¿Qué es lo que estamos midiendo?

Las dinámicas sociales fueron siempre las mismas desde el origen, compuestas por relacionarse y conversar. Partiendo desde las bases, los canales de medios sociales en internet permiten a las áreas de marketing medir cuestiones sobre estas dinámicas que en el pasado eran imposibles de medir.

Lo importante es saber que las relaciones y las conversaciones en torno a una marca son las mismas, la diferencia es que ahora son públicas y eso brinda un inmenso poder al consumidor, con una capacidad viral en ascenso.

Las áreas de marketing han sido siempre las responsables de investigar la demanda por medio de metodologías tradicionales y medir las tendencias para alimentar a las empresas de información para la toma de decisiones, y hoy son capaces de observar a sus cliente en forma espontánea y “tiempo real”.

¿Qué podemos medir en los Medios Sociales en Internet?

Comencemos por definir qué es una métrica: una medida numérica directa, utilizada en el mundo de los negocios para la evaluación y control de una variable en relación a una o más dimensiones.

En el entorno de los medios sociales las variables de medición son las interacciones sociales, que están dadas por tres dinámicas básicas.

1) Relacionamiento: En los medios sociales el relacionamiento está dado por la aceptación de relacionarse en una red social, medio tradicional, foro, blog u otros formatos que pueden surgir en el futuro. Este podría ser aceptar una invitación a conectar, registrarse o participar de un concurso, entre otros. En el resto de los medios sociales (foros, blogs y medios tradicionales on line) la relación se da por el simple hecho de formar parte de la comunidad o expresar opiniones.

2) Conversación: Los medios sociales permiten generar un dialogo entre muchos (“many-to-many”). Esto puede acontecer ante la existencia o no existencia de un relacionamiento previo.

3) Amplificación: Cuando el relacionamiento o conversación es pública, surge un proceso viral, por medio del cual se genera un proceso de amplificación de la relación o la conversación. El impacto viral dependerá tanto del mensaje comunicado, como de la influencia de los participantes y del tamaño de la audiencia receptora, impactando en ambos casos por medio de una correlación positiva.

Cabe destacar que todas estas dinámicas siempre existieron porque la vida social tiene origen desde el momento cero, sólo que ahora también es pública y las redes sociales permiten medirlas.

Volviendo a la definición de métrica ( medida numérica de una variable en sus diferentes dimensiones), también podemos identificar diferentes dimensiones para medir los estas tres interacciones sociales.

1)   Volumen (Cuánto): Medir en dimensión de cantidad de relaciones, conversaciones o amplificaciones. Son variables numéricas que simbolizan el impacto cuantitativo. El volumen de relaciones, conversaciones o amplificación en torno a una marca nos ofrece una métrica del poder de marca. Ese poder puede ser positivo o negativo, dependiendo de cómo, qué y dónde se esté hablando, pero es indiscutible que un volumen alto muestra que la marca en cuestión es importante, tiene poder.

2)   Tiempo (Cuándo): La dimensión de tiempo simboliza la evolución o un momento dado, siempre en torno a las tres dinámicas mencionadas. Es importante comentar aquí sobre la dimensión de “velocidad”, definida como volumen de la dinámica por tiempo (por ejemplo: volumen de comentarios en torno a una marca por hora). Las redes sociales son la plataforma que permitió que el motor de las relaciones sociales logren aumentar su velocidad de una manera nunca antes imaginada, cambiando el contexto de los negocios y dando mayor poder al consumidor.

3)   Sentimiento (Cómo): Es una dimensión cualitativa para simbolizar la emoción de cómo se están comunicando, amplificando o relacionando las personas en los medios sociales. Es una dimensión clave para entender la influencia, reputación o satisfacción del cliente hacia una marca. Existen diferentes técnicas manuales y automáticas (por medio de “Text minning”) para medir la complejidad de esta dimensión, dada por las características del lenguaje, la ironía, la jerga, entre otras cuestiones que se revisarán en otros capítulos con mayor nivel de detalle.

