Onlinedaten und Konsumentscheidungen: Voraussagen anhand von Daten aus Social Media und Suchmaschinen

Karaman Örsal, Deniz Dilan Book Part Onlinedaten und Konsumentscheidungen: Voraussagen anhand von Daten aus Social Media und Suchmaschinen Provided in Cooperation with: Hamburg Institute of International Economics (HWWI) Suggested Citation: Karaman Örsal, Deniz Dilan (2021) : Onlinedaten und Konsumentscheidungen: Voraussagen anhand von Daten aus Social Media und Suchmaschinen, In: Straubhaar, Thomas (Ed.): Neuvermessung der Datenökonomie, ISBN 978-3-943423-94-5, Hamburg University Press, Hamburg, pp. 157-172, https://doi.org/10.15460/hup.254.1928 This Version is available at: https://hdl.handle.net/10419/281013 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/4.0/ Reihe Edition HWWI Band 6 Onlinedaten und Konsumentscheidungen Voraussagen anhand von Daten aus Social Media und Suchmaschinen Deniz Dilan Karaman Örsal Hamburg University Press Verlag der Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky In: Neuvermessung der Datenökonomie herausgegeben von Thomas Straubhaar Seite 157–172 Impressum Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über https://portal.dnb.de abrufbar. Lizenz Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Das Werk steht unter der Creative-Commons-Lizenz Namensnennung 4.0 International (CCBY4.0, https://creativecommons.org/licenses/by/4.0/legalcode.de). Ausgenommen von der oben genannten Lizenz sind Teile, Abbildungen und sonstiges Drittmaterial, wenn anders gekennzeichnet. ISSN 1865-7974 ONLINE-AUSgABE Die Online-Ausgabe dieses Werkes ist eine Open-Access-Publikation und ist auf den Verlagswebseiten frei verfügbar. Die Deutsche Nationalbibliothek hat die Online-Ausgabe archiviert. Diese ist dauerhaft auf dem Archivserver der Deutschen Nationalbibliothek (https://portal.dnb.de) verfügbar. DOI https://doi.org/10.15460/HUP.HWWI.6.212 ISBN Print: 978-3-943423-91-4 EPUB: 978-3-943423-94-5 Satz Hamburg University Press Covergestaltung Hamburg University Press unter Verwendung eines Fotos von Free-Photos auf Pixabay (https://pixabay.com/images/id-768432) Druck und Bindung Books on Demand (Norderstedt) Verlag Hamburg University Press, Verlag der Staats- und Universitätsbibliothek Hamburg Carl von Ossietzky, Hamburg (Deutschland), 2021 https://hup.sub.uni-hamburg.de Inhalt 7 Vorwort 9 Einleitung Datenwirtschaft: Was ist neu und anders? Thomas Straubhaar Teil 1: Das Produktivitätsparadox der Datenökonomie 29 Die digitale Revolution: Der große Übergang in die Datenökonomie Henning Vöpel 41 Der Rückgang des Produktivitätsfortschritts: Worum geht es? Thomas Straubhaar 61 Das Produktivitätspuzzle – eine kritische Bewertung Felix Roth 83 Zwei Rätsel der Produktivität – eine empirische Beobachtung Henrique Schneider Teil 2: Neue empirische Verfahren für die Datenökonomie 101 Nowcast als Forecast Neue Verfahren der BIP-Prognose in Echtzeit Christina Heike Maaß 129 Textdaten Anwendungen und Herausforderungen Silke Sturm 157 Onlinedaten und Konsumentscheidungen Voraussagen anhand von Daten aus Social Media und Suchmaschinen Deniz Dilan Karaman Örsal 173 Implizite Motive in der politischen Kommunikation Niklas Scheffer, Silke Sturm und Zahurul Islam 199 Verfasserinnen und Verfasser Einleitung Dieser Beitrag beschäftigt sich mit dem Einsatz von Onlinedaten bei der Prognose grundlegender makroökonomischer Indikatoren wie privatem Konsum und Konsumentenvertrauensindikatoren. Dabei werden aktuelle Veröffentlichungen zusammengefasst und neue Anwendungsmöglichkeiten