El análisis de redes sociales es el proceso de recopilar y analizar datos de redes sociales como Facebook , Instagram , LinkedIn y Twitter . Los especialistas en marketing lo utilizan comúnmente para realizar un seguimiento de las conversaciones en línea sobre productos y empresas. Un autor lo definió como "el arte y la ciencia de extraer valiosos conocimientos ocultos de grandes cantidades de datos de redes sociales semiestructurados y no estructurados para permitir una toma de decisiones informada y perspicaz". [1]
Proceso
Hay tres pasos principales en el análisis de las redes sociales: identificación de datos , análisis de datos e interpretación de la información. Para maximizar el valor derivado en cada punto durante el proceso, los analistas pueden definir una pregunta para ser respondida. Las preguntas importantes para el análisis de datos son: "¿Quién? ¿Qué? ¿Dónde? ¿Cuándo? ¿Por qué? Y ¿Cómo?" Estas preguntas ayudan a determinar las fuentes de datos adecuadas para evaluar, lo que puede afectar el tipo de análisis que se puede realizar. [2]
Identificación de datos
La identificación de datos es el proceso de identificar los subconjuntos de datos disponibles en los que centrarse para el análisis. Los datos brutos son útiles una vez que se interpretan. Una vez analizados los datos, pueden comenzar a transmitir un mensaje. Cualquier dato que transmita un mensaje significativo se convierte en información. En un nivel alto, los datos sin procesar adoptan las siguientes formas para traducirse en un mensaje exacto: datos ruidosos; datos relevantes e irrelevantes, datos filtrados; solo datos, información relevante; datos que transmiten un mensaje vago, conocimiento; datos que transmiten un mensaje preciso, sabiduría; datos que transmiten el mensaje exacto y la razón detrás de él. Para obtener sabiduría de un dato no procesado, necesitamos comenzar a procesarlo, refinar el conjunto de datos incluyendo datos en los que queremos enfocarnos y organizar los datos para identificar la información. En el contexto de la analítica de redes sociales, la identificación de datos significa "qué" contenido es de interés. Además del texto del contenido, queremos saber: ¿quién escribió el texto? ¿Dónde se encontró o en qué lugar de las redes sociales apareció? ¿Estamos interesados en información de un lugar específico? ¿Cuándo alguien dijo algo en las redes sociales? [2]
Los atributos de los datos que deben tenerse en cuenta son los siguientes:
- Estructura : Los datos estructurados son datos que se han organizado en un repositorio formateado , generalmente una base de datos , de modo que sus elementos se pueden hacer direccionables para un procesamiento y análisis más efectivos. Los datos no estructurados , a diferencia de los datos estructurados, son los datos menos formateados. [3]
- Idioma : el idioma se vuelve significativo si queremos conocer el sentimiento de una publicación en lugar de la cantidad de menciones.
- Región : Es importante asegurarse de que los datos incluidos en el análisis sean solo de esa región del mundo en la que se centra el análisis. Por ejemplo, si el objetivo es identificar los problemas de agua potable en la India , nos gustaría asegurarnos de que los datos recopilados sean solo de la India .
- Tipo de contenido: El contenido de los datos puede ser Texto (texto escrito que es fácil de leer y comprender si conoce el idioma), Fotos (dibujos, bocetos simples o fotografías), Audio (grabaciones de audio de libros, artículos, charlas, o discusiones), o videos (grabación, transmisiones en vivo).
- Lugar: el contenido de las redes sociales se genera en una variedad de lugares, como sitios de noticias y sitios de redes sociales (por ejemplo , Facebook , Twitter ). Dependiendo del tipo de proyecto para el que se recopilan los datos, el lugar se vuelve muy significativo.
- Tiempo: es importante recopilar los datos publicados en el marco de tiempo que se está analizando.
- Propiedad de los datos: ¿Los datos son privados o están disponibles públicamente? ¿Existe algún derecho de autor sobre los datos? Estas son las preguntas importantes que deben abordarse antes de recopilar datos.