4)   Tópicos (qué): Es otra dimensión cualitativa sumamente importante y todavía más amplia que el sentimiento, pues se trata de todos los temas sobre los cuáles puede haber interés en torno a una marca. Puede haber temas que son recurrentes y temas que son esporádicos. Es importante especializarse por industria para saber cuáles son los temas recurrentes sobre los cuáles las personas están conversando, se está relacionando o se están viralizando. Un ejemplo podrían ser la cantidad de menciones comentando sobre el nivel de servicio de una empresa.

5)   Demografía (Quién): Es una dimensión definida para contabilizar la cantidad de autores (población) que están conversando, relacionando o amplificando. A su vez puede ser segmentada en torno al sexo, geografía, grupo de pertenencia, intereses, entre otras. Existe todavía un gran camino de evolución en dimensión y presentan un gran potencial en los horizontes de medición actuales.

6)   Autoridad (Quién): La dimensión de autoridad está definida como el impacto de una persona en el resto. Si bien en el entorno de los medios sociales todo es público, “many-to-many” (a menos que haya privacidad), hay ciertos líderes de opinión en cada industria o para una comunidad, cuyo impacto puede ser mayor. Poder detectarlos y segmentarlos o diferenciarlos permite generar otra dimensión del nivel de influencia.

7)   Presencia (dónde): Esta dimensión hace referencia a las diferentes plataformas o fuentes en donde la conversación o interacción está tomando lugar.

 ¿Cuáles son entonces las métricas disponibles en medios sociales?

Las métricas son la consecuencia de todas las combinaciones entre las dinámicas y sus dimensiones, que pueden ser vistas a través de una dimensión o múltiples dimensiones. Es aquí el gran valor de los medios sociales para las empresas, la posibilidad de medir variables no imaginadas en el pasado que aportan valor para diferentes áreas de la empresa (relaciones públicas, marketing, ventas, atención al cliente, investigación de mercado, desarrollo de producto, entre otras).

El problema es la gran cantidad de métricas. Si consideramos el siguiente cuadro es posible estimar miles de métricas. La cantidad podría considerarse todavía mayor si consideramos que cada red social propone nuevos nombres para las mismas métricas (Por ejemplo: “Funs” = “Followers”). A pesar de que luego el tratamiento por canal pueda ser distinto, a los fines de obtener una visión global sería importante unificar las mediciones.

La resolución del problema es aprender a medir lo importante. Los invito a pensar al respecto y me comprometo a escribirles sobre el tema en Julio de 2013.

Para usar el prototipo, simplemente ingrese en el textbox una pregunta en español del estilo ¿quién…?, ¿a quién…?, ¿con quién…?, ¿qué persona…?, ¿dónde…?, ¿hacia dónde…?, ¿cuál es el lugar…?, ¿en qué lugar…?, etc.

Tome en cuenta que la pregunta puede hacer referencia a información sobre una década específica, un año específico o un mes específico. Por ejemplo: ¿quién ganó las elecciones de 1983 en Argentina?

El Cerebro Mágico recopilará información de los sitios web más relevantes a la pregunta, según el ranking de Google a una consulta pre-procesada con la lógica de la lingüística computacional: (tokenización, lematización,
modelo de n-gramas).

Nota: Las respuestas siempre serán nombres propios de personas, lugares y organizaciones. Si bien el Cerebro Mágico reconoce preguntas con el encabezador ‘quiénes’ no procesará las respuestas esperables para este tipo de preguntas (sustantivos comunes en plural y no nombres propios). Es decir, el Cerebro Mágico no contestará preguntas cuyas plausibles respuestas sean términos como ‘los normandos‘, ‘el filósofo griego que nunca escribió una obra‘, etc., y sí en cambio preguntas cuyas respuestas podrían ser ‘Guillermo el Conquistador‘ o ‘Sócrates‘. En próximas versiones el Cerebro Mágico responderá éstas y muchas más (eventos históricos, causas y consecuencias, etc.).

Prueba el Cerebro Mágico aquí

http://labs.socialmetrix.com:2222/

Fernando Balbachan

Diego Dell’Era

Socialmetrix Labs

Cuatro candidatos pelean por el voto del pueblo: Enrique Peña Nieto, Josefina Vázquez Mota, Andrés Manuel López Obrador, Gabriel Quadri.

