۱. چرا روش شناسی را منتشر می‌کنیم؟
چگونه از کلان‌داده‌ی شبکه‌های اجتماعی به یافته و بینش رسیدیم
هر یافته‌ی کمّی، حاصل زنجیره‌ای از تصمیم‌هاست: چه چیزی جمع‌آوری شود، چه بخشی در جامعه‌ی آماری بماند، کدام محتوا به کدام دسته تعلق بگیرد، و عدد نهایی نسبت به چه مبنایی سنجیده شود.
تغییر هر یک از این تصمیم‌ها، عدد و بینش نهایی را تغییر می‌دهد. گزارشی که تنها یافته‌ها را منتشر کند و زنجیره‌ی تصمیم‌ها را پنهان نگه دارد، از خواننده می‌خواهد نتیجه را بدون امکان ارزیابی بپذیرد.
این سند سه هدف دارد.
نخست شفافیت (Transparency): خواننده باید بداند هر عدد از کجا آمده و چه چیزی را نمی‌گوید.
دوم تکرارپذیری (Reproducibility): پژوهشگر دیگری که به داده‌ی مشابه دسترسی داشته باشد، باید بتواند مسیر را بازسازی کند و به نتیجه‌ی قابل‌مقایسه برسد.
سوم امکان نقد بیرونی (External Auditability): محدودیت‌هایی که خودمان می‌شناسیم را صریح می‌نویسیم تا نقد بر سر موضوع درست شکل بگیرد، نه بر سر ابهام.
آنچه در ادامه می‌آید، توصیف روش است، نه تکرار یافته‌ها. اعداد نتایج عمداً در این سند نیامده‌اند؛ محل آن‌ها خودِ گزارش است.
۲. پرسش‌های پژوهش و دامنه
۲.۱. بازه‌ی زمانی
بازه‌ی بررسی، پانزده ماه است: یک سال کامل (1404) به‌علاوه‌ی فصل نخست سال بعد (بهار 1405). این انتخاب، از یک محدودیت داده‌ای نشأت نگرفته بلکه تابع پدیده‌ی مورد مطالعه بوده است. طولانی‌ترین دوره‌ی محدودیت دسترسی به اینترنت بین‌الملل در این بازه، از ماه پایانی سال آغاز و در فصل نخست سال بعد پایان یافت. بستن بازه در انتهای سال تقویمی، این رویداد را از وسط قطع می‌کرد و امکان مشاهده‌ی بازگشت پس از رفع محدودیت را از بین می‌برد.
پیامد این انتخاب آن است که بازه‌ی گزارش با سال تقویمی منطبق نیست و در مقایسه‌های سال‌به‌سال باید دقت شود که کدام پنجره با کدام پنجره سنجیده می‌شود. در تمام مقایسه‌های تطبیقی، پنجره‌ی سال جاری با پنجره‌ی هم‌ارز تقویمی در سال پیش مقایسه شده است، نه با میانگین سالانه یا نقطه زمانی مشخص. به جز مواردی که براساس محتوا و روایت نیاز به سنجش تغییرات براساس یک نقطه زمانی خاص یا مقایسه با بازی زمانی متفاوتی بوده است که این موارد به صراحت در گزارش عنوان شده‌اند.
۲.۲. واحد تحلیل
واحد تحلیل در فصل‌های مختلف یکسان نیست و این تفاوت عامدانه است:
| فصل | واحد تحلیل |
|---|---|
| رفتار کاربر | حساب کاربری فعال |
| تجارت اجتماعی | حساب فروشگاهی |
| برندها و کمپین‌ها | برند (به‌عنوان مجموعه‌ای از حساب‌ها) |
| بازار ابزارهای دسترسی | محتوای عرضه‌ی خدمات |
| بانک‌ها | نهاد (به‌عنوان موضوع گفت‌وگو) |
این ساختار، یک حرکت زوم‌اوت (Zoom-out) از فرد به نهاد است. پیامد روش‌شناختی‌اش این است که اعداد فصل‌های مختلف مستقیماً با هم جمع‌پذیر یا قابل‌مقایسه نیستند؛ هر فصل جامعه‌ی آماری خود را دارد و نسبت‌هایش تنها درون همان فصل معنا دارند. این جامعه آماری ابتدای هر فصل مشخص و تشریح شده است.
۳. معماری منابع داده
دادههای این گزارش از سه لایه‌ی مستقل تأمین شده‌اند. هر لایه توانایی و محدودیت خاص خود را دارد و انتخاب لایه برای هر پرسش، خود یک تصمیم روشی است.
۳.۱. لایه‌ی نخست؛ داده‌ی دست‌اول از پایپ‌لاین خزش (Crawl)
بدنه‌ی اصلی گزارش بر داده‌ای استوار است که بات‌های خزش دیتاک از محتوای عمومی منتشرشده در بسترهای اجتماعی و رسانه‌های آنلاین گردآوری می‌کنند. این داده در نمایه‌های جداگانه‌ای بر پایه‌ی نوع منبع نگهداری می‌شود: پست‌ها، پروفایل‌ها، پاسخ یا نظرات، سابقه‌ی تغییرات پروفایل‌ها از بسترهای شبکه‌های اجتماعی، اخبار وب‌سایت‌های خبری و بازخوردهای منتشر شده در سرویس‌ها و اپلیکیشن‌های فراگیر مثل کافه بازار و دیجی کالا
آنچه این لایه می‌تواند بگوید: رفتار مشاهده شده در سطح محتوا است. به صورت خلاصه اینکه چه چیزی، کِی، توسط چه حسابی منتشر شد و چه واکنشی یا بازخوردی گرفت.
آنچه نمی‌تواند بگوید: نیت، نگرش گزارش‌نشده، و رفتار خارج از فضای عمومی آنلاین. کاربری که خاموش است، در این لایه دیده نمی‌شود.
۳.۲. لایه‌ی دوم؛ آمار نهادی و رسمی
آمارهای منتشر شده توسط نهادهای رسمی، مراکز پژوهشی، گزارش‌های شرکت‌های بورسی، و مراجع بین‌المللی پایش دسترسی به اینترنت و آمار. این لایه عمدتاً برای دو موضوع به‌کار گرفته شده است: تعیین تقویم رویدادها (مانند تاریخ و طول دوره‌های محدودیت دسترسی) و اعتبارسنجی بیرونی (External Validation) یافته‌های لایه‌ی نخست.
