Sources des statistiques de social listening

Seules les statistiques de social listening portant sur l'erreur de mesure plutôt que sur la taille du marché résistent à une vérification des sources, et elles viennent de conférences d'informatique avec relecture par les pairs et du Pew Research Center, pas de blogs de fournisseurs. Chaque chiffre ci-dessous porte l'éditeur, l'année et l'échantillon, car un chiffre à qui il manque l'un des trois ne peut pas être vérifié par la personne qui le lit. Les chiffres de taille de marché et de ROI qui dominent les résultats de recherche sur ce terme sont absents pour une raison : RedReplier n'a pas pu ouvrir de page de méthodologie pour un seul d'entre eux.

Statistique	Éditeur	Année	Échantillon et méthode
La Streaming API de Twitter renvoyait 43,5 pour cent du volume du Firehose un jour moyen	Morstatter, Pfeffer, Liu et Carley, ICWSM (peer reviewed)	2013	528 592 tweets échantillonnés contre 1 280 344 tweets du Firehose, 14 décembre 2011 au 10 janvier 2012
Le flux échantillonné classait mal les principaux hashtags, dans certains cas en corrélation inverse avec le flux complet	Le même article	2013	Corrélation de rangs de Kendall sur cinq jours, contre 100 tirages aléatoires de taille égale
9 à 15 pour cent des comptes Twitter actifs sont des bots	Varol, Ferrara, Davis, Menczer et Flammini, ICWSM (peer reviewed)	2017	Classificateur sur 1 000+ caractéristiques publiques de compte, entraîné sur un jeu de bots public plus un ensemble de comptes actifs annoté à la main
Les 10 pour cent d'utilisateurs adultes de Twitter aux États-Unis les plus actifs produisaient 80 pour cent de tous les tweets d'utilisateurs américains	Pew Research Center	2019	2 791 utilisateurs adultes américains de Twitter ayant donné leur handle, filtrés parmi 4 829 répondants, réponses d'enquête reliées aux données réelles du compte
Le meilleur système sur le sentiment des tweets en anglais obtenait 0,681 de rappel moyen, contre 0,333 pour un classificateur à une seule classe	Rosenthal, Farra et Nakov, SemEval 2017 Task 4	2017	38 équipes, jeu de test de 12 284 tweets, étiquettes issues d'au moins cinq annotateurs chacune
Le meilleur système sur la même tâche en arabe obtenait 0,583 de rappel moyen	Le même article	2017	Jeu de test arabe de 6 100 tweets
24 méthodes d'analyse de sentiment n'ont donné aucun gagnant unique sur 18 jeux de données étiquetés	Ribeiro, Araujo, Goncalves, Benevenuto et Goncalves, EPJ Data Science	2016	Benchmark de 24 méthodes publiées exécutées sur 18 jeux de données étiquetés par des humains
26 pour cent des adultes américains utilisent Reddit, 20 pour cent utilisent X, 71 pour cent utilisent Facebook	Pew Research Center, Americans' Social Media Use 2025	2025	5 022 adultes américains, échantillonnage par adresse, terrain du 5 février au 18 juin 2025

Quelle part de la conversation d'une plateforme un outil de listening voit-il ?

Aucun outil de listening ne la voit en entier, et la seule mesure publiée de cet écart plaçait un flux Twitter échantillonné à 43,5 pour cent du volume complet du Firehose un jour moyen. Morstatter, Pfeffer, Liu et Carley ont collecté 528 592 tweets depuis la Streaming API et 1 280 344 depuis le Firehose sur le même filtre entre le 14 décembre 2011 et le 10 janvier 2012. Leur constat le plus tranchant portait sur la forme de l'écart : la couverture chutait quand le volume réel montait en flèche, l'échantillon s'amincissait donc exactement au moment où un sujet devenait actif.

Cet article date de 2013 et décrit une API qui n'existe plus sous cette forme, traitez donc les 43,5 pour cent comme une démonstration et non comme une constante actuelle. Demandez à chaque fournisseur quelle part des publications publiques d'une plateforme son pipeline récupère et sur quelle fenêtre, et si la réponse n'est pas un nombre, vous regardez une part de voix calculée sur un dénominateur inconnu. Les limites d'accès actuelles se trouvent dans Twitter API pricing et le versant archives dans Pushshift.

