Facebook, Brands & Everything between… 

Preriit Souda, TNS  

Abstract:  This  paper  talks  about  using  techniques  like  network  mapping  and  contextual  text  mining  to 

understand brand pages on Facebook. Paper showcases how these techniques can be useful to marketers to 

understand their fans, filter topics that concern or attract, devise better communication strategies, understand 

perception of products and decipher linkages between, understand impact of competition on your page and in 

some cases be able  to mine  innovation  ideas. Try has been made  for paper  to be simple, easy  to  read  for a 

variety of readers.  

Keywords‐ Social Media, Social Media Analytics, Social Media Monitoring, Facebook Analytics, Network 

Mapping, Data Visualization, Text Mining    

Facebook, Brands and Everything Between… Preriit Souda 

 

Let me guess. You either took a leap of faith in spending time on my paper given the pompous abstract you read or your 

boss heard about this stuff and being boss has asked you to burn your eyes to fill this knowledge in your over exhausted 

mind and then vomit it before a host of un‐interested colleagues. No matter in which category you fall into, your journey 

through this paper will at least show you some colorful pictures that you can print and hang on your wall!!... 

Enough of  ink wastage! Coming  to  the point,  in  this paper  I will be  talking about analyzing  facebook  (FB) brand pages  

using network analytics and text mining. If your face has turned timid worrying if I am now going to spit out some difficult 

mathematical  stuff,  you worry  not. One  I  don’t  know  those  either  but more  importantly  this  paper  is meant  to  give 

overview of these things and their usefulness from a marketing standpoint.   

This paper will show how I have been using these different techniques using three facebook pages namely How I met your 

Mother  (HIMYM),  Yes  Scotland  and Better  Together. How  I met  your Mother  is  a  famous American  sitcom  in  its  last 

season ending this march (sob sob!) so one can see a lot of chatter.  

On  the  other  side,  I  have  shown  pages  from  two  camps  of 

Scottish  referendum,  Yes  Scotland  and Better  Together.  If  you 

are  not  aware  (if  so,  very  bad  general  knowledge!),  Scotland 

goes to poll on 18th September if it wants to be an independent 

country or continue to be part of UK. Two topics are different in 

a  lot of sense and  that adds an  interesting spice  to  this paper.  

As  you  can  see  that  this  paper  is  not  exactly  like  a  typical 

academic paper so feel no fear, sit back and enjoy the read..  

 

A BIT OF FLASHBACK 

I  come  from  engineering  background  and  even  till  date  continue  to  read 

technical  publications  like  say  IEEE  Spectrum,  Potentials  and  similar.  I  had 

come across graph theory [1] during my study year at UCLA but hell did I care 

then! But lately I have been seeing a lot of growing interest in such techniques 

[2] and hence got attracted  to  this subject  to explore data  from social media 

networks  in  a manner  useful  for marketers.  As  a  starting  point,  I  extracted 

connections  on  my  facebook  page  shown  in  fig1  and  could  see  cluster  of 

friends  being  formed  based  on  connections  between  them.    Slowly  took  on 

twitter which I won’t go into here. That’s a beast in itself! As I looked deeper, I 

felt that networks as stand‐alone don’t give a complete picture. Network maps 

in social media give a framework to think and a context to help understand but 

they  lacked the soul offered by conversations. So I started  looking at network 

analysis in conjunction with text mining to understand social media in a better way. Network mapping and analytics gave  

 

me a framework to explore while text mining added richness to the analysis. Coming back to facebook, this social network 

is a bit tricky but once tamed  is one of the most wonderful place to understand a brand. Given that facebook  is not so 

open like twitter, what one can do with facebook is limited. Generally speaking, only conversations available in public like 

say on public FB brand pages can be analyzed or comments from people who have lost sync with FB’s constantly changing 

privacy  settings.  I  have  often  felt  that  comments  coming  from  other  than  brand  pages  often  lack  context making  it 

difficult to understand. Hence,  I generally tend to  focus only on FB brand pages. Few words about brand pages.  I have 

often felt that brand pages are like townhalls where people interested about a topic (say a brand, political movement etc) 

come to talk about different issues. Brand pages (through updates) give fans fodder to start talking but then fans can take 

their own  course  to drive  conversations  forward by  adding  their own  twists  and  turns. A page,  if managed with due 

diligence, simulates an actual meeting room able to attract and hear voices from all over the globe. And mining such a 

data is an experience in itself. Moving on to details now.  

HERE WE GO 

Any project starts with extraction of data. Once extracted, it’s always a good idea to look at volumetrics from that page. 

