از شنیدن تا فهمیدن؛ جایی که داده به معنا تبدیل میشود.
گزارش جهانی State of Social Listening 2025 منتشر شده توسط The Social Intelligence Lab نشان میدهد که سوشال لیسنینگ از مرحلهی گزارشسازی عددی عبور کرده و در آستانهی تبدیل به علمی میانرشتهای برای درک رفتار انسانهاست. در این مقاله از بلاگ مهتا، تحولات، چالشها و آیندهی این حوزه را مرور میکنیم.
عصر تغییر در دنیای دادهها
سال ۲۰۲۵ برای متخصصان تحلیل رفتار دیجیتال و سوشال لیسنینگ، سالی پرهیاهو و پرچالش است.
در حالی که جهان درگیر بیثباتی اقتصادی و تحولات ژئوپلیتیکی است، سازمانها بیش از همیشه به دادههای اجتماعی متکیاند تا تصمیمهای دقیقتری بگیرند.
اما در میانهی این تلاطم، نکتهای جالب به چشم میخورد: با وجود کاهش بودجهها و تعدیل نیروها، سرمایهگذاری در ابزارهای سوشال لیسنینگ افزایش یافته است.
طبق گزارش تازهی The Social Intelligence Lab، بسیاری از برندها و آژانسها بین ۱۰۰ تا ۲۰۰ هزار دلار در سال برای ابزارهای شنود اجتماعی هزینه میکنند و ۸۰ درصد آنها از دو یا چند پلتفرم همزمان بهره میبرند.
این ارقام نشان میدهد که اهمیت گوش دادن به گفتوگوهای مردم در شبکههای اجتماعی بیش از همیشه درک شده است. اما در عین حال، یک سؤال بزرگ مطرح میشود: آیا فقط شنیدن کافی است؟
ابزار بیشتر، معنا کمتر
در سالهای اخیر، سوشال لیسنینگ به شدت متکی بر فناوری شده است.
تحلیلگران داده به ابزارهایی مانند Brandwatch، Talkwalker، Sprinklr، Meltwater و YouScan وابستهاند تا بتوانند حجم عظیم گفتوگوهای آنلاین را تحلیل کنند.
اما دکتر «جیلیان نی»، بنیانگذار SILab هشدار میدهد:
«ما یاد گرفتهایم داده را بشنویم، اما هنوز در فهمیدن آن ضعف داریم.»
بسیاری از متخصصان به جای تفسیر معنا و کشف الگوهای انسانی، به خروجیهای اتوماتیک الگوریتمها اکتفا میکنند. به زبان سادهتر، ابزارها در حال تصمیمگیری به جای انسانها هستند.
نتیجه این روند، افزایش داده و کاهش بینش است. انبوهی از نمودارها و گزارشهایی که بیشتر توصیفکنندهاند تا تفسیرگر.
بحران اعتماد به دادهها
یکی از مهمترین یافتههای گزارش ۲۰۲۵، افت اعتماد به دادههای شبکه های اجتماعی است.
کارشناسان معتقدند کیفیت دادهها در برخی پلتفرمها مانند X (توییتر سابق) کاهش یافته و حجم محتوای تولیدشده توسط هوش مصنوعی و حسابهای رباتی، اعتبار تحلیلها را تهدید میکند.
در مقابل، توجه به شبکههای نوظهور مثل Bluesky، Threads و Rednote (Xiaohongshu) افزایش یافته است.
با این حال، محدودیتهای دسترسی به API و مسائل حقوقی مانع از تحلیل عمیق این فضاها شده است.
نکتهی نگرانکننده اینجاست که بسیاری از سازمانها به دلیل نبود دسترسی یا ابزار مناسب، فقط با دادههایی کار میکنند که نرمافزارشان در اختیارشان میگذارد — حتی اگر آن دادهها کامل یا دقیق نباشند.
بهعبارتی، تحلیلگر به جای انتخاب داده، تابع ابزار شده است.
GenAI: دستیار هوشمند یا رقیب پنهان؟
هوش مولد (Generative AI) حالا در قلب سوشال لیسنینگ قرار دارد.
۹۱ درصد از متخصصان از ابزارهای هوش مولد برای تحلیل داده استفاده میکنند؛ از ChatGPT و Copilot گرفته تا امکانات داخلی Brandwatch یا Sprinklr.
اما فقط ۳ درصد به خروجیهای GenAI کاملاً اعتماد دارند. اغلب تیمها از ترکیب هوش مصنوعی با بازبینی انسانی استفاده میکنند تا از خطاهای تحلیلی جلوگیری شود.
نکتهی جالب این است که ۴۷ درصد از برندها از GenAI برای تولید بینش نهایی استفاده میکنند. این یعنی ماشینها به تدریج به قلمرو تفکر انسانی وارد میشوند.
اما این روند میتواند خطرناک باشد، چون اگر تولید معنا به الگوریتم سپرده شود، تحلیلگر بهجای «مفسر» به «کاربر ابزار» تقلیل مییابد.