von Onlinedaten aufgezeigt. Mit der breiten Nutzung des Internets und der rasanten Entwicklung der Digitalisierung stehen in den letzten Jahren neue und große Datenquellen zur Verfügung. Mit Hilfe von Kurznachrichten, überwiegend aus den sozialen Netzwerken (wie zum Beispiel Twitter, Facebook, Instagram, YouTube), oder aggregierten Indizes, die anhand von Suchanfragen konstruiert werden (wie unter anderem Google Trends, Google Insights), werden neue Vorhersagemodelle entwickelt, um wirtschaftliche Indikatoren frühzeitig beziehungsweise in Echtzeit zu prognostizieren. In der Literatur wird auf einen Zusammenhang zwischen der Stimmung der Konsument:innen und dem privaten Konsum hingewiesen. Da der private Konsum 60 % bis 70 % des Bruttoinlandsprodukts ausmacht, können Veränderungen in der Verbraucherstimmung Veränderungen im privaten Konsum signalisieren. Die Stimmung der Verbraucher:innen wird im Verlauf von Rezessionen akribisch beobachtet, da jede wesentliche Änderung oder jedes Fehlen einer Änderung als wichtiges Zeichen eines nahe gelegenen Wendepunkts oder einer Verlängerung des Tiefs angesehen wird.1 1 Vuchelen (2004). Onlinedaten und Konsumentscheidungen Voraussagen anhand von Daten aus Social Media und Suchmaschinen Deniz Dilan Karaman Örsal Deniz Dilan Karaman Örsal 158 50,0 60,0 70,0 80,0 90,0 100,0 110,0 120,0 -4,0 -2,0 0,0 2,0 4,0 6,0 8,0 Q1-1990 Q2-1991 Q3-1992 Q4-1993 Q1-1995 Q2-1996 Q3-1997 Q4-1998 Q1-2000 Q2-2001 Q3-2002 Q4-2003 Q1-2005 Q2-2006 Q3-2007 Q4-2008 Q1-2010 Q2-2011 Q3-2012 Q4-2013 Q1-2015 Q2-2016 Q3-2017 Q4-2018 Konsumentenvertrauensindex Veränderung im Konsum (%) Veränderung im Konsum Konsumentenvertrauensindex Abb. 1: Veränderungen im privaten Konsum und Konsumentenvertrauensindex in den USA Quelle: Eigene Darstellung, basierend auf Federal State Bank of St. Louis, https://fred.stlouisfed. org/; University of Michigan http://www.sca.isr.umich.edu/tables.html. Abbildung 1 gibt einen ersten Eindruck davon, wie sich der private Konsum und das Konsumentenvertrauen in den USA zwischen 1990 und 2019 verändert haben und inwieweit die Verläufe der beiden Variablen sich ähneln. Es ist deutlich erkennbar, dass der umfragebasierte Konsumentenvertrauensindex der University of Michigan den enormen Rückgang im privaten Konsum im Zuge der Großen Rezession früher erkennen konnte. Anders ausgedrückt lässt sich schlussfolgern, dass es möglich sein kann, mit der Analyse der Verbraucherstimmung die Veränderungen in den Konsumentscheidungen zu modellieren beziehungsweise vorauszusagen. Da allerdings die umfragebasierten Konsumentenvertrauensindizes verzögert veröffentlicht werden und ihre Ermittlung sehr zeit-und kostenintensiv ist, wurden in den letzten Jahren Daten sowohl aus den Sozialen Medien als auch Anfragen bei den Onlinesuchmaschinen verwendet, um die Stimmung der Konsumenten zeitgenauer zu messen. Daher werden im nächsten Abschnitt die aktuellsten Studien zusammengefasst, die Daten aus den Sozialen Medien anwenden, um Konsumentscheidungen und Konsumentenvertrauen zu prognostizieren. Der nachfolgende Onlinedaten und Konsumentscheidungen 159 Abschnitt liefert eine Übersicht über die jüngsten Untersuchungen des Konsumverhaltens, die sich auf Onlinesuchanfragen stützen. Anschließend wird in dem letzten Abschnitt auf die Grenzen und Möglichkeiten der Analyse mit Onlinedaten aufmerksam gemacht und auf die möglichen Herausforderungen hingedeutet. Soziale Medien und Konsumentscheidungen Seit einigen Jahren werden Textdaten aus Sozialen Medien, Blogs, und Foren auch in der