<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1500086133623123&amp;ev=PageView&amp;noscript=1">

Somos un integrador de soluciones de TI y proveedor de servicios gestionados.

¿Es confiