Fontes das estatísticas de social listening

Somente as estatísticas de social listening sobre erro de medição, e não sobre tamanho de mercado, sobrevivem a uma checagem de fontes, e elas vêm de conferências de computação com revisão por pares e do Pew Research Center, não de blogs de fornecedores. Cada número abaixo carrega o editor, o ano e a amostra, porque um número a que falte qualquer um dos três não pode ser checado por quem o lê. Os números de tamanho de mercado e de ROI que dominam os resultados de busca para este termo estão ausentes por um motivo: a RedReplier não conseguiu abrir uma página de metodologia de nenhum deles.

Estatística	Editor	Ano	Amostra e método
A Streaming API do Twitter devolvia 43,5 por cento do volume do Firehose num dia médio	Morstatter, Pfeffer, Liu e Carley, ICWSM (peer reviewed)	2013	528.592 tweets amostrados contra 1.280.344 tweets do Firehose, 14 de dezembro de 2011 a 10 de janeiro de 2012
O stream amostrado ordenou mal as hashtags principais, em alguns casos com correlação inversa ao stream completo	O mesmo artigo	2013	Correlação de postos de Kendall ao longo de cinco dias, contra 100 sorteios aleatórios de tamanho igual
De 9 a 15 por cento das contas ativas do Twitter são bots	Varol, Ferrara, Davis, Menczer e Flammini, ICWSM (peer reviewed)	2017	Classificador sobre 1.000+ características públicas de conta, treinado num conjunto público de bots mais um conjunto de contas ativas anotado à mão
Os 10 por cento mais ativos dos usuários adultos do Twitter nos EUA produziram 80 por cento de todos os tweets de usuários norte-americanos	Pew Research Center	2019	2.791 usuários adultos do Twitter nos EUA que informaram seus handles, filtrados de 4.829 respondentes, respostas da pesquisa ligadas a dados reais da conta
O melhor sistema em sentiment de tweets em inglês marcou 0,681 de recall médio, contra 0,333 de um classificador de uma única classe	Rosenthal, Farra e Nakov, SemEval 2017 Task 4	2017	38 equipes, conjunto de teste de 12.284 tweets, rótulos de pelo menos cinco anotadores cada
O melhor sistema na mesma tarefa em árabe marcou 0,583 de recall médio	O mesmo artigo	2017	Conjunto de teste em árabe de 6.100 tweets
24 métodos de análise de sentiment não apontaram um vencedor único em 18 conjuntos de dados rotulados	Ribeiro, Araujo, Goncalves, Benevenuto e Goncalves, EPJ Data Science	2016	Benchmark de 24 métodos publicados rodados sobre 18 conjuntos de dados rotulados por humanos
26 por cento dos adultos dos EUA usam Reddit, 20 por cento usam X, 71 por cento usam Facebook	Pew Research Center, Americans' Social Media Use 2025	2025	5.022 adultos dos EUA, amostragem baseada em endereço, campo de 5 de fevereiro a 18 de junho de 2025

Quanto da conversa de uma plataforma uma ferramenta de listening enxerga?

Nenhuma ferramenta de listening enxerga tudo, e a única medição publicada dessa lacuna colocou um stream amostrado do Twitter em 43,5 por cento do volume total do Firehose num dia médio. Morstatter, Pfeffer, Liu e Carley coletaram 528.592 tweets da Streaming API e 1.280.344 do Firehose sobre o mesmo filtro entre 14 de dezembro de 2011 e 10 de janeiro de 2012. O achado mais afiado deles foi o formato da lacuna: a cobertura caía quando o volume real disparava, então a amostra afinava exatamente quando um assunto ficava movimentado.

Esse artigo é de 2013 e descreve uma API que já não existe nessa forma, então trate os 43,5 por cento como uma demonstração e não como uma constante atual. Pergunte a qualquer fornecedor que fatia das publicações públicas de uma plataforma o pipeline dele recupera e em que janela, e se a resposta não for um número, você está olhando para share of voice calculado sobre um denominador desconhecido. Os limites de acesso atuais estão em preços da API do Twitter e o lado do arquivo em Pushshift.

