده از Tableau برای ترسیم پیکربندی قابل درک و طولی مورد تجزیه و تحلیل و تجسم قرار گرفت.

علاوه بر این ، ما همچنین از تجزیه و تحلیل شبکه معنایی برای مقایسه استراتژی های بازاریابی شرکت هایی با اعتبار بالا و شرکت هایی با اعتبار کم استفاده کردیم. تجزیه و تحلیل شبکه معنایی یک "رویکرد شبکه محور" برای تشخیص موضوعات برجسته ، استعاره ها و مضامین کلیدی بر اساس الگوی همزمان کلمه در یک متن متن است [31] و برای بررسی داده های متنی در مقیاس بزرگ مفید است. اول ، 100 کلمه کلیدی برتر از نظر فرکانس در توییت های شرکت های رمزنگاری با استفاده از TextStat تولید شدند [32]. در مرحله بعد ، از نرم افزار FullText [33] برای تولید ماتریس همزمان 100 کلمه برتر در توییت های تولید شده توسط شرکت هایی که بالاترین رتبه بندی (B و B) را دریافت کرده اند ، استفاده شد و شرکت ها بدترین رتبه (D) را توسط ویس دریافت کردندبشربرای تعیین ساختار کلی شبکه های معنایی ، یک بلوک اصلی و حاشیه ای انجام شد. محبوب ترین نرم افزار شبکه UCINET برای محاسبه معیارهای شبکه و تجسم استفاده شد.

4. نتایج

اول ، تجزیه و تحلیل سری زمانی از ترافیک توییت و جریان احساسات در توییت های ارسال شده توسط 74 شرکت Cryptocurrency از سال 2011 تا 2018 نشان می دهد که میزان توییت های تبلیغاتی به طور موقت بین سالهای 2014 تا 2015 افزایش یافته است. شکل 1 جریان احساسات ترافیک توییت را با گذشت زمان نشان می دهد. نمودار سمت چپ روند احساسات مثبت را نشان می دهد و نمودار سمت راست روند احساسات منفی را نشان می دهد. در نمودار ، محور x به تاریخ و سالها اشاره دارد و محور y نشانگر میزان توییت است.

شکل 1. جریان احساسات ترافیک توییت به مرور زمان

نتایج حاکی از آن است که اندازه توییت ها با حرکت به سال 2015 و 2016 کاهش یافته است ، اما در اواسط سال 2016 دوباره رشد کرد. ترافیک به سرعت افزایش یافت و به سمت پایان سال 2017 حرکت کرد ، و نشان می دهد تلاش های بیشتر بازاریابی با استفاده از توییتر توسط شرکت های cryptocurrencyبشراین را می توان به سنبله در قیمت بیت کوین ، حجم معاملات و علاقه کاربر به ارزهای رمزنگاری شده در نوامبر و دسامبر 2017 نسبت داد [35]. این یافته ها نشان می دهد که اگرچه یک مقدار کمی مثبت (1) از سال 2011 تا 2014 حاکم بود ، اما شرکت های cryptocurrency با گذشت زمان از کلمات مثبت تر استفاده می کردند. به ویژه ، هنگامی که فعالیت ها و قیمت های تجاری در دسامبر 2017 انتخاب شد ، آنها از استراتژی های بسیار مثبت استفاده کردند.

به همین ترتیب ، طیف گسترده ای از کلمات منفی از سال 2011 تا 2014 مشاهده شد اگرچه ترافیک توییتر در این دوره زمانی بسیار اندک بود. جای تعجب نیست که بنگاهها از کلمات کمی مهم نسبت به زبانهای منفی منفی در طول زمان از سال 2014 تا 2018 استفاده می کردند. وقتی قیمت ارزهای رمزپایه در سال 2018 کاهش یافت ، صدای شکاک تر ظاهر شد. از داده های ماهانه نیز برای بررسی تغییرات در استحکام متوسط احساسات مثبت و منفی در طول زمان استفاده شد (شکل 2 را ببینید). جالب اینجاست که احساسات دوستانه و خصمانه از سال 2014 تثبیت شده است.