Erforschung der Konsumentscheidungen verwendet. Dabei werden überwiegend Kurznachrichten aus den Social-Media-Plattformen wie Twitter und Facebook benutzt. Seit 2004 stellt Facebook einen Online-Social-Networ- king-Dienst zur Verfügung. Mit seinen 2,7 Milliarden Nutzer:innen weltweit2 ist Facebook die populärste Social-Networking-Plattform überhaupt. Da aber die Facebook-Posts nur durch von Nutzer:innen zugelassenen Personen gelesen oder kommentiert werden können und für Drittpersonen nicht zur Verfügung stehen, ist es nicht zielführend, ausgehend von den Posts eine allgemeine für die Konsumentscheidungen relevante Meinung ableiten zu wollen. Dies ist nur möglich wenn die Nutzer:innen in Facebook-Gruppen interagieren beziehungsweise zu Werbungen auf der Facebook-Plattform reagieren beziehungsweise Kommentare abgeben. Darüber hinaus ist es auch aus datenschutzrechtlichen Gründen nicht möglich, die Facebook-Nachrichten, die Drittpersonen nicht zur Verfügung stehen, zu analysieren. Daher konzentriert sich dieser Abschnitt auf die Kurznachrichten aus der Social-Media-Plattform Twitter. Das Social-Networking-Unternehmen Twitter bietet seit 2006 einen Onlinedienst für Mikroblogging. Registrierte Nutzer:innen dürfen auf der Twitter-Plattform kurze Nachrichten (die sogenannten Tweets) senden und mit anderen Nutzer:innen interagieren, wobei die nicht registrierten Nutzer:innen diese Tweets nur lesen dürfen. Die Länge der Tweets ist seit November 2017 auf höchstens 280 Zeichen begrenzt, mit der Ausnahme der Tweets in chinesischer, japanischer und koreanischer Sprache, welche nur aus 140 Zeichen zusammengesetzt sein dürfen. Die 340 Millionen Twitter-Nutzer:innen weltweit senden 2 Vgl. Statista, https://www.statista.com/statistics/264810/number-of- monthly-active-facebook-users-worldwide/, aufgerufen am 23.12.2020. Deniz Dilan Karaman Örsal 160 täglich durchschnittlich 500 Millionen Tweets.3 Damit ist Twitter weltweit eine der größten Social-Media-Plattformen. Tag für Tag steigen die Zahl der Nutzer:innen und die Zahl der Tweets an. Social-Media-Plattformen beeinflussen den Alltag in vielfacher Weise und mit steigender Tendenz. Mittlerweile ist Twitter als wichtiges Medium für Politiker:innen, Journalist:innen und Unternehmen unerlässlich geworden. Durch Twitter haben Forscher:innen Zugang zu einer riesigen Datenmenge, mit der sie „wertvolle Einblicke in das Verhalten von Menschen, ihre Stimmungen, ihre Konsummuster, ihre Sprache und ihre Abstimmungen“ bekommen können. Daher wird es wichtiger, notwendiger und erkenntnisreicher denn je, Twitter-Da- ten zu analysieren.4 In letzter Zeit haben Tweets vermehrt Anwendung gefunden, um die führenden Aktienmarktindizes5 wie Dow Jones Industrial Average, NASDAQ Composite und S&P 500 oder Rendite, Volatilität und Handelsvolumen6 für S&P 500 vorherzusagen. Die Untersuchungsergebnisse haben gezeigt, dass sich die Vorhersagegenauigkeit durch die Einbeziehung der Stimmung in den sozialen Netzwerken verbessert. Es gibt einige Studien, die sich mit der Prognose der Konsumentenvertrauensindikatoren anhand von Twitter-Kurznachrichten befassen7. Die Stimmung der Twitter-Nutzer:innen wird dabei mit den umfragebasierten Konsumentenvertrauensindizes verglichen. Um diese umfragebasierten Konsumentenvertrauensindizes zu konstruieren, wird monatlich eine zufällige Stichprobe von Verbraucher:innen befragt. Dabei beantworten die Interviewten Fragen zu − ihrer finanziellen Situation in den letzten und in den nächsten zwölf Monaten, − der allgemeinen wirtschaftlichen Lage in den letzten und in den nächsten zwölf Monaten, −Preistrends in den letzten und in den nächsten zwölf Monaten, −ihren geplanten großen Einkäufen derzeit und in den nächsten zwölf Monaten, −Einsparungen derzeit und in den nächsten zwölf Monaten, −Ihren Erwartungen der Arbeitslosigkeit in den nächsten 12 Monaten. 3 Statista, online unter https://de.statista.com/themen/99/twitter/, zuletzt aufgerufen am 7.7.2021. 4 Puschmann et al. (2014). 5 Bollen/Mao/Zeng (2011); Zhang (2017); Zhang/Fuehres/gloor (2011); Oliveira/Cortez/Areal (2017). 6 Oliveira et al. (2017). 7 Daas/Puts (2014); Shayaa et al. (2018); Shayaa et al. (2017). Onlinedaten und Konsumentscheidungen 167 in Sri Lanka im Vergleich mit einem autoregressiven Prozess erster Ordnung um 5,2 % verbessern.35 Diese zwei Google-Trends-Kategorien wurden mit Hilfe der Spike-und-Slab-Regression unter Berücksichtigung der insgesamt 1104 Google-Trends-Kategorien für die Zeit vom September 2012 bis zum April 2017 bestimmt. Google-Trends-Daten werden auch verwendet, um Konsumentenentscheidungen und -verhalten für Mode vorauszusagen. In einer Studie wird zum Beispiel Google-Trends-Serie für die Suchanfrage „Burberry“ mit verschiedenen Modellen geschätzt.36 Die Prognosegüte des bereinigten („enoised“) neuronalen Netzwerk-Modells (DNNAR) wird dabei mit den Prognosen, basierend auf den konventionellen Zeitreihenmodellen wie ARIMA, exponentielle Glättung oder ARMA mit saisonalen Trends, verglichen. Der Vergleich ergibt, dass das DNNAR-Modell bessere Ergebnisse liefert als die anderen Modelle. Allerdings weisen die Autoren darauf hin, dass die Google-Trends-Daten für die moderelevanten Suchanfragen hohe saisonale Schwankungen zeigen, wodurch die Prognosen für die moderelevanten Suchanfragen mit wenigen saisonalen Schwankungen schwer vorherzusagen wären. Schlussfolgerungen Textdaten aus Sozialen Medien bergen große Chancen und Herausforderungen für die Praxis. Die ersten vielversprechenden Ergebnisse zeigen, dass die Sentiment Scores, die auf der Basis von Kurznachrichten aus Sozialen Medien berechnet worden sind, in der Zukunft die umfragebasierten Konsumentenvertrauensindizes ersetzen können. Da die Durchführung und Analyse von Umfragen viel Zeit und Geld kostet, können durch die Nutzung von Textdaten aus Sozialen Medien viel Zeit und Ressourcen gespart werden. Eine der größten Herausforderungen dabei ist die Auswahl der richtigen Such- und Schlagwörter für die Praxis. Eine mögliche Lösung dafür könnte der Einsatz von Algorithmen beziehungsweise künstlicher Intelligenz sein. Dabei müssen die Algorithmen mit Daten zunächst trainiert werden. Mit der Zeit können die Algorithmen durch den Lerneffekt verbesserte Prognosen liefern. Die Nützlichkeit von Google-Trends-Daten unter anderem zu Voraussage von Konsumentscheidungen hat sich schon längst erwiesen. Dennoch könnten 35 Zhang (2017). 36 Silva et al. (2019). Deniz Dilan Karaman Örsal 168 die Prognosen verbessert werden, indem die Daten von Onlinesuchanfragen und Textdaten aus Sozialen Medien zusammen in die Analyse einfließen. Es gibt schon einige erste Versuche in dieser Richtung.37 Um beispielsweise die Autoverkäufe in Deutschland vorauszusagen, wird das Suchverhalten der Verbraucher:innen mit der Stimmung der Verbraucher:innen in Bezug auf eine Marke oder ein Produkt kombiniert.38 Die Ergebnisse der Analyse haben gezeigt, dass die Modelle mit Google-Trends- und Twitter-Daten bessere Prognosen liefern als die Modelle, die nur Suchanfragedaten oder Textdaten aus Sozialen Medien verwenden. Es muss hier