Qual é a precisão da análise de sentiment automatizada?

O melhor classificador de sentiment no maior benchmark público da tarefa marcou 0,681 de recall médio em tweets em inglês, onde um classificador que rotula tudo do mesmo jeito marca 0,333. Rosenthal, Farra e Nakov conduziram essa avaliação como SemEval-2017 Task 4, com 38 equipes competindo num conjunto de teste em inglês de 12.284 tweets cujos rótulos vieram de pelo menos cinco anotadores cada, aceitos quando três dos cinco concordavam. A mesma tarefa em árabe parou em 0,583, então um dashboard que reporta um único número de sentiment em vários idiomas está tirando a média de dois níveis de precisão diferentes.

Ribeiro e colegas fizeram o ponto complementar na EPJ Data Science em 2016 ao rodar 24 métodos de sentiment publicados sobre 18 conjuntos de dados rotulados por humanos e não encontrar nenhum método que vencesse em toda a linha, então dois fornecedores podem reportar divisões diferentes sobre as mesmas menções e os dois estarem sendo honestos. Leia análise de sentiment para entender como os classificadores funcionam, e trate qualquer porcentagem de sentiment como uma medição com uma barra de erro anexada.

Quem realmente escreve as menções que você conta?

Uma minoria pequena escreve a maior parte das publicações. O Pew Research Center ligou respostas de pesquisa a dados reais de conta para 2.791 usuários adultos do Twitter nos EUA em abril de 2019 e descobriu que os 10 por cento mais ativos produziram 80 por cento de todos os tweets de usuários norte-americanos, com o usuário mediano publicando 2 publicações por mês contra 138 publicações por mês desse decil de topo. O mesmo estudo encontrou esses usuários mais jovens, mais ricos e com mais estudo do que os adultos dos EUA em geral: idade mediana 40 contra 47, 42 por cento com diploma de graduação contra 31 por cento, 41 por cento acima de 75.000 dólares de renda domiciliar contra 32 por cento.

Esse viés é o motivo pelo qual uma contagem de menções não é uma medição de opinião pública. A ficha do Pew sobre uso de redes sociais em 2025, baseada em 5.022 adultos dos EUA pesquisados entre 5 de fevereiro e 18 de junho de 2025, coloca 26 por cento dos adultos norte-americanos no Reddit e 20 por cento no X, então cada plataforma é uma amostra de uma amostra. O detalhe por plataforma está em estatísticas do Reddit, estatísticas do Bluesky e estatísticas do Hacker News.

Quem realmente são os 10% mais ativos

10% mais ativos dos usuários adultos do Twitter nos EUA

138 tweets por mês
Produzem 80% de todos os tweets de usuários dos EUA
Idade mediana de 40 anos
42% com diploma universitário
41% com renda familiar acima de 75.000 dólares

Usuário mediano do Twitter nos EUA

2 tweets por mês
Produzem os 20% restantes dos tweets
Idade mediana de 47 anos
31% com diploma universitário
32% com renda familiar acima de 75.000 dólares

Pew Research Center, 2019: 2.791 usuários adultos do Twitter nos EUA cujas respostas de pesquisa foram vinculadas a dados reais de conta.

Quantas das suas menções não são pessoas?

Entre 9 e 15 por cento das contas ativas do Twitter eram bots, segundo Varol, Ferrara, Davis, Menczer e Flammini na ICWSM em 2017, usando um classificador construído sobre mais de 1.000 características públicas de conta e validado contra um conjunto de contas reais anotado à mão. Essa é uma estimativa de oito anos atrás para uma plataforma só e não existe número equivalente com revisão por pares para Reddit, Bluesky, Facebook ou Hacker News, então não carregue o número de uma plataforma para outra.

Use-o como piso para quanto de um pico de menções merece inspeção antes de chegar a um relatório. Publicação coordenada feita para parecer orgânica está coberta em astroturfing, e o agrupamento de texto repetido antes da contagem em detecção de quase duplicatas.

