Engagement data
Dominik Meergans
2025-07-09
Daten einlesen
et <- read.csv("Engagement_Tracker2.csv") # working directory ist der gleiche OrdnerStrukturübersicht
head(et) # Blöcke: 1 = Vormittag (8-11), 2= Mittag (12-14), 3 = Nachmittag (15-17), 4 = Abend (18-20)## Reel Weekday Block Upload.Time IG.views.1h
## 1 Rechnen ohne Taschenrechner Tuesday 1 9:30:00 2043
## 2 Duzen oder Siezen Thursday 2 12:10:00 1389
## 3 Flipped Conferences Friday 3 16:20:00 940
## 4 Ich mag Mathe, weil... Saturday 4 18:30:00 1138
## 5 Wie lernt man Fahrradfahren? Monday 1 9:30:00 775
## 6 Mach besser kurze Videos Tuesday 1 8:30:00 606
## IG.views.3h IG.likes.1h IG.likes.3h IG.comments.1h IG.comments.3h TT.views.1h
## 1 3236 50 106 5 8 692
## 2 2917 51 125 2 9 1098
## 3 1290 10 12 0 0 454
## 4 1937 36 55 8 10 437
## 5 1799 13 33 1 3 296
## 6 1033 9 10 0 0 242
## TT.views.3h TT.likes.1h TT.likes.3h TT.comments.1h TT.comments.3h YT.views.1h
## 1 1308 27 43 1 2 319
## 2 4330 56 156 3 19 814
## 3 699 10 18 0 0 438
## 4 715 17 30 0 3 358
## 5 798 6 16 1 3 496
## 6 720 4 9 0 0 446
## YT.views.3h YT.likes.1h YT.likes.3h YT.comments.1h YT.comments.3h
## 1 1249 13 49 0 0
## 2 1231 15 23 3 5
## 3 702 3 8 0 0
## 4 688 16 27 2 2
## 5 948 7 24 1 1
## 6 750 12 18 0 2sapply(et, class) # Datentypen überprüfen## Reel Weekday Block Upload.Time IG.views.1h
## "character" "character" "integer" "character" "integer"
## IG.views.3h IG.likes.1h IG.likes.3h IG.comments.1h IG.comments.3h
## "integer" "integer" "integer" "integer" "integer"
## TT.views.1h TT.views.3h TT.likes.1h TT.likes.3h TT.comments.1h
## "integer" "integer" "integer" "integer" "integer"
## TT.comments.3h YT.views.1h YT.views.3h YT.likes.1h YT.likes.3h
## "integer" "integer" "integer" "integer" "integer"
## YT.comments.1h YT.comments.3h
## "integer" "integer"Daten bereinigen
et$Block <- as.factor(et$Block) # Uhrzeitblock von int zu factor
sapply(et, class) # Überprüfen## Reel Weekday Block Upload.Time IG.views.1h
## "character" "character" "factor" "character" "integer"
## IG.views.3h IG.likes.1h IG.likes.3h IG.comments.1h IG.comments.3h
## "integer" "integer" "integer" "integer" "integer"
## TT.views.1h TT.views.3h TT.likes.1h TT.likes.3h TT.comments.1h
## "integer" "integer" "integer" "integer" "integer"
## TT.comments.3h YT.views.1h YT.views.3h YT.likes.1h YT.likes.3h
## "integer" "integer" "integer" "integer" "integer"
## YT.comments.1h YT.comments.3h
## "integer" "integer"Deskriptive Statistik
Ermittlung des Mittelwerts, Medians, min und max für die Variablen views, likes und comments für jede der drei Plattformen
# Mittelwerte für Instagram
print(
paste(
mean(et$IG.views.3h, na.rm = TRUE),
mean(et$IG.likes.3h, na.rm = TRUE),
mean(et$IG.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "1739.13043478261 - 49.7826086956522 - 3.04347826086957"# Mediane für Instagram
print(
paste(
median(et$IG.views.3h, na.rm = TRUE),
median(et$IG.likes.3h, na.rm = TRUE),
median(et$IG.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "1723 - 48 - 2"# min und max für Instagram
print(
paste(
min(et$IG.views.3h, na.rm = TRUE),
max(et$IG.views.3h, na.rm = TRUE),
min(et$IG.likes.3h, na.rm = TRUE),
max(et$IG.likes.3h, na.rm = TRUE),
min(et$IG.comments.3h, na.rm = TRUE),
max(et$IG.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "824 - 3236 - 10 - 125 - 0 - 10"Die deskriptiven Statistiken für views, likes und comments auf Instagram nach 3 Stunden: VIEWS: m = 1739, median = 1723, min = 824, max = 3236 LIKES: m = 50, median = 48, min = 10, max = 125 COMMENTS: m = 3, median = 2, min = 0, max = 10
# Mittelwerte für TikTok
print(
paste(
mean(et$TT.views.3h, na.rm = TRUE),
mean(et$TT.likes.3h, na.rm = TRUE),
mean(et$TT.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "953.739130434783 - 35.6521739130435 - 2.56521739130435"# Mediane für TikTok
print(
paste(
median(et$TT.views.3h, na.rm = TRUE),
median(et$TT.likes.3h, na.rm = TRUE),
median(et$TT.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "720 - 30 - 2"# min und max für TikTok
print(
paste(
min(et$TT.views.3h, na.rm = TRUE),
max(et$TT.views.3h, na.rm = TRUE),
min(et$TT.likes.3h, na.rm = TRUE),
max(et$TT.likes.3h, na.rm = TRUE),
min(et$TT.comments.3h, na.rm = TRUE),
max(et$TT.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "12 - 4330 - 1 - 156 - 0 - 19"Die deskriptiven Statistiken für views, likes und comments auf TikTok nach 3 Stunden: VIEWS: m = 954, median = 720, min = 12, max = 4330 LIKES: m = 36, median = 30, min = 1, max = 156 COMMENTS: m = 3, median = 2, min = 0, max = 19
# Mittelwerte für YouTube
print(
paste(
mean(et$YT.views.3h, na.rm = TRUE),
mean(et$YT.likes.3h, na.rm = TRUE),
mean(et$YT.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "1041.17391304348 - 29.3913043478261 - 2.21739130434783"# Mediane für YouTube
print(
paste(
median(et$YT.views.3h, na.rm = TRUE),
median(et$YT.likes.3h, na.rm = TRUE),
median(et$YT.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "1028 - 25 - 2"# min und max für YouTube
print(
paste(
min(et$YT.views.3h, na.rm = TRUE),
max(et$YT.views.3h, na.rm = TRUE),
min(et$YT.likes.3h, na.rm = TRUE),
max(et$YT.likes.3h, na.rm = TRUE),
min(et$YT.comments.3h, na.rm = TRUE),
max(et$YT.comments.3h, na.rm = TRUE),
sep = " - "
)
)## [1] "431 - 1893 - 8 - 67 - 0 - 12"Die deskriptiven Statistiken für views, likes und comments auf YouTube nach 3 Stunden: VIEWS: m = 1041, median = 1028, min = 431, max = 1893 LIKES: m = 29, median = 25, min = 8, max = 67 COMMENTS: m = 2, median = 2, min = 0, max = 12
Man erkennt: TikTok bietet sowohl die Plattform mit dem meistmöglichen Engagement (views, likes und comments) als auch die Plattform mit den geringsten Werten. Die min-Werte sind wahrscheinlich auf einen shadowban des Posts zurückzuführen.
Visualisierung der Daten
# Histogramm für die Views, beispielhaft
hist(et$IG.views.3h, breaks=10, col="blue", main="Anzahl der Instagram-Views", xlab="IG Views nach 3h", ylab="Anzahl")
Streudiagramme
Um Korrelationen zwischen Zeitblock und den Variablen views, likes und comments zu erkennen
# Streudiagramme für Instagram
plot(et$IG.views.3h, et$Block, col="green", pch=16, main="Streudiagramm zwischen dem Zeitblock und den Instagram Views nach 3h", xlab="Instagram Views", ylab="Zeitblock")
Anmerkung: Ich habe alle Streudiagramme für die Variablen views, likes und comments für jeweils Instagram, TikTok und YouTube erstellt und nirgends ein Muster in der Streuung erkennen können. Um das Dokument nicht unnötig in die Länge zu strecken, werden daher keine weiteren Streudiagramme integriert.
Einfaktorielle ANOVA
Fragestellung: Hat der Wochentag einen Einfluss auf die Likes auf den verschiedenen Plattformen?
Einfluss des Wochentags auf die Instagram views
# Weekday als kategorialen Faktor
et$Weekday <- factor(et$Weekday)
# ANOVAs für Instagram
anova_ig3 <- aov(IG.views.3h ~ Weekday, data = et)
# ANOVA Instagram Ergebnisse
summary(anova_ig3)## Df Sum Sq Mean Sq F value Pr(>F)
## Weekday 6 1701043 283507 0.531 0.777
## Residuals 16 8535804 533488
## 4 observations deleted due to missingnessInterpretation Der Wochentag hat keinen Einfluss auf die views auf Instagram, da der p-Wert für 3h nach Post NICHT signifikant ist (p=0.78)
Einfluss des Wochentags auf die TikTok views
# Weekday als kategorialen Faktor
et$Weekday <- factor(et$Weekday)
# ANOVAs für TikTok
anova_tt3 <- aov(TT.views.3h ~ Weekday, data = et)
# ANOVA TikTok Ergebnisse
summary(anova_tt3)## Df Sum Sq Mean Sq F value Pr(>F)
## Weekday 6 1932841 322140 0.373 0.886
## Residuals 16 13818330 863646
## 4 observations deleted due to missingnessInterpretation Der Wochentag hat keinen Einfluss auf die views auf TikTok, da der p-Wert für 3h nach Post NICHT signifikant sind (p=0.89)
Einfluss des Wochentags auf die YouTube views
# Weekday als kategorialen Faktor
et$Weekday <- factor(et$Weekday)
# ANOVAs für TikTok
anova_yt3 <- aov(YT.views.3h ~ Weekday, data = et)
# ANOVA TikTok Ergebnisse
summary(anova_yt3)## Df Sum Sq Mean Sq F value Pr(>F)
## Weekday 6 999954 166659 1.194 0.358
## Residuals 16 2232527 139533
## 4 observations deleted due to missingnessInterpretation Der Wochentag hat keinen Einfluss auf die views auf YouTube, da der p-Wert für 3h nach Post NICHT signifikant ist (p=0.36)
Zweifaktorielle ANOVA
Fragestellung: Haben Wochentag und Uhrzeit und die Interaktion der beiden Werte einen Einfluss auf die views?
Einfluss der Kombination aus Wochentag und Uhrzeit auf Instagram views
# Weekday und Block als factor
et$Weekday <- factor(et$Weekday)
et$Block <- factor(et$Block)
# Zweifaktorielle ANOVA mit Interaktion
anova_ig_daytime <- aov(IG.views.3h ~ Weekday * Block, data = et)
# Zweifaktorielle ANOVA Ergebnisse
summary(anova_ig_daytime)## Df Sum Sq Mean Sq F value Pr(>F)
## Weekday 6 1701043 283507 0.313 0.895
## Block 3 170323 56774 0.063 0.976
## Weekday:Block 10 5645795 564580 0.623 0.751
## Residuals 3 2719685 906562
## 4 observations deleted due to missingnessInterpretation Es gibt keinen zusammenhang zwischen dem Wochentag, der Uhrzeit und den Instagram views, da die p-Werte nicht signifikant sind (p(Weekday)=.9, p(Block)=.98, p(Interaktion)=.75)
Einfluss der Kombination aus Wochentag und Uhrzeit auf TikTok views
# Weekday und Block als factor
et$Weekday <- factor(et$Weekday)
et$Block <- factor(et$Block)
# Zweifaktorielle ANOVA mit Interaktion
anova_tt_daytime <- aov(TT.views.3h ~ Weekday * Block, data = et)
# Zweifaktorielle ANOVA Ergebnisse
summary(anova_tt_daytime)## Df Sum Sq Mean Sq F value Pr(>F)
## Weekday 6 1932841 322140 2.906 0.2050
## Block 3 1768872 589624 5.319 0.1016
## Weekday:Block 10 11716897 1171690 10.570 0.0387 *
## Residuals 3 332561 110854
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 4 observations deleted due to missingnessInterpretation Es gibt keinen zusammenhang zwischen dem Wochentag, der Uhrzeit und den views, da die p-Werte nicht signifikant sind (p(Weekday)=.21, p(Block)=.1. Die Interaktion des Wochentags und der Tageszeit hat allerdings einen schwachen signifikanten Wert (p(Interaktion)<.05). Das bedeutet, dass es Kombinationen aus Wochentag und Tageszeit gibt, die besser für die views auf TikTok sind, als andere
Einfluss der Kombination aus Wochentag und Uhrzeit auf YouTube views
# Weekday und Block als factor
et$Weekday <- factor(et$Weekday)
et$Block <- factor(et$Block)
# Zweifaktorielle ANOVA mit Interaktion
anova_yt_daytime <- aov(YT.views.3h ~ Weekday * Block, data = et)
# Zweifaktorielle ANOVA Ergebnisse
summary(anova_yt_daytime)## Df Sum Sq Mean Sq F value Pr(>F)
## Weekday 6 999954 166659 1.479 0.402
## Block 3 276514 92171 0.818 0.564
## Weekday:Block 10 1617862 161786 1.435 0.425
## Residuals 3 338151 112717
## 4 observations deleted due to missingnessInterpretation Es gibt keinen zusammenhang zwischen dem Wochentag, der Uhrzeit und den views, da die p-Werte nicht signifikant sind (p(Weekday)=.4, p(Block)=.57, p(Interaktion)=.43.
Visualisierung der ANOVA Wochentag * Block auf TikTok views (anova_tt_daytime)
Interaktionsplot für die graphische Darstellung der Interaktion aus Wochentag und Tageszeit auf die TikTok views
interaction.plot(et$Block, et$Weekday, et$TT.views.3h,
xlab = "Tageszeit (Block)",
ylab = "TikTok Views (nach 3h)",
trace.label = "Wochentag",
col = rainbow(7), lwd = 2)
Interpretation: Der Interaktionsplot zeigt, dass ein Video, dass am Dienstag um die Mittagszeit gepostet wurde, sehr gut lief. Leider ist diese Interpretation mit Vorsicht zu genießen, da der Datensatz viel zu klein und lückenhaft ist, um diese Informationen mit Sicherheit annehmen zu können.
Erweiteren Datensatz importieren
Dieser Datensatz beinhaltet eine weitere Variable, die Art des Contents. Diese enthält vier Werte: 1= Mindset, 2 = Hochschuldidaktik, 3 = Mathematik, 4 = Wissenschaftskommunikation / WissKomm
etplus <- read.csv2("Engagement_Tracker_Plus.csv") # csv2, damit die Trennzeichen richtig eingelesen werden könnenANOVA
Art des Contents ist nominalskaliert, social media Engagement (views, likes, comments) sind metrisch skaliert Im Folgenden werden mehrere ANOVAs für die jeweilige Engagement Variable auf den drei Plattformen Instagram, TikTok und YouTube durchgeführt
Art des Contents mit Instagram views
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova3.1 <- aov(IG.views.3h ~ Art.des.Contents, data = etplus)
summary(anova3.1)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 2202265 734088 1.736 0.194
## Residuals 19 8034582 422873NICHT signifikant (p=.19)
Art des Contents mit Instagram likes
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova3.2 <- aov(IG.likes.3h ~ Art.des.Contents, data = etplus)
summary(anova3.2)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 6211 2070 2.002 0.148
## Residuals 19 19649 1034NICHT signifikant (p=.15)
Art des Contents mit Instagram comments
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova3.3 <- aov(IG.comments.3h ~ Art.des.Contents, data = etplus)
summary(anova3.3)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 57.29 19.097 2.361 0.104
## Residuals 19 153.67 8.088NICHT signifikant (p=.1)
Art des Contents mit TikTok views
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova4.1 <- aov(TT.views.3h ~ Art.des.Contents, data = etplus)
summary(anova4.1)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 793183 264394 0.336 0.8
## Residuals 19 14957987 787262NICHT signifikant (p=.8)
Art des Contents mit TikTok likes
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova4.2 <- aov(TT.likes.3h ~ Art.des.Contents, data = etplus)
summary(anova4.2)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 1914 638 0.564 0.645
## Residuals 19 21479 1130NICHT signifikant (p=.65)
Art des Contents mit TikTok comments
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova4.3 <- aov(TT.comments.3h ~ Art.des.Contents, data = etplus)
summary(anova4.3)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 28.97 9.655 0.598 0.624
## Residuals 19 306.69 16.141NICHT signifikant (p=.62)
Art des Contents mit YouTube views
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova5.1 <- aov(YT.views.3h ~ Art.des.Contents, data = etplus)
summary(anova5.1)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 602100 200700 1.45 0.26
## Residuals 19 2630381 138441NICHT signifikant (p=.26)
Art des Contents mit YouTube likes
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova5.2 <- aov(YT.likes.3h ~ Art.des.Contents, data = etplus)
summary(anova5.2)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 3473 1157.5 7.443 0.00172 **
## Residuals 19 2955 155.5
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Signifikant (p<.05) Das bedeutet, dass nicht alle Content-Typen gleich viele Likes erhalten. Für weitere Informationen wird ein TukeyHSD Post-hoc-Test durchgeführt.
Art des Contents mit YouTube comments
etplus$Art.des.Contents <- as.factor(etplus$Art.des.Contents)
anova5.3 <- aov(YT.comments.3h ~ Art.des.Contents, data = etplus)
summary(anova5.3)## Df Sum Sq Mean Sq F value Pr(>F)
## Art.des.Contents 3 34.83 11.611 1.353 0.287
## Residuals 19 163.08 8.583NICHT Signifikant (p=.29)
Post-hoc Test: TukeyHSD
TukeyHSD für die YouTube likes nach 3h durchführen
TukeyHSD(anova5.2)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = YT.likes.3h ~ Art.des.Contents, data = etplus)
##
## $Art.des.Contents
## diff lwr upr p adj
## 2-1 -16.523810 -34.195280 1.147661 0.0718287
## 3-1 12.142857 -9.835757 34.121471 0.4271962
## 4-1 -23.857143 -48.054801 0.340515 0.0541376
## 3-2 28.666667 7.594781 49.738552 0.0057540
## 4-2 -7.333333 -30.710492 16.043825 0.8140748
## 4-3 -36.000000 -62.781899 -9.218101 0.0063634Interpretation: Die einzigen signifikanten Werte sind beim Vergleich zwischen 3-2 (Mathematik - Hochschuldidaktik) und zwischen 4-3 (Mathematik - WissKomm). Die diff-Werte weisen darauf hin, dass Mathematik mehr likes als Hochschuldidaktik bekommt und WissKomm weniger likes als Mathematik. der Zusammenhang zwischen 4-1(WissKomm - Mathematik) ist mit p=.054 fast signifikant, was darauf hinweist, dass WissKomm weniger Likes als Mindset bekommt
Visualisierung der YouTube likes
Boxplot mit der Art des Contents und den YouTube-likes nach 3h
boxplot(YT.likes.3h ~ Art.des.Contents, data = etplus,
main = "Likes nach Content-Art (3h nach Post)",
xlab = "Art des Contents",
ylab = "YouTube Likes (nach 3h)")
Interpretation: Der Boxplot zeigt, dass Mathematik (3) hinsichtlich der YouTube likes am besten abschneidet, gefolgt von Mindset (1) auf Platz 2. Hochschuldidaktik (2) ist auf Platz 3 und WissKomm (4) schneidet deutlich am schlechtesten ab. Ein Ausreißer bei Hochschuldidaktik (2) zeigt, dass Hochschuldidaktik das Potenzial für teilweise sogar größere Beliebtheit als Mindset-Videos hat.