Volumetrics are  like say no. of  fans, demography, most commented/liked/shared posts, engagement etc. Barring reach 

and  a  few  other metrics  available  exclusive  to  page  owners,  several  useful metrics  can  be  derived.  Coming  to  our 

facebook  pages,  one  can  see  the  basic 

stats in the figures below.  

 

You  can  see  that  HIMYM  has  a  lot more 

number  of  fans  which  is  quite 

understandable given that it draws viewers 

from all over the world and has a lot more 

interactions  (likes  +  comments).  Having 

said  that,  looking  at  average 

comment/interactor  shows  that  Better 

Together  (called BT hence  forth;  I am  too 

lazy writing the full name!) has a  lot more 

higher proportion of discussions going on. 

In  pure  numeric  terms,  no.  of  comments 

on  BT  (fig  2)  is  72486  compared  to 

HIMYM’s  40861.  This  shows  that  a  large 

no. of interactors are silently following the 

page but not expressing which is quite intuitive given that I may like Barney Stinson’s (one of the characters of HIMYM) 

gimmicks but I may not be so motivated or emotionally interested to express my opinion like I may be on issues raised by 

BT or Yes pages. This is an important point for several analysts who look only at volumetric analysis of social media but do 

not delve  into  richness of  it. Numbers  are  important  for  gauging  reach but  there  is  a  limit  to how much one  can  go 

beyond to understand actual conversations [3].  

Talking about likes, Yes’ brand page got a 

very  high  average  of  likes  (3.99) 

compared to BT page (2.54) which draws 

me  to  another  interesting  difference 

between how different  these pages  are. 

BT  has  a  lot  of  conversations  (72k+) 

happening  around  referendum,  often 

heated often  informative while yes page 

lacks  such  discussions  (18k+).  Often 

higher  proportions  of  likers  can  mean 

that several accept without much interest 

or they agree to the brand/organization’s 

message  without  much  contradiction 

worth  expressing.  It’s  also worth  noting 

that  often  political  pages  attract 

commenters  from  other  side  of  the 

spectrum  to  engage  and  spread  their 

word.  Looking  at  textual  analysis,  if  it 

appears that not many conversations hidden beneath thousands are favorable to the brand, that’s an alarm bell for the 

page managers. Either constant monitoring or advanced text mining is needed to decipher such issues.  

Another  interesting aspect  is gender. HIMYM has a higher % of  female  (55%)  following but whether  there  is a  split of 

interest in accordance to different communications or not can be easily answered using network maps (coming next, hold 

on).    If  so,  communication  strategies  can  be  devised  accordingly  to  suit  different  gender.  Often  it’s  also  useful  to 

understand how different genders are  interacting (actively‐comments and/or passively‐likes) and  if there  is any pattern 

coming out. A  look at Scots show that while BT has an even split,  insight  lies  in Yes page where male are more by 30% 

compared  to  female  something which also  resonated with  surveys done by TNS BMRB  [4]. Brand managers can delve 

deeper to devise appropriate communication strategies. Trend analysis gives a peek to see  if any date garnered higher 

interest.  But  more  importantly  looking  at  time  is  what  gives  an  interesting  understanding  of  how  your  fans  are 

interacting. Depending on subject and type of post, different patterns can be seen emerging. For example, a quick server 

restaurant page, generally got higher  interactions 2 hours prior to  lunch time and taking  into consideration propagation 

time, time of communications can be devised accordingly. Now let’s quickly move to network mapping. 

FANCY CHARTS ARE COMING. Pay attention!  

Pictures shown next are basically showing all interactions that have taken place on these three brand pages (last 100 

posts). Let’s start from fig 4. It shows all people (red colored circles) who have commented on last 100 posts while blue 

colored circles represent FB updates (communications put by brands). Whenever a person interacts with a FB post, it gets 

linked by an orange line and more it interacts with same post thicker the line becomes. More the person has interacted 

on an overall, bigger the red circle and more the interactions happen on a FB post, bigger in size it becomes. For example, 

as shown in fig 4, user ABC had interacted 1478 times while user XYZ has interacted 2 times so the size changes 

proportionately. Post marked David Bowie got highest number of combined comments, share, like compared to other 

posts , hence the bigger size. Same explanation holds for fig 5‐ (Yes page) (except that here links are blue in color) and in 

fig 6‐(HIMYM page) where posts are orange colored, interactors violet and links yellow.  

