Un’analisi dei dati finali di MINE2018 con Tableau*

Nei seguenti paragrafi descriverò come creare una visualizzazione grafica dei dati MINE2018 dopo aver collegato una fonte di dati (da Google BigQuery, Google Sheet, Excel, ecc.) a Tableau e mostrando alcuni esempi su come incrociare le variabili del dataset finale.

Per questo articolo, ho collegato Tableau con il dataset finale di MINE2018 e in particolare ho cercato di incrociare i dati sul volume di engagement di Facebook e il numero di url che le fonti hanno prodotto in relazione al Media Source Partisanship Attention Score (MSPAS), un punteggio che misura la prossimità di una fonte a un partito politico (è possibile trovare ulteriori informazioni sul calcolo di questa metrica leggendo questo articolo di MINE2018 o il documento originale di Media Cloud).

A partire dagli strumenti di base, è possibile prima di tutto provare a visualizzare alcune informazioni del tuo dataset trascinando una variabile nel box principale di Tableau.

Dopo aver raccolto le informazioni di base, sarà possibile eseguire alcune funzionalità più approfondite, come incrociare diverse variabili del dataset.

Nella figura 1, ad esempio, ho provato a capire quale partito politico ha avuto, nel complesso, un numero maggiore di fonti partigiane durante la campagna elettorale, al fine di misurare quale potrebbe avere ottenuto unamaggiore visibilità. Per raggiungere questo obiettivo, ho trascinato la variabile Media Source Partisanship Attention Score nel campo "Colonne" e la variabile fonti nel campo "Righe". La figura seguente mostra che la Lega ha guidato il maggior numero di fonti nazionali, seguita dal Movimento a 5 Stelle e le fonti neutrali.

Figura 1: misurazione della distribuzione delle fonti attraverso il Media Source Partisanship Attention Score

Tableau permette anche di generare visualizzazioni dei dati molto più complesse, nel caso seguente, ad esempio, ho usato un dashboard per misurare le metriche di engagement medio (total interactions; share count; reaction count; comment count) del 10% delle fonti più produttive. Poi, ho provato a visualizzare come queste fonti mediali si sono distribuite attraverso il Media Source Partisanship Attention Score.

Innanzitutto, ho trascinato la variabile media source in righe e la variabile media dell’engagement in colonne. Per trovare il 10% di fonti più produttive ho calcolato il percentile della variabile urls utilizzando lo strumento create a calculated field e la formula "RANK_PERCENTILE" e rinominando la variabile ottenuta urls_percentile. Poi ho trascinato la variabile urls_percentile nel filter box, ho filtrato le fonti mantenendo solo il 10% di quelle più produttive e ho utilizzato il Media Source Partisanship Attention Score per colorare le barre trascinando questa metrica nella casella "Color". Alla fine, ho ordinato le fonti multimediali attraverso la variabile media dell’engagement.

Il seguente risultato mostra che le fonti partigiane del Movimento 5 Stelle (ilblogdellestelle.it e beppegrillo.it) hanno raccolto una quantità incredibile di interazioni, superando le principali fonti mainstream. Solo nella metrica del numero di commenti non sono presenti entrambi i domini nelle prime tre posizioni della classifica.

Figura 2: misurazione dell'engagement (in termini di media delle interazioni totale su Facebook, media del condivisioni, media delle reazioni e media dei commenti) del 10% delle fonti più produttive.

L'ultima visualizzazione mostra, invece, la performance del Media Source Partisanship Attention Score in relazione sia al volume dell’engagement su Facebook sia alla produzione di url. Ancora una volta ho creato una dashboard trascinando i singoli grafici nello stesso spazio per confrontare diverse metriche. Per produrre la visualizzazione grafica multipla sul lato destro, ho trascinato in Colonne le tre diverse metriche di engagement (share count, reaction count e comment count sum) una affianco all’altra e in "Righe" la variabile urls; Ho scelto il grafico a dispersione e ho colorato i punti utilizzando la variabile Media Source Partisanship Attention Score. Ho fatto lo stesso per i grafici sul lato sinistro, ma sostituendo la somma distinta di commenti, reactions e condivisioni con la somma e la media delle interazioni totali.

Il Movimento a 5 Stelle ha ottenuto delle ottime performance durante la campagna elettorale, sia in termini di condivisioni che in quelli di reactions, ma è stato superato dalle fonti neutrali per quanto riguarda il numero di commenti. Le fonti riconducibili alla Lega hanno prodotto più url di altre, ma probabilmente prese singolarmente sono state meno efficaci di quelle del Movimento a 5 Stelle e di quelle neutrali in termini di visibilità. + EUROPA, invece, emerge nel grafico dell’engagement medio perché le fonti riconducibili al partito non hanno prodotto molte url, ma in alcuni casi sono riuscite a creare livelli elevati di engagement.

Figura 3: misurazione del livello di engagement in relazione al Media Source Partisanship Attention Score (sia la media che la somma delle metriche) su Facebook in termini di: media e somma dell’engagement totale, somma dei commenti, somma delle reactions e somma delle condivisioni

* L'obiettivo di questo articolo è di guidare il lettore attraverso alcune caratteristiche di Tableau. Per fare ciò, mostra dati e grafici da un'analisi in corso. Per riferimenti e citazioni si prega di utilizzare invece la relazione finale (disponibile il 17/05/2018).