به تعبیر گزارش، GenAI در حال حاضر نقش «کارآموز باهوش» را دارد — در کارهای تکراری کمک میکند، اما هنوز جای قضاوت انسانی را نمیگیرد.
شکاف بین اندازهگیری و درک
گزارش نشان میدهد که تحلیلگران هنوز در سطح تاکتیکی متوقف ماندهاند.
در حالی که هدف برندها شناخت عمیق رفتار مصرفکننده و تحلیل فرهنگی است، بیشترین استفاده از دادهها در حوزههایی مثل پایش بحران، بنچمارک رقبا و سلامت برند متمرکز است.
این تفاوت نشان میدهد که ما هنوز از دادهها برای گزارش استفاده میکنیم، نه برای تفکر.
بسیاری از تحلیلگران خودآموختهاند و فاقد چارچوب نظری منسجم برای تفسیر دادههای اجتماعیاند. این مسئله باعث شده رهبری سازمانها نتواند ارزش واقعی سوشال لیسنینگ را درک کند و آن را صرفاً ابزار روابط عمومی بداند.
از داده تا بینش: معرفی مدل «پیوستار بینش»
در پاسخ به این چالش، The Social Intelligence Lab مدل جدیدی به نام Insights Continuum 2.0 ارائه کرده است.
این مدل نشان میدهد که مسیر تولید معنا از شنیدن داده تا تفسیر فرهنگی چگونه طی میشود.
| خطر رایج | نوع خروجی | تمرکز اصلی | سطح تحلیل |
| غرقشدن در شاخصها بدون زمینه
|
گزارش عملکرد و بازخورد فوری
|
پایش واکنشها و کمپینها
|
Communication Insight
|
| تفسیر سطحی بدون فهم رفتار
|
جهتگیری بازار و موضوعات داغ
|
تحلیل روندها و تعامل برند
|
Marketing Insight
|
| تعمیم نادرست یا بیشتحلیل
|
الگوهای رفتاری و نیازهای پنهان
|
شناخت انگیزهها و تصمیمها
|
Consumer Insight
|
| خطر انتزاعی شدن بیش از حد
|
روایت، معنا و استراتژی انسانی
|
درک فرهنگی و نمادین
|
Human Insight
|
این مدل تأکید میکند که هر سطح ارزش خود را دارد، اما قدرت واقعی در عبور از اعداد و ورود به معناست.
چگونه GenAI را به «یار فکری» تبدیل کنیم
در گزارش آمده است که مشکل هوش مصنوعی در سوشال لیسنینگ این نیست که جای انسان را میگیرد، بلکه اینکه در سطح سطحی استفاده میشود.
بیشتر تحلیلگران از آن برای خلاصهسازی و کوئریسازی استفاده میکنند، نه برای تفکر.
برای بهرهگیری واقعی، باید GenAI را از «خلاصهگر داده» به شریک تفکر تحلیلی تبدیل کرد.
این کار با پرسیدن سؤالاتی هوشمند ممکن میشود:
- چه تناقضهایی در گفتوگوهای کاربران وجود دارد؟
- چه چیزهایی ناگفته مانده؟
- روایت فرهنگی پشت این احساس چیست؟
- آیا این الگو تکرارشونده است یا ساختگی؟
وقتی از GenAI برای تفسیر به جای جمعآوری استفاده کنیم، ابزار به همفکر تبدیل میشود، نه جایگزین.
شکلگیری یک رشتهی علمی جدید
نکتهی پایانی گزارش، تأکیدی جالب دارد:
سوشال لیسنینگ در حال تبدیل شدن به یک «رشتهی علمی» مستقل است.
بیشتر متخصصان این حوزه آموزش آکادمیک ندیدهاند و با تجربه و آزمونوخطا پیش رفتهاند.
به همین دلیل، SILab اعلام کرده قصد دارد چارچوبی جهانی برای آموزش، روششناسی و اخلاق تحلیل دادههای اجتماعی تدوین کند.
این تحول میتواند اعتبار سوشال لیسنینگ را افزایش دهد و به آن جایگاه استراتژیک در سازمانها بدهد — نه صرفاً نقش پشتیبان روابط عمومی.
جمعبندی مهتا: از داده تا معنا
دنیای دادههای اجتماعی در ۲۰۲۵ در حال پوستاندازی است.
سوشال لیسنینگ دیگر فقط دربارهی ابزار نیست، بلکه دربارهی فهم انسان از طریق داده است.
در جهانی که پر از نویز، ربات و محتوای مصنوعی است، برنده کسی است که بتواند معنا را از میان سیل اطلاعات بیرون بکشد.
در مهتا باور داریم که آیندهی تحلیل دادههای اجتماعی در نقطهی تلاقی فناوری و تفکر انسانی ساخته میشود — جایی که هوش مصنوعی دستیار است، نه تصمیمگیر.
و مأموریت ما این است که به برندها کمک کنیم از داده فراتر بروند و به معنا برسند.
منبع:
