@MASTERSTHESIS\{IMM2014-06794,
    author       = "U. U. Brink and K. M. Clarkson",
    title        = "Enterprise Social Media Management baseret p{\aa} Data Mining af Tweets",
    year         = "2014",
    school       = "Technical University of Denmark, Department of Applied Mathematics and Computer Science",
    address      = "Richard Petersens Plads, Building 324, {DK-}2800 Kgs. Lyngby, Denmark, compute@compute.dtu.dk",
    type         = "",
    note         = "{DTU} supervisor: Michael Kai Petersen, mkai@dtu.dk, {DTU} Compute",
    url          = "http://www.compute.dtu.dk/English.aspx",
    abstract     = "Social data er blevet en vigtig del ved lancering af et nyt produkt og anvendes is{\ae}r til at afholde kommunikationen med dets modtagere. De sociale medier har skabt endnu en kommunikationskanal, og igennem denne er det muligt at f{\aa} indblik i brugerne og deres interaktion imellem. Blot p{\aa} det sociale medie Twitter, findes der flere hundrede millioner af tweets, og antallet er st{\ae}rkt stigende. Dette skaber uoverskuelighed, og det kan v{\ae}re sv{\ae}rt for virksomheder at finde og v{\ae}lge relevante informationer i m{\ae}ngden af social data.
Projektet vil blive k{\o}rt som et lean-startup og i den forbindelse vil der blive udarbejdet et produkt samt en forretningsmodel for dette. Produktet vil have form som en web-applikation, hvis form{\aa}l er at pr{\ae}sentere analyseret social data, som er relevante for virksomhederne. P{\aa} denne m{\aa}de skabes overblik p{\aa} et ellers uoverskueligt marked. Gennem en iterativ proces undervejs i projektet, vil forretningsmodellen blive evalueret p{\aa} baggrund af erfaringer og ny viden undervejs.
Det vil i projektet fors{\o}ges at data mine Twitter for social data, for at kunne afgr{\ae}nse og finde relevant information. P{\aa} den m{\aa}de vil det v{\ae}re muligt at omdanne kvantitativ data til kvalitativ data, som virksomheder kan g{\o}re brug af.
At indhente relevant information fra social data er en l{\ae}ngere proces, som kr{\ae}ver forskellige typer af delelementer, der alle er afh{\ae}ngige af hinanden. Gennem forskellige filtreringsmetoder vil det blive muligt at frasortere hvid st{\o}j, herunder ikke-relevante tweets s{\aa}som reklamer etc. Ved frasortering af hvid st{\o}j, vil data v{\ae}re gjort klar til videre analyse, s{\aa}ledes at relevante data kan indhentes. Nogle tweets er mere relevante for virksomheden end andre, og gennem forskellige sorteringsmetoder, herunder rangering af brugere, stemningsanalyse etc., vil de mest relevante tweets blive fremh{\ae}vet. Disse analyser vil ogs{\aa} kunne bestemme den generelle holdning til virksomhedens brand.
Igennem to cases, Eurovision og Voteman, vil yderligere analyse fors{\o}ge at illustrere emnerne ud fra forskellige aspekter. Ved Eurovision vil det fors{\o}ges,  at forudsige vinderen af {\aa}rets melodi grandprix, og hvilke andre emner der ud sprang herfra. Ved Voteman vil det fors{\o}ges at finde dets oprindelse, og illustrere hvordan det gennem forl{\o}bet har spredt sig til hele verden.
Det udarbejdede produkt vil fors{\o}ges promoveret gennem en landing-page og en opsat twitter-profil. Baseret p{\aa} opsatte call-to-actions vil det v{\ae}re muligt at indhente informationer omkring produktets eftersp{\o}rgsel p{\aa} markedet og dermed afg{\o}re, hvorvidt man b{\o}r g{\aa} videre med produktet eller ej."
}