Ανάλυση και πρόβλεψη στρατηγικών για βελτιστοποίηση της αλληλεπίδρσης στο Instagram

Abstract

Η εργασία επικεντρώνεται στη βελτιστοποίηση της αλληλεπίδρασης (engagement) στο Instagram, εστιάζοντας σε λογαριασμούς τραπεζών. Αναλύονται δεδομένα από επτά τραπεζικά προφίλ, εξετάζοντας τη χρήση hashtags, τη χρονική στιγμή δημοσίευσης, το συναίσθημα των λεζάντων και τη συχνότητα δημοσιεύσεων. Με τη χρήση τεχνικών μηχανικής μάθησης, όπως το XGBoost, και αναπαράστασης κειμένου μέσω TF-IDF και BERT embeddings, προβλέπεται ο αριθμός likes που θα λάβει μια ανάρτηση. Τα αποτελέσματα έδειξαν ότι τα BERT embeddings προσφέρουν μεγαλύτερη ακρίβεια στις προβλέψεις. Επιπλέον, διαπιστώθηκε ότι σημαντικοί παράγοντες για το engagement είναι η ουδέτερη διατύπωση στις λεζάντες, η σωστή χρονική στιγμή δημοσίευσης και η στρατηγική χρήση των hashtags.

This thesis focuses on optimizing engagement on Instagram, specifically for banking institution accounts. It analyzes data from seven bank profiles, examining factors such as hashtag usage, posting time, caption sentiment, and posting frequency. Machine learning techniques, including XGBoost, are applied to predict the number of likes a post will receive. Text representations are created using TF-IDF and BERT embeddings. The results show that BERT embeddings significantly improve prediction accuracy. Furthermore, engagement is notably influenced by neutral caption wording, optimal posting times, and strategic hashtag usage.