Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

РИФ 2016, АНАЛИТИКА // Рейтинг государственных учреждений по отзывам в соцмедиа – методология и результаты

55 visualizaciones

Publicado el

Антон Гуров

Publicado en: Empresariales
  • Inicia sesión para ver los comentarios

  • Sé el primero en recomendar esto

РИФ 2016, АНАЛИТИКА // Рейтинг государственных учреждений по отзывам в соцмедиа – методология и результаты

  1. 1. Рейтинг московских школ по отзывам в Веб 2.0
  2. 2. Задачи Цели Создать инструмент для контроля школ Дать школам инстру- мент для обработки претензий и самокон- троля Динамически отслеживать реакцию родительской общественности (потребителей услуги) Много объектов – более 800 школ Очень много переменных в отзывах и жалобах
  3. 3. Собираем отзывы о школах Собираем все отзывы о школах в Web 2.0 ~200 отзывов в месяц ~800 различных площадок* * не считая школьных групп в соцсетях, личных аккаунтов и блогов и так далее
  4. 4. Методика расчета «веса» отзыва 1. 2. 3. Считаем, сколько людей увидело отзыв РА = ( + ) × РА*= 0,0442 расчетная аудитория Считаем, сколько людей на отзыв отреагировало (Engagement Rate) Вычисляем «вес» отзыва ER = × 100% / РА сумма реакций пользователей количество людей, увидевшийх объявление = РА × ER coeff
  5. 5. Отзывы распределяются по пяти категориям 1 2 3 4 5 Качество образования Профессионализм педагогов Оценка управления Оценка материально- технического обеспечения Атмосфера
  6. 6. Пример По школе №1 найдено три отзыва. В двух из них хорошо отзываются о педагогах, но плохо о директоре. А в одном хорошо отзываются о директоре и об атмосфере, но ругают МТО. Итог: Категория Учителя Управление МТО Атмосфера Качество образования +2 –1 –1 +1 0Школа №1 Здесь и далее «вес» каждого отзыва приравнен к единице.
  7. 7. ОК + ОбОш × 0,2> 0 ОК – ОбОш × 0,2< 0 Учитываем общее количество отзывов о школе
  8. 8. Пример По школе №1 найдено три отзыва. В двух из них хорошо отзываются о педагогах, но плохо о директоре. А в одном хорошо отзываются о директоре и об атмосфере, но ругают МТО. По школе №2 найдено пять отзывов. В трех – позитивные оценки педагогов и негативные директората. В двух – позитив про директора, но при этом в одном из них – негатив про учителей, а в другом – положительный отзыв об атмосфере. Итог: Категория Учителя Управление МТО Атмосфера Качество образования +2,6 –1,6 –1,6 +1,6 +0,6Школа №1 +3 –2 –2 +2 +1Школа №2
  9. 9. ВК = / Вычисляем вес категории количество отзывов с упоминанием категории общее количество отзывов
  10. 10. В нашем примере всего восемь отзывов. В них зафиксировано шесть упоминаний учителей, восемь – директоров, два упоминания МТО и два – атмосферы Учителя Управление МТО Атмосфера Качество образования 0,75 1 0,25 0,25 0Вес категории Пример
  11. 11. ИБ = Итоговый балл где БК1...n – балл школы по категории 1 ВК1...n – вес категории 1 в рейтинге БК1 × ВК1 + БК2 × ВК2 + БК3 × ВК3 + БК4 × ВК4 + БК5 × ВК5 количество категорий
  12. 12. Пример Категория Учителя (с учетом веса) Управление (с учетом веса) МТО (с учетом веса) Атмосфера (с учетом веса) Итоговый балл +1,95 –1,6 –0,4 +0,4 +0,35Школа №1 +2,25 –2 –0,5 +0,5 +0,25Школа №2
  13. 13. Готовый рейтинг
  14. 14. Рейтинги просто визуализируются
  15. 15. Подобный подход можно с легкостью адаптировать под любые аналитические мультиобъектные задачи. Подобные рейтинги будут интересны сетям, распределенным организациям, компаниям на высококонкурентных рынках. Данная модель масштабируется Мы уже делаем: Рейтинг Управляющих организаций Рейтинг поликлиник Рейтинг роддомов Рейтинг автошкол Рейтинг служб такси и другие…

×