Analyse af organisationernes Twitter-aktivitet på Folkemødet
Anden del af modellen for digital interessentanalyse ser nærmere på interaktionerne mellem de deltagende organisationer på Folkemødet og centrale digitale interessenter.
Første del: Hvilke organisationer på Folkemødet 2018 har størst indflydelse på Twitter?
Før Folkemødet målte jeg de deltagende organisationers digitale indflydelse ved at analysere i hvilken grad, de blev fulgt af de 5.486 mest centrale Twitter-konti indenfor medier, kommunikation, politik, erhverv og organisationer. Her hvor årets folkemøde er overstået, er det passende at analysere, hvor godt organisationerne formåede at få opmærksomhed blandt interessentgruppen.
Samtidig ser vi også lidt nærmere på den ømme tå; nemlig hvor bredt distribueret er interaktionerne — er det bare 2 personer med en øm retweet-finger, som skaber alt engagementet? Og vi skæver også til, om personerne tilfældigvis skulle være ansat i samme organisation.
Her er først top 20 over de organisationer med mest engagement fra de digitale interessenter. Se hele listen sidst. Analysen er foregået ved at optælle hhv retweets, quoted retweets, svar, mentions og likes fra de 5.486 interessenter på deltagernes tweets. Hver interaktion er herefter blevet tildelt en pointværdi afhængig af interessentens placering i netværket. Så et retweet fra en central person har højere værdi end fra en perifær. Ligesom med lobbyindekset. Alle interaktionstyper har desuden fået værdien 1 bortset fra likes, som kun tæller 0,5. Det er en vurderingssag om et retweet er lige så meget værd som et mention.
I tabellen kan man, udover den samlede score, se, fordelingen af point på de tre interessentgrupper. Altså fra hvilke klynger interaktionerne stammer.
Sammenligning med Overskrift og Infomedias analyser
Sammenligner man analysen med lignende fra Overskrift.dk og Infomedia, er der et vis overlap. Fx er Sundhedsstyrelsen top 3 i alle analyser. Omvendt har Væresteder ligget konstant højt i Overskrifts analyser, hvor de knapt nok er registreret i denne. Det skyldes, at Væresteders engagement primært stammer fra konti, som har få relationer med interessentnetværket og dermed ikke er placeret i det. Det er netop pointen med denne model; at kunne sortere interaktioner med lav relevans fra og måle kvaliteten af relevante forbindelser.
Distribution af interaktioner
Apropos relevansen af interaktioner, ser vi her på distributionen. Altså hvor mange unikke konti står egentlig bag engagementet? Fx har Dansk Industri 336 interaktioner i perioden fra interessenterne, som stammer fra 116 Twitter-konti. Ift til nr. 2 på listen, Landbrug & Fødevarer, er det en relativ fladere distribution, hvor L&F har samme antal interaktioner, men fra halvt så mange unikke Twitter-konti.
Det kan i øvrigt bemærkes, at selvom Dansk Industri og Landbrug & Fødevarer har samme antal interaktioner, så scorer førstnævnte betydelig højere, hvilket jo har årsag i rangeringen af interessenter og interaktionstyper. Med andre ord har DI mere relevant engagement end L&F.
I sidste kolonne er interaktionerne sammenlignet med Pareto-princippet eller 80/20-reglen, at 80% af hændelserne skyldes 20% af årsagerne. Som det ses, er det langt fra tilfældet, og som udgangspunkt må man formode, at en organisation ønsker så bred distribution som mulig.
Interaktioner fra egne ansatte?
Til sidst kigger vi på, hvor slemt det står til med, at organisationen selv står for alle interaktionerne. Er distributionen meget koncentreret, er det typisk et tegn på, at organisationens kommunikationsmedarbejdere har haft travlt med trykke på knapper. Dog skal de ansatte stadig være placeret i interessentnetværket for at blive registreret.
Analysen er foretaget ved at trække Twitter-bioer fra alle interessenter, som har interageret med en organisation, og isolere konti, hvor organisationens navn optræder i bioen. Herefter er antallet af interaktioner fra disse konti sammentalt og forholdt med det samlede antal interaktioner.
I tabellerne herover ses de ti konti, hvorfra hhv Dansk Industri og Landbrug & Fødevarer fik flest interaktioner. Som det tydeligt ses dominerer egne ansatte og fordommen om, at de eneste, som engagerer med organisationernes tweets på Folkemødet, er deres egne folk, er heller ikke i år aflivet. Det ses dog også, Dansk Industris distribution hurtigt bliver fladere, hvor Landbrugets interaktioner er mere koncentreret på få hænder.
Sammentælles alle interaktioner fra egen organisation, ser det således ud. Landbrug & Fødevarer samt Sundhedsstyrelsen er højt placeret både i denne og Overskrift og Infomedias analyser, men er også blandt de organisationer, hvis ansatte er mest begejstrerede for arbejdsgiverens tweets.
Man kan diskutere, om det vil være mere retvisende at fjerne interaktioner fra egen organisation, men i denne analysemodel skal de ansatte, som bekendt, være rangeret som interessenter for at tælle med, så de har en vis digital indflydelse i et større netværk, og det giver alt andet lige en berettigelse.
Afrunding
Folkemødet har fungeret som fin case for modellen for digital interessentanalyse, men hvor de fleste nok kan pege på indflydelsesrige danske politikere uden at analysere 5 mio relationer, så viser modellen sin sande styrke, når man bevæger sig ud i mere specifikke interessefelter og brancher, hvilket vil være omdrejningspunktet for den næste case.
Modellens resultater viser også et vis overlap med fx Overskrift og Infomedias analyser, som ikke diskriminerer mellem relationer, og hvad skal det så gøre godt for? Jeg mener dog, at denne metode viser flere nuancer, som validerer resultaterne, når spørgsmålet lyder “Men hvordan ved vi, at det er relevant?”
Det er det ubehagelige spørgsmål kommunikationschefer og public affairs managers i stigende grad vil stille til indsatsen på sociale medier i takt med, at platforme som Twitter bliver et redskab til at få kontakt med centrale interessentgrupper. Mindre “hvor meget” og meget mere “hvem”. Ved I, om I taler med de rigtige på Twitter, og hvad er jeres KPI for relevans?
Første del: Hvilke organisationer på Folkemødet 2018 har størst indflydelse på Twitter?
