El análisis de redes sociales o el monitoreo de redes sociales es el proceso de recopilar y analizar datos de redes sociales como Facebook , Instagram , LinkedIn o Twitter . Una parte del análisis de redes sociales se llama monitoreo de redes sociales o escucha social . Los especialistas en marketing lo utilizan comúnmente para rastrear conversaciones en línea sobre productos y empresas. Un autor lo definió como "el arte y la ciencia de extraer información valiosa oculta de grandes cantidades de datos de redes sociales semiestructurados y no estructurados para permitir una toma de decisiones informada y perspicaz". [1]
Existen 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 obtenido en cada punto durante el proceso, los analistas pueden definir una pregunta que se debe responder. 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]
La identificación de datos es el proceso de identificar los subconjuntos de datos disponibles en los que centrarse para el análisis. Los datos sin procesar son útiles una vez que se interpretan. Una vez que se han analizado 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 no procesados toman las siguientes formas para traducirse en un mensaje exacto: datos ruidosos; datos relevantes e irrelevantes, datos filtrados; solo datos relevantes, información; datos que transmiten un mensaje vago, conocimiento; datos que transmiten un mensaje preciso, sabiduría; datos que transmiten un mensaje exacto y la razón detrás de él. Para obtener sabiduría de un dato no procesado, debemos comenzar a procesarlo, refinar el conjunto de datos incluyendo los datos en los que queremos centrarnos y organizar los datos para identificar la información. En el contexto del análisis de las 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 medio social 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:
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 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 de sentimiento, geografía, demografía , etc. El paso de análisis de datos comienza una vez que sabemos qué problema queremos resolver y sabemos que tenemos datos suficientes 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 saberlo a menos que comencemos a analizar los datos. Mientras analizamos si encontramos que los datos no son suficientes, reiteramos la primera fase y modificamos la pregunta. Si se cree que los datos son suficientes para el análisis, debemos construir un modelo de datos. [2]
Desarrollar un modelo de datos es un proceso o método que utilizamos para organizar los elementos de datos y estandarizar la forma en que los elementos de datos individuales se relacionan entre sí. Este paso es importante porque queremos ejecutar un programa informático sobre los datos; necesitamos una forma de indicarle 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, resulta útil tener varias herramientas a nuestra disposición para obtener una perspectiva diferente sobre las discusiones que se llevan a cabo en torno al tema. El objetivo aquí es configurar las herramientas para que rindan al máximo en una tarea en particular. Por ejemplo, si pensamos en una nube de palabras , si tomamos una gran cantidad de datos sobre profesionales de la informática, por ejemplo, el "arquitecto de TI", y construimos una nube de palabras, sin duda la palabra más grande en la nube sería "arquitecto". Este análisis también se refiere al 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 en gran medida un enfoque iterativo, ya que no hay una forma prescrita de hacer las cosas. [2]
La taxonomía y los conocimientos derivados de dicho análisis son los siguientes:
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 se puedan utilizar en la toma de decisiones acertadas? La visualización (gráficos) de la información es la respuesta a esta pregunta. [6]
Las mejores visualizaciones son aquellas que revelan algo nuevo sobre los patrones y relaciones subyacentes que contienen los datos. La exposición de los patrones y su comprensión desempeñan un papel fundamental en el proceso de toma de decisiones. Básicamente, hay tres criterios que se deben tener en cuenta al visualizar datos.