شکل 2. تغییرات احساسات بر اساس داده های ماهانه

در مرحله بعد ، برای بررسی جریان احساسات در شرکت ها ، احساسات مثبت و منفی رمزنگاری مورد استفاده در توییت های آنها با استفاده از توطئه های جعبه مورد تجزیه و تحلیل قرار گرفت. همانطور که در شکل 3 نشان داده شده است ، هیچ چیز دیگری در خارج از نقشه جعبه در نقط ه-1 وجود ندارد ، اما در 1 نقطه بیت کوین کاملاً از جعبه فاصله دارد.

شکل 3. توطئه های جعبه جریان احساسات

برای بررسی دقیق در مورد استراتژی احساسات بیت کوین ، ما در مقایسه با یک شرکت رمزنگاری شده به طور تصادفی انتخاب شده ، Dogecoin ، فرکانس و درصد در استفاده از احساسات مثبت و منفی پیام های بیت کوین را مورد تجزیه و تحلیل قرار دادیم. همانطور که در شکل 4 نشان داده شده است ، بیت کوین عمدتاً از پیام های کمی مثبت در مقایسه با سایر شرکت ها استفاده می کند ، در حالی که توزیع احساسات در بین شرکت ها مشابه بود.

شکل 4. فرکانس و درصد در احساسات توییت های بیت کوین و Dogecoin

همانطور که در شکل 5 مشاهده می شود ، شدت احساسات مثبت و منفی در نمودارهای دو بعدی نشان داده شده است. جالب اینجاست که Namecoin بالاترین واریانس در احساسات را داشت ، به طور متوسط 1 و 3. 5 امتیاز برای خوش بینی و منفی بودن. در مرحله بعد ، Dogecoin به طور متوسط 2. 313 برای مقدار مثبت و-1. 147 برای مقدار منفی داشت.

شکل 5. مقیاس 2 بعدی از احساسات مثبت و منفی

The mean values of Twitter sentiments obtained from different groups per Weiss ratings were compared using analysis of variance (ANOVA). As only several companies received a B or B- rating, these two ratings were integrated for the analyses. As summarized in Table 2, there was no significant difference of emotional language uses among companies in different reputations (p> .05). This result suggests that emotional language strategies on social media did not affect cryptocurrencies’ reputations. According to the results of Pearson correlation analysis, positive emotion was not significantly related to negative emotion, r(72) = .03, p>. 05).

جدول 2. میانگین تست اختلاف قدرت احساسات در رتبه بندی اعتباری ویس

ما به طور مقایسه ای استراتژی های بازاریابی توییتر از شرکتهای شهرت بالا و شهرت کم را مورد بررسی قرار دادیم. شکل 6 و 7 نمودارهای شبکه معنایی توییت های مورد استفاده در شرکت های سکه بسیار معتبر و شرکت های سکه معتبر را نشان می دهد.

شکل 6. شبکه معنایی شرکتهای رمزنگاری با اعتبار بالا

شکل 7. شبکه معنایی شرکتهای رمزنگاری با اعتبار کم

اندازه گره متناسب با فرکانس کلمات است و پیوندهای بین گره ها به وقوع همزمان کلمات اشاره دارند. از آنجا که بیشتر این کلمات به یکدیگر متصل شده اند ، ما فقط روابط کلمه ای را نشان می دهیم که بیشتر در کنار هم اتفاق می افتد ، که بالاتر از مقدار چگالی شبکه است. اندازه کراوات نیز متناسب با فرکانس همزمان است. رنگ گره ها مطابق با نتایج محاصره هسته اصلی ، به گروه های گره ها اشاره دارد. یک رنگ قرمز گره ها را در گروه اصلی نشان می دهد و یک رنگ زرد به گره های موجود در گروه حاشیه در شبکه اشاره دارد.

نتایج حاکی از آن است که 2 هسته و 98 گره محیطی با تناسب اندام نهایی 98. 1 ٪ و 88. 3 ٪ به ترتیب در شبکه شرکت های بسیار معتبر و شبکه شرکت هایی با اعتبار کم مشاهده شد. شرایط اصلی در شبکه شرکت های معتبر اصطلاحات "RT" و "blockchain" بود که این شرایط از نزدیک به یکدیگر متصل بودند. برای شرکت هایی که دارای شهرت کم هستند ، اصطلاحات "RT" و "جدید" در گروه اصلی قرار داشتند.

برای مقایسه الگوی استفاده از زبان بین شهرت بالا و شرکتهای شهرت کم ، چگالی بین کلاسهای هسته ای و پریفری محاسبه شد ، که حاکی از قدرت پیوندها بین گروه ها است (جدول 3 را ببینید). همانطور که انتظار می رفت ، بین کلاس های هسته هسته در هر دو شبکه ارتباطات محکمی وجود دارد. جالب اینجاست که اصطلاحات بین کلاسهای اصلی و کلاسهای حاشیه در مقایسه با میزان چگالی بین کلاسهای حاشیه و کلاسهای حاشیه ای در هر دو شبکه بسیار جفت شد. این نشان می دهد که بیشتر کلمات به شدت با کلمات اصلی در توییت های شرکت های معتبر و شرکت های غیر قابل تکامل همراه بودند.

جدول 3. ماتریس چگالی هسته اصلی

هر دو شبکه معنایی نمایانگر توزیع توپی و گفتاری هستند ، و نشان می دهد که گره های مرکزی نقش هایی را به عنوان قطب های شبکه ایفا می کنند (پارک ، هافنر ، 2020). گره های مرکزی از نظر مرکزیت Eigenveector عبارتند از RT (637/0) ، blockchain (0. 489) ، جدید (0. 277) ، رمزنگاری (0. 146) و به روزرسانی (0. 134) در شبکه شرکت های معتبر. RT (0. 628) ، جدید (0. 312) ، blockchain (0. 231) ، ماری جوانا (0. 224) و سکه (0. 190) گره های مرکزی در شبکه شرکت های غیر معتبر بودند.

برای شرکت های معتبر ، کلمات مربوط به معامله سکه مانند "کیف پول" ، "توکن" ، "مبادله" ، "نقل قول" به شدت با یکدیگر در ارتباط بودند. اصطلاحات ، نشانگر امنیت خدمات ، مانند "امنیت" ، "cryptocurrency" ، "توسعه" ، "توسعه دهنده" و "فناوری" نیز اغلب ظاهر می شد. سیستم عامل های رسانه های اجتماعی مانند "رسانه های اجتماعی" ، "YouTube" ، "Facebook" از نزدیک با "RT" در ارتباط بودند و از تلاش های کلمه ای ذینفعان درخواست می کردند. اصطلاحات فرهنگی گرا مانند "غذا" و "مسافرت" نیز مشاهده شد. جالب اینجاست که برخی از کشورهای آسیای شرقی مانند "کره" ، "ژاپن" ، "توکیو" و "چینی" در زمینه بازاریابی و خدمات بین المللی محبوب در این مناطق ارائه شده اند.

در شبکه شرکت های با شهرت کم، بسیار جالب است که سیگنال بازاریابی ماری جوانا شناسایی شد (به عنوان مثال، "ماری جوانا"، "علف هرز"، "قانونی"، "خرید"، "قانونی سازی"، "تجارت"، و "تاجر»). این به استراتژی بازاریابی PotCoin (POT) نسبت داده می شود که پیشگام در صنعت ارزهای دیجیتال متمرکز بر شاهدانه است. PotCoin تلاش کرده است از مسائل بانکی برای کسانی که به دنبال تراکنش قانونی ماری جوانا هستند پشتیبانی کند [37]. مشابه شرکت های معتبر، شرکت های غیر معتبر نیز مزیت های خدمات خود را (به عنوان مثال، "ایمن"، "امن" و "آسان") و سیستم زیرساخت مبتنی بر فناوری بلاک چین (مانند "غیرمتمرکز"، "تجارت"، "cryptopionner" را ترویج کردند."مهارت"، "معدن" و "توسعه").

5. بحث

تجزیه و تحلیل بصری یک زمینه تحقیقاتی در حال ظهور است که قدرت پردازش داده های الکترونیکی و دانش پس زمینه اجتماعی مبتنی بر شهود انسانی را ترکیب می کند [3]. کاربردهای تجاری تجزیه و تحلیل بصری برای درک و نظارت بر بازار سهام در زمان واقعی و به دست آوردن بینش برای اجرای تصمیم گیری آگاهانه و توسعه اقدامات ضروری آینده بسیار مهم است [5،18]. از آنجایی که رسانه های اجتماعی یکی از پلتفرم های بازاریابی اولیه در صنعت امروز هستند، این مطالعه تجزیه و تحلیل بصری مفیدی را در ارتباط با تحلیل شبکه معنایی با استفاده از نمونه هایی از جریان احساسات و استراتژی های ارتباطات استراتژیک از طریق توییتر در یک حوزه بلاک چین نشان می دهد.

