🌐 Cartographie du Twitch FR - Septembre 2021 🌐

4 mois après ma première cartographie du Twitch francophone, je vous en propose ici une nouvelle, mise à jour avec les données de septembre !

Quelles communautés ont bougé et lesquelles sont les plus stables ?

⬇️[THREAD]⬇️ Image
Pour ceux qui découvrent mon travail à @FirstLink_bdx, cette cartographie s'appuie sur la même méthodo que celle présentée ci-dessous. L'objectif ici est justement de comparer ces cartes !
N'hésitez-pas à me suivre si vous appréciez ce type de contenu 😃
Le dataset utilisé ici couvre l'audience du Top 100 FR sur la première moitié du mois : du 1er au 15 septembre.
Pour saisir l'ampleur du jeu de données, voici une timeline qui montre le nombre de viewers regardant le top 100 sur la période : Image
C'est à partir de ce dataset que j'ai construit la carto : chaque nœud est un compte Twitch, les liens représentent l'action de "regarder un live".
Ici, vous avez sous les yeux plus de 2 millions de viewers, regardant plus de 3 000 streamers, liés par plus de 5 millions de fils !
Enfin, la taille des nœuds dépend du nombre de viewers uniques par streamer sur la période et la couleur est une segmentation automatisée des communautés en fonction des liens communs.
Maintenant, analysons ce que l'on voit !
La cartographie est disponible en format zoomable ici : easyzoom.com/imageaccess/be…
Vous pouvez trouver d'autres visuels sur mon profil easyzoom ici : easyzoom.com/profile/106315 Image
Premier constat : on voit que la cartographie n'a pas fondamentalement bougé ! Sa structure et les communautés majeures semblent similaires à la carto précédente : on repère une grande commu multigaming 🟣, voisine de la commuanuté LoL 🟢, elle même voisine de la communauté JL 🟠
La communauté "@xSqueeZie - @Gotaga - @Lockl34r" reste aussi au centre, non loin de la commue Warzone avec @CHOWH1_, @Sackzi et @FRSkyRRoZ .
On voit par contre que cette commu s'est détachée de la commu Fortnite, maintenant collée aux JL (@JLTomy, @Nateooos) ImageImage
Fait très intéressant : la commu Fifa s'est disloquée ! On retrouve quelques irréductibles comme @AxoskillYt et @robert87000, mais la fin de saison de FIFA21 a fait fondre le nuage initial vers le centre de la carto, avec @BruceGrannec et @PFut10 par exemple. Image
On peut aussi s'intéresser à la présence de @fr_zod dans la cartographie : propulsé dans le top Twitch par @Lockl34r et @xSqueeZie, on le retrouve sans surprise très près d'eux !
(petit nœud en bas à droite) Image
Son cas est particulièrement intéressant et j'y consacrais une analyse conjointe avec le retour de @SamuelEtienne sur la plateforme, pour voir précisément comment de "nouveaux" streamers s'insèrent dans des communautés existantes. Image
Enfin, je l'avais promis et je le ferai dans les prochaines semaines : une analyse approfondie du positionnement des streameuses dans le tissu communautaire pourrait être très intéressante, surtout avec l'actualité Twitch récente ! Image
N'hésitez-pas à naviguer dans la cartographie, à poser des questions et à partager vos analyses et découpes de communautés !
J'étais super heureux de la manière dont la commu Twitch Fr s'est emparée de la première carto, et j'ai hâte de vous lire pour cette mise à jour 😃

• • •

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

2 Jul
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
Read 16 tweets
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

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!

:(