۳.۳. لایه‌ی سوم؛ داده‌ی نظرسنجی
داده‌ی نظرسنجی مراکز افکارسنجی معتبر، برای پرسش‌هایی به‌کار رفته که ذاتاً از رفتار مشاهده‌شده استخراج نمی‌شوند. نمونه‌ی روشن آن، نرخ استفاده و نرخ پرداخت در بازار فیلترشکن است: محتوای عرضه در بسترهای اجتماعی می‌تواند قیمت را نشان دهد، اما نمی‌تواند بگوید چه نسبتی از جمعیت استفاده می‌کند یا بابت آن پول می‌دهد. این پرسش تنها با پرسیدن پاسخ قابل اتکا دارد.
۳.۴. مثلث‌سازی
هرجا امکان داشت، یک یافته از بیش از یک مسیر محاسباتی یا بیش از یک منبع بازتولید شده است، رویکردی که در ادبیات روش‌شناسی مثلث‌سازی (Triangulation) نامیده می‌شود و در اینجا در دو شکل به‌کار رفته:
مثلث‌سازی منابع (Data Triangulation): سنجش یک کمیت واحد از دو منبع مستقل، مانند تطبیق برآورد رفتاری با دادههای نظرسنجی.
مثلث‌سازی روشی (Methodological Triangulation): رسیدن به یک کمیت از دو مسیر محاسباتی متفاوت روی داده‌ی یکسان. مثلاً برآورد اندازه‌ی یک بازار، هم از مسیر ضرب نرخ‌های نفوذ در قیمت میانه و هم از مسیر تجمیع سناریوهای مصرف.
همگرایی دو مسیر، اعتماد را افزایش می‌دهد؛ واگرایی آن‌ها نشانه‌ی وجود یک فرض نادرست در یکی از دو مسیر است و در چنین مواردی، پیش از انتشار باید منشأ واگرایی شناسایی یا تحلیل کنار گذاشته شود (بخش ۸.۵).
۴. جامعه‌ی آماری و نمونه‌گیری
۴.۱. اصل بنیادین: نمونه، نه سرشماری
هیچ‌یک از پنل‌های داده‌ای این گزارش، سرشماری کامل بستر یا موضوع مرتبط نیست. آنچه در اختیار داریم، نمونه‌ای بزرگ اما ناکامل از فضای عمومی آنلاین است.
۴.۲. ساخت کوهورت با آستانه‌ی فعالیت
برای تحلیل رفتار کاربر، به جامعه‌ای نیاز بود که در طول زمان ثابت بماند تا تغییرات مشاهده‌شده به تغییر رفتار نسبت داده شود، نه به ورود و خروج افراد به نمونه. به این منظور، کوهورت‌هایی (Cohort) با معیارهای واجد شرایط بودن (Eligibility Criteria) ساخته شد.
معیار پایه، آستانه‌ی فعالیت (Activity Threshold) بود: برای مثال در مورد فروشگاه‌های اینستاگرامی حسابی وارد کوهورت می‌شد که در طول یک بازه‌ی مبنای مشخص، در هر دوره‌ی زمانی، حداقلی از انتشار محتوا را داشته باشد. آستانه در دو سطح تعریف شد، یک سطح سخت‌گیرانه‌تر با شرط تداوم هفتگی که به جامعه‌ای کوچک و بسیار فعال می‌رسد، و سطوح ملایم‌تر ماهانه که جامعه‌های پایه‌ی بزرگ‌تری می‌سازند.
اثر روش‌شناختی این انتخاب: آستانه‌ی فعالیت، جامعه را به سمت کاربران فعال‌تر سوگیری می‌دهد. کاربر کم‌تحرک از کوهورت بیرون می‌ماند. بنابراین یافته‌های مبتنی بر این کوهورت‌ها را باید «رفتار کاربر فعال» خواند، نه «رفتار کاربر متوسط».
نکته: در اکثر موارد اگر نتیجه‌ای به کل جامعه تعمیم داده شده، این کار با اتکا به لایه‌‌های مکمل مثل نظرسنجی انجام شده، نه با تعمیم کوهورت.
۴.۳. پنل ثابت
برای سنجش تغییر در طول زمان، از پنل ثابت (Fixed Panel) استفاده شد: همان مجموعه‌ی حساب‌ها در تمام نقاط زمانی دنبال می‌شوند. جایگزین این روش، نمونه‌گیری مقطعی مکرر (Repeated Cross-section) است که در هر مقطع نمونه‌ای تازه می‌گیرد.
مزیت پنل ثابت این است که تغییر مشاهده شده را نمی‌توان به تفاوت ترکیب نمونه نسبت داد. هزینه‌اش فرسایش پنل (Panel Attrition) است: حساب‌هایی که در طول دوره حذف یا غیرفعال می‌شوند، از نمونه خارج می‌شوند و اگر این خروج با متغیر مورد مطالعه همبسته باشد، سوگیری ایجاد می‌کند. در تحلیل بقای فروشگاه‌ها، این دقیقاً همان چیزی است که سنجیده می‌شود؛ بنابراین در آن تحلیل، خروج از پنل داده است، نه نقص داده.
۴.۴. نمونه‌گیری هم‌اندازه برای مقایسه‌ی بین‌بستری
بسترهای مختلف، اندازه‌های بسیار متفاوتی دارند. مقایسه‌ی مستقیم شاخص‌های محاسبه‌شده روی نمونه‌های نابرابر، تفاوت اندازه‌ی نمونه را با تفاوت رفتار اشتباه می‌گیرد.
برای رفع این مسئله، در کنار نمونه‌های استاندارد هر بستر، یک نسخه‌ی نمونه‌گیری هم‌اندازه (Equal-size Sampling) ساخته شد که در آن، اندازه‌ی نمونه‌ی همه‌ی بسترها به کوچک‌ترین بستر نرمال‌سازی (Normalization) می‌شود. مقایسه‌های بین‌بستری بر پایه‌ی این نسخه انجام شده‌اند.
محدودیت باقی‌مانده: نرمال‌سازی اندازه، تفاوت در ماهیت کاربران هر بستر را از بین نمی‌برد. اگر ترکیب جمعیتی کاربران دو بستر ذاتاً متفاوت باشد، هم‌اندازه‌کردن نمونه این تفاوت را جبران نمی‌کند.
