Proceso de recopilación y análisis de datos de las redes sociales.
Un gráfico de moda para el término "teszt" en Twitter en una herramienta de monitoreo de redes sociales.
El análisis de redes sociales o el monitoreo de redes sociales es el proceso de recopilación y análisis de 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 habitualmente 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 del proceso, los analistas pueden definir una pregunta a 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]
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 sin procesar 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 no procesados adoptan las siguientes formas para traducirse en un mensaje exacto: datos ruidosos; datos relevantes e irrelevantes, datos filtrados; sólo datos e información relevantes; 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 datos no procesados, debemos comenzar a procesarlos, refinar el conjunto de datos incluyendo datos en los que queremos centrarnos y organizar los datos para identificar la información. En el contexto del análisis 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 red 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 considerarse son los siguientes:
Estructura : los datos estructurados son datos que se han organizado en un repositorio formateado (normalmente una base de datos ) para que sus elementos puedan ser accesibles para un procesamiento y análisis más efectivo. 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 del número de menciones.
Región : Es importante asegurarse de que los datos incluidos en el análisis sean únicamente 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 , querríamos asegurarnos de que los datos recopilados provengan únicamente de la India .
Tipo de contenido: El contenido de los datos podría ser Texto (texto escrito que sea fácil de leer y comprender si se conoce el idioma), Fotos (dibujos, bocetos simples o fotografías), Audio (grabaciones de audio de libros, artículos, charlas, o debates), o Vídeos (grabaciones, 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 recopilen los datos, el lugar adquiere mucha importancia.
Tiempo: Es importante recopilar datos publicados en el período 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? Éstas son las preguntas importantes que deben abordarse antes de recopilar datos.
[4] Proceso de análisis de redes sociales
Análisis de los datos
El análisis de datos es el conjunto de actividades que ayudan a transformar los datos sin procesar en conocimiento, 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 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. 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 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, 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 a nuestra disposición varias herramientas 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 en una tarea en particular. Por ejemplo, pensando en una nube de palabras , si tomamos una gran cantidad de datos sobre profesionales de la informática, digamos "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 dividir 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 existe una forma prescrita de hacer las cosas. [2]
La taxonomía y los conocimientos derivados de ese análisis son los siguientes:
Profundidad de análisis: estadísticas descriptivas simples basadas en datos en tiempo real , 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 obtener los resultados de un proyecto. Esto puede considerarse 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 tuvo el mayor número de "me gusta" durante el debate ?
¿Qué competidor está obteniendo más menciones en el contexto del negocio social ?
Capacidad de la máquina: la cantidad de CPU necesaria para procesar conjuntos de datos en un período de tiempo razonable. Las cifras de capacidad deben abordar no sólo las necesidades de 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 de rumbo inmediato. En el análisis casi en tiempo real, asumimos que los datos se incorporan a la herramienta a un ritmo inferior al del tiempo real. El análisis ad hoc es un proceso diseñado para responder a una única pregunta específica. El producto del 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 de análisis se clasifica ampliamente en redes sociales externas y redes sociales internas. La mayoría de las veces, cuando la gente usa el término redes sociales, se refiere a redes sociales externas. Esto incluye contenido generado desde 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 general acerca de los jugadores durante el transcurso del partido? ¿El público está transmitiendo un sentimiento positivo sobre el jugador que realmente está perdiendo el juego? En estos casos, el análisis se realiza tal cual llega. En este análisis, la cantidad de detalles producidos está directamente correlacionada con la complejidad de la herramienta o sistema analítico . Una herramienta altamente compleja produce más cantidades de 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 los datos están completamente recopilados. Realizar 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 la información
Las ideas derivadas del análisis pueden ser tan variadas como la pregunta original que se planteó en el paso uno del análisis. En esta etapa, como los usuarios empresariales no técnicos son los receptores de la información, la forma de presentar los datos adquiere importancia. ¿Cómo podrían los datos tener sentido de manera eficiente para poder utilizarlos 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 y relaciones subyacentes que contienen los datos. La exposición de los patrones y su comprensión juegan 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 asimilado por el consumidor de información. Es importante responder "¿Quién es la audiencia?" y "¿Puede asumir que la audiencia tiene conocimiento de las terminologías utilizadas?" Una audiencia de expertos tendrá expectativas diferentes a las de una audiencia general; por lo tanto, se deben considerar las expectativas. [7]
Establezca un marco claro: el analista debe asegurarse de que la visualización sea sintáctica y semánticamente correcta. Por ejemplo, cuando se utiliza un ícono, el elemento debe tener parecido con lo que representa, con tamaño, color y posición que comuniquen 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 sea fácil de recordar. Esto es importante en muchos escenarios en los que el analista no es la misma persona que toma las decisiones. [7]
Técnicas
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. [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 brinda un pulso en tiempo real sobre el 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 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. [11]
Moon e Iacobucci (2022) [12] se centraron en las aplicaciones de marketing del análisis 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 cada vez mayor que surge de las violaciones de datos en las redes sociales . De manera 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 plataformas de redes sociales. [14]
Muruganantham y Gandhi (2020) propusieron un modelo de toma de decisiones multicriterio (MCDM) para demostrar que las preferencias, sentimientos, comportamiento y datos de marketing de los usuarios de redes sociales están relacionados con el análisis de 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 a la inteligencia empresarial. [15]
Papel en la política internacional
Las posibilidades de los peligros del análisis y la minería de 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 que surgen al vincular la minería de 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 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 del análisis de redes sociales han resonado en todo el mundo a través de dos grandes potencias mundiales, Estados Unidos y el Reino Unido.