مطابق با مطالعات قبلی، یافته های تجزیه و تحلیل ترافیک توییت ها نشان می دهد که شرکت های ارزهای دیجیتال زمانی که تقاضای عمومی افزایش می یابد و تراکنش ها افزایش می یابد و زمانی که قیمت سکه ها بالا بود، فعال تر اطلاعات تولید می کنند [35]. برای گسترش بحث در مورد نقش رسانه های اجتماعی در ارزش گذاری ارزهای دیجیتال [19]، این مطالعه تأثیر فعالیت های ارتباطی بازاریابی بر شهرت ارزهای دیجیتال را با استفاده از تحلیل های متنی تعیین کرد. استراتژی های زبان عاطفی در رسانه های اجتماعی بر شهرت ارزهای دیجیتال تأثیری نداشت. تفاوت معناداری بین استفاده از زبان عاطفی بین شرکت های با شهرت بالا و شرکت های با شهرت پایین وجود نداشت.

علاوه بر این ، نتایج این مطالعه نشان می دهد که استراتژی های کلیدی در شرکت های بسیار معتبر ، اطلاعاتی در مورد معامله سکه ، امنیت محصولات و خدمات آنها ، نوآوری در زیرساخت های فنی و ارتقاء کلمه دهان در سایر سیستم عامل های رسانه های اجتماعی ارائه می دهند. همچنین قابل توجه است که آنها بر دسترسی به بازاریابی و بازاریابی منطقه ای در کشورهای آسیای شرقی ، از جمله کره ، ژاپن و چین متمرکز شده اند. علاوه بر این ، آنها اطلاعات فرهنگی سفر و غذا و همچنین اطلاعات کنفرانس فناوری blockchain را که در این کشورها برگزار می شود ، به اشتراک گذاشتند.

مشابه شرکت های معتبر ، شرکت های cryptocurrency با شهرت کم نیز مزایای خدمات و سیستم زیرساختی برتر را ابلاغ کردند. ما متوجه شدیم که بازاریابی ماری جوانا Potcoin در توییتر فعال است. در حالی که الگوی بازنمایی معنایی کلمات کلیدی در هر دو شبکه مشابه بود ، شرکت های معتبر با طیف گسترده ای از موضوعات ارتباط برقرار می کردند و از استراتژی های بازاریابی فرهنگی استفاده می کردند و با گسترش دسترسی آنها به سایر شبکه های رسانه های اجتماعی از بازاریابی رسانه های اجتماعی استفاده می کردند.

6. نتیجه گیری

سهم اصلی این مطالعه نشان دادن تجزیه و تحلیل بصری مفید برای جمع آوری ، نمایندگی و تجزیه و تحلیل داده های توییتر طولی با Tableau است. این مطالعه همچنین بینش هایی در مورد هوش تجاری در حوزه فناوری blockchain و ارزهای رمزنگاری شده ارائه می دهد ، که یک پدیده اجتماعی جدید است که هنوز هم برای ایجاد سیاست های آگاهانه به مطالعات اکتشافی نیاز دارد [18]. محدودیت هایی وجود دارد که باید در مطالعات آینده تصدیق و بهبود یابد. اول ، اگرچه توییتر یک بازاریابی بزرگ در صنعت cryptocurrency است [4] ، ما دریافتیم که شرکت های معتبر همچنین از سایر سیستم عامل های رسانه های اجتماعی مانند Facebook و YouTube استفاده می کنند. این عامل تعمیم نتایج مطالعه را محدود کرد. بنابراین ، برای بهبود تعمیم ، مطالعات آینده باید دامنه تحقیق را به سایر کانال های رسانه های اجتماعی نیز گسترش دهند. دوم ، در حالی که ما به طور مقایسه ای استراتژی های عاطفی و الگوهای استفاده از زبان بین شرکت ها را در شهرت مختلف بررسی کردیم ، ما واکنش مشتریان را در مورد این استراتژی های مختلف بازاریابی تأیید نکردیم. بنابراین ، جریان احساسات و استراتژی های بازاریابی محتوا تأثیر آنها را بر روی درک مصرف کننده به طور مستقیم توضیح نمی دهد. این امر خواستار مطالعات آینده در مورد تأثیر استفاده از زبان متمایز و استراتژی های بازاریابی بر رفتارهای مصرف کننده با اجرای نظرسنجی یا مصاحبه از گیرندگان پیام است. سرانجام ، این مطالعه فقط ارتباط کلمه ای از شرکت های رمزنگاری شده را مورد تجزیه و تحلیل قرار داده است. مطالعات آینده همچنین باید ارتباطات کلمه ای از مشتریان را بررسی کند که می تواند در گفتگوی توییتر و موضوعات مهم مربوط به ارزشهای اجتماعی ارزهای رمزنگاری شده تأثیر بگذارد.

تصدیق

نویسندگان از Seung-il Kang ، Bon-Woo Koo و Hwa-Young Song برای کمک به درمان داده ها ، تجسم و قالب بندی تشکر می کنند. داده ها بخشی از یک مجموعه داده بزرگ است که در مطالعه دیگری از نویسنده دوم مورد استفاده قرار می گیرد [4] ، اما اقدامات اصلی ، جداول و ارقام موجود در این مقاله فقط برای این مطالعه تولید ، تجزیه و تحلیل و تجسم شده است.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

1. M. Savage و R. Burows ، "بحران آینده جامعه شناسی تجربی" ، جامعه شناسی ، جلد. 41 ، نه. 5 ، صص 85-89 ، 2007 ، doi: https://doi. org/10. 1177/0038038507080443.
2. A. G. Greenwald ، "هیچ چیز نظری به عنوان یک روش خوب" ، دیدگاه های علوم روانشناختی ، جلد. 7 ، نه. 2 ، صص 99-108 ، 2012 ، doi: https://doi. org/10. 1177/1745691611434210.
3. D. A. Keim ، F. Mansmann ، J. Schneidewind ، J. Thomas ، and H. Ziegler ، Visual Analytics: دامنه و چالش ها ، داده های بصری کاوی اسپرینگر ، برلین ، هایدلبرگ ، صص 76-90 ، 2008.
4. H. W. Park و Y. Lee ، "چگونه فعالیت های توییتر مربوط به عملکرد ارزهای رمزنگاری برتر است؟ شواهدی از شبکه رسانه های اجتماعی و تجزیه و تحلیل احساسات ،" Drustvena Istrazivanja ، جلد. 28 ، نه. 3 ، صص 435-460 ، 2019 ، doi: 10. 5559/di. 28. 3. 04.
5. F. Wanner ، W. Jentner ، T. Schreck ، A. Stoffel ، L. Sharalieva ، and D. A. Keim ، "تجزیه و تحلیل بصری یکپارچه الگوهای در سری زمانی و متن داده های کار و کاربرد برای تجزیه و تحلیل داده های مالی ،" تجسم اطلاعات ، جلدبشر15 ، نه. 1 ، صص 75-90 ، 2016 ، doi: https://doi. org/10. 1177/1473871615576925.
6. D. G. Murray ، "Tableau Data!: تجزیه و تحلیل بصری سریع و آسان با نرم افزار Tableau" ، 2013.
7. C. Chabot ، "Demystifying Visual Analytics" ، گرافیک و برنامه های کاربردی IEEE ، جلد. 29 ، نه. 2 ، صص 84-87 ، 2009 ، doi: 10. 1109/mcg. 2009. 23.
8. R. J. SHILLER ، R. J. Exuberance Inlrical Arrational: نسخه سوم اصلاح شده و گسترش یافته ، انتشارات دانشگاه پرینستون ، 2015.
9. S. Hwang و M. Salmon ، "استرس بازار و گله" ، مجله مالی تجربی ، جلد. 11 ، نه. 4 ، صص 585-616 ، 2004 ، doi: https://doi. org/10. 1016/j. jempfin. 2004. 04. 003.
10. E. Bouri ، R. Gupta ، and D. Roubaud ، "رفتار گله دار در بازار رمزنگاری" ، گروه مقاله کار اقتصاد ، دانشگاه پرتوریا ، 2018.
11. Y. B. Kim ، J. G. Kim ، W. Kim ، J. H. Im ، T. H. Kim ، S. J. Kang و C. Kim ، "پیش بینی نوسانات در معاملات cryptocurrency بر اساس نظرات و پاسخ های کاربر ،" PLOS ONE ، جلد. 11 ، نه. 8 ، 2016 ، doi: https://doi. org/10. 1371/joual. pone. 0161197.