۴.۵. فهرست ثابت برندها
تحلیل کمپین‌ها بر پایه‌ی یک فهرست ثابت و از پیش تعریف‌شده (Fixed Predefined Panel) از برندهای شاخص در صنایع مختلف انجام شد. این فهرست در سراسر تحلیل و در تمام بازه‌های زمانی یکسان است.
دلیل انتخاب: اگر فهرست برندها در هر دوره از دل داده استخراج می‌شد (مثلاً «برندهای فعال هر دوره»)، مقایسه‌ی سال‌به‌سال بی‌معنا می‌شد، چون جامعه‌ی مقایسه در دو سال یکی نبود. فهرست ثابت این مشکل را حل می‌کند و امکان می‌دهد غیبت یک برند، خودش داده باشد.
پیامدهای این انتخاب که باید در تفسیر لحاظ شوند:
- فهرست، برندهای شاخص را پوشش می‌دهد و نماینده‌ی کل بازار نیست؛ یافته‌ها به «برندهای شاخص» تعمیم‌پذیرند، نه به تمام کسب‌وکارها.
- در برخی تحلیل‌های تکمیلی، آستانه‌ای بر تعداد دنبال‌کننده و فیلتری بر تجاری‌بودن حساب اعمال شده که جامعه را باز هم محدودتر می‌کند.
- بخشی از فهرست، در برخی کمپین‌ها هیچ فعالیتی نداشته است. این حساب‌ها از نمونه حذف نشدند، چون صفر بودنشان بخشی از یافته‌ها است.
۵. برچسب‌گذاری و طبقه‌بندی
بخش زیادی از تحلیل، نیازمند نسبت‌دادن برچسب به داده‌ی بدون ساختار است: آیا این حساب یک فروشگاه است؟ آیا این پست مربوط به یک کمپین مشخص است؟ این فروشگاه در کدام استان است؟
۵.۱. طبقه‌بندی واژگان‌محور
تفکیک انواع حساب و تشخیص محتوای کمپینی، با طبقه‌بندی واژگان‌محور (Lexicon-based Classification) _زیرمجموعه‌ای از روش‌های مبتنی بر قاعده (Rule-based Methods)_ انجام شده است: تطبیق مجموعه‌ای از کلیدواژه‌ها، هشتگ‌ها و الگوهای متنی فارسی و انگلیسی روی متن پروفایل، نام کاربری، نام نمایشی و متن پست.
چرا این روش انتخاب شد: در نبود فیلد ساختاریافته‌ی «نوع کسب‌وکار» در داده‌ی منبع، و با توجه به نیاز به تفسیرپذیری کامل قواعد، روش واژگان‌محور مزیت شفافیت دارد: هر برچسب قابل ردیابی به قاعده‌ای مشخص است.
محدودیت‌های شناخته‌شده‌ی این روش، که در ادبیات پردازش زبان طبیعی مستندند:
- پوشش ناقص (Incomplete Coverage): حسابی که کلیدواژه‌های فهرست را به‌کار نبرده باشد، برچسب نمی‌گیرد. در دسته‌بندی موضوعی فروشگاه‌ها، نسبت قابل‌توجهی از جامعه بدون دسته باقی ماند. دو طرح دسته‌بندی موازی (یکی با دسته‌های کاربرمحورِ کمتر و دیگری با دسته‌بندی ریزتر) ساخته و مقایسه شد.
- ابهام واژگانی (Lexical Ambiguity): یک کلیدواژه ممکن است در بافت‌های متفاوت معنای متفاوت داشته باشد.
- خطای مثبت کاذب (False Positive): محتوایی که کلیدواژه‌ی کمپین را دارد اما به آن کمپین مربوط نیست. این مورد به‌قدری اهمیت داشت که به یک قاعده‌ی مستقل حذف تبدیل شد (بخش ۸.۱).
برای این طبقه‌بندی‌ها، اعتبارسنجی با نمونه‌ی برچسب‌خورده‌ی دستی (Manual Annotation) و گزارش سنجه‌های دقت و بازیابی (Precision and Recall) تا حد امکان انجام شده است. بنابراین نرخ خطای طبقه‌بندی کمّی‌سازی شده و اعداد مبتنی بر این برچسب‌ها با دقت قابل قبولی در گزارش درج شده‌اند.
۵.۲. مکان‌یابی
استخراج استان، در نبود فیلد مکانی ساختاریافته، با یک آبشار جایگزینی (Fallback Cascade) سه‌مرحله‌ای انجام شد:
۱. مکان‌یابی مبتنی بر گزیتیر (Gazetteer-based Geocoding): تطبیق نام شهرها از یک واژگان مکانی با متن معرفی حساب. (bio)
۲. در نبود نتیجه، استنتاج از کد پیش‌شماره‌ی تلفن (Area Code Inference) درج‌شده در پروفایل.
۳. در نبود نتیجه، تجمیع فیلد مکان پست‌ها (Post-location Aggregation) و انتساب استان غالب.
هر مرحله از مرحله‌ی پیش از خود کم‌دقت‌تر است. مرحله‌ی سوم به‌ویژه محل مکان انتشار را نشان می‌دهد، نه لزوماً محل استقرار کسب‌وکار.
سوگیری ساختاری این روش: حساب‌هایی که مکان خود را اعلام نکرده‌اند، از تحلیل جغرافیایی خارج می‌شوند. اگر تمایل به اعلام مکان میان استان‌ها یکسان نباشد (که فرض معقولی نیست) توزیع استخراج‌شده سوگیری دارد. به همین دلیل، یافته‌های جغرافیایی به‌صورت نسبی و در قالب شاخص ارائه شده‌اند (بخش ۶.۲).
۵.۳. داده‌کاوی نظرات
برای استخراج الگوی شکایات کاربران از پیام‌رسان‌های داخلی، از داده‌کاوی نظرات (Opinion Mining) روی نظرات ثبت‌شده در کافه بازار استفاده شد. نظرات در دسته‌های موضوعی تجمیع و بر پایه‌ی فراوانی مرتب شدند.