Análisis de los datos
El análisis de datos es el conjunto de actividades que ayudan a transformar los datos sin procesar en información, lo que a su vez conduce a una nueva base de conocimiento y valor comercial . En otras palabras, el análisis de datos es la fase que toma los datos filtrados como entrada y los transforma en información de valor para los analistas. Se pueden realizar muchos tipos diferentes de análisis con datos de redes sociales, incluido el análisis de publicaciones, sentimiento , impulsores del sentimiento, geografía, demografía , etc. El paso del análisis de datos comienza una vez que sabemos qué problema queremos resolver y sabemos que tenemos suficientes datos eso es suficiente para generar un resultado significativo. ¿Cómo podemos saber si tenemos suficiente evidencia para justificar una conclusión? La respuesta a esta pregunta es: no lo sabemos. No podemos saber esto a menos que comencemos a analizar los datos. Mientras analiza si encontramos que los datos no son suficientes, reitere la primera fase y modifique la pregunta. Si se cree que los datos son suficientes para el análisis, necesitamos construir un modelo de datos. [2]
El desarrollo de un modelo de datos es un proceso o método que utilizamos para organizar elementos de datos y estandarizar cómo los elementos de datos individuales se relacionan entre sí. Este paso es importante porque queremos ejecutar un programa de computadora sobre los datos; necesitamos una forma de decirle a la computadora qué palabras o temas son importantes y si ciertas palabras se relacionan con el tema que estamos explorando.
En el análisis de nuestros datos, es útil tener varias herramientas disponibles a nuestra disposición para obtener una perspectiva diferente de las discusiones que tienen lugar en torno al tema. El objetivo aquí es configurar las herramientas para que funcionen al máximo para una tarea en particular. Por ejemplo, pensando en una nube de palabras , si tomamos una gran cantidad de datos alrededor de profesionales de la computación, decimos el "arquitecto de TI" y construimos una nube de palabras, sin duda la palabra más grande en la nube sería "arquitecto". Este análisis también trata sobre el uso de herramientas. Algunas herramientas pueden hacer un buen trabajo para determinar el sentimiento, mientras que otras pueden hacer un mejor trabajo al descomponer el texto en una forma gramatical que nos permita comprender mejor el significado y el uso de varias palabras o frases. Al realizar un análisis analítico, es difícil enumerar todos y cada uno de los pasos a seguir en un viaje analítico. Es un enfoque muy iterativo ya que no hay una forma prescrita de hacer las cosas. [2]
La taxonomía y la información derivada de ese análisis son las siguientes:
- Profundidad de análisis: estadísticas descriptivas simples basadas en datos de transmisión , análisis ad hoc de datos acumulados o análisis profundo realizado sobre datos acumulados. Esta dimensión de análisis está realmente impulsada por la cantidad de tiempo disponible para generar los resultados de un proyecto. Esto se puede considerar como un continuo amplio, donde el tiempo de análisis varía desde unas pocas horas en un extremo hasta varios meses en el otro extremo. Este análisis puede responder al siguiente tipo de preguntas:
- ¿Cuántas personas mencionaron Wikipedia en sus tweets?
- ¿Qué político obtuvo el mayor número de me gusta durante el debate ?
- ¿Qué competidor está obteniendo más menciones en el contexto de las empresas sociales ?
- Capacidad de la máquina: la cantidad de CPU necesaria para procesar conjuntos de datos en un período de tiempo razonable. Los números de capacidad deben abordar no solo las necesidades de la CPU , sino también la capacidad de red necesaria para recuperar datos. Este análisis podría realizarse como exploración ad hoc y análisis profundo en tiempo real, casi en tiempo real. El análisis en tiempo real en las redes sociales es una herramienta importante cuando se trata de comprender la percepción del público sobre un determinado tema a medida que se desarrolla para permitir una reacción o un cambio inmediato de rumbo. En el análisis casi en tiempo real, asumimos que los datos se ingieren en la herramienta a una velocidad menor que la del tiempo real. El análisis ad hoc es un proceso diseñado para responder una sola pregunta específica. El producto de un análisis ad hoc suele ser un informe o un resumen de datos. Un análisis profundo implica un análisis que abarca mucho tiempo e involucra una gran cantidad de datos, lo que generalmente se traduce en un alto requerimiento de CPU. [2]
- Dominio de análisis: el dominio del análisis se clasifica ampliamente en redes sociales externas y redes sociales internas. La mayoría de las veces, cuando las personas usan el término redes sociales, se refieren a redes sociales externas. Esto incluye contenido generado en sitios de redes sociales populares como Twitter , Facebook y LinkedIn . Las redes sociales internas incluyen la red social empresarial , que es una red social privada que se utiliza para ayudar a la comunicación dentro de las empresas. [5]