 

 

 

 

Apart from the fact that these pics are beautiful what insight does it give? To start with it gives a complete snapshot of all 

interactions happening on your page. Once created you can analyze which post got highest number of engagements and 

see how people who commented on that interacted with other posts. One can filter out specific themed posts and see if 

there is any pattern coming out from such posts. It also shows a quick understanding of communications which generated 

higher  number  of  interactions  like  facebook  likes  but  lesser  number  of  comments;  helping  you  to  understand 

communications based on fan behavior.  

It also  shows  that No camp  (BT page) has  lots of extremely active  interactors while yes page doesn’t have any.  It can 

mean positive and negative depending on which side they represent. Having said that, one can filter out such influential 

highly active users to  look  if they are bots (you never know!) and  if not  is there a specific theme coming out from their 

conversations. Are  they supportive of brand and  if not do  they have genuine concerns which need  to be addressed.  If 

tackled properly,  these users can  turn out  to be much more  reliable  (& cheaper) brand advocates given  that  they are 

common  users  and  they  are  perceived  to  have  higher 

credibility in certain scenarios.  

Often  fans comment on your brand communications and 

that  generates  a  large  number  of  likes  showing  an 

agreement  among  fellow  fans  for  the  idea  expressed. 

Shown  in  figure  7,  green  lines  show  such  fans  whose 

comments  on  No  page  attracted  proportionally  higher 

positive  interest.  Often  it  can  be  useful  to  mine  these 

comments and one see if there is a pattern coming out of 

it;  giving  an  idea  of  the  underlying  often  lost  voices  of 

common  fans of your brand. Sometimes these comments 

can also give  ideas  in relation to product  improvement or 

spark  innovation  for brand. We also  looked at  likes made 

on each comments made by  fans on an overall basis and 

linked  it with what  they were  speaking  about  to  give  an 

idea of what was drawing positive attention of other fans. 

We  did  this  for  No  page  and  found  that  comments  on 

themes  like  nationalism  and  currency  drew  higher 

interest.  Such  analysis  apart  from  helping  understand 

mood of fans can also help strategize communications. Sometimes it can also be useful to see if there are specific themes 

driving engagement on different updates.  If you are an analyst reading, as a word of advice, dependent you choose for 

modeling here and categories you derive based on text mining determine how good your model will be.  

One can also map themes based on fan comments to see which posts attracted highest engagement  in regards to that 

theme. Shown in figure 8 is a map of yes page where red lines show people (light blue circle here) who have talked about 

a theme concerning European Commission on specific posts. Thicker the red line more the comments and bigger the size 

(of orangeish red circle) more interactions have taken place on that post. When posts are on wider topics and you wish to 

see how your specific topic/theme of interest is spoken of and in which context, such maps can be useful.  

 

 

Moving to the next colorful picture, fig 9. What you are 

seeing here  is a clustering done on FB posts basis  fan’s 

interactions. For data scientists  in you, exercise caution 

because  depending  on  which  algorithm  you  take 

interpretation and  story emerging out of  it  changes.  In 

fig  9,  all  posts  on  HIMYM  page  are  clustered  into  14 

groups.  This  process  is  iterative  and  continues  till  you 

are happy with story emerging out of your clusters. Here 

say all posts and users who have been clustered  in one 

group are colored same. So say green one is group which 

talked  about  Barney  (Neil  Patrick  Harris)  at  Grammys 

while flouroscent green ones are about slap bet (only an 

HIMYM fan will understand what’s a slap bet) while red 

(like  of  pomegranate  color)  ones  are  about  season 

finale. I know that you can’t decipher so many colors yet 

I am telling just for sake of telling. Keeping it very simple, 

here posts are clustered basis common  fans  interacting 

on posts and it lies up to analyst to decide algorithm to opt and story to decipher. Once clustered, one can deep dive and 

see if any story emerges in relation to behavioral attributes like time of posting, discussion dynamics, gender, themes of 

conversation etc. and use such information to devise targeted communications. I have been referring several times about 

textual  attributes  like  themes  and  now  is  the  time  to  look  into  it.  Before  you  read  ahead,  stretch  yourself,  drink  a 

coffee/tea and be back with a fresh mind.  

 

 

TAKE A BREAK & be back soon..  

Soul  of  SM  analysis  is  text mining.  Richness  of  your  analysis  is  largely  dependent  on  the  algorithms  you  create  to 

understand conversations on facebook. Conversations on facebook are different to twitter given the absence of character 

limits on facebook. Additionally, mostly all conversations on brand pages are  incited by messages propagated by brand. 

Hence the importance of context to the algorithm you create.  