سوگیری ذاتی این منبع: نظرات فروشگاه اپلیکیشن، نمونه‌ی خودانتخاب (Self-selected Sample) هستند. کاربر راضی معمولاً نظر نمی‌نویسد. بنابراین این داده الگوی جنس شکایات را نشان می‌دهد، نه نرخ نارضایتی را. در گزارش نیز صرفاً دسته‌بندی انواع مشکلات آمده است، نه برای برآورد میزان و حجم رضایت یا نارضایتی.
۵.۴. داده‌ی طولی پروفایل
برای سنجش تغییر استراتژی حضور کسب‌وکارها، از داده‌ی طولی (Longitudinal Data) حاصل از دادههای لحظه‌ای متوالی (Successive Snapshots) از بخش معرفی پروفایل‌ها استفاده شد. با مقایسه‌ی وضعیت پروفایل در نقاط زمانی مختلف، رویداد تغییر (Change Event) _یعنی افزوده‌شدن نشانی یک بستر جدید_ شناسایی می‌شود.
این روش، مزیت مهمی نسبت به یک داده مقطعی دارد: زمانِ تصمیم را ثبت می‌کند، نه فقط نتیجه‌ی آن را. به همین دلیل این امکان فراهم شد که تمرکز زمانی تصمیم‌ها نسبت به تقویم رویدادها سنجیده شود.
محدودیت: این روش تنها تصمیمی را می‌بیند که در معرفی عمومی پروفایل بازتاب یافته باشد. کسب‌وکاری که بدون اعلام در پروفایل، حضور جدیدی ساخته باشد، دیده نمی‌شود. بنابراین اعداد این تحلیل را باید کف تغییر دانست، نه برآورد کامل آن.
۶. شاخص‌سازی
جایی که یافته‌ها به شاخص تبدیل می‌شوند، بیشترین تصمیم روشی نهفته است.
۶.۱. شاخص خالص احساسات
برای سنجش وضعیت اعتبار برند در گفت‌وگوهای عمومی، از شاخص خالص احساسات (Net Sentiment Score – NSS) استفاده شد. ساختار این شاخص از شاخص خالص مروجان (Net Promoter Score – NPS) الهام گرفته است: تفاضل نسبت محتوای مثبت و محتوای منفی، تقسیم بر کل محتوای مرتبط، در مقیاس صد.
تفاوت بنیادین با NPS این است که NPS بر پاسخ اعلام‌شده (Stated Response) به یک پرسش مستقیم متکی است، در حالی که NSS بر رفتار مشاهده‌شده (Observed Behavior) یعنی محتوایی که کاربر خودانگیخته منتشر کرده، استوار است. این تفاوت، هم مزیت است و هم محدودیت: بی‌نیازی از پرسشگری و امکان سنجش پیوسته، در برابر نبود کنترل بر ترکیب پاسخ‌دهندگان.
پیش‌نیاز این شاخص، طبقه‌بندی احساسات (Sentiment Classification) محتوای فارسی است و دقت شاخص، سقفی برابر با دقت آن طبقه‌بند دارد. محتوای خنثی در مخرج کسر می‌ماند اما در صورت آن اثری ندارد؛ بنابراین افزایش حجم محتوای خنثی، شاخص را به صفر نزدیک می‌کند.
سوگیری بستر: این شاخص در گزارش، روی بستری محاسبه شده که هویت گفتمانی‌اش با اعتراض و ابراز نارضایتی گره خورده است. کاربر راضی معمولاً درباره‌ی خدمات بانکی خود محتوا منتشر نمی‌کند. این سوگیری در خودِ گزارش نیز صریحاً هشدار داده شده و نتیجه‌ی روشی‌اش این است: مقادیر مطلق این شاخص نباید به‌عنوان سطح رضایت کل مشتریان تفسیر شوند؛ ارزش شاخص در مقایسه‌ی نسبی میان نهادها و در تغییرات آن در طول زمان است.
۶.۲. شاخص تمرکز جغرافیایی
برای سنجش اینکه سهم هر استان از فعالیت اقتصادی آنلاین، نسبت به وزن جمعیتی‌اش چگونه است، از ضریب مکانی (Location Quotient – LQ) استفاده شد. سنجه‌ای استاندارد در اقتصاد منطقه‌ای (Regional Economics).
ساختار شاخص، سهم استان از یک پدیده نسبت به سهم همان استان از جمعیت کشور است. مقدار یک به معنای تناسب کامل، بالاتر از یک به معنای تمرکز بیش از انتظار، و پایین‌تر از یک به معنای حضور کمتر از انتظار جمعیتی است.
چرا نسبت، و نه سهم خام: سهم خام، صرفاً بزرگی جمعیت را بازتولید می‌کند و استان پرجمعیت همیشه در صدر می‌ایستد. ضریب مکانی، اثر جمعیت را خنثی می‌کند و آنچه باقی می‌ماند، تمرکز واقعی است.
دو تصمیم روشی در این شاخص:
- انتخاب مبنای جمعیتی: نتیجه به منبع و سال داده‌ی جمعیتی حساس است. تغییر مبنا، ترتیب استان‌های نزدیک به هم را جابه‌جا می‌کند.
- در ارائه، مقیاس بصری به‌گونه‌ای انتخاب شد که مقادیر بسیار کوچک قابل تشخیص بمانند، چون در مقیاس خطی، استان‌های با ضریب پایین به خطوطی تفکیک‌ناپذیر تبدیل می‌شوند.
۶.۳. سهم صدا
سهم صدا (Share of Voice – SOV) برای سنجش جایگاه نسبی برندها در هر کمپین به‌کار رفته است: سهم هر برند از کل توجه دریافت‌شده در مجموعه‌ی مرجع.
تصمیم کلیدی، انتخاب مخرج کسر است. سهم صدا بدون تصریح مخرج، بی‌معناست. در این گزارش، سهم صدا درون صنعت محاسبه شده است، نه در کل بازار.
دلیل روشی این انتخاب مهم است: انواع مختلف محتوا نرخ‌های مصرف ذاتاً متفاوتی دارند. محتوای سرگرمی به‌طور ساختاری بازدید بیشتری از محتوای تجاری می‌گیرد، مستقل از کیفیت کمپین. مقایسه‌ی مستقیم یک پلتفرم محتوایی با یک فروشگاه آنلاین، تفاوت ژانر محتوا را با تفاوت عملکرد کمپین اشتباه می‌گیرد. تفکیک صنعتی، این عامل مخدوش‌کننده را تا حد زیادی کنترل می‌کند.
