EM 2016: Deutschland-Ukraine in der Twitter-Analyse

Wenn die deutsche Nationalmannschaft live im Fernsehen zu sehen ist, glüht Twitter. Das gilt insbesondere während großer Turniere, wie die aktuell laufende Fußball-EM wieder zeigt. Ich habe deshalb die für ein Projekt bereits vorhandenen Scripte genommen und die Twitter-Daten des deutschen Auftaktmatches gegen die Ukraine analysiert. In die Untersuchung gingen nur deutschsprachige Tweets mit dem Hashtag #GERUKR ein. Das waren ca. 10 Tweets pro Sekunde und somit insgesamt ca. 65.000 Tweets. Uneingeschränktes Twitter-Highlight war das Tor von Sebastian Schweinsteiger unmittelbar nach seiner Einwechslung. Nahezu 1800 Tweets in nur einer Minute ließen selbst die Glanzparaden von Neuer und Boateng verblassen, die auf über 400 bzw. 600 Tweets in der Minute kamen. Und auch Mustafis Treffer ergab im Vergleich mäßige 700 Tweets.

(Ein Klick auf die Grafik führt zur interaktiven JavaScript-Grafik.)

Sentiment-Analyse: Welcher Spieler war bei den Twitter-Nutzern besonders beliebt?

Interessant an den Twitter-Daten ist natürlich nicht nur die pure Erwähnung, sondern auch die Stimmung, die dabei vermittelt wird. Auch hier sind die Torschützen und Torverhinderer natürlich vorne mit dabei. Etwas überraschend sind die positiven Daten für Özil; doch seine Vorlage für Schweinsteigers Tor brachte ihm viele gemeinsame positive Erwähnungen mit dem Torschützen. Besonders ambivalent fiel die Beurteilung Mustafis aus: Einerseits brachte ihm sein Tor viele positive Tweets, doch wurde seine Abwehrleistung recht kritisch beäugt.

Name positiv negativ
Boateng 396 77
Draxler 111 10
Götze 69 40
Hector 43 17
Höwedes 6 6
Khedira 21 12
Kroos 40 4
Mustafi 282 164
Müller 45 9
Neuer 353 81
Özil 177 55
Schürrle 18 6
Schweinsteiger 265 46
Löw 81 15

Eine Sentiment-Analyse von Twitter-Daten ist nicht sehr einfach. So kommen, insbesondere bei einem emotionalen Ereignis wie einem Fußball-Spiel viele ironische Kommentare. Ein Beispiel: „Dieser Özil soll ganz gut sein, können wir den nicht mal bringen?“ Hieraus abzuleiten, dass der Urheber Özil nicht besonders toll fand, ist für eine Maschine quasi unmöglich. Entsprechend ging dieser Tweet auch mit einem positiven Beitrag für Özil in die Wertung ein.

Trotz dieser methodischen Probleme, soll der Sentiment-Verlauf für Özil beispielhaft gezeigt werden. Hier sind die jeweiligen positiven und negativen Wertungen in den Tweets für die jeweilige Minute aufsummiert:

Fazit

Mit Twitter-Daten zu experimentieren, kann interessante Einblicke ergeben. Aufgrund der Unsicherheit in der Sentiment-Analyse ergeben sich aber nur dann aussagekräftige Zahlen, wenn eine genügend große Menge an Tweets zur Verfügung steht.