Before starting, it’s very important to have an understanding of topics of concern around brand, brand’s positioning and 

certainly communications by brand. Here  I will show text mining only  for two Scottish pages. To start with,  I created a 

very  basic  framework  in which  I  decided  to  use  three  buckets  to  start with  namely  issues  around  the  referendum, 

information being mentioned in relation to and actions by citizens in this regards. Each of these can have different shades 

of emotions mentioned  in conjunction and  they are put  in positive, negative, contextual and uncertainty. Positive can 

include positive emotions around an issue or action or functioning of govt and similar. Contextual is a type of tone which 

has shades of grayness across the emotional spectrum. Here every shade of emotion  is preserved and never converted 

into a +1/‐1 like most SM software do. Moving deeper, say for issues we create algorithm that can decipher it explicitly, 

implicitly and in context. To give an example, Alex Salmond or first minister is classified as who he is which is quite simple 

but  people  often  call  him  eck  or  eek  which  needs  to  be  taught  to  the  system.  Additionally,  descriptors  like  say 

Westminister or London mean location generally but here people use it to refer to UK govt which needs to be modeled. 

Words  like say “ruk” which does not mean anything but scots use  it to denote rest of UK. Taking diversion to quote an 

example,  I was once working on a  campaign monitoring and  the  client had an advertisement with elephant on  it and 

people were referring to it. Machines are unable to understand that here elephants are not simply animals here but are 

spoken  in  relation  to  an  ad  campaign.  Such  customizations  can make  a major  impact  in  understanding  rich  insights 

flowing by your feet on social media but left unnoticed.   

BT page had around 75k+  conversations and  thousands of 

descriptors  created  for  various  issues  talked  about. 

Themetic  maps  shown  in  fig  10  categorize  these 

conversations  into a manageable number of themes which 

are  precise  and  concise  to  give  one  snapshot  view  of  all 

chatter.  In  the  themetic map,  bigger  the  circle more  that 

theme  has  been  discussed.  For  the  analysts  reading  this, 

please note  that  these  themes  are  not mutually  exclusive 

and exhaustive. These themes are created keeping  in mind 

the  objectives  of  study.  Talking  about  two  scottish  pages, 

there  isn’t much difference between two camps given that 

currency, EU Membership, Benefits, Oil, Banking etc appear 

to  be  the most  important  issues.  There  are  other  things 

which  people  also  talk  about  like  say  political  parties, 

politicians,  government etc. &  fig 11  shows encompassing 

these additional themes (for BT page). Apart from giving an 

idea  of  chatter  on  brand  page,  one  can  understand 

difference between what  is being broadcasted on page and how are  fans  responding back. Can understand  if  themes 

coming up are in line with brand’s overall strategy or not.  

A  word  about  methodology:  based  on 

descriptors  talked  about, which  are  then 

categorized  using  a  host  of NLP  (Natural 

Language Processing)  techniques we  also 

create  specific  pattern  recognitions  into 

the  algorithm  to  suit  objectives  of  the 

study. An  important point  to note  is  that 

themes you are  seeing  is basis overall FB 

page,  so  there  are  a  portion  of 

conversations  left uncategorized because 

they are too specific to the FB update they 

are  commented  on. Hence, we  also  look 

at  posts  with  highest  number  of 

engagement,  individually,  to  decipher 

themes.  This  improves  understanding 

given the refined context being added to.  

Taking  a  step  back,  in  pic  11,  there  are 

themes  related  to  political  organization, 

politicians etc. Each of these themes have 

several  sub  themes.  Subtheme  for 

politician theme is shown in fig 12 (yes camp shown). A look at both pages showed that this referendum is all about Alex 

Salmond. These sub themes help deep dive into top level themes and that’s where several nuts and bolts of an effective 

communication strategy lie.  

This  brings me  to  inter  themes.  A  lot  of  times,  people 

speak about different topics in relation to each other. We 

mine  for  such  to  find  inter‐relations  between  different 

themes  and understand  strength between  each. We  call 

such  inter‐themetic  map  which  is  shown  next  (fig  13). 

Shown  here  is  an  inter‐themetic  map  for  the  Issue‐

Currency created  for BT page. Here, whenever any other 

theme is spoken alongside currency, it gets linked to issue‐

currency and more the occurrence thicker and darker the 

link becomes. If you look at pic, there are obvious themes 

like  banking,  Bank  of  England  (Central  bank  of  UK)  but 

other  themes  like  SNP  ,  Alex  Samond,  debt,  EU 

membership  which  are  also  spoken  about.  Additionally 

though weak, there are also instances of 3 issues being spoken in conjunction. Such inter‐themetic maps help understand 

how  different  dimensions  of  a  brand  are  perceived  together  in  conjunction  to  each  other.  Diving  deeper,  one  can 

understand tones inside such inter‐connected themes. Sometimes, often minor aspects (sub‐themes) of a brand (or your 

product offering) tend to have a strong linkage with important aspects of your offering but are left unnoticed. Such maps 

help mine such linkages. 