auch noch einmal betont werden, dass Google-Trends-Da- ten sich mit der Zeit ändern können – mit entsprechenden Rückwirkungen auf die Berechnung von Indexwerten für einen bestimmten Zeitpunkt. Dies wiederum macht die Replizierbarkeit der Studien schwierig. Darüber hinaus wurden in den Studien wegen der hohen Saisonalität, die Google-Trends-Daten in Wachstumsraten umgewandelt, um saisonale Schwankungen zu eliminieren. Da mittlerweile längere Zeitreihen zur Verfügung stehen, wird es bald möglich sein, Google-Trends-Daten mit den konventionellen Methoden wie X12-ARIMA oder X-13-ARIMA-SEATS saisonal zu bereinigen. Dies wird eine einfachere Interpretation der Ergebnisse ermöglichen. Die Wahl der richtigen Schlagwörter und Kategorien ist für die Analyse mit Google-Trends-Daten sehr wichtig. In einigen Studien wurde vorgeschlagen, Google Correlate zu nutzen, um die richtigen Schlagwörter zu finden.39 Bei Google Correlate ist es möglich, anhand einer Zeitreihe einige relevante Google-Trends-Kategorien oder Unterkategorien zu bekommen. Diese vorgeschlagenen Google-Trends-Kategorien haben schlussendlich einen ähnlichen Verlauf wie die Zeitreihe, die analysiert werden soll. Allerdings können sich dabei Suchwörter ergeben, zu denen lediglich ein begrenzter ein Zusammenhang hergestellt werden kann. Daher ist es wichtig, die Ergebnisse herauszufiltern und mit Vorsicht zu interpretieren. Eine weitere Möglichkeit wäre die Nutzung von Google-Analytics-Daten, die keine Indexdaten sind. Mit deren Hilfe wäre es möglich, replizierbare Analysen durchzuführen. 37 Skodda/Benthaus (2015). 38 Ebenda. 39 Sawaengsuksant (2018). Onlinedaten und Konsumentscheidungen 169 Literatur Askitas, Nikolaos und Zimmermann, Klaus F. (2009): Google Econometrics and Unemployment Forecasting. In: Applied Economics Quarterly, Vol. 55 (2), S. 107–120, DOI https://doi.org/10.3790/aeq.55.2.107. Asur, Sitaram und Huberman, Bernardo A. (2010): Predicting the Future with Social Media. In: Hoeber, Orland (Hrsg.): IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology, S. 492–499, DOI https://doi. org/10.1109/WI-IAT.2010.63. Bollen, Johan; Mao, Huina; Zeng, Xiaojun (2011): Twitter Mood Predicts the Stock Market. In: Journal of Computational Science, Vol. 2 (1), S. 1–8, DOI https://doi. org/10.1016/j.jocs.2010.12.007. Carrière-Swallow, Yan und Labbé, Felipe (2013): Nowcasting with Google Trends in an Emerging Market. In: Journal of Forecasting, Vol. 32 (4), S. 289–298, DOI https:// doi.org/10.1002/for.1252. Carroll, Christopher D.; Fuhrer, Jeffrey C.; Wilcox, David (1994): Does Consumer Sentiment Forecast Household Spending? If so, why? In: The American Economic Review, Vol. 84 (5), S. 1397–1408. Online abrufbar unter https://www.jstor.org/ stable/2117779. Choi, Hyunyoung und Varian, Hal (2009a): Predicting Initial Claims for Unemployment Insurance Using Google Trends. Technical report, Google, Inc. Online abrufbar unter http://research.google.com/archive/papers/initialclaimsUS.pdf. Choi, Hyunyoung und Varian, Hal (2009b): Predicting the Present with Google Trends. Technical Report, Google, Inc., DOI https://doi.org/10.2139/ssrn.1659302. Choi, Hyunyoung und Varian, Hal (2012): Predicting the Present with Google Trends. In: Economic Record, Vol. 88 (1), S. 2–9, DOI https://doi.org/10.1111/j.1475- 4932.2012.00809.x. Conrad, Frederick G.; Gagnon-Bartsch, Johann A.; Ferg, Robyn A.; Schober, Michael F.; Pasek, Josh; Hou, Elizabeth (2019): Social Media as an Alternative to Surveys of Opinions About the Economy. In: Social Science Computer Review, DOI https:// doi.org/10.1177/0894439319875692. D’Amuri, Francesco und Marcucci, Juri (2009): „Google it!