Здравствуйте, уважаемые читатели блога о контент-анализе!
Давно не публиковал ничего на блоге — обленился… Начал перевод довольно большой статьи о контент-анализе печатных СМИ и процесс застопорился: больно уж она большая… Решил пока что прерваться и написать немного о другом. В этой статье я приведу пример контент-анализа текста о бренде продукта. Сам текст будет взят с его официального сайта. Какой пример лучше использовать — не знаю. Возьму любой. Пусть это будет Windows 8. Текст находится по этому адресу. Анализировать будем потребности, которые, как заявляет производитель, будет удовлетворять бренд. Под этим потребностным углом и рассмотрим бренд.
Инструментом анализа будет ATLAS.ti, подробно описанный на блоге. Категориальным аппаратом будет — пирамида потребностей Маслоу. В результате анализа мы узнаем к каким потребностям чаще всего апеллирует бренд. Далее мы можем сравнить таким же образом апелляции к потребностям на официальном сайте продукта и на внешних ресурсах. Тем самым мы можем получить информацию о реальном восприятии бренда (если это форумы и блоги частных лиц) и её желаемое восприятие (страницы сайта продукта). На основе этого можно судить о необходимости корректирования качественных и количественных составляющих ATL, BTL и т.д. и т.п.
Загружаем текст в программу ATLAS.ti
Открываем загруженный документ через primary docs.
Далее создаём коды, соответствующие каждой из потребностей. Открываем менеджер кодов.
Далее создаём сами коды.
Прописываем все коды и получаем следующее:
Теперь начинаем кодировать текст. Выделяем фрагменты текста и соотносим их с кодами потребностей. Перетаскиваем коды на фрагменты текста. Фрагмент может апеллировать к одной, нескольким потребностям или ни к одной из них. Вот так выглядит кодирование:
Подробнее о кодировании можете почитать в этой статье.
По своему обыкновению здесь не буду кодировать материал, читая его: буду кодировать от балды, просто для того, чтобы привести пример контент-анализа. Выше это заметно 🙂
Теперь заходим в Codes Analysis Primary Table через выпадающее меню Analysis. Переносим актуальный текст (тексты) и коды в правую часть диалогового окна. Нажимаем Create Report.
Данные выгружаются в EXCEL. Видим следующую картину частотного распределения кодов:
Видим к каким из потребностей текст апеллирует чаще всего. Делаем вывод, что бренд главным образом призван удовлетворять эстетические потребности пользователей, потребность в безопасности и познавательные потребности. Повторюсь — кодировал наобум — это не объективная картина.
Идём чуть дальше. Предположим, наша задача теперь заключается в том, чтобы сравнить то, как преподносится бренд на официальном сайте и то, как он воспринимается аудиторией в разрезе категориального аппарата потребностей. Загружаем массив текстов о windows 8 с блогов, форумов и т.д. Чтобы не усложнять сейчас задачу, загрузим всё в один файл. Снова кодируем и выгружаем результаты квантификации в EXCEL.
Жёлтым цветом отметим 2 доминирующих параметра. Как мы видим, в обоих случаях наиболее актуальным оказывается эстетический аспект. Далее частотное распределение лексем уже разнится. То есть задуманное позиционирование не сходится по ряду параметров с реальным восприятием бренда.
Также можно просмотреть частотное распределение параметров (потребностей), наиболее активно обсуждаемых в массиве текстов блогов и форумов. Для этого перед выгрузкой в Excel выберем опцию Count Words.
Так мы сможем увидеть, о каком атрибуте бренда (в разрезе потребностного категориальнго аппарата) говорится больше, о каком, соответственно, меньше.
Аналогичным образом можно сравнивать позиционирование своего бренда с брендом конкурента, либо восприятие своего бренда актуальной аудиторией с восприятием схожего бренда конкурента, либо всё сразу или даже больше 🙂 Можно также добавить дополнительные коды — коды отражающие положительную/негативную оценку бренда в разрезе потребностей. Мы ведь идентифицируем только апеллирование к потребности, но игнорируем саму оценку бренда в разрезе этой потребности. Добавляем коды «положительное отношение» и «негативное отношение».
Эти два кода интегрируем в семейство кодов «оценка». Остальные в семейство «потребности». Для этого заходим в менеджер семейств, создаём оба семейства и переносим в них коды. (напомню, что все эти операции описаны на блоге в разделе про ATLAS.ti)
Создаём собственно сами семейства так:
Вот что получаем в итоге:
Кодируем актуальные фрагменты с помощью дополнительных кодов семейства «оценка», снова выгружаем в EXCEL и получаем информацию по распределению оценок в пространстве актуальных потребностей. Опять же понимаем, как оценивается бренд, с точки зрения удовлетворения потребностей. Если здесь что-то непонятно — спрашивайте в комментах к посту.
Аналогичным образом можно работать и с эмоциями — здесь свои классификации, свои категории и свои особенности. Здесь удобнее всего работать не с материалами с официального сайта, а с блогами и комментариями на них, форумами, глубинными интервью, фокус группами и т.д. Алгоритм аналогичный — берём актуальную классификацию и используем её как категориальный аппарат. Категории можно операционализировать более точными узкими параметрами. Далее оцениваем бренд, с точки зрения эмоций, которые вызывает его упоминание в формате высказываний. Классификаций эмоций множество. Например, вот такая: автор выделяет 10 эмоций — гнев, презрение, отвращение, дистресс (горе-страдание), страх, вину, интерес, радость, стыд, удивление (К.Изард). Они могут явиться параметрами для проведения контент-анализа. Ну, а далее всё как описано выше. Безсловно, намного интереснее и актуальнее комплексная оценка — применение нескольких категориальных аппаратов к массивам текста о бренде (брендах). В следующий раз, думаю, поговорим об архетипах и применении теории архетипов к контент-анализу текста. Тема огого!
Кароче всё! Бай