Como colocar uma barra de erro nos seus próprios números?

Calcule a margem de erro na sua própria amostra rotulada em vez de pegar emprestado um benchmark do setor. Para uma proporção com 95 por cento de confiança:

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

Pegue 400 menções que você rotulou à mão, das quais 30 por cento eram negativas. Então p é 0,30 e n é 400, logo p x (1 - p) é 0,21, dividido por 400 dá 0,000525, cuja raiz quadrada é 0,0229, multiplicada por 1,96 dá 0,045. Seus 30 por cento negativos vão de 25,5 por cento a 34,5 por cento, então um movimento de mês a mês de 30 por cento para 33 por cento fica dentro da faixa e não é uma mudança. O erro do classificador se empilha por cima disso, e por isso o número do SemEval acima importa antes de você passar a alguém um resumo sobre tendência de sentiment.

A categoria é dominada por números cujo editor original não pode ser encontrado. Abra uma compilação grande e conte as entradas: na página de estatísticas de redes sociais da Sprout Social, checada em setembro de 2026, alguns números citam um editor e um ano enquanto outros afirmam uma porcentagem sem editor, sem ano e sem amostra anexada. As compilações então citam umas às outras, e depois de dois ou três saltos a trilha termina numa página que afirma o número sem ter medido nada.

RedReplier

–

Alcance cada comprador que procura o que você vende

Começar

Reddit, X, Bluesky e HN

Alertas de intenção em tempo real

Respostas IA ilimitadas

Classificado por intenção de compra

Números de tamanho de mercado e de ROI são o pior caso, porque a metodologia por trás deles fica dentro de um relatório pago, e um número cujo método você não consegue abrir é um número que você não consegue defender numa reunião. As avaliações de analistas sobre os fornecedores publicam os critérios delas, e é por isso que o Forrester Wave de social listening é um tipo de documento diferente de uma compilação de estatísticas.

Pesquisa de fornecedor não fica automaticamente desqualificada. O Index edition XX da Sprout Social declara o método com clareza: 4.044 consumidores, 900 profissionais de redes sociais e 322 líderes de marketing nos EUA, Reino Unido, Canadá e Austrália, campo conduzido pela Glimpse entre 13 e 27 de setembro de 2024. Essa divulgação torna os números citáveis, desde que você diga quem pagou por eles.

Encontre a organização que publicou o número primeiro, abra aquela página em vez do artigo que a cita, e anote a amostra, o método e a janela. Se faltar qualquer um dos três no original, o número não serve num documento sobre o qual alguém vai agir, e se a página original já não o declara, pare de repeti-lo.

Depois meça a sua própria posição em vez de argumentar a partir de um agregado do setor, já que o seu volume de menções, a sua divisão de sentiment e os seus tempos de resposta são todos contáveis diretamente. A RedReplier monitora Reddit, X, Bluesky, Facebook e Hacker News em um só lugar e ordena as menções por intenção de compra, com uma explicação de IA de por que cada uma foi sinalizada. Veja a visão geral da ferramenta de social listening, análise de sentiment em redes sociais para o lado da pontuação, e o que é social listening para a definição por baixo disso.

Perguntas frequentes

O achado de 2019 do Pew Research Center de que os 10 por cento mais ativos dos usuários adultos do Twitter nos EUA produziram 80 por cento de todos os tweets de usuários norte-americanos. Ele se apoia em 2.791 usuários que informaram seus handles, então as respostas da pesquisa foram ligadas a comportamento real de publicação e não a atividade autodeclarada. Cite-o como uma medição de 2019 de usuários adultos do Twitter nos EUA e nada mais amplo.

O melhor sistema do SemEval-2017 Task 4 chegou a 0,681 de recall médio em tweets em inglês, contra 0,333 de um classificador que joga toda mensagem numa única classe. Foi uma competição aberta com 38 equipes num conjunto de teste de 12.284 tweets, então é um resultado forte e não uma linha de base comercial. Ribeiro e colegas descobriram na EPJ Data Science em 2016 que nenhum método entre os 24 testados venceu de forma consistente em 18 conjuntos de dados.