Elecciones presidenciales de Estados Unidos de 2016
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 inconscientes y los analizó en beneficio de la campaña de Trump. Al crear miles de puntos de datos sobre 230 millones de adultos estadounidenses, la empresa de extracción de datos tenía el potencial de analizar qué individuos podrían ser inducidos 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 entonces quedar expuestos a mensajes pro-Trump sin ser conscientes, siquiera, de la influencia política que se posa sobre ellos. Esta forma específica de segmentación, en la que a personas seleccionadas se les presenta una cantidad de publicidad de campaña superior a la media, se denomina "microorientación". [17] Sigue existiendo una gran controversia a la hora de medir la influencia que tuvo esta microfocalización en las elecciones de 2016. El impacto de los anuncios de microfocalización 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 tecnológico de reciente aparición.
Si bien esto fue 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 sea dominado por plataformas de "contenido generado por el usuario [que ] polarizó el mensaje de los medios”. [18]
Controversias sobre las elecciones presidenciales de Estados Unidos de 2020
Christopher Wylie habla en una protesta en la Plaza del Parlamento tras el escándalo de datos de Cambridge Analytica y Facebook.
Brexit
Durante el referéndum sobre el Brexit de 2016 , Cambridge Analytica generó controversia por el uso de datos recopilados de las redes sociales. Se produjo un caso similar en el que Cambridge Analytica adquirió una violación y 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 un 51,89% de los votantes apoyando la retirada del Reino Unido de la Unión Europea. Esta decisión final impactó la política dentro del Reino Unido y tuvo repercusiones en las instituciones políticas y económicas de todo el mundo. [27]
^ Sponder, Marshall; Khan, Gohar F. (2017). Analítica digital para marketing . Nueva York, NY. ISBN 9781138190672. OCLC 975370877.{{cite book}}: Mantenimiento CS1: falta el editor de la ubicación ( enlace )
^ abcdef Ganis, Mateo; 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. ISBN978-0-13-389256-7.
^ "¿Qué son los datos estructurados? - Definición de WhatIs.com". WhatIs.com . Consultado el 6 de diciembre de 2016 .
^ Ganis, Mateo; 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. ISBN978-0-13-389256-7.
^ Kitt, Denise (24 de mayo de 2012). "Explicación de las redes sociales empresariales". Cambio de CRM . Consultado el 5 de noviembre de 2016 .
^ Steele, Julie (15 de febrero de 2012). "Por qué es importante la visualización de datos". Medios O'Reilly . Consultado el 11 de diciembre de 2016 .
^ abc "Los tres elementos de una visualización de datos exitosa". Revisión de negocios de Harvard . Consultado el 11 de diciembre de 2016 .
^ Ruhi, Umar (2014). "Análisis de redes sociales como práctica de inteligencia empresarial: panorama actual y perspectivas futuras". Revista de redes sociales y comunidades virtuales de Internet : 1–12. doi : 10.5171/2014.920553 . S2CID 167544401.
^ Fan, W. y Gordon, MD (1 de junio de 2014). "El poder del análisis de redes sociales". Asociación para Maquinaria de Computación. Comunicaciones de la ACM , 57, 6, 74.
^ Lu, Y., Wang, F. y Maciejewski, R. (1 de enero de 2014). "Inteligencia empresarial a partir de las redes sociales: un estudio del VAST Box Office Challenge". Aplicaciones y gráficos por computadora 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 marcas humanas". Revista Internacional de Investigación en Marketing , 33, 3, 524-541.
^ Luna, Sangkil; Iacobucci, Amanecer (28 de febrero de 2022). "Análisis de redes sociales y sus aplicaciones en marketing". Fundamentos y Tendencias en Marketing . 15 (4): 213–292. doi : 10.1561/1700000073 . ISSN 1555-0753. S2CID 247201448. Archivado desde el original el 11 de diciembre de 2022 . Consultado el 11 de diciembre de 2022 .
^ Lucas, Michael; Zervas, Georgios (1 de diciembre de 2016). "Finge hasta lograrlo: reputación, competencia y fraude de reseñas en Yelp". Ciencias de la gestión . 62 (12): 3412–3427. doi :10.1287/mnsc.2015.2304. ISSN 0025-1909. Archivado desde el original el 11 de diciembre de 2022 . Consultado el 11 de diciembre de 2022 .
^ Luna, Sangkil; Kim, Moon-Yong; Bergey, Paul K. (1 de septiembre de 2019). "Estimación del engaño en las opiniones de los consumidores en función de términos extremos: análisis comparativo de plataformas de reservas hoteleras abiertas y cerradas". Revista de investigación empresarial . 102 : 83–96. doi :10.1016/j.jbusres.2019.05.016. ISSN 0148-2963. S2CID 181482746.
^ Muruganantham A.; Gandhi, G. Meera (1 de febrero de 2020). "Marco para análisis de redes sociales basado en el modelo de toma de decisiones multicriterio (MCDM)". Herramientas y aplicaciones multimedia . 79 (5): 3913–3927. doi :10.1007/s11042-019-7470-2. ISSN 1573-7721. S2CID 254869748.
^ 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. S2CID 52047339.
^ Tarran, Brian (29 de mayo de 2018). "¿Qué podemos aprender del escándalo de Facebook-Cambridge Analytica?". Significado . 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. S2CID 210550036.
^ Craig Silverman, Craig Timberg, Jeff Kao y Jeremy B. Merrill. (4 de enero de 2022). "Facebook organizó una oleada de desinformación y amenazas de insurrección en los meses previos a enero. Ataque del 6, según muestran los registros". Sitio web de Defense One Archivado el 9 de enero de 2022 en Wayback Machine . Consultado el 8 de enero de 2021.
^ Craig Timberg, Elizabeth Dwoskin y Reed Albergotti. (22 de octubre de 2021). "Dentro de Facebook, la violencia del 6 de enero alimentó la ira y el arrepentimiento por las señales de advertencia pasadas por alto". Sitio web del Washington Post Archivado el 22 de octubre de 2021 en Wayback Machine . Consultado el 8 de enero de 2022.
^ ab "Cambridge Analytica 'no participa' en el referéndum sobre el Brexit, dice el organismo de control". Noticias de la BBC . 2020-10-07. Archivado desde el original el 7 de octubre de 2020 . Consultado el 13 de junio de 2022 .
^ "Cambridge Analytica no hizo un mal uso de los datos en el referéndum de la UE, dice el organismo de control". el guardián . 2020-10-07. Archivado desde el original el 13 de junio de 2022 . Consultado el 13 de junio de 2022 .
^ "AggregateIQ creó el software electoral de Cambridge Analytica y aquí está la prueba". Gizmodo . 2018-03-26. Archivado desde el original el 25 de abril de 2018 . Consultado el 13 de junio de 2022 .
^ Oficina del Comisionado de Investigación (6 de noviembre de 2018). "Investigación sobre el uso de análisis de datos en campañas políticas" (PDF) : 116. Archivado (PDF) desde el original el 9 de agosto de 2022 . Consultado el 13 de junio de 2022 .{{cite journal}}: Citar diario requiere |journal=( ayuda )
^ "Facebook suspende a la empresa canadiense AggregateIQ por escándalo de datos". CNBC . 2018-04-07. Archivado desde el original el 7 de abril de 2018 . Consultado el 13 de junio de 2022 .
^ "La empresa de datos violó las leyes de privacidad canadienses al participar en campañas estadounidenses y Brexit: investigación". Reuters . 2019-11-26. Archivado desde el original el 13 de enero de 2020 . Consultado el 13 de junio de 2022 .
^ "Resultados y participación en el referéndum de la UE". www.electoralcommission.org.uk . 2019-09-25. Archivado desde el original el 1 de abril de 2021 . Consultado el 23 de octubre de 2022 .