¿Cuál es la reputación online de cada uno de ellos? ¿Qué partido político está mejor posicionado?

Compartimos el siguiente reporte realizado con nuestra plataforma Echo, analizando las menciones recientes sobre el tema.

Reporte: Resultados de Partidos y candidatos en México Junio 2012

Este prototipo reconoce entidades de nombre propio, incluyendo aquéllas escritas en mayúsculas, minúsculas, con prefijos o sufijos de honoríficos, etc. También lleva a cabo una clasificación de dichas entidades, reconociendo nombres geográficos (Locations, LOC), personas (PER), organizaciones   (ORG), o entidades desconocidas (UNK).

Nuestro prototipo cuenta con un mecanismo de aprendizaje, de modo que si una entidad desconocida fue ingresada en letras mayúsculas, se guardará también su versión en letras minúsculas para futuros reconocimientos aprendidos.

Ud. puede ingresar un texto plano completo o subir un archivo de texto de grandes dimensiones para ser procesado.

Algunos ejemplos que pueden ser reconocidos como named entity son: Eduardo VI, Salón de Mujeres del Bicentenario, diego maradona, Dr. Frankenstein, etc.

Pruébalo aquí

http://labs.socialmetrix.com:3333

Fernando Balbachan

Diego Dell’Era

Socialmetrix Labs

Nuestra solución sigue tal enfoque simbólico de recursos léxico-gramaticales y reglas de sintaxis local y global. En forma temprana detectamos indicios como emoticones para dar veredictos de sentimiento. Luego, pasamos a la etapa de pre-procesamiento de texto: estandarización del texto y segmentación en unidades significativas menores a la oración, las cuales pasan a ser procesadas por un lematizador optimizado para el español (Freeling) con anotación morfosintáctica (POS-tagging). De esta manera, obtenemos lemas muy confiables por cada unidad de análisis, los cuales son valorados por nuestra propia ontología -similar a SentiWordNet- con más de 4.000 lemas anotados a mano. Finalmente, aplicamos reglas de cambios de modalidad para estructuras negadas y subjuntivo con modalidad irreal y reglas de polaridad para frases como sin respeto, imposible enojarse, etc.

Ver artículo completo a ser publicado en Revista Infosur nº6 de Junio 2012

http://socialmetrix.com/es/img/2012/06/INFOSUR_Balbachan_Dellera_2012.pdf

Fernando Balbachan

Diego Dell’Era

Socialmetrix Labs

WSD es una tarea importante en nuestro sistemas de ontologías para Social Media Monitoring (SMM). El branding o uso de nombres propios para denominar productos y marcas a veces recurre a palabras que, si bien transmiten desde el punto de vista del marketing los atributos de la marca, pueden interferir con otros usos en el lenguaje cotidiano. Las publicidades de Claro o Personal a menudo hacen uso de esa ambivalencia (como nombre propio o como palabra del lenguaje natural) y los humanos nunca dudan cuando se trata del nombre propio de la compañía telefónica celular Claro, del adjetivo claro (“un día claro”) o del sustantivo (“un claro de luna“). Ésta parece ser una tarea sencilla para una máquina, pero no lo es. La convención mayúsculas/minúsculas no siempre es la solución ideal ya que hay nombres propios que interfieren con otros nombres propios (la cerveza Quilmes vs. la localidad Quilmes en el Gran Buenos Aires vs. el club de fútbol homónimo) y porque, además, la gente no suele observar un especial apego a las normas gramaticales en la Web.

Esta tabla muestra la incidencia de los textos en donde ocurre la palabra “Claro/claro” haciendo referencia a la empresa (texto opinionado 4,6%) vs. la palabra coloquial del español (texto no opinionado 95,4%) durante un mes en feeds en español (blogs, web sites, foros, etc.) relacionados con telefonía celular. Nótese cómo un 25% de las veces la gente hace mención a la empresa sin apelar a la convención mayúsculas/minúsculas.