محدودیت: نگاشت برند به صنعت، خود یک برچسب‌گذاری است و در مواردی که فعالیت یک برند چندصنعتی است، انتساب قطعی ممکن نیست. در صنایعی که تعداد بازیگران فعال کم بوده، سهم صدا با تعداد اندکی برند محاسبه می‌شود و پایداری آماری کمتری دارد؛ به همین دلیل، رتبه‌بندی درون‌صنعتی تنها برای صنایعی ارائه شده که حداقلی از بازیگران فعال و بزرگ را داشته‌اند.
۶.۴. شاخص‌گذاری بر پایه
بسیاری از روندهای گزارش به‌صورت شاخص‌گذاری بر پایه (Base Indexing) ارائه شده‌اند: انتخاب یک نقطه‌ی مرجع، تعیین مقدار صد برای آن، و بیان تمام مقادیر دیگر نسبت به آن.
چرا: این روش، هم قاعده‌ی عدم انتشار اعداد مطلق را رعایت می‌کند و هم شکل منحنی را بدون وابستگی به مقیاس نمونه حفظ می‌کند.
سه قاعده‌ای که در انتخاب نقطه‌ی پایه رعایت شد:
۱. پایه باید نقطه‌ای پایدار باشد، نه یک نقطه‌ی پرت. انتخاب یک اوج لحظه‌ای به‌عنوان پایه، تمام مقادیر بعدی را به‌طور مصنوعی کوچک نشان می‌دهد.
۲. پایه باید در تمام سنجه‌های یک نمودار یکسان باشد. استفاده از پایه‌های متفاوت برای سنجه‌های مختلف در یک تصویر، مقایسه‌ی چشمی را بی‌اعتبار می‌کند.
۳. پایه باید صریح اعلام شود. در تمام نمودارهای شاخص‌شده، تعریف نقطه‌ی پایه روی خود نمودار درج شده است.
نکته‌ی مهم در مورد نرخ‌های بازگشت فروشگاه‌های اینستاگرامی: نرخ‌های بازگشت پس از دوره‌های مختلف محدودیت، هر یک مستقل از دیگری و همگی نسبت به یک پایه‌ی واحد محاسبه شده‌اند، نه به‌صورت زنجیره‌ای نسبت به دوره‌ی قبل. محاسبه‌ی زنجیره‌ای، افت‌های متوالی را به‌طور مصنوعی کوچک نشان می‌دهد.
۶.۵. شاخص‌های ترکیبی و میانگین هندسی
قاعده‌ی ثابت این پروژه آن است که هر جا چند سنجه در یک شاخص واحد ترکیب شوند، میانگین هندسی (Geometric Mean) بر میانگین حسابی (Arithmetic Mean) ترجیح داده شود.
دلیل ریاضی: میانگین حسابی جمع‌پذیر است و اجازه می‌دهد برتری شدید در یک بُعد، ضعف در ابعاد دیگر را بپوشاند. میانگین هندسی ضرب‌پذیر است؛ در ضرب، هر مقدار کوچک، حاصل کل را پایین می‌کشد و هیچ بُعدی نمی‌تواند بقیه را جبران کند. برای شاخصی که قرار است «عملکرد متوازن» را بسنجد، این ویژگی مطلوب است.
پیامدی که باید در نظر گرفت: میانگین هندسی در برابر مقدار صفر شکننده است؛ یک صفر، کل شاخص را صفر می‌کند. در مواردی که مقدار صفر ساختاری وجود داشت (بخش ۸.۲)، این موضوع نیازمند تصمیم صریح بود.
در گزارش نهایی، به‌جای ساخت یک شاخص ترکیبی واحد برای مقایسه‌ی برندها، مسیر دیگری انتخاب شد: تفکیک صنعتی (بخش ۶.۳). دلیل این انتخاب آن بود که تفکیک صنعتی، همان عامل مخدوش‌کننده را با فرض‌های کمتر و تفسیرپذیری بیشتر کنترل می‌کند. شاخص ترکیبی، برای مخاطب نیازمند یک لایه‌ی توضیح اضافه است؛ که در مقایسه‌ی درون‌صنعتی لازم نیست.
۶.۶. تفکیک معیارهای تولید و مصرف
در مقایسه‌های بین‌بستری، معیارهای تولید (Production Metrics) مانند تعداد محتوای منتشر شده و تعداد حساب فعال، بر معیارهای مصرف (Consumption Metrics) مانند بازدید، ترجیح داده شده‌اند.
دلیل: معیارهای تولید با روش یکسانِ خزش در همه‌ی بسترها اندازه‌گیری می‌شوند و تعریفشان مستقل از بستر است. معیارهای مصرف را خودِ بستر تعریف و گزارش می‌کند و تعریف «بازدید» در بسترهای مختلف یکسان نیست. مقایسه‌ی مستقیم بازدید میان دو بستر، در واقع مقایسه‌ی دو تعریف متفاوت است.
در تحلیل‌های درون‌بستری، که این مشکل وجود ندارد، معیارهای مصرف به‌کار رفته‌اند. چون بازدید، در فضای دیجیتال، نزدیک‌ترین معادل جریان عبور و مرور در یک بازار فیزیکی است و برای سنجش رونق بازار معنادارتر است.
۷. طرح تحلیلی
۷.۱. مطالعه‌ی رویداد
ستون فقرات تحلیل، مطالعه‌ی رویداد (Event Study) است: تعریف پنجره‌های زمانی پیش از رویداد، حین رویداد و پس از رویداد، و سنجش تفاوت رفتار میان این پنجره‌های زمانی.
رویدادهای مرجع در این گزارش، دوره‌های محدودیت دسترسی به اینترنت بین‌الملل هستند که تقویمشان از لایه‌ی دوم منابع (نهادی و بین‌المللی) استخراج و با افت فعالیت ثبت‌شده در دادههای دیتاک تطبیق داده شده است.
نقطه قوت این طرح: رویداد، برون‌زا (Exogenous) است، یعنی از تصمیم بازیگران مورد مطالعه ناشی نشده. این ویژگی، تفسیر علّی را تقویت می‌کند، چون احتمال علیت معکوس (Reverse Causality) را از بین می‌برد؛ به این معنی که رفتار کسب‌وکارها باعث قطعی اینترنت نشده است.
