Dans 1h, l'équipe de France aurait dû affronter l'#ESP.

Mais lundi dernier, la France a été éliminée de l'#EURO2020 par la #SUI au terme d'un match fou 😭

Même si le deuil n'est toujours pas fait, il est temps pour moi de sortir ma data analyse Twitter de ce match :

⬇️THREAD⬇️ Image
Mon objectif ici est d'analyser les réactions de Twitter au fil du match.
J'ai donc extrait tous les tweets de la soirée qui parlent de la rencontre ou d'un joueur sur le terrain, soit :
➡️ 431 262 tweets au total,
🇫🇷 201 845 tweets en français, sur lesquels je vais me focaliser Image
Premier constat assez amusant : on peut facilement retracer le cours du match simplement avec le volume de publications :
⚫️ Début et fin du temps réglementaire
🔴 Buts Suisses
🟡 Penalty arrêté par Lloris
🔵 Buts Français Image
Pour étudier le ressenti des spectateurs du match sur Twitter je vais coupler 2 types d'analyses :
☑️ Les analyses de texte (cartos sémantiques & ngrams),
☑️ Les analyses d'émojis (cartos & treemaps).
Ces techniques seront appliquées au dataset, filtré par joueur ou par période.
Par exemple, pour commencer, j'ai filtré le dataset sur le premier but de la #SUI, et voici ce que j'ai obtenu ⬇️
Les emojis montrent de la colère et de l'exaspération, mais on voit aussi clairement avec la sémantique que Lenglet est considéré comme responsable du premier but ! ImageImage
J'ai donc filtré mon dataset pour ne conserver que les tweets qui parlent de Lenglet sur tout le match ⬇️
Les emojis sont terribles : 😡🤬🤡...
Dans la sémantique, on voit que les supporters demandent de le remplacer par Coman ou Hernandez. ImageImage
Après la mi-temps, le match bascule : un penalty provoqué par Pavard est sifflé contre l'équipe de France, Lloris l'arrête et les bleus enchainent avec trois buts dans les 20 minutes qui suivent !
Focus sur cette remontée fantastique : Image
On voit sur les deux cartographies que l'ambiance a totalement basculé : "magnifique", "incroyable", 🔥🤩😍...
Si Pavard est critiqué (en haut à gauche), Lloris, Pogba et surtout Benzema sont mis à l'honneur ! Image
En filtrant le dataset pour ne garder que les tweets qui parlent de Benzema, on voit qu'il est ovationné par les supporters, les emojis sont dithyrambiques : 🥰🥵😍💯...
Les tri-grams montrent aussi que les supporters ont vu Benzema conseiller Lloris sur le penalty : ImageImage
Du côté de Pogba, on a des : "magnifique", "incroyable", 🔥🤩😍
Sur les segments de phrases les plus utilisés (tri-grams), on voit ressortir des "Monsieur Paul Pogba" ou encore "meilleur milieu monde"
Mais on voit aussi sa perte de balle à la 90' qui donne le but égalisateur : ImageImageImage
Car oui, les suisses vont remonter.
Au delà de la défense française, sur cette fin de match les supporters soulignent surtout un match fou qui s'emballe, comme le #ESP - #CRO plus tôt dans la journée : Image
Enfin, s'en suivra des prolongations relativement ternes, jusqu'aux tirs aux buts.
A 5 - 4, MBappé s'élance et voit son tir arrêté par Sommer.
La France, Championne du Monde, est éliminée de l'#EURO2020 en 1/8èmes de finale par la #SUI.
Par rapport à MBappé, une analyse focus montre que les supporters ne l'ont pas trouvé excellent tout au long du match.
Pire, les segments de phrases les plus utilisés (tri-grams) sont à charge : "tirer coups francs", "mbappé sang mains", "pris grosse tête"... ImageImageImage
Enfin, pour conclure cette analyse, j'ai regardé quels ont été les comptes Twitter les plus engageants du match selon mon dataset.
Ce classement est international, même si les français sont très majoritaires.
Voici le podium global :
🥇 @ActuFoot_
🥈 @equipedefrance
🥉 @goal ImageImageImage
On retrouve dans ce classement :
☑️ Des clubs : @Arsenal, @realmadrid, @ManUtd

🎦 Des Youtubers/Streamers : @Jirayalecochon, @Raphael_Carlier, @PFut10

🌍 Des comptes internationaux : @goal, @InvictosSomos, @2010MisterChip

🥸 Des humoristes : @wieselT & @Nabil_djellit...
Enfin, du côté des comptes FR spécialisés foot, on a :
🥇 @ActuFoot_
🥈 @lnstantFoot
🥉 @Footballogue
🏅@_BeFoot

• • •

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⬇️
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 :
Read 10 tweets
3 Jun
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.
Read 11 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!

:(