12. D. Kahneman و A. Tversky ، "تئوری چشم انداز: تجزیه و تحلیل تصمیم در معرض خطر" ، Econometrica ، جلد. 47 ، نه. 2 ، صص 263-292 ، 1979. https://doi. org/10. 2307/1914185
13. R. J. Dolan ، "احساسات ، شناخت و رفتار" ، علم ، جلد. 298 ، نه. 5596 ، صص 1191-1194 ، 2002 ، doi: 10. 1126/Science. 1076358.
14. J. Abraham ، D. Higdon ، J. Nelson ، and J. Ibarra ، "پیش بینی قیمت Cryptocurrency با استفاده از حجم توییت و تجزیه و تحلیل احساسات ،" SMU Data Review ، جلد. 1 ، نه. 3 ، صص 1-22 ، 2018.
15. F. Mai ، Q. Bai ، J. Shan ، X. S. Wang ، and R. H. Chiang ، "تأثیرات رسانه های اجتماعی بر عملکرد بیت کوین" ، مجموعه مقالات ICIS2015 ، صص 1-46 ، 2015.
16. M. Matta ، I. Lunesu ، and M. Marchesi ، "پیش بینی بیت کوین با استفاده از رسانه های جستجوی اجتماعی و وب" ، در کارگاه های UMAP ، 2015.
17. O. Kraaijeveld و J. de Smedt ، "قدرت پیش بینی کننده احساسات توییتر عمومی برای پیش بینی قیمت های رمزنگاری ،" مجله بازارهای بین المللی مالی ، موسسات و پول ، جلد. 65 ، نه. ج ، 2020 ، doi: https://doi. org/10. 1016/j. intfin. 2020. 101188.
18. S. Park and H. W. Park ، "انتشار ارزهای رمزنگاری: ترافیک وب و ویژگی های شبکه های اجتماعی به عنوان شاخص های عملکرد رمزنگاری ،" کیفیت و کمیت ، جلد. 54 ، نه. 1 ، صص 297-314 ، 2020 ، doi: https://doi. org/10. 1007/s11135-019-00840-6
19. J. R. Barth ، H. S. Herath ، T. C. Herath ، and P. Xu ، "ارزیابی و اخلاق رمزنگاری: یک رویکرد تحلیلی متن ،" مجله مدیریت تجزیه و تحلیل ، جلد. 7 ، نه. 3 ، صص 367-388 ، 2020 ، doi: https://doi. org/10. 1080/23270012. 2020. 1790046.
20. D. Garcia ، C. J. Tessone ، P. Mavrodiev و N. Perony ، "آثار دیجیتالی حباب ها: چرخه بازخورد بین سیگنال های اقتصادی و اجتماعی در اقتصاد بیت کوین ،" J. R. Soc. رابط ، جلد. 11 ، نه. 99 ، صص 1-8. 2014 ، doi: http://dx. doi. org/10. 1098/rsif. 2014. 0623.
21. E. Jahani ، P. M. Krafft ، Y. Suhara ، E. Moro ، and A. S. Pentland ، "Scamcoins ، S. پوسترها ، و جستجوی BitCointM بعدی: Senseming جمعی در بحث های cryptocurrency" ، مجموعه مقالات ACM در تعامل انسان-رایانه، جلد2 ، CSCW ، 2018 ، doi: https://doi. org/10. 1145/3274348.
22. N. Strale Johansson و M. Tjestrom ، "نوسانات قیمت بیت کوین: جستجوی رانندگان مؤثر بر نوسانات قیمت این ارز دیجیتال ،" پایان نامه کارشناسی ارشد ، دانشکده تجارت و اقتصاد UMEA ، 2014.
23. T. Loughran و B. McDonald ، "بازده روز اول IPO ، ارائه تجدید نظر در قیمت ، نوسانات و فرم S-1" ، مجله اقتصاد مالی ، جلد. 109 ، نه. 2 ، صص 307-326 ، 2013 ، doi: https://doi. org/10. 1016/j. jfineco. 2013. 02. 017.
24. M. Risius ، F. Akolk و R. Beck ، "احساسات دیفرانسیل و بازار سهام-مورد تجارت خاص شرکت" ، در: مجموعه مقالات کنفرانس اروپا در مورد سیستم های اطلاعاتی ، 2015.
