Redakcje informacyjne na Facebooku

Jak pracują redakcje serwisów informacyjnych na Facebooku? Kiedy publikują, jakiego rodzaju treści? Czy “cała prawda całą dobę” to prawda? Dobierzemy się do postów publikowanych przez redakcje informacyjne i zobaczymy jak wygląda obraz tych redakcji na Fejsie. Do tego celu użyjemy biblioteki Rfacebook, której nie ma w CRANie, ale jest na GitHubie - jest sposób, aby i takie coś zainstalować w pakiecie R i korzystać tak samo jak z bibliotek z CRANa. Potrzebujemy biblioteki devtools, przy pomocy której zainstalujemy Rfacebook. Najpierw instalujemy devtools:

install.packages("devtools")

a później Rfacebook (lub cokolwiek innego z githuba):

devtools::install_github("pablobarbera/Rfacebook/Rfacebook")

Tak uzbrojeni możemy załadować zwyczajowe biblioteki: ggplot2, dplyr, lubridate i reshape2 oraz oczywiście Rfacebook:

library(Rfacebook)
library(ggplot2)
library(dplyr)
library(reshape2)
library(lubridate)

Aby pobrać dane z Facebooka potrzebujemy token do API - to taki długi ciąg znaków, który ważny jest dwie godziny. Ten można pobrać ze strony Facebook for Developers. Oczywiście potrzebujemy konta na Facebooku. Token przypisujemy do zmiennej token.

token <- "POBRANY_TOKEN"

Teraz część najważniejsza - pobranie postów z fanpage. Po to używamy bibliotek, żeby było łatwo i przyjemnie. Łatwo i przyjemniej jest dzięki funkcji getPage() z Rfacebook, ale napiszemy sobie funkcję trochę zmieniającą na nasze potrzeby pobrane dane - głównie wartości związane z czasem publikacji postu:

get_fanpage_posts <- function(fb_page_name, n = 100, token) {
   # pobierz n najnowszych postów z fanpage "fb_page_name"
   fb_page_posts <- getPage(fb_page_name, token=token, n=n)
   
   # poprawka i selekcja danych
   fb_page_posts <- fb_page_posts %>%
      # zmiana formatu daty
      mutate(created_time = ymd_hms(created_time)) %>%
      # rozdzielenie daty na poszczególne składowe
      mutate(year = year(created_time),
             month = month(created_time),
             day = day(created_time),
             hour = hour(created_time),
             minute = minute(created_time),
             wday = wday(created_time)) %>%
      # dni tygodnia w "polskiej" kolejności
      mutate(wday = factor(wday,
                           levels=c(2,3,4,5,6,7,1),
                           labels=c("pn","wt","śr","cz","pt","sb","nd")))
   
   return(fb_page_posts)
}

Mając gotową funkcję użyjemy jej na kilkunastu stronach. Oto lista:

fb_page_name <- c("tvn24pl", "rmffm", "wyborcza", "radiozet",
                  "tvp.info", "Fakty.TVN", "wiadomoscitvp",
                  "panoramatvp", "polsatnewspl", "natematpl",
                  "RepublikaTV", "gazetapl", "tokfm", "Bankierpl",
                  "WirtualnaPolska", "FaktyINTERIA")

Dla każdego z fan page pobierzemy po 2000 najnowszych postów (2000 to dość sporo, później zobaczymy ile czasu zajmuje redakcjom opublikowanie takiej ilości postów), wszystkie pobrane dane łączymy w jedną długą tabelę. Proces zawarty w trzech poniższych linijkach może potrwać nawet do godziny. Ja pobrałem dane wcześniej i zapisałem do lokalnego pliku - przy tej ilości danych polecam to samo: najpierw pobieramy dane raz, a potem korzystamy z nich w kolejnych krokach analizy.

fb_page_posts <- data.frame()
for(i in 1:length(fb_page_name))
   fb_page_posts <- rbind(fb_page_posts,
                          get_fanpage_posts(fb_page_name[i], 2000, token))

Skoro mamy dane to zobaczmy co w nich siedzi. Można przez standardowe str() lub glimpse() z biblioteki dplyr:

glimpse(fb_page_posts)

## Observations: 32,000
## Variables: 13
## $ from_id        <chr> "50063176484", "50063176484", "50063176484", "5...
## $ from_name      <chr> "TVN24.pl", "TVN24.pl", "TVN24.pl", "TVN24.pl",...
## $ message        <chr> "To nie pierwszy tragiczny wypadek przy wycince...
## $ created_time   <dttm> 2017-03-17 07:54:51, 2017-03-17 07:23:31, 2017...
## $ type           <chr> "link", "video", "link", "link", "link", "link"...
## $ link           <chr> "http://www.tvn24.pl/katowice,51/wypadki-przy-w...
## $ id             <chr> "50063176484_10154394773921485", "50063176484_1...
## $ story          <chr> NA, "TVN24.pl shared TOTERAZ's video.", NA, "TV...
## $ likes_count    <dbl> 12, 404, 48, 18, 242, 26, 9, 14, 75, 66, 92, 14...
## $ comments_count <dbl> 2, 6, 91, 20, 52, 1, 4, 2, 4, 204, 345, 49, 54,...
## $ shares_count   <dbl> 2, 0, 32, 0, 0, 2, 0, 0, 1, 47, 41, 21, 31, 62,...
## $ hour           <int> 7, 7, 6, 6, 6, 5, 5, 4, 3, 2, 1, 0, 23, 22, 22,...
## $ wday           <fctr> pt, pt, pt, pt, pt, pt, pt, pt, pt, pt, pt, pt...