Quelle est la précision de l'analyse de sentiment automatisée ?

Le meilleur classificateur de sentiment du plus grand benchmark public de cette tâche a obtenu 0,681 de rappel moyen sur des tweets en anglais, là où un classificateur qui étiquette tout de la même façon obtient 0,333. Rosenthal, Farra et Nakov ont mené cette évaluation sous le nom de SemEval-2017 Task 4, avec 38 équipes en compétition sur un jeu de test anglais de 12 284 tweets dont les étiquettes venaient d'au moins cinq annotateurs chacune, retenues quand trois des cinq étaient d'accord. La même tâche en arabe a plafonné à 0,583, un tableau de bord qui rapporte un seul chiffre de sentiment sur plusieurs langues fait donc la moyenne de deux niveaux de précision différents.

Ribeiro et ses collègues ont posé le constat complémentaire dans EPJ Data Science en 2016 en exécutant 24 méthodes de sentiment publiées sur 18 jeux de données étiquetés par des humains et en ne trouvant aucune méthode gagnante sur toute la ligne, deux fournisseurs peuvent donc rapporter des répartitions différentes sur les mêmes mentions et être honnêtes tous les deux. Lisez analyse de sentiment pour le fonctionnement des classificateurs, et traitez tout pourcentage de sentiment comme une mesure assortie d'une barre d'erreur.

Qui écrit vraiment les mentions que vous comptez ?

Une petite minorité écrit la plupart des publications. Le Pew Research Center a relié les réponses d'enquête aux données réelles de compte pour 2 791 utilisateurs adultes américains de Twitter en avril 2019 et a constaté que les 10 pour cent les plus actifs produisaient 80 pour cent de tous les tweets d'utilisateurs américains, l'utilisateur médian publiant 2 publications par mois contre 138 publications par mois pour ce décile de tête. La même étude a trouvé ces utilisateurs plus jeunes, plus riches et plus diplômés que les adultes américains dans leur ensemble : âge médian 40 contre 47, 42 pour cent titulaires d'une licence contre 31 pour cent, 41 pour cent au-dessus de 75 000 dollars de revenu du foyer contre 32 pour cent.

Ce biais explique pourquoi un décompte de mentions n'est pas une mesure de l'opinion publique. La fiche du Pew sur l'usage des réseaux sociaux en 2025, fondée sur 5 022 adultes américains interrogés entre le 5 février et le 18 juin 2025, place 26 pour cent des adultes américains sur Reddit et 20 pour cent sur X, chaque plateforme est donc un échantillon d'un échantillon. Le détail par plateforme se trouve dans statistiques Reddit, statistiques Bluesky et statistiques Hacker News.

Qui sont vraiment les 10% les plus actifs

10% les plus actifs des utilisateurs adultes de Twitter aux États-Unis

138 tweets par mois
Produisent 80% de tous les tweets des utilisateurs américains
Âge médian de 40 ans
42% titulaires d'une licence
41% avec un revenu du foyer supérieur à 75 000 dollars

Utilisateur médian de Twitter aux États-Unis

2 tweets par mois
Produisent les 20% restants des tweets
Âge médian de 47 ans
31% titulaires d'une licence
32% avec un revenu du foyer supérieur à 75 000 dollars

Pew Research Center, 2019 : 2 791 utilisateurs adultes de Twitter aux États-Unis dont les réponses au sondage ont été reliées à des données de compte réelles.

Combien de vos mentions ne sont pas des personnes ?

Entre 9 et 15 pour cent des comptes Twitter actifs étaient des bots, selon Varol, Ferrara, Davis, Menczer et Flammini à ICWSM en 2017, avec un classificateur construit sur plus de 1 000 caractéristiques publiques de compte et validé contre un ensemble de comptes réels annoté à la main. C'est une estimation vieille de huit ans pour une seule plateforme et aucun chiffre équivalent avec relecture par les pairs n'existe pour Reddit, Bluesky, Facebook ou Hacker News, ne transportez donc pas ce nombre d'une plateforme à l'autre.

Utilisez-le comme plancher pour décider quelle part d'un pic de mentions mérite une inspection avant d'arriver dans un rapport. La publication coordonnée conçue pour paraître organique est traitée dans astroturfing, et le regroupement des textes répétés avant comptage dans détection de quasi-doublons.

Comment poser une barre d'erreur sur vos propres chiffres ?