 En Socialmetrix Labs desarrollamos Disambiguator: un algoritmo entrenado para detectar las palabras clave (golden features) que caracterizan a un texto cuando los hablantes quieren hacer referencia a una marca y no a otros sentidos que puedan generar ambigüedad. Luego estipulamos un umbral de ocurrencia de dichas palabras en el ámbito de la palabra a desambiguar (ámbito local a nivel de la oración y ámbito global a nivel del texto). Estos umbrales son variables en función de la extensión del texto y de otros parámetros. De ese modo logramos reducir la ambigüedad de ciertos pares Claro/claro, Personal/personal, etc. en hasta un 70% con un error de sólo el 0,5% en decenas de miles de comentarios por mes.

Pruébalo aquí

http://labs.socialmetrix.com:9001/disambiguation

Fernando Balbachan

Diego Dell’Era

Socialmetrix Labs

IR representa todo un mundo de posibilidades. Por un lado, solemos dejar huellas de valiosa información demográfica en nuestro discurso: adjetivación que refiere al hablante en lenguas flexivas (como el español) cuando decimos “estoy enojado”, “me siento apesadumbrada”, “soy el último propietario del auto”. Pero mayormente, los datos aquí surgen de nuestra actividad no discursiva en redes sociales (meta data). Cuando nos registramos ante ciertas plataformas como Twitter o Facebook, cuando completamos los campos de un avatar de usuario dejamos indicios de nuestro sexo, ubicación geográfica, etc. Esta información resulta muy valiosa para las empresas, que así pueden aplicar técnicas de análisis por grupos etarios, sexuales, geográficos, etc. para perfiles de usuarios o clientes.

En Socialmetrix Labs desarrollamos un módulo de geolocalización que analiza strings de texto (incluso en inglés, español o cualquier otro idioma con caracteres latinos) en busca de información geográfica (países, ciudades, regiones o provincias, e incluso coordenadas de GPS) y devuelve un output estructurado con información completamente deducida a partir de simples nombres geográficos. Este proceso de deducción toma en cuenta la información explícita o implícita del string.

Pruébalo aquí

http://labs.socialmetrix.com:9001/geolocations

El módulo de geolocalización está integrado a Eventia, el producto de monitoreo de eventos en real time de Socialmetrix.

Fernando Balbachan

Socialmetrix Labs

Highlights

El candidato que logró la mayor popularidad online y obtuvo el mayor número de tweets a lo largo del día del debate fue Enrique Peña Nieto, quien alcanzó más de 328 mil tweets relacionados con su cuenta una vez finalizado el debate.

En segundo lugar se colocó Gabriel Quadri con 162,815 menciones y en tercer lugar Josefina Vázquez Mota con 105,821 menciones. Quien obtuvo el menor número de tweets fue Andrés Manuel López Obrador con 92,541 menciones.

En cuanto a porcentaje del volumen total de tweets relacionados a las cuentas de los candidatos, al inicio del día la participación era de:

Y al finalizar el debate el volumen había cambiado hacía:

Estos números dan la primera evidencia de que a lo largo del día del debate  la gente comenzó a hablar mucho más de Quadri y dejó de hablar del resto de los candidatos.

El candidato que sufrió el mayor desgaste porcentual fue Josefina Vázquez Mota que redujo su volumen de participación en casi un 30%. EPN lo redujo en 18% y AMLO descendió un 7%.

El candidato que logró el mayor crecimiento en volumen de tweets fue Gabriel Quadri, quien al finalizar el debate alcanzó un crecimiento del 2300% contra 610% de AMLO, 540% de EPN y 490% de Josefina.

En cuanto a hashtags, el que tuvo mayor difusión de la gente a lo largo del día fue #debate que alcanzó un total de 128,672 tweets.

El hashtag #elecciones 2012 pasó del tercer al séptimo lugar de los trending topics del debate, intercambiando posiciones con el hashtag #debate2012 que fue posicionándose a lo largo del día. Esto nos habla de como la conversación se enfocó en lo sucedido en el evento y fue dejando aparte el objetivo del mismo.