Mamy masę zmiennych, z których połowa to czas (ja przy przekształceniu odpuściłem sobie rozbicie daty utworzenia postu na rok, miesiąc, dzień, godzinę, minuty i jeszcze dzień tygodnia - zostawiłem to, bo będzie potrzebne niżej - godzinę i dzień tygodnia). Reszta to dane określające fanpage (ID, nazwa) oraz post (ID postu, jego typ, treść i ilość interakcji - like, comment i share). Sprawdźmy ile czasu każdej z redakcji zajęło opublikowanie dwóh tysięcy postów:

fb_page_posts %>%
   group_by(from_name) %>%
   summarise(od=min(created_time), do=max(created_time)) %>%
   ungroup() %>%
   select(from_name, od, do) %>%
   unique() %>%
   ggplot() +
   geom_segment(aes(x=od, xend=do,
                    y=from_name, yend=from_name, color=from_name),
                size=3, show.legend = FALSE) +
   theme_minimal() +
   labs(title="Okres publikacji ostatnich 2000 postów",
        x="Data", y="Fan page")

Widać od razu, że właściwie wszyscy publikują tak samo często - Wiadomości TVP wypadają tutaj najsłabiej. Poszukajmy części wspólnej dla wszystkich (na przestrzeni miesięcy od stycznia 2015 w Wiadomościach TVP trochę się mogło pozmieniać…) redakcji - najkrótszego czasu na opublikowanie 2000 postów potrzebuje TVN24.pl. Mają najkrótszy pasek powyżej, a data od jest najpóźniejsza i jest to 3 lutego 2017, 16:05. Przymnijmy więc, że będziemy analizować dane od 4 lutego 2017 włącznie. Zobaczmy jak dużo postów zostaje:

Zobaczmy jakiego typu (link, zdjęcie, wideo, wydarzenie) publikują redakcje , a precyzyjniej - jak rozkłada się to procentowo w redakcji (bo że TVN24.pl publikuje w zadanym okresie więcej od Wiadomości TVP to już wiemy z odcięcia).

fb_page_posts %>%
   filter(created_time >= "2017-02-04") %>%
   count(from_name, type) %>%
   ungroup() %>%
   group_by(from_name) %>%
   mutate(p=100*n/sum(n)) %>%
   ungroup() %>%
   ggplot() +
   geom_bar(aes(from_name, p, fill=type), stat="identity")+
   labs(title="Typy postów publikowanych przez redakcje",
        x="Fan page", y="% postów",
        fill="Typ postu") +
   theme_minimal() +
   theme(axis.text.x = element_text(angle=90))

Największa różnorodność panuje w redakcjach TVP - Panorama i Wiadomości. Około połowa ich postów to zdjęcia, w Panoramie też wideo. Cała reszta w dużym uproszczeniu odsyła do swoich serwisów poprzez linki. Teraz będzie ciekawie - kiedy pojawiają się posty? W jakich godzinach redakcje pracują? Cała prawda całą dobę?

fb_page_posts %>%
   filter(created_time >= "2017-02-04") %>%
   count(from_name, hour) %>%
   ungroup() %>%
   ggplot() +
   geom_bar(aes(hour, n, fill=from_name), stat="identity", show.legend = FALSE) +
   theme_minimal() +
   labs(x="Godzina", y="Łączna liczba postów") +
   scale_x_continuous(breaks=1:23, limits=c(0,23)) +
   scale_y_continuous(breaks=seq(0,100,25)) +
   facet_grid(from_name ~., scales = "free_y") +
   theme(strip.text.y= element_text(angle=0), legend.position="none")

Przede wszystkim - wysokość słupka nie ma znaczenia (chyba, że popatrzycie na wartość na osi Y dla tego słupka). Co widać na szybko:

• całą dobę pracuje (taki jest obraz ostatniego miesiąca - to ważne) TVN - zarówno Fakty TVN jak i TVN24.pl, do tego dochodzi też Wirtualna Polska
• większość zaczyna około 6 rano i kończy przed północą.
• Panorama publikuje w okolicach 18 - czyli w pobliżu emisji programu w TV. Podobnie Wiadomości (po zakończeniu Dziennika seria postów z likami do materiałów online) oraz Fakty TVN