محدودیت این طرح: نبود گروه کنترل (Control Group)، رویداد سراسری بوده و گروهی که در معرض آن قرار نگرفته باشد وجود ندارد. بنابراین این طرح، شبه‌آزمایشی (Quasi-experimental) است و نه آزمایشی. اثر مشاهده‌شده، اثر مجموع همه‌ی عواملی است که در آن پنجره فعال بوده‌اند، نه فقط اثر خالص قطعی اینترنت.
این محدودیت در یک مورد به‌طور مستقیم به یافته تبدیل شد: دو کمپین بزرگ سال، در پنجره‌ای برگزار شدند که دسترسی به اینترنت برقرار بود و با این حال افت قابل‌توجهی نشان دادند. این مشاهده نشان می‌دهد عوامل دیگری از جمله شرایط اقتصادی و اجتماعی نیز در کار بوده‌اند و انتساب کل افت بازار به قطعی اینترنت، خطای استنباطی است. در گزارش، این نکته صریحاً ذکر شده است.
۷.۲. تحلیل ماندگاری کوهورت
برای پاسخ به پرسش «چه کسی برگشت»، از تحلیل ماندگاری کوهورت (Cohort Retention Analysis) استفاده شد: تعریف کوهورت بر پایه‌ی حضور در یک دوره‌ی مرجع، و سنجش نسبتی از همان کوهورت که در دوره‌ی بعدی نیز حاضر بوده است.
این تحلیل، ماندگاران (Retained) را از خروجی‌ها (Churned) و تازه‌واردها (New Entrants) تفکیک می‌کند.
اهمیت روشی این تفکیک آن است که امکان می‌دهد میان دو سازوکار متفاوتِ کوچک‌شدن بازار تمایز گذاشته شود: کاهش گستره (Extensive Margin)، یعنی خروج بازیگران از بازار، در برابر کاهش شدت (Intensive Margin)، یعنی کم‌کاری بازیگرانِ باقی‌مانده.
سنجش هم‌زمانِ سه شاخص مستقل یعنی تعداد بازیگر فعال، حجم محتوای منتشر شده و میزان توجه دریافتی، دقیقاً برای امکان‌پذیرکردن همین تفکیک طراحی شد. اگر تنها یکی از این سه سنجیده می‌شد، دو سازوکار از هم قابل تشخیص نبودند.
۷.۳. رگرسیون خطی
برای سنجش رابطه‌ی میان طول دوره‌ی بازیابی و افت شاخص اعتبار برند، از رگرسیون خطی به روش کمترین مربعات (Ordinary Least Squares – OLS) استفاده شد و ضریب تعیین (Coefficient of Determination – R²) به‌عنوان سنجه‌ی نیکویی برازش (Goodness of fit) گزارش شد.
سه محدودیت که در تفسیر این تحلیل حیاتی‌اند:
۱. حجم نمونه بسیار کوچک است. رگرسیون بر تعداد اندکی نهاد اجرا شده. با چنین حجمی، ضریب تعیین بالا لزوماً نشانه‌ی رابطه‌ی مستحکم نیست و به‌شدت به تک‌تک نقاط حساس است؛ حذف یک نقطه می‌تواند شیب را به‌طور معنادار تغییر دهد.
۲. همبستگی، علیت نیست. رابطه‌ی مشاهده‌شده می‌تواند حاصل یک متغیر مکنون (Latent Variable) باشد. مثلاً شدت اولیه‌ی اختلال که هم‌زمان بر طول بازیابی و بر شدت واکنش عمومی اثر گذاشته است.
۳. برون‌یابی خارج از دامنه‌ی داده معتبر نیست. پیش‌بینی مقدار شاخص برای طول بازیابی‌هایی خارج از بازه‌ی مشاهده‌شده، تکیه بر فرض خطی‌بودن رابطه در ناحیه‌ای است که داده‌ای برای آن وجود ندارد.
به همین دلایل، این تحلیل در گزارش به‌عنوان یک الگوی مشاهده‌شده (Observed Pattern) ارائه شده و نه یک قانون؛ و در کنارش تصریح شده که بخشی از تفاوت میان نهادها با این متغیر توضیح داده نمی‌شود.
۷.۴. برآورد اندازه‌ی بازار
برآورد اندازه‌ی بازار ابزارهای دسترسی، با روش برآورد پایین‌به‌بالا (Bottom-up Market Sizing) انجام شد: ضرب زنجیره‌ای نرخ نفوذ در نرخ پرداخت در قیمت میانه در جمعیت مرجع.
از آنجا که هر یک از این پارامترها عدم‌قطعیت دارد و خطاها در ضرب انباشته می‌شوند، نتیجه نه به‌صورت یک عدد واحد، بلکه در قالب تحلیل سناریو (Scenario Analysis) ارائه شده است: یک سناریوی محافظه‌کارانه با مفروضات سخت‌گیرانه، یک سقف، و یک برآورد محتمل.
مفروضات صریحی که در سناریوی محافظه‌کارانه اعمال شد؛ از جمله فرض اشتراک‌گذاری خدمات میان چند کاربر، روی خود اسلاید نیز ذکر شده‌اند، چون این مفروضات، تعیین‌کننده‌ی نتیجه‌اند.
دامنه‌ی حذف‌شده: بودجه‌های خارج از گردش مالی داخلی و خدماتی که بدون دریافت هزینه از کاربر ارائه می‌شوند، در این برآورد لحاظ نشده‌اند. این حذف، برآورد را به سمت کم‌برآوردی (Underestimation) سوگیری می‌دهد و آگاهانه انتخاب شده است؛ در برآورد اندازه‌ی بازار، خطای کم‌برآوردی کم‌هزینه‌تر از خطای بیش‌برآوردی است.
۸. کنترل کیفیت
۸.۱. قاعده‌ی حذف محتوای غیرمرتبط
تشخیص کمپین بر پایه‌ی پنجره‌ی زمانی و کلیدواژه، یک خطای نظام‌مند تولید می‌کند: محتوایی که در پنجره‌ی زمانی یک کمپین منتشر شده و کلیدواژه‌های آن را نیز دارد، اما در واقع به مناسبت دیگری مربوط است.