De los hashtags de los candidatos el más mencionado durante el día fue #amlo con 98,779 tweets, seguido de Enrique Peña Nieto con 68,335, Quadri con 43,741 y al final Josefina Vázquez Mota con 40,374.

Desde las 11 AM del 6 de mayo a las 6 AM del 7 de mayo, el hashtag que tuvo el mayor crecimiento porcentual fue #quadri el cual creció 2,651% rebasando a #jvm con 1092% en segundo lugar, siguieron #amlo con 876% y #epn con 770%.

Los seguidores de Peña Nieto se mantuvieron muy activos a lo largo del día del debate y cuentas como @AdelaSolares @Mujeres2012 @Quinto_Sector @psicgiio y @adrifadi se colocaron en los primeros cinco usuarios con más actividad desde el comienzo del monitoreo, alcanzando hasta 1,000 tweets en el caso de @AdelaSolares incluso previo al comienzo del debate.

Los tweets por hora durante el debate alcanzaron más de 50 mil relacionados a Peña Nieto, seguido por Gabriel Quadri con 37 mil, Josefina 18 mil y AMLO 16 mil.

De acuerdo a su geolocalización, los tweets se distribuyeron a lo largo de la República mostrando un mayor porcentaje acerca de Josefina Vázquez Mota  desde el centro al sureste y noreste del país, mientras que los que hablaban de Enrique Peña Nieto estaban principalmente en todo el oriente de la República bajando al centro hasta alcanzar la península de Yucatán.

Ingresa en Socialmetrix Labs y haz una prueba en español para ver cómo funciona SentiTweet. Al tratarse de una demo verás un feedback de 15 tweets como muestra de la capacidad de analizar miles de tweets al instante.

El ‘análisis automático de sentimiento’ es una tarea que cobra cada vez más importancia a medida que las redes sociales crecen. Consiste en ciertas reglas y procesos para clasificar opiniones sin intervención manual. Por eso estamos presentando el prototipo de ‘SentiTweet’, una nueva herramienta que determina si una opinión emitida en Twitter es positiva, neutral o negativa. ¿Tienes que analizar muchísimas opiniones de manera instantánea para poder evaluar el progreso de tu campaña o producto? ¿Necesitas graficar una tendencia de apreciación de tu marca y compararla con la de otros productos? ¿Quieres identificar a los usuarios que vienen hablando bien de ti? ¿Estás preocupado por esos tweets que de repente empezaron a criticar a tu producto, y quieres enterarte enseguida? El análisis automático de sentimiento es una de las estrategias que te pueden ayudar para decidir.

Vamos a continuar compartiendo proyectos dentro de Socialmetrix Labs, si te interesa trabajar con este tipo de tecnologías envíanos tus datos a jobs@socialmetrix.com.

En la búsqueda de nuevas funcionalidades para facilitar aún más la realización de los reportes que se obtienen de Socialmetrix Echo, hoy estamos contentos de presentarles una novedad al respecto, se trata de “Tags”, veamos cómo funciona y para qué sirve.

¿De qué se trata?

Las etiquetas o tags son clasificaciones que pueden ser aplicadas a todas las opiniones capturadas que visualizas en la plataforma.

Para crear una etiqueta debes posicionarte en cualquier comentario capturado por la plataforma y seleccionar del menú desplegable, la opción “[+] Nuevo Tag”.

Puedes elegir el nombre que desees y etiquetarlo a la cantidad de opiniones que necesites.

¿Para qué sirve?

Esto te posibilitará identificar las etiquetas y organizarlas, agruparlas o asociarlas bajo un mismo nombre, generar una sub-clasificación y usar esta etiqueta para generar reportes o exportar datos.

Para visualizar las opiniones etiquetadas tienes dos opciones: desde el botón “Exportar Comentarios” podrás exportar una serie de información que ahora incluye la columna Tags (puede ser solo una etiqueta o varias). La otra opción es mediante un gráfico de barras desde el Dashboard>Tags.

Hay mucho más por venir, estén atentos….

¡Buen análisis!

Marisol Castillo

Product Manager