  

This brings me to tones. I guess by now you have started flipping for pages left in this paper and to your delight let me tell 

that you are nearing the end of this torment. Talking about sentiments, I have never believed that sentiments coded as 

+1/‐1 help understand conversations meaningfully [3]. Additionally by converting sentiments to +1/‐1 we are  in a sense 

throwing away a lot richer insight offered by our fans.  

With  this  intention,  I  tried  to  create what  I  call  tones.  Basically  tonal 

mappings  try  to map  different  aspects  of  your  brand  personality  (or 

objectives  of  interest) with  different  shades  of  sentiments  expressed. 

Tonal maps  are  a more qualitatively  richer  approach  of  understanding 

sentiments otherwise shown as mere +1/‐1. Though  it does  loose some 

information  but  its  choice  one  makes  between  reading  thousand 

conversations or one simple graph. Depending on objective of study we 

create such maps. Here, we focused on Issues & personalities and mined 

for related shades of positive, negative and contextual  tones. Shown  in 

pic 14  is the entire tonal map of a Yes camp. Given the vast amount of 

information  shown  in  one  picture  these maps  often  become  too  big. 

Hence I have created a toned down version of a similar tonal map for BT 

page and showed it in pic 15.  

Here blue  and  light blue  colored  circle  represent  issues  and person  respectively while  red,  green  and  grey  represent 

positive,  negative  and  contextual  tones  respectively.  Thicker  the  line  and  darker  greyish  more  powerful  is  that 

issue/person associated with that shade of tone. So currency union is called excellent, right thing to do and is of interest 

while has a contextual tone of not  independent (said  in relation with Bank of England). Alex Salmond  is associated with 

dishonesty. Such tonal maps give a quick snapshot of different tones being linked with different issues giving a richer feel 

of opinion around different aspects of brand, mined in accordance to objective of study.  

 

 

And that’s it folks. Following were few 

of my  thoughts on how FB pages can 

be analyzed. Feel free to correct me if 

you think I am wrong or advise me to 

improve or if in case you would like to 

send me a  LIKE  for  this work, do not 

hesitate.  I have often  said  that Social 

Media analytics specifically  in context 

of  marketing  research  is  new  and 

hence  more  the  conversations 

happen,  more  the  experiments  we 

undertake  and  more  we  experience 

failures  we  have  a  real  chance  of 

succeeding  in  this  subject. With  this 

it’s time to stop wasting time reading 

my  paper  and  start  doing  something 

useful.   

REFERENCES:  

[1] http://en.wikipedia.org/wiki/Graph_theory [2] http://www.wired.com/insights/2014/03/graph‐theory‐key‐understanding‐big‐data/ [3] http://www.kdnuggets.com/2014/02/social‐media‐analysis‐what‐is‐missing.html [4] http://www.tns‐bmrb.co.uk/uploads/files/scotland‐september‐18‐poll‐data‐tables_1392031949.pdf  

About me (Preriit Souda):  

This  is  one  the most  difficult  question  I  get  asked  and  having  been  asked  so many  times,  I  have  prepared  a  short 

paragraph which  is  copy  pasted  below.  I  am  easily  accessible  at my  email  id‐  Preriit.souda@tnsglobal.com  or  at my 

landline number‐ +44 (0) 20 7656 5846. I could have given my cell phone but I am not sure how good you are in finding 

out  difference  between  your  time  zone  and  British  time.  Any  ways,  you  can  also  contact  me  at 

http://www.linkedin.com/in/preritsouda or @preriit2131.  

 

Preriit Souda works closely with clients and researchers in TNS (London), analyzing social media data, passively collected 

and    survey  data  to  answer  key  research  questions.  Preriit  has  a  background  in  engineering  (SPU  &  UCLA)  and 

Management  Sciences  and was  a  Research  Assistant  at  SMU,  Dallas.  Preriit won  ESOMAR  Young  Researcher  of  year 

(2011), was nominated as one of the New Faces of Engineering 2012 (IEEE USA) and won the Best Analytics paper award 

at the MRSI‐Annual Conference 2012. His most recent research was published in the CASRO 2014 journal. He has spoken 

at  ESOMAR,  MRSI  (India),  IIEX  North  America  ,  IIEX  Europe,  WARC,  MRMW,  ASC  etc.  Preriit  blogs  at  ESOMAR  & 

KDNuggets.