نمونه‌ی مشخصی از این خطا در جریان بازبینی دستی شناسایی شد: کمپین سالگرد یک برند که یکی از جوایزش در پنجره‌ی زمانی یک مناسبت تقویمی اعلام شده بود. این محتوا از نظر کلیدواژه و زمان، واجد شرایط شمرده می‌شد، اما فعالیت آن برند در آن مناسبت نبود.
قاعده‌ای که تثبیت شد: محتوایی که به مناسبتی جز خودِ کمپین منتشر شده باشد، حتی اگر در پنجره‌ی زمانی و کلیدواژه‌ای کمپین قرار گیرد، از محاسبه کنار گذاشته می‌شود.
پیامد روشی این قاعده: حذف مبتنی بر بازبینی دستی، ذاتاً ناکامل است؛ تنها مواردی که بازبینی شده‌اند حذف می‌شوند. بنابراین احتمال باقی‌ماندن موارد مشابهِ شناسایی‌نشده وجود دارد و این یک محدودیت باقی‌مانده است، نه مسئله‌ای حل‌شده.
۸.۲. مقادیر صفر ساختاری
بخش قابل‌توجهی از رکوردها در برخی سنجه‌ها مقدار صفر دارند، در حالی که در سنجه‌های دیگر مقدار غیر صفر دارند. این صفرها صفر ساختاری (Structural Zero) هستند و نه داده‌ی گمشده: برخی قالب‌های محتوا اساساً سنجه‌ی مربوطه را تولید نمی‌کنند.
تفاوت این دو، تصمیم متفاوتی می‌طلبد. داده‌ی گمشده (Missing Data) را می‌توان حذف یا جایگزینی کرد؛ اما صفر ساختاری یک مقدار واقعی است و حذف آن، جامعه را سوگیری می‌دهد. در عمل، رتبه‌بندی‌های مبتنی بر سنجه‌ای که صفر ساختاری دارد، بخشی از جامعه را از رقابت کنار می‌گذارد؛ این محدودیت در تفسیر یافته‌های مربوطه باید لحاظ شود.
۸.۳. تصمیم‌های آماری در برابر داده‌ی چوله
دادههای رفتاری شبکه‌های اجتماعی به‌شدت چوله (Skewed) هستند و از توزیع دم‌بلند (Long-tail Distribution) پیروی می‌کنند. دو تصمیم روشی از این ویژگی نتیجه شد:
استفاده از میانه به‌جای میانگین (Median instead of Mean): برای سنجه‌های قیمتی، میانه گزارش شده است. میانگین در توزیع چوله، به‌شدت تحت تأثیر مقادیر پرت قرار می‌گیرد و مقداری را نشان می‌دهد که هیچ‌کس تجربه نکرده است.
استفاده از مقیاس لگاریتمی (Logarithmic Scale): هرجا دامنه‌ی داده چند مرتبه‌ی بزرگی را در بر می‌گرفت، محور با مقیاس لگاریتمی ترسیم شد. در مقیاس خطی، مقادیر کوچک به خطی روی محور فشرده می‌شوند و تغییرات نسبی‌شان نامرئی می‌شود. در تمام این نمودارها، لگاریتمی‌بودن محور روی خود نمودار اعلام شده است، چون مقیاس لگاریتمی بدون اعلام، تصویر گمراه‌کننده‌ای از شدت تغییر می‌دهد.
۸.۴. ثبت رسمی تصمیم‌های روشی
هر تصمیم روشی مثل انتخاب پایه، تعریف مخرج، قاعده‌ی حذف، تغییر مبنای محاسبه و… در یک گزارش تصمیم (Decision Log) ثبت شده است. هدف، تضمین انسجام میان فصل‌ها و امکان بازسازی مسیر محاسبه در آینده است. این ثبت، همچنین شرط لازم تکرارپذیری است، زیرا بدون آن، بازتولید نتایج حتی توسط تیم تولیدکننده نیز ممکن نخواهد بود.
۸.۵. مسیرهای بررسی‌شده و منتشرنشده
بخشی از تحلیل‌های انجام‌شده به گزارش نهایی راه نیافتند. از جمله: تحلیل پوشش خبری کمپین‌ها بر پایه‌ی یک فهرست ثابت از دامنه‌های تخصصی فارسی‌زبان حوزه‌ی بازاریابی و فناوری، تحلیل نظرات خریداران در یک پلتفرم تجارت الکترونیک برای دسته‌های کالایی مشخص، طبقه‌بندی تفصیلی تولیدکنندگان محتوا در کنار فروشگاه‌ها، و نسخه‌ای از تحلیل مهاجرت بین‌بستری که پنجره‌ی زمانی یک رویداد خاص از آن حذف شده بود.
دلایل این عدم انتشارها متفاوت بودند: در برخی موارد حجم نمونه برای نتیجه‌گیری کافی نبود، در برخی موارد یافته به روایت اصلی گزارش مربوط نمی‌شد، و در برخی موارد دو مسیر محاسباتی به نتایج واگرا رسیدند و مبنای انتخاب یکی بر دیگری وجود نداشت.
ذکر این موارد، بخشی از شفافیت روشی است: سوگیری انتشار (Publication Bias)، یعنی انتشار گزینشی نتایجی که به روایت مطلوب می‌رسند، یکی از جدی‌ترین تهدیدهای اعتبار در پژوهش‌های کاربردی است. فهرست‌کردن آنچه منتشر نشده و چرایی آن، این تهدید را کاهش می‌دهد.
۹. محدودیت‌ها و سوگیری‌ها
این بخش، فهرست کامل محدودیت‌های شناخته‌شده است. برخی از این موارد در بخش‌های پیشین در بافت خود ذکر شده‌اند و اینجا برای دسترسی یکجا تکرار می‌شوند.
۹.۱. سوگیری‌های نمونه
سوگیری پوشش (Coverage Bias): پایپ‌لاین خزش، محتوای عمومی را می‌بیند. ارتباطات خصوصی، گروه‌های بسته و پیام‌رسانی مستقیم، که بخش بزرگی از فعالیت در فضای آنلاین ایران در آن‌ها جریان دارد، در این داده حضور ندارند.
سوگیری خودگزینی (Self-selection Bias): کاربری که محتوا منتشر می‌کند، نماینده‌ی کاربری مصرف کننده نیست. این سوگیری در تحلیل احساسات شدیدتر است، چون انگیزه‌ی انتشار میان راضیان و ناراضیان یکسان نیست.