“ Forecasting the US unemployment rate with a Google job search index. MPRA Paper No. 18248, DOI http:// dx.doi.org/10.2139/ssrn.1594132. Daas, Piet J. H. und Puts, Marco (2014): Social Media Sentiment and Consumer Confidence. Statistics Papers Series, No. 5, Europäische Zentralbank, Frankfurt am Main, DOI https://doi.org/10.2866/11606. Deniz Dilan Karaman Örsal 170 Ginsberg, Jeremy; Mohebbi, Matthew H.; Patel, Rajan S.; Brammer, Lynnette; Smolinski, Mark S.; Brilliant, Larry (2009): Influenza Epidemics Using Search Engine Query Data. In: Nature, Vol. 457 (7232), S. 1012–1014, DOI https://doi.org/10.1038/ nature07634. Guzmán, Giselle (2011): Internet Search Behaviour as an Economic Forecasting Tool: The Case of Inflation Expectations. In: Journal of Economic and Social Measurement, Vol. 36 (3), S. 119–167, DOI https://doi.org/10.3233/JEM-2011-0342. Kholodilin, Konstantin A.; Podstawski, Maximilian; Siliverstovs, Boriss (2010): Do Google Searches Help in Nowcasting Private Consumption? A Real-Time Evidence for the US. In: KOF Swiss Economic Institute Working Paper No. 256, ETH Zürich, DOI http://dx.doi.org/10.2139/ssrn.1615453. Liu, Bing (2016): Sentiment Analysis. Mining, Opinions, Sentiments, and Emotions. Cambridge University Press, Cambridge, UK, DOI https://doi.org/10.1017/ CBO9781139084789. Liu, Taoxiong; Xu, Xiaofei; Fan, Fangda (2018): Forecasting Chinese GDP Using Online Data. In: Emerging Markets Finance and Trade, Vol. 54 (4), S. 733–746, DOI https:// doi.org/10.1080/1540496X.2016.1216841. Ludvigson, Sydney C. (2004): Consumer Confidence and Consumer Spending. In: Journal of Economic Perspectives, Vol. 18 (2), S. 29–50, DOI https://doi. org/10.1257/0895330041371222. Maaß, Christina (2021): Nowcast als Forecast. Neue Verfahren der BIP Prognose in Echtzeit. In: Straubhaar, Thomas (Hrsg.): Neuvermessung der Datenökonomie, Hamburg University Press, Hamburg, S. 96. O’Connor, Brendan T.; Balasubramanyan, Ramnath; Routledge, Bryan R.; Smith, Noah A. (2010): From Tweets to Pools: Linking Test Sentiment to Public Opinion Time Series. In: AAAI Publications, Fourth International Conference on Weblogs and Social Media, Palo Alto. Oliveira, Nuno; Cortez, Paulo; Areal, Nelson (2017): The Impact of Microblogging Data for Stock Market Prediction: Using Twitter to Predict Returns, Volatility, Trading Volume and Survey Sentiment Indices. In: Expert Systems with Applications, Vol. 73, S. 125–144, DOI https://doi.org/10.1016/j.eswa.2016.12.036. Pekar, Viktor und Binner, Jane (2017): Forecasting Consumer Spending from Purchase Intentions Expressed on Social Media. In: Proceedings of the 8th Workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis. Association for Computational Linguistics, Stroudsburg, PA, DOI https://doi. org/10.18653/v1/W17-5212. Onlinedaten und Konsumentscheidungen 171 Puschmann, Cornelius; Bruns, Axel; Mahrt, Merja; Weller, Katrin; Burgess, Jean (2014): Epilogue Why Study Twitter? In: Weller, Katrin; Bruns, Axel; Burgess, Jean; Mahrt, Merja; Puschmann, Cornelius (Hrsg.): Twitter and Society. Peter Lang, New York, S. 425–432, DOI https://doi.org/10.3726/978-1-4539-1170-9. Qian, Eric (2018): Nowcasting Indian GDP with Google Search Data. Online abrufbar unter https://core.ac.uk/reader/210594347. Remus, Robert; Quasthoff, Uwe; Heyer, Gerhard (2010): SentiWS – A Publicly Available German-language Resource for Sentiment Analysis. In: Proceedings of the Seventh