25. J. R. Nofsinger ، "خلق و خوی اجتماعی و اقتصاد مالی" ، مجله امور مالی رفتاری ، جلد. 6 ، نه. 3 ، صص 144-160 ، 2015 ، doi: https://doi. org/10. 1207/S15427579JPFM0603_4.
26. جی ژانگ ، "آیا بازارهای رمزنگاری به احساسات صادرکننده واکنش نشان می دهند؟ شواهدی از توییتر" ، شواهدی از توییتر SSRN ، صص 1-29. 2020
27. S. Park and H. W. Park ، "تجزیه و تحلیل شبکه وب سنج از ویژگی های EWOM و رویکرد تکیه ماشین به نظرات مصرف کننده در طی یک بحران ،" Profesional de la Informacion ، جلد. 29 ، نه. 5 ، صص 1-14 ، 2020 ، doi: 10. 3145/epi. 2020. sep. 16.
28. ویس ، رتبه بندی های رمزنگاری ویس توضیح داد. 1 [آنلاین] موجود: https://weisscryptocurrencyratings. com/ratings/the-weisscryptocurrency-ratings-explained-15
29. M. Thelwall ، "داده های بزرگ و روش های تحقیقات وب اجتماعی ،" 2014. http://www. scit. wlv. ac. uk/papers/introductiontowebometricsandsocialwebanalysis. pdf.
30. M. Thelwall ، K. Buckley ، and G. Paltoglou ، "تشخیص قدرت احساسات برای وب اجتماعی" ، مجله انجمن علوم و فناوری اطلاعات آمریکا ، جلد. 63 ، نه. 1 ، صص 163-173 ، 2012 ، doi: https://doi. org/10. 1002/asi. 21662.
31. S. Park ، J. Y. Park ، Y. S. Lim ، and H. W. Park ، "گسترش مباحث ریاست جمهوری با توییت: بحث انتخابات ریاست جمهوری 2012 در کره جنوبی ،" از راه دور و انفورماتیک ، جلد. 33 ، نه. 2 ، صص 557-569 ، 2016 ، doi: https://doi. org/10. 1016/j. tele. 2015. 08. 004.
32. M. Hüning ، TextStat ، 2002. [آنلاین] موجود: http://neon. niederlandistik. fu-berlin. de/en/textstat
33. L. Leydesdorff and K. Welbers ، "نقشه برداری معنایی کلمات و کلمات در زمینه ها" ، مجله اطلاعات ، جلد. 5 ، نه. 3 ، صص 469-475 ، 2011 ، doi: https://doi. org/10. 1016/j. joi. 2011. 01. 008.
34. S. P. Borgatti و M. G. Everett ، "مدل های ساختارهای اصلی/حاشیه ای" ، شبکه های اجتماعی ، جلد. 21 ، نه. 4 ، صص 375-395 ، 2000 ، doi: https://doi. org/10. 1016/S0378-8733(99)00019-2.
35. N. Jerdack ، A. Dauletbek ، M. Divine ، M. Hult ، and A. Carvalho ، "درک آنچه فعالیت های تجارت بیت کوین را هدایت می کند" ، در مجموعه مقالات سالانه موسسه علوم تصمیم گیری ، شیکاگو ، ایالات متحده ، صص 1864-1872 ، 2018.
36. S. Park and C. A. Hoffner ، "توییت در مورد سلامت روان برای احترام به کری فیشر: چگونه# Inhonorofcarrie تأثیر اجتماعی حمایت از مشهور را تقویت کرد ،" رایانه ها در رفتار انسان ، جلد. 110 ، ص. 106353 ، 2020 ، doi: https://doi. org/10. 1016/j. chb. 2020. 106353.
37. M. Krishna ، "5 Cryptocurraces Marijuana Top" ، Investopedia ، 29 ژوئن 2019