Jeśli zbijemy dane niezależnie od redakcji zobaczymy, że najwięcej treści informacyjnych pojawia się w okolicach 9-12 (internet do porannej kawy - linie zielone poniżej) i później około 16-19 (internet podczas powrotu z pracy i wieczorem plus materiały online przy głównych wydaniach serwisów w TV - linie czerwone). Wygląda to mniej więcej tak samo jak ruch w polskim internecie - znakomita większość ruchu pomiędzy 6 a 22 (linie niebieskie). Podobne zestawienie można zrobić po dniach tygodnia. Albo złączyć godziny i dni tygodnia. Wówczas zobaczymy to (po wyjęciu Panoramy i Wiadomości - mała liczba postów niewiele wnosi do analizy):

fb_page_posts %>%
   filter(created_time >= "2017-02-25") %>%
   filter(!from_name %in% c("Wiadomości TVP", "Panorama TVP")) %>%
   count(from_name, hour, wday) %>%
   ungroup() %>%
   ggplot() +
   geom_jitter(aes(hour, wday, size=n, color=from_name),
               width = 0.1, height = 0.1) +
   theme_minimal() +
   labs(x="Godzina", y="Dzień tygodnia") +
   scale_x_continuous(breaks=1:23, limits=c(0,23)) +
   facet_grid(from_name ~.) +
   theme(strip.text.y= element_text(angle=0), legend.position="none")

• Natemat.pl w weekend pracuje krócej (7-21, w porównaniu do 5-22 w tygodniu)
• Bankier zaczyna o 7, kończy o 20, w weekend też śpi o godzinę dłużej
• TV Republika po 21 już właściwie nie istnieje
• około 3:55 (spójrzcie dokładnie w dane) TOK FM zaprasza na “Pierwsze Śniadanie w TOKu”
• o 2 w nocy jest najprawdopodobniej powtórka Faktów po Południu (zgaduję - nie sprawdzam w programie!) - tak wynika z postów Fakty TVN

Zobaczmy jak użytkownicy Facebooka reagują na poszczególne posty redakcji - u kogo najwięcej (średnio na post) się lajkuje i komentuje?

fb_page_posts %>%
   filter(created_time >= "2017-02-25") %>%
   group_by(from_name) %>%
   summarise(n=n(),
             likes=mean(likes_count)/n,
             comments=mean(comments_count)/n,
             shares=mean(shares_count)/n) %>%
   ungroup() %>%
   melt() %>%
   filter(variable!="n", from_name!="Teleexpress TVP") %>%
   ggplot() +
   geom_bar(aes(variable, value, fill=from_name),
            stat="identity", position = "dodge") +
   theme_minimal() +
   labs(title="Liczba interakcji na post", x="Rodzaj interakcji",
        y="Średnia liczba interakcji na post", fill="Fan page")

• oczywiście lajków jest najwięcej - to jedno kliknięcie. Przoduje tutaj Gazeta.pl, RMF FM i Natemat.pl
• Gazeta.pl i Natemat.pl (znowu - różnica dwukrotna) dominują w kategorii “shares”, trzeci jest TOK FM
• w ilości komentarzy na post przodują Wiadomości (ale należy pamiętać o małej próbce postów, dużo komentarzy dostały Wiadomości z brakiem wiadomości o Wielkiej Orkiestrze Świątecznej Pomocy), pozostałe dwa miejsca na podium to Gazeta.pl i dużo dalej (ponad 2 razy mniej komciów na post) Natemat.pl

Sprawdźmy te Wiadomości… 10 najbardziej komentowanych postów Wiadomości TVP (już bez ograniczenia do ostatniego miesiąca) to:

fb_page_posts %>%
   filter(from_name=="Wiadomości TVP") %>%
   select(created_time, id, comments_count) %>%
   arrange(desc(comments_count)) %>%
   head(10)

Sami zobaczcie:

• pierwszy post - z 15 stycznia 2017 (dzień finału WOŚP) - link
• i drugi z tego samego dnia - link

Czy można zobaczyć komentarze dla tego pierwszego postu?

post <- getPost("219693331462091_1131554380275977",
                token = token, n = 500)

Co mamy w odpowiedzi (data frames w liście post)?

• informacje o samym poście (post)
• komentarze (comments) - kto i co napisał w komentarzu, o której godzinie i ile komentarz dostał lajków
• lajki (likes) - kto zalajkował

Sprawdźmy komentarze do tego postu pod kątem WOŚP - w ilu komentarzach występuje WOŚP (poprawnie, w wersji z małymi literami i w wersji bez polskich liter)?

coms <- post$comments %>%
   select(message) %>%
   mutate(WOSP = grepl("wosp|wośp|WOŚP|WOSP", message))

table(coms$WOSP)

## FALSE  TRUE 
##    95   188

66.4 procent komentarzy odwołujących się do Wielkiej Orkiestry Świątecznej Pomocy. O czymś to świadczy, prawda? @MarzenaPaczuska ma na to zapewne odpowiedź. Mając w ręku narzędzie (getPage() oraz getPost()) możecie z nim zrobić co tylko zechcecie. Z publicznymi postami. Z danymi prywatnymi już nie jest tak łatwo.