Je suis Data Analyst chez @FirstLink_bdx, mon métier c'est de cartographier internet pour comprendre ce qu'il s'y passe.

Du coup, comme je passe pas mal de temps sur Twitch, j'ai réalisé une cartographie de la plateforme pour voir ce que ça donne.

Et le résultat est fou !⬇️ Image
Pour réaliser cette Data Analyse, j'ai récupéré les données du Top 100 Twitch FR, du lundi 24 mai 00:00 au dimanche 30 mai 23:59.

Cela m'a permis de constituer un énorme data set avec :
•2 millions de viewers uniques comptabilisés,
•1973 streamers analysés. Image
Dans cette cartographie, chaque nœud représente un compte Twitch actif : streamer ou viewer.

Les liens entre les nœuds représentent le temps passé par un viewer sur la chaîne d’un streamer.
La taille du nœud dépend des liens, donc du nombre de viewers uniques de chaque Streamer.
Du coup, si vous avez été actifs sur Twitch la semaine dernière, vous êtes un point sur la cartographie !

La place de chaque nœud a aussi un sens, puisqu’elle découle d’une spatialisation précise : plus deux nœuds sont proches, plus ceux-ci partagent des communautés similaires.
Vous pouvez donc essayer de déterminer votre positionnement dans la cartographie en fonction de qui vous avez regardé dans la semaine !

L'image est en résolution native (2 gigapixels) est ici : easyzoom.com/imageaccess/6e…
Mon objectif en réalisant cette cartographie, était de visualiser les différentes communautés présentent sur Twitch.

Et ça a super bien marché, tout est à sa place !
Les couleurs représentent la segmentation des communautés, calculées par un algorithme en fonction des liens : Image
Une première observation qu'on peut faire, c'est que les communautés peuvent se former autour de jeux :

Par exemple ici, la communauté Warzone portée par @FRSkyRRoZ, @CHOWh1z1 et @Sackzi est proche de la commu Fortnite avec @SolaryTV et @JoLaVanille. Image
On peut aussi voir que les commus peuvent aussi être formées par des streamers amis :
➡️@Domingo @poncefleur @Xari_
➡️@Frederic_Molas @Benzaie_tgwtg @RoiLennon
➡️@AREtoiles @MrAntoineDaniel @mistermv Image
On peut également voir d'autres commus bien délimitées :
La commu Fifa par exemple, avec @BruceGrannec @robert87000 @Vitality_RocKy @brak2K ... Image
S'il y a des JL parmi vous, vous êtes ici ⬇️⬇️⬇️

Au delà de @JLTomy, @EliasLeRetour ou @BichouJango, on retrouve dans cette communauté des streamers du GTA RP comme @AmineMaTue ou @loly_mohasey Image
Un aspect que je trouve intéressant aussi c'est comment les Twittos qui sont aussi Streamers font une sorte de passerelle entre la commu JL et LoL :

On a @AmineMaTue du coté GTA, @RebeuDeter et @PatrickAdemo au centre et @JoelPostbad et @Zack_Nani aux couleurs de la commu foot ! Image

• • •

Missing some Tweet in this thread? You can try to force a refresh
 

Keep Current with Nicolas Bch

Nicolas Bch Profile picture

Stay in touch and get notified when new unrolls are available from this author!

Read all threads

This Thread may be Removed Anytime!

PDF

Twitter may remove this content at anytime! Save it as PDF for later use!

Try unrolling a thread yourself!

how to unroll video
  1. Follow @ThreadReaderApp to mention us!

  2. From a Twitter thread mention us with a keyword "unroll"
@threadreaderapp unroll

Practice here first or read more on our help page!

More from @nicolasbchb

17 Jun
Comment évoluent les communautés au fil du temps et des évènements sur Twitch ?

Hier soir j'étais l'invité de @Micode sur @UnderscoreTalk, pour parler de mon métier de "cartographe du web"

Voici quelques cartographies que j'y ai dévoilées, dont celle de la ZLAN :

⬇️THREAD⬇️ Image
Pour comprendre les dynamiques de communautés, j'ai réalisé une décomposition chronologique de mon dataset initial, afin d'obtenir une carto par jour de la semaine et une axée sur les matinées.