- Velocidad de los datos: la velocidad de los datos en las redes sociales se puede dividir en dos categorías: datos en reposo y datos en movimiento. Las dimensiones de la velocidad de los datos en movimiento pueden responder preguntas como: ¿Cómo está cambiando el sentimiento de la población en general sobre los jugadores durante el transcurso del partido? ¿La multitud está transmitiendo un sentimiento positivo sobre el jugador que realmente está perdiendo el juego? En estos casos, el análisis se realiza a medida que llega. En este análisis, la cantidad de detalles producidos se correlaciona directamente con la complejidad de la herramienta o sistema analítico . Una herramienta muy compleja produce más detalles. El segundo tipo de análisis en el contexto de la velocidad es un análisis de datos en reposo. Este análisis se realiza una vez que se recopilan todos los datos. La realización de este análisis puede proporcionar información como: ¿cuál de los productos de su empresa tiene más menciones en comparación con otros? ¿Cuál es el sentimiento relativo en torno a sus productos en comparación con el producto de la competencia? [2]
Interpretación de información
Los conocimientos derivados del análisis pueden ser tan variados como la pregunta original que se planteó en el paso uno del análisis. En esta etapa, como los usuarios comerciales no técnicos son los receptores de la información, la forma de presentar los datos se vuelve importante. ¿Cómo podrían los datos tener sentido de manera eficiente para que pudieran usarse en una buena toma de decisiones? La visualización (gráficos) de la información es la respuesta a esta pregunta. [6]
Las mejores visualizaciones son aquellas que exponen algo nuevo sobre los patrones subyacentes y las relaciones que contienen los datos. Exponer los patrones y entenderlos juega un papel clave en el proceso de toma de decisiones. Principalmente, hay tres criterios a considerar al visualizar datos.
- Comprender a la audiencia : antes de construir la visualización , establezca un objetivo, que es transmitir grandes cantidades de información en un formato que sea fácilmente asimilable por el consumidor de información. Es importante responder "¿Quién es la audiencia?" Y "¿Puede asumir que la audiencia tiene el conocimiento de las terminologías utilizadas?" Una audiencia de expertos tendrá expectativas diferentes a las de una audiencia general; por lo tanto, deben tenerse en cuenta las expectativas. [7]
- Establezca un marco claro: el analista debe asegurarse de que la visualización sea sintáctica y semánticamente correcta. Por ejemplo, cuando se usa un ícono, el elemento debe tener semejanza con la cosa que representa, con tamaño, color y posición, todos comunicando significado al espectador. [7]
- Contar una historia : la información analítica es compleja y difícil de asimilar, por lo que el objetivo de la visualización es comprender y dar sentido a la información. La narración ayuda al espectador a obtener información a partir de los datos. La visualización debe empaquetar la información en una estructura que se presente como una narrativa y se recuerde fácilmente. Esto es importante en muchos escenarios cuando el analista no es la misma persona que quien toma las decisiones. [7]
Papel en la inteligencia empresarial
La inteligencia empresarial (BI) se puede describir como "un conjunto de técnicas y herramientas para la adquisición y transformación de datos sin procesar en información significativa y útil para fines de análisis empresarial". [8]
Sentiment Analyzer es un marco tecnológico en el campo de Social BI que aprovecha los productos de Informatica . Está diseñado para reflejar y sugerir el cambio de enfoque de las empresas de los datos transaccionales a los modelos de análisis de comportamiento. Sentiment Analyzer permite a las empresas comprender la experiencia del cliente e idear formas de mejorar la satisfacción del cliente. [9]
Casos de uso comunes para análisis de redes sociales | Información empresarial necesaria | Técnicas de análisis de redes sociales | Métricas de rendimiento de las redes sociales |
---|---|---|---|
Segmentación de la audiencia de las redes sociales | ¿A qué segmentos apuntar para la adquisición, el crecimiento o la retención? ¿Quiénes son los defensores e influencias de la marca o el producto? | Análisis de redes sociales | Defensores activos, defensores de la influencia |
Descubrimiento de información en redes sociales | ¿Cuáles son los temas o temas relevantes para el negocio nuevos o emergentes? ¿Están surgiendo nuevas comunidades de influencia? | Procesamiento de lenguaje natural , procesamiento de eventos complejos | Tendencias de temas, índice de sentimiento |
Exposición e impacto en las redes sociales | ¿Cuáles son las percepciones de la marca entre los constituyentes? ¿Cómo se compara la marca con la competencia? ¿Qué canales de redes sociales se utilizan para debatir? | Análisis de redes sociales, procesamiento de lenguaje natural. | Alcance de la conversación, velocidad, participación en la voz, participación de la audiencia |
Inferencias del comportamiento de las redes sociales | ¿Cuál es la relación entre los temas y cuestiones relevantes para la empresa? ¿Cuáles son las causas de la intención expresa (compra, abandono, etc.)? | Procesamiento de lenguaje natural, agrupación en clústeres , minería de datos | Intereses o preferencias (tema), correlaciones , matrices de afinidad temática |
Impactos en la inteligencia empresarial