Que porcentagem das contas de redes sociais são bots?

Varol e colegas estimaram de 9 a 15 por cento das contas ativas do Twitter num artigo da ICWSM com revisão por pares em 2017, usando um classificador sobre mais de 1.000 características públicas de conta. Não existe estimativa comparável com revisão por pares para Reddit, Bluesky, Facebook ou Hacker News, então uma porcentagem de bots citada para essas plataformas sem um estudo nomeado por trás é uma afirmação.

Elas recuperam subconjuntos diferentes das mesmas plataformas e classificam sentiment com modelos diferentes. Morstatter e colegas mostraram em 2013 que um stream amostrado do Twitter cobria 43,5 por cento do volume total num dia médio e ordenava mal as hashtags principais nessa cobertura. Pergunte a cada fornecedor que fatia das publicações públicas ele recupera, em que janela, e que modelo de sentiment ele roda.

A RedReplier não conseguiu verificar nenhum. Os relatórios de dimensionamento de mercado que rankeiam para essa busca colocam a metodologia dentro de um documento pago, então a estimativa não pode ser checada por quem a cita. Use preços de fornecedores e as suas próprias contagens de palavras-chave monitoradas para um argumento de orçamento em vez de um total do setor que ninguém consegue auditar.

Só quando o fornecedor publica o tamanho da amostra, o público e as datas de campo ao lado do número, e só se você declarar no seu próprio documento que o fornecedor pagou pela pesquisa. O Index edition XX da Sprout Social atinge essa régua: 4.044 consumidores, 900 profissionais e 322 líderes de marketing em quatro países, campo de 13 a 27 de setembro de 2024 pela Glimpse. Um post de blog de fornecedor que afirma uma porcentagem sem amostra, não.

Dá para confiar em um stream amostrado do Twitter para rankings de hashtags em alta?

Não no nível de cobertura que Morstatter e colegas mediram em 2013. O estudo deles descobriu que o stream amostrado classificava errado as hashtags principais, em alguns casos correlacionando de forma inversa com o Firehose completo, com base na correlação de postos de Kendall ao longo de cinco dias contra 100 amostras aleatórias do mesmo tamanho. Um painel construído sobre um stream amostrado pode mostrar uma hashtag principal diferente da atividade real da plataforma naquele mesmo dia.

Aplique a fórmula MOE = 1,96 x sqrt(p x (1 - p) / n) sobre a sua própria amostra rotulada à mão, não sobre um benchmark do setor. Com 400 menções rotuladas à mão e 30 por cento negativas, p é 0,30 e n é 400, o que resulta em uma margem de erro de 4,5 pontos percentuais, então o percentual negativo real fica entre 25,5% e 34,5%. Uma mudança de 30% para 33% de um mês para o outro fica dentro dessa faixa e não é uma mudança real.

Depende de qual parte da Sprout Social você está citando. A página geral de estatísticas, checada pela RedReplier em setembro de 2026, mistura números com editor e ano com outros que trazem só uma porcentagem e nada mais. O relatório Index edição XX da Sprout Social é diferente: ele informa sua amostra de 4.044 consumidores, 900 profissionais de social e 322 líderes de marketing, coletada pela Glimpse entre 13 e 27 de setembro de 2024, o que o torna citável desde que você deixe claro que o fornecedor pagou por ele.

Pergunte qual fração das publicações públicas de uma plataforma o pipeline do fornecedor realmente capta, e em qual janela de tempo. Se o fornecedor não conseguir responder com um número, qualquer métrica de share of voice que ele reportar está calculada sobre um denominador que ninguém consegue checar. A medição de Morstatter e colegas em 2013, um stream amostrado do Twitter cobrindo 43,5% do volume do Firehose em um dia médio, é o único exemplo publicado de como essa lacuna pode ser.