Les visuels sont dispo ici : easyzoom.com/imageaccess/ee…

Cette décomposition est hyper intéressante puisqu'elle montre que la structure des commus change pas mal en fonction des jours !
On peut voir par exemple que le mardi (@PopcornTalkshow) et le dimanche (Big9), @Domingo est central sur les cartographies : ImageImage
Read 10 tweets
7 May
🇪🇺 Key Opinion leaders ⚽

Recently, the failed #EuropeanSuperLeague project set #Twitter on fire.

Between the millions of tweets published on the subject, some voices had a particularly important weight.

Here are the #KOL of European football according to #data:

[THREAD]⤵️
This thread is the continuation of the analysis I shared on the impact of Twitter on the Super League collapse.

The #dataset used is the same: 2.6 million tweets posted by 876,000 unique users in 5 languages (🇬🇧 🇫🇷 🇪🇦 🇮🇹 🇩🇪 )

In my first analysis, I focused on the contents (sentiment analysis, semantic cartographies...), here the goal is to analyze the influential content providers in Europe.
Read 24 tweets
7 May
🇪🇺 #EuropeanSuperLeague

Using my #data analysis tools, I tried to measure what role Twitter played in this failure:

Without this network, would the closed league project, led by the 12 richest clubs in Europe, have had the same fate?

[THREAD] ⤵️
To analyze what happened and answer this question, I extracted a large amount of data:

2.6 million tweets posted by 876,000 unique users
5 targeted languages : 🇫🇷 🇬🇧 🇪🇦 🇮🇹 🇩🇪
56 million likes and 7.8 million retweets
The tweets collected start from April 17th at noon to April 22nd at midnight.

I'm going to go back over the facts chronologically so that we can relive this story from the Twitter standpoint.

First of all, here is the distribution of the tweets I collected on the period:
Read 34 tweets
5 May
🇪🇺 Leaders d'opinion ⚽

Récemment, le projet avorté #EuropeanSuperLeague a fait s'enflammer #Twitter.

Au cœur des millions de tweets publiés sur le sujet, des voix ont un poids particulièrement important.

Voici les #KOL du foot européen selon la #data :

[THREAD] ⤵️
Ce thread est la suite de l'analyse que j'avais partagé sur l'impact de Twitter dans l'abandon de la Super League.

Le #dataset utilisé est le même : 2,6 millions de tweets postés par 876 000 users uniques dans 5 langues (🇫🇷 🇬🇧 🇪🇦 🇮🇹 🇩🇪 )

Là où dans la première analyse je me consacrais sur les contenus (sentiment analysis, cartographies sémantiques...), ici l'objectif est d'analyser les émetteurs de contenu influents.
Read 25 tweets
30 Apr
🇪🇺 #EuropeanSuperLeague

En utilisant mes outils de #DataScience, j'ai essayé de mesurer quel rôle a joué #Twitter dans cet échec :

Sans ce réseau, le projet de ligue fermée mené par les 12 clubs les plus riches d'Europe aurait-il vécu le même sort ?

[THREAD] ⤵️
Pour analyser ce qu'il s'est passé et répondre à ma question, j'ai extrait une grande quantité de données :

2,6 millions de tweets postés par 876 000 users uniques
5 langues ciblées : 🇫🇷 🇬🇧 🇪🇦 🇮🇹 🇩🇪
56 millions de likes et 7,8 millions de retweets cumulés Image
Les tweets récoltés vont du 17 avril midi, jusqu'au 22 avril minuit.

Je vais revenir sur les faits chronologiquement pour qu'on revive cette histoire en suivant l'angle Twitter.

Voici tout d'abord la répartition des tweets que j'ai récupéré sur la période : Image
Read 34 tweets

Did Thread Reader help you today?

Support us! We are indie developers!


This site is made by just two indie developers on a laptop doing marketing, support and development! Read more about the story.

Become a Premium Member ($3/month or $30/year) and get exclusive features!

Become Premium

Too expensive? Make a small donation by buying us coffee ($5) or help with server cost ($10)

Donate via Paypal Become our Patreon

Thank you for your support!

Follow Us on Twitter!

:(