Investigaciones recientes sobre análisis de redes sociales han enfatizado la necesidad de adoptar un enfoque basado en inteligencia empresarial para recopilar, analizar e interpretar datos de redes sociales. [10] [11] Las redes sociales presentan una fuente de datos prometedora, aunque desafiante, para la inteligencia empresarial. Los clientes discuten voluntariamente productos y empresas, dando un pulso en tiempo real del sentimiento y la adopción de la marca. [12] Las redes sociales son una de las herramientas más importantes para los especialistas en marketing en el panorama de los medios en rápida evolución. Las empresas han creado puestos especializados para manejar su marketing en redes sociales. Estos argumentos están en línea con la literatura sobre marketing en redes sociales que sugiere que las actividades de las redes sociales están interrelacionadas y se influyen entre sí. [13]
Papel en la política internacional
Las posibilidades de los peligros de la analítica de redes sociales y la minería de redes sociales en la arena política se revelaron a fines de la década de 2010. En particular, la participación de la empresa de minería de datos Cambridge Analytica en las elecciones presidenciales de Estados Unidos de 2016 y el Brexit han sido casos representativos que muestran los peligros emergentes de vincular la minería de las redes sociales con la política. Esto ha planteado la cuestión de la privacidad de los datos para las personas y los límites legales que se crearán para las empresas de ciencia de datos en relación con la política en el futuro. Los dos ejemplos que se enumeran a continuación demuestran un futuro en el que los macrodatos pueden cambiar el juego de la política internacional. Es probable que la política y la tecnología evolucionen juntas a lo largo del próximo siglo. En los casos de Cambridge Analytica, los efectos de la analítica de redes sociales han resonado en todo el mundo a través de dos grandes potencias mundiales, Estados Unidos y Reino Unido.
Elecciones presidenciales de Estados Unidos de 2016
El escándalo que siguió a las elecciones presidenciales estadounidenses de 2016 involucró una relación a tres bandas entre Cambridge Analytica, la campaña de Trump y Facebook. Cambridge Analytica adquirió los datos de más de 87 millones [14] de usuarios inconscientes de Facebook y analizó los datos en beneficio de la campaña de Trump. Al crear miles de puntos de datos sobre 230 millones de adultos estadounidenses, la empresa de minería de datos tenía el potencial de analizar qué personas podrían ser inducidas a votar por la campaña de Trump y luego enviar mensajes o anuncios a dichos objetivos e influir en la mentalidad de los usuarios. Los votantes objetivo específicos podrían estar expuestos a mensajes a favor de Trump sin ser conscientes, ni siquiera, de la influencia política que se apodera de ellos. Esta forma específica de orientación en la que se presenta a individuos seleccionados una cantidad de publicidad de campaña superior a la media se denomina "micro orientación". [15] Sigue existiendo una gran controversia a la hora de medir la influencia que tuvo esta micro focalización en las elecciones de 2016. El impacto de los anuncios de micro-orientación y el análisis de datos de las redes sociales en la política no está claro a finales de la década de 2010, como un campo de tecnología de reciente aparición.
Si bien se trataba de una violación de la privacidad del usuario, la extracción de datos y el marketing dirigido socavaron la responsabilidad pública a la que las entidades de redes sociales ya no están sujetas, por lo tanto, torcieron el sistema electoral democrático y lo dejaron dominado por plataformas de "contenido generado por usuarios [que] polarizó el mensaje de los medios ". [dieciséis]
Brexit
Durante el referéndum del Brexit de 2016 , Cambridge Analytica generó controversia por su uso de los datos recopilados de las redes sociales. Un caso similar tuvo lugar en el que Cambridge Analytica adquirió una violación de los datos de Facebook y la utilizó para alentar a los ciudadanos británicos a votar para abandonar la Unión Europea en el referéndum de la UE de 2016 . [ cita requerida ] Además de Cambridge Analytica, varias otras empresas de datos como AIQ [ cita requerida ] y el Centro Psicométrico de la Universidad de Cambridge [ cita requerida ] fueron acusadas y luego investigadas por el gobierno británico por su posible abuso de datos para promover técnicas de campaña ilegales para el Brexit. [ cita requerida ] El referéndum terminó con el 51,9% de los votantes apoyando la retirada del Reino Unido de la Unión Europea. Esta decisión final impactó la política dentro del Reino Unido y envió ondas a las instituciones políticas y económicas de todo el mundo. [ cita requerida ]
Servicios comerciales
- BigChampagne (desaparecido)
- Buffer
- Klout
- Hoja social
- Panaderos sociales
- SocialMeter (pionero, ahora desaparecido) [17]
- Viralheat (desaparecido)
- Wildfire Interactive (adquirido por Google e integrado en Google Analytics )
Ver también
- Medición de redes sociales
- Análisis de los sentimientos
- Procesamiento de datos
- Minería de redes sociales
- Análisis de redes sociales
Referencias
- ^ Sponder, Marshall; Khan, Gohar F. (2017). Analítica digital para marketing . Nueva York, NY. ISBN 9781138190672. OCLC 975370877 .