سوگیری بقا (Survivorship Bias): تحلیل‌هایی که بر حساب‌های فعال در پایان دوره متکی‌اند، حساب‌هایی را که در طول دوره حذف شده‌اند نمی‌بینند. در فصل تجارت اجتماعی، تحلیل ماندگاری کوهورت برای مهار همین سوگیری طراحی شد، اما آن را کاملاً از بین نمی‌برد.
سوگیری آستانه‌ی فعالیت: جامعه‌های آماری این گزارش، جامعه‌های «فعال» هستند و رفتار کاربر یا کسب‌وکار کم‌تحرک را بازتاب نمی‌دهند.
۹.۲. عدم‌قطعیت اندازه‌گیری
حاشیه‌ی خطا (Margin of Error): برآوردهای مربوط به تعداد کاربران فعال با حاشیه‌ی خطای مشخصی ارائه شده‌اند که روی صفحه‌ی مربوطه درج شده است. تفاوت‌های کوچک‌تر از این حاشیه، معنادار تلقی نمی‌شوند.
دقت طبقه‌بندی: همان‌طور که در بخش ۵.۱ آمد، نرخ خطای طبقه‌بندی واژگان‌محور کمّی‌سازی نشده است.
همزمانی افت فعالیت و افت پوشش: در دوره‌های قطعی سراسری، هم فعالیت واقعی و هم امکان جمع‌آوری داده تحت تأثیر قرار می‌گیرند. تفکیک کامل این دو اثر از یکدیگر با داده‌ی موجود ممکن نیست. در تفسیر شدت افت در این دوره‌ها، این نکته باید لحاظ شود.
۹.۳. محدودیت‌های استنباطی
نبود گروه کنترل: طرح تحلیلی شبه‌آزمایشی است و اثر مشاهده‌شده، اثر مجموع عوامل هم‌زمان است.
عوامل مخدوش‌کننده (Confounding Factors): شرایط اقتصادی و اجتماعی کلان، هم‌زمان با رویدادهای مورد مطالعه در جریان بوده‌اند.
تعمیم‌پذیری (Generalizability): یافته‌های مربوط به برندها، به فهرست ثابت برندهای شاخص محدودند. یافته‌های مربوط به فروشگاه‌ها، به فروشگاه‌های فارسی‌زبانِ واجد شرایط کوهورت محدودند. تعمیم به کل بازار، خارج از دامنه‌ی استنباط این گزارش است.
۹.۴. محدودیت زمانی
بازه‌ی گزارش در نقطه‌ای بسته شده که روند بازگشت پس از رفع محدودیت هنوز در جریان بوده است. نرخ‌های بازگشت گزارش‌شده، وضعیت را در لحظه‌ی بستن بازه توصیف می‌کنند و نباید به‌عنوان نقطه‌ی تعادل نهایی تفسیر شوند.
۱۰. اصول اخلاقی و خطوط قرمز انتشار
مجموعه‌ای از قواعد ثابت، پیش از آغاز تحلیل تعریف و در سراسر گزارش رعایت شدند. این قواعد، محدودیت‌های خودخواسته‌ای بر آنچه می‌توان منتشر کرد را اعمال می‌کنند.
تجمیع و حریم خصوصی. هیچ داده‌ی فردی قابل‌شناسایی منتشر نمی‌شود. تحلیل‌ها روی محتوای عمومی انجام و نتایج به‌صورت تجمیعی ارائه شده‌اند. حساب‌ها تنها زمانی با نام ذکر می‌شوند که حساب رسمی یک برند یا نهاد باشند.
پرهیز از تحلیل سیاسی و اجتماعی. گزارش به توصیف و تحلیل حوزه تخصصی دیتاک و پیامدهای اقتصادی و ارتباطی رویدادها محدود است و وارد تحلیل علل سیاسی یا اجتماعی نمی‌شود.
۱۱. جمع‌بندی
روش‌شناسی این گزارش بر سه اصل استوار است.
نخست، ترجیح نسبت بر مقدار مطلق. چون داده نمونه است، نسبت‌ها پایدارتر و قابل‌دفاع‌ترند.
دوم، تثبیت جامعه‌ی مقایسه. پنل ثابت، فهرست ثابت برندها و کوهورت با معیار ورودی مشخص، همگی برای این هدف طراحی شده‌اند که تغییر مشاهده‌شده به تغییر رفتار نسبت داده شود، نه به تغییر ترکیب نمونه.
سوم، صراحت درباره‌ی آنچه داده نمی‌گوید. هر شاخص، محدوده‌ی اعتباری دارد. شاخصی که خارج از محدوده‌اش تفسیر شود، دقیق‌تر از آنچه هست به نظر می‌رسد و همین، خطرناک‌ترین شکل خطاست.
آنچه این گزارش ارائه می‌دهد، تصویری از فضای عمومی آنلاین ایران در یک بازه‌ی پانزده‌ماهه است؛ تصویری که از داده‌ی واقعی رفتار کاربران ساخته شده، اما مانند هر تصویر دیگری، از یک زاویه‌ی مشخص گرفته شده است. شناختن آن زاویه، شرط استفاده‌ی درست از تصویر است.
مطالعه بیشتر:
- روش‌شناسی دیتاک در برآورد قیمت و اندازه بازار فیلترشکن در گزارش سالانه ۱۴۰۴
- تأثیرات قطعی اینترنت و شبکه‌های اجتماعی (مرور و بررسی فصل اول گزارش سال بقا)
- تجارت اجتماعی در ایران؛ استراتژی فروشگاه‌های اینستاگرامی (مرور و بررسی فصل دوم گزارش سال بقا)
- بررسی کمپین‌های بازاریابی و فروش در سال بقا (مرور و بررسی فصل سوم گزارش سال بقا)
- بررسی اقتصادی و اندازه بازار فیلترشکن در ایران (مرور و بررسی فصل چهارم گزارش سال بقا)
- بانک‌ها در کانون بحران؛ صیانت از اعتبار برند در شبکه‌های اجتماعی (مرور و بررسی فصل پنجم گزارش سال بقا)
- سوشال لیسنینگ چیست؟
- گزارش سالانه 1403
- گزارش سالانه 1402
- گزارش سالانه 1401
- کالبدشکافی داده‌محور کمپین‌ها
- برخی دیگر از گزارش‌های دیتاک
- تعریف دیتاک از برند