International Conference on Language Resources and Evaluation (LREC’10), Valletta, Malta. RWI (2010): Analyse und Prognose des Spar- und Konsumverhaltens privater Haushalte. RWI Projektberichte, URN http://nbn-resolving.de/urn:nbn:de:hbz:061:3-15339, <zuletzt aufgerufen am 3.4.2021>. Salampasis, Michail; Paltoglou, Giorgos; Giahanou, Anastasia (2011): Using Social Media for Continuous Monitoring and Mining of Consumer Behaviour. In: Salampasis, Michail; Matopoulos, Aristides (Hrsg.): Proceedings of the International Conference on Information and Communication Technologies for Sustainable Agri-production and Environment (HAICTA 2011), S. 192–202, DOI https://doi. org/10.1504/IJEB.2014.057905. Sawaengsuksant, Paphatsorn (2018): Standardized Approach in Developing Economic Indicators using Internet Searching Applications. IFC – Bank Indonesia International Workshop and Seminar on „Big Data for Central Bank Policies / Building Pathways for Policy Making with Big Data”. Shayaa, Shahid; Ainin, Sulaiman; Jaafar, Noor Ismawati; Zakaria, Shamsul Bahri; Phoong, Seuk Wai; Yeong, Wai Chung; Al-Garadi, Mohammed Ali; Muhammad, Ashraf; Zahid Piprani, Arsalan (2018): Linking Consumer Confidence Index and Social Media Sentiment Analysis. In: Cogent Business & Management, Vol. 5 (1), S. 1–12, DOI https://doi.org/10.1080/23311975.2018.1509424. Shayaa, Shahid; Al-Garadi, Mohammed Ali; Piprani, Arsalan Zahid; Ashraf, Muhammad; Sulaiman, Ainin (2017): Social Media Sentiment Analysis of Consumer Purchasing Behavior vs Consumer Confidence Index. In: Proceedings of the International Conference on Big Data and Internet of Thing – BDIOT2017. New York, 2017, S. 32–35, DOI https://doi.org/10.1145/3175684.3175712. Silva, Emmanuel; Hassani, Hossein; Madsen, Dag; Gee, Liz (2019): Googling Fashion: Forecasting Fashion Consumer Behaviour Using Google Trends. In: Social Sciences, Vol. 8 (4), S. 111, DOI https://doi.org/10.3390/socsci8040111. Deniz Dilan Karaman Örsal 172 Skodda, Christoph und Benthaus, Janek (2015): Investigating Consumer Information Search Behavior and Consumer Emotions to Improve Sales Forecasting. In: Proceedings of the 21st American Conference on Information Systems (AMCIS). Sturm, Silke (2021): Textdaten. Anwendungen und Herausforderungen. In: Straubhaar, Thomas (Hrsg.): Neuvermessung der Datenökonomie, Hamburg University Press, Hamburg, S. 126. Volchek, E.; Song, H.; Law, R.; Buhalis, D. (2018): Forecasting London Museum Visitors Using Google Trends Data. In: e-Review of Tourism Research. Online abrufbar unter https://journals.tdl.org/ertr/index.php/ertr/article/view/121. Vosen, Simeon und Schmidt, Torsten (2012): A Monthly Consumption Indicator for Germany based on Internet Search Query Data. In: Applied Economics Letters, Vol. 19 (7), S. 683–687, DOI https://doi.org/10.1080/13504851.2011.595673. Vosen, Simeon und Schmidt, Torsten (2011): Forecasting Private Consumption: Survey-based Indicators vs. Google Trends. In: Journal of Forecasting, Vol. 30 (6), S. 565–578, DOI https://doi.org/10.1002/for.1213. Vuchelen, Jef (2004): Consumer Sentiment and Macroeconomic Forecasts. In: Journal of Economic Psychology, Vol. 25 (4), S. 493–506, DOI https://doi.org/10.1016/S0167- 4870(03)00031-X. Wilcox, James A. (2007): Forecasting Components of Consumption with Components of Consumer Sentiment. In: Business Economics, Vol. 42 (4), S. 22–32, DOI https:// doi.org/10.2145/20070403. Woo, Jaemin und Owen, Ann L. (2019): Forecasting Private Consumption with Google Trends Data. In: Journal of Forecasting, Vol. 38 (2), S. 81–91, DOI https://doi. org/10.1002/for.2559. Wu, Lynn und Brynjolfsson, Erik (2015): The Future of Prediction. In: Goldfarb, Avi; Greenstein, Shane M.; Tucker, Catherine E. (Hrsg.): Economic Analysis of the Digital Economy. National Bureau of Economic Research, Cambridge, MA, S. 89–118, DOI https://doi.org/10.7208/9780226206981. Zhang, Haiyang (2017): Incorporating Google Trends Data in Predicting Consumer Confidence in Sri Lanka. Online abrufbar unter https://ssrn.com/abstract=3085010. Zhang, Xue; Fuehres, Hauke; Gloor, Peter A. (2011): Predicting Stock Market Indicators Through Twitter „I hope it is not as bad as I fear”. In: Procedia – Social and Behavioral Sciences, Vol. 26, S. 55–62, DOI https://doi.org/10.1016/j.sbspro.2011.10.562. Verfasserinnen und Verfasser Islam , Zahurul, Professor an der NORDAKADEMIE Hochschule der Wirtschaft Karaman Örsal, Deniz Dilan, Dr. rer. pol. (Humboldt-Universität zu Berlin), Universität Hamburg und außerplanmäßige Professorin an der Leuphana Universität Lüneburg. Maass, Christina Heike, M. Sc. in Economics, Universität Hamburg Roth, Felix, Privatdozent für Volkswirtschaftslehre an der Universität Hamburg und Leiter des Projekts GLOBALINTO im Rahmen der Horizon-2020-Forschungsförde- rung der Europäischen Kommission Scheffer, Niklas, cand. rer. pol. (Universität Potsdam), Universität Hamburg, Institut für Computer Aided Psychometric Text Analysis (CAPTA) Schneider, Henrique, Professor für Volkswirtschaftslehre an der Nordakademie, Hochschule der Wirtschaft, in Elmshorn und stellvertretender Direktor des Schweizerischen Gewerbeverbands sgv in Bern, Schweiz Straubhaar, Thomas, Professor für Volkswirtschaftslehre, insbesondere Internationale Wirtschaftsbeziehungen der Universität Hamburg Sturm, Silke, M. Sc (Universität Bayreuth), Universität Hamburg Vöpel, Henning, Hamburgisches WeltWirtschaftsinstitut (HWWI) und Professor der Hamburg School of Business Administration (HSBA) Reihe Edition HWWI herausgegeben von Thomas Straubhaar In der Edition HWWI (ISSN 1865-7974) erscheinen abgeschlossene, umfangreiche Projektergebnisse sowie Dissertationen zu Forschungsthemen, die vom HWWI bearbeitet werden . Folgende Titel sind bisher erschienen: Band 1: Thomas Straubhaar (Hg.): Bedingungsloses grundeinkommen und Solidarisches Bürgergeld – mehr als sozialutopische Konzepte, 2008. ISBN 978-3-937816-47-0, DOI https://doi.org/10.15460/HUP.HWWI.1.69. Band 2: Martin-Peter Büch et al. (Hg.): Sportfinanzierung – Spannungen zwischen Markt und Staat, 2009. ISBN 978-3-937816-53-1, DOI https://doi.org/10.15460/HUP.HWWI.2.70. Band 3: Martin-Peter Büch et al. (Hg.): Zur Ökonomik von Spitzenleistungen im internationalen Sport, 2012. ISBN 978-3-937816-87-6, DOI https://doi.org/10.15460/HUP.HWWI.3.122. Band 4 : Martin-Peter Büch et al. (Hg.): Sport und Sportgroßveranstaltungen in Europa – zwischen Zentralstaat und Regionen, 2012. ISBN 978-3-937816-88-3, DOI https://doi.org/10.15460/HUP.HWWI.4.123. Band 5: Seçil Paçacı Elitok, Thomas Straubhaar (eds.): Turkey, Migration and the EU: Potentials, Challenges and Opportunities, 2012. ISBN 978-3-937816-94-4, DOI https://doi.org/10.15460/HUP.HWWI.5.118. Band 6: Thomas Straubhaar (Hg.): Neuvermessung der Datenökonomie, 2021. ISBN (Print) 978-3-943423-91-4, (Epub) 978-3-943423-94-5, DOI https://doi.org/10.15460/HUP.HWWI.6.212. Die Online-Ausgaben der Reihe sind frei zugänglich als Open-Access-Publikati- on erschienen. Die Printversion kann über den Buchhandel oder direkt beim Verlag (https://hup.sub.uni-hamburg.de) bezogen werden.