- ^ a b c d e f Ganis, Matthew; Kohirkar, Avinash (2015). Análisis de redes sociales: técnicas y conocimientos para extraer valor comercial de las redes sociales . Nueva York: IBM Press. págs. 40-137. ISBN 978-0-13-389256-7.
- ^ "¿Qué son datos estructurados? - Definición de WhatIs.com" . WhatIs.com . Consultado el 6 de diciembre de 2016 .
- ^ Ganis, Matthew; Kohirkar, Avinash (2015). Análisis de redes sociales: técnicas y conocimientos para extraer valor comercial de las redes sociales . Nueva York: IBM Press. págs. 247–248. ISBN 978-0-13-389256-7.
- ^ Kitt, Denise (24 de mayo de 2012). "Explicación de las redes sociales empresariales" . Conmutador CRM . Consultado el 5 de noviembre de 2016 .
- ^ Steele, Julie (15 de febrero de 2012). "Por qué es importante la visualización de datos" . O'Reilly Media . Consultado el 11 de diciembre de 2016 .
- ^ a b c "Los tres elementos de las visualizaciones de datos exitosas" . Harvard Business Review . Consultado el 11 de diciembre de 2016 .
- ^ Adkison, D. (2013). "IBM Cognos Business Intelligence: Descubra el enfoque práctico de BI con IBM Cognos Business Intelligence". Birmingham, Inglaterra: Packt Publishing / Enterprise. http://site.ebrary.com/id/10701568
- ^ Glosario de TI, Gartner. "Social Analytics - Glosario de TI de Gartner". www.gartner.com. Consultado el 25 de febrero de 2015.
- ^ Umar Ruhi (2014), "Social Media Analytics como práctica de inteligencia empresarial: panorama actual y perspectivas futuras", Revista de redes sociales de Internet y comunidades virtuales , vol. 2014 (2014), ID de artículo 920553, DOI: 10.5171 / 2014.920553
- ^ Fan, W. y Gordon, MD (1 de junio de 2014). "El poder de la analítica de redes sociales". Asociación para Maquinaria de Computación. Comunicaciones de la ACM , 57, 6, 74.
- ^ Lu, Y., Wang, F. y Maciejewski, R. (01 de enero de 2014). "Inteligencia empresarial de las redes sociales: un estudio del VAST Box Office Challenge". Gráficos y aplicaciones informáticas IEEE , 34, 5.)
- ^ Saboo, AR, Kumar, V. y Ramani, G. (1 de septiembre de 2016). "Evaluación del impacto de las actividades de las redes sociales en las ventas de la marca humana". Revista internacional de investigación en marketing , 33, 3, 524-541.
- ^ Hanna, Mina; Isaak, Jim (14 de agosto de 2018). "Privacidad de los datos del usuario: Facebook, Cambridge Analytica y protección de la privacidad". IEEE . 51 (8): 56–59. doi : 10.1109 / MC.2018.3191268 .
- ^ Tarran, Brian (29 de mayo de 2018). "¿Qué podemos aprender del escándalo de Facebook-Cambridge Analytica?" . Importancia . 15 (3): 4–5. doi : 10.1111 / j.1740-9713.2018.01139.x .
- ^ Santos, Tiago; Louçã y Helder Coelho, Jorge; Coelho, Helder (19 de febrero de 2020). "La Transformación Digital de la Esfera Pública". Investigación de sistemas y ciencias del comportamiento . 36 (6): 778. doi : 10.1002 / sres.2644 .