Calculez la marge d'erreur sur votre propre échantillon étiqueté au lieu d'emprunter un benchmark du secteur. Pour une proportion à 95 pour cent de confiance :

MOE = 1,96 x sqrt(p x (1 - p) / n)

Prenez 400 mentions que vous avez étiquetées à la main, dont 30 pour cent étaient négatives. Alors p vaut 0,30 et n vaut 400, donc p x (1 - p) vaut 0,21, divisé par 400 donne 0,000525, dont la racine carrée est 0,0229, multipliée par 1,96 donne 0,045. Vos 30 pour cent de négatif vont de 25,5 pour cent à 34,5 pour cent, un mouvement d'un mois sur l'autre de 30 pour cent à 33 pour cent tient donc dans la bande et n'est pas un changement. L'erreur du classificateur s'empile par-dessus, et c'est pourquoi le chiffre SemEval ci-dessus compte avant que vous ne briefiez qui que ce soit sur une tendance de sentiment.

La catégorie est dominée par des chiffres dont l'éditeur d'origine reste introuvable. Ouvrez une grande compilation et comptez les entrées : sur la page de statistiques des réseaux sociaux de Sprout Social, consultée en septembre 2026, certains chiffres nomment un éditeur et une année tandis que d'autres énoncent un pourcentage sans éditeur, sans année et sans échantillon rattaché. Les compilations se citent ensuite les unes les autres, et après deux ou trois sauts la piste s'arrête sur une page qui affirme le chiffre sans avoir rien mesuré.

RedReplier

–

Repérez chaque acheteur qui cherche ce que vous vendez

Commencer

Reddit, X, Bluesky et HN

Alertes d'intention en temps réel

Réponses IA illimitées

Classé par intention d'achat

Les chiffres de taille de marché et de ROI sont le pire cas, car la méthodologie derrière eux se trouve dans un rapport payant, et un chiffre dont vous ne pouvez pas ouvrir la méthode est un chiffre que vous ne pouvez pas défendre en réunion. Les évaluations d'analystes sur les fournisseurs publient bien leurs critères, et c'est pourquoi le Forrester Wave sur le social listening est un autre type de document qu'une compilation de statistiques.

La recherche de fournisseur n'est pas disqualifiée d'office. L'Index edition XX de Sprout Social énonce sa méthode clairement : 4 044 consommateurs, 900 praticiens des réseaux sociaux et 322 responsables marketing aux États-Unis, au Royaume-Uni, au Canada et en Australie, terrain mené par Glimpse entre le 13 et le 27 septembre 2024. Cette divulgation rend les chiffres citables, tant que vous dites qui les a payés.

Trouvez l'organisation qui a publié le chiffre en premier, ouvrez cette page plutôt que l'article qui la cite, et notez l'échantillon, la méthode et la fenêtre. S'il manque l'un des trois dans l'original, le chiffre n'est pas utilisable dans un document sur lequel quelqu'un va agir, et si la page d'origine ne l'énonce plus, arrêtez de le répéter.

Mesurez ensuite votre propre position au lieu d'argumenter à partir d'un agrégat sectoriel, puisque votre volume de mentions, votre répartition de sentiment et vos délais de réponse se comptent directement. RedReplier surveille Reddit, X, Bluesky, Facebook et Hacker News au même endroit et classe les mentions par intention d'achat, avec une explication IA de la raison pour laquelle chacune a été signalée. Voyez la présentation de l'outil de social listening, analyse de sentiment sur les réseaux sociaux pour le versant scoring, et ce qu'est le social listening pour la définition en dessous.

Questions fréquentes

Le constat du Pew Research Center en 2019 selon lequel les 10 pour cent d'utilisateurs adultes américains de Twitter les plus actifs produisaient 80 pour cent de tous les tweets d'utilisateurs américains. Il repose sur 2 791 utilisateurs ayant donné leur handle, les réponses d'enquête ont donc été reliées à un comportement de publication réel plutôt qu'à une activité déclarée. Citez-le comme une mesure de 2019 sur les utilisateurs adultes américains de Twitter et rien de plus large.