Las investigaciones recientes sobre el análisis de las redes sociales han puesto de relieve la necesidad de adoptar un enfoque basado en la inteligencia empresarial para recopilar, analizar e interpretar los datos de las redes sociales. [8] [9] Las redes sociales presentan una fuente de datos prometedora, aunque desafiante, para la inteligencia empresarial. Los clientes hablan voluntariamente sobre productos y empresas, lo que proporciona un pulso en tiempo real del sentimiento y la adopción de la marca. [10] 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 gestionar su marketing en las redes sociales. Estos argumentos están en línea con la literatura sobre marketing en las redes sociales que sugiere que las actividades de las redes sociales están interrelacionadas y se influyen entre sí. [11]
Moon y Iacobucci (2022) [12] se centraron en las aplicaciones de marketing de la analítica de redes sociales. Dichas aplicaciones incluyen el comportamiento del consumidor en las redes sociales, el impacto de las redes sociales en el desempeño de la empresa, la estrategia comercial, la gestión de productos/marcas, el análisis de redes sociales, la privacidad del consumidor y la seguridad de los datos en las redes sociales, y el contenido ficticio/sesgado en las redes sociales. En particular, la privacidad del consumidor y la seguridad de los datos son cada vez más importantes en el universo de las redes sociales dado el riesgo creciente que surge de las violaciones de datos en las redes sociales . En una línea similar, las publicaciones sospechosas en las redes sociales han aumentado significativamente junto con el crecimiento de las redes sociales. Luca y Servas (2015) [13] informaron que las empresas tienen un incentivo potencial para utilizar publicaciones falsas cuando tienen una mayor competencia. Por lo tanto, mejorar nuestra capacidad para identificar y monitorear publicaciones sospechosas (por ejemplo, reseñas falsas en Yelp) se ha convertido en una parte importante de la gestión de la plataforma de redes sociales. [14]
Muruganantham y Gandhi (2020) propusieron un modelo de toma de decisiones multicriterio (MCDM) para demostrar que las preferencias, los sentimientos, el comportamiento y los datos de marketing de los usuarios de las redes sociales están relacionados con el análisis de las redes sociales. Los usuarios de Internet están estrechamente conectados y muestran un alto grado de influencia mutua en la ideología social y las redes sociales, lo que a su vez afecta la inteligencia empresarial. [15]
Las posibilidades de los peligros de la analítica de las redes sociales y la minería de datos en las redes sociales en el ámbito político se revelaron a finales 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 datos en las redes sociales y la política. Esto ha planteado la cuestión de la privacidad de los datos de las personas y los límites legales que se deben crear 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 las redes sociales han resonado en todo el mundo a través de dos grandes potencias mundiales, Estados Unidos y el Reino Unido.
El escándalo que siguió a las elecciones presidenciales estadounidenses de 2016 involucró una relación tripartita entre Cambridge Analytica, la campaña de Trump y Facebook. Cambridge Analytica adquirió los datos de más de 87 millones [16] de usuarios de Facebook que no lo sabían 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 individuos podrían ser influenciados para votar por la campaña de Trump y luego enviar mensajes o anuncios a dichos objetivos e influir en la mentalidad del usuario. Los votantes objetivo específicos podrían entonces estar expuestos a mensajes a favor de Trump sin ser conscientes, incluso, de la influencia política que se asienta sobre ellos. Esta forma específica de segmentación en la que se presenta a individuos seleccionados una cantidad superior a la media de publicidad de campaña se conoce como "microsegmentación". [17] Sigue habiendo una gran controversia en la medición de la cantidad de influencia que tuvo esta microsegmentación en las elecciones de 2016. A fines de la década de 2010, el impacto de los anuncios de microsegmentación y el análisis de datos de las redes sociales en la política no estaba claro, ya que se trataba de un campo tecnológico de reciente aparición.
Si bien esto constituyó 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, distorsionando así el sistema electoral democrático y permitiendo que esté dominado por plataformas de “contenido generado por el usuario [que] polarizaron el mensaje de los medios”. [18]
El análisis de los grupos políticos de Facebook y las publicaciones realizadas por la empresa de análisis de redes sociales, CounterAction, han demostrado el papel de los gigantes de las redes sociales en movimientos de protesta como los intentos de revocar las elecciones presidenciales de Estados Unidos de 2020 y el ataque al Capitolio de Estados Unidos de 2021. [19] [20]
Durante el referéndum del Brexit de 2016 , Cambridge Analytica generó controversia por su uso de datos recopilados de las redes sociales. Tuvo lugar un caso similar en el que Cambridge Analytica sufrió una violación y adquirió datos de Facebook. Existía la preocupación de que hubieran utilizado los datos para alentar a los ciudadanos británicos a votar a favor de abandonar la Unión Europea en el referéndum de la UE de 2016. [21] Después de una investigación de tres años, en 2020 se concluyó que no había habido participación en el referéndum. [ 22] [21] Además de Cambridge Analytica, varias otras empresas de datos como AIQ [23] y el Centro Psicométrico de la Universidad de Cambridge [24] fueron acusadas y luego investigadas por el gobierno británico por su posible abuso de datos para promover técnicas de campaña ilegales para el Brexit. [25] [26] El referéndum terminó con el 51,89% de los votantes apoyando la retirada del Reino Unido de la Unión Europea. Esta decisión final afectó a la política dentro del Reino Unido y envió ondas a través de las instituciones políticas y económicas de todo el mundo. [27]
{{cite book}}
: Mantenimiento de CS1: falta la ubicación del editor ( enlace ){{cite journal}}
: Requiere citar revista |journal=
( ayuda )