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⬇️
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
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
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 !
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.
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 :
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 !
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 :
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 :
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 :
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"...
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
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.
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 :
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 !⬇️
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.
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.
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.
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.