Le meilleur système de SemEval-2017 Task 4 a atteint 0,681 de rappel moyen sur les tweets en anglais, contre 0,333 pour un classificateur qui affecte chaque message à une seule classe. C'était une compétition ouverte avec 38 équipes sur un jeu de test de 12 284 tweets, c'est donc un résultat fort et non une base commerciale. Ribeiro et ses collègues ont trouvé dans EPJ Data Science en 2016 qu'aucune méthode parmi les 24 testées ne gagnait de façon constante sur 18 jeux de données.

Quel pourcentage des comptes de réseaux sociaux sont des bots ?

Varol et ses collègues ont estimé 9 à 15 pour cent des comptes Twitter actifs dans un article ICWSM avec relecture par les pairs en 2017, avec un classificateur sur plus de 1 000 caractéristiques publiques de compte. Aucune estimation comparable avec relecture par les pairs n'existe pour Reddit, Bluesky, Facebook ou Hacker News, un pourcentage de bots cité pour ces plateformes sans étude nommée derrière est donc une affirmation.

Ils récupèrent des sous-ensembles différents des mêmes plateformes et classent le sentiment avec des modèles différents. Morstatter et ses collègues ont montré en 2013 qu'un flux Twitter échantillonné couvrait 43,5 pour cent du volume complet un jour moyen et classait mal les principaux hashtags à cette couverture. Demandez à chaque fournisseur quelle part des publications publiques il récupère, sur quelle fenêtre, et quel modèle de sentiment il fait tourner.

RedReplier n'a pas pu en vérifier un. Les rapports de dimensionnement de marché qui se positionnent sur cette requête placent leur méthodologie dans un document payant, l'estimation ne peut donc pas être vérifiée par la personne qui la cite. Utilisez les tarifs des fournisseurs et vos propres décomptes de mots-clés suivis pour un argument budgétaire plutôt qu'un total sectoriel que personne ne peut auditer.

Seulement quand le fournisseur publie la taille de l'échantillon, l'audience et les dates de terrain à côté du chiffre, et seulement si vous indiquez dans votre propre document que le fournisseur a payé la recherche. L'Index edition XX de Sprout Social atteint ce seuil : 4 044 consommateurs, 900 praticiens et 322 responsables marketing dans quatre pays, terrain du 13 au 27 septembre 2024 par Glimpse. Un billet de blog de fournisseur qui affirme un pourcentage sans échantillon, non.

Peut-on faire confiance à un flux Twitter échantillonné pour classer les hashtags tendance ?

Pas au niveau de couverture mesuré par Morstatter et ses collègues en 2013. Leur étude a montré que le flux échantillonné classait mal les hashtags les plus utilisés, corrélant parfois en sens inverse avec le Firehose complet, d'après la corrélation de rang de Kendall calculée sur cinq jours face à 100 tirages aléatoires de même taille. Un tableau de bord construit sur un flux échantillonné peut afficher un hashtag principal différent de l'activité réelle de la plateforme ce jour-là.

Appliquez la formule MOE = 1,96 x sqrt(p x (1 - p) / n) à votre propre échantillon annoté à la main, pas à un benchmark du secteur. Pour 400 mentions annotées à la main dont 30% négatives, p vaut 0,30 et n vaut 400, ce qui donne une marge d'erreur de 4,5 points, si bien que le vrai taux négatif se situe entre 25,5% et 34,5%. Une évolution de 30% à 33% d'un mois sur l'autre reste dans cette fourchette et n'est pas un vrai changement.

Cela dépend de la partie de Sprout Social que vous citez. La page de statistiques générale, consultée par RedReplier en septembre 2026, mélange des chiffres avec éditeur et année et d'autres qui ne donnent qu'un pourcentage sans rien d'autre. Le rapport Index édition XX de Sprout Social est différent : il précise son échantillon de 4 044 consommateurs, 900 praticiens du social et 322 responsables marketing, recueilli par Glimpse entre le 13 et le 27 septembre 2024, ce qui le rend citable tant que vous précisez que le fournisseur l'a financé.

Demandez quelle part des publications publiques d'une plateforme son système récupère réellement, et sur quelle fenêtre temporelle. S'il ne peut pas répondre par un chiffre, toute mesure de share of voice qu'il rapporte est calculée sur un dénominateur que personne ne peut vérifier. La mesure de Morstatter et ses collègues en 2013, un flux Twitter échantillonné couvrant 43,5% du volume du Firehose un jour moyen, reste le seul exemple publié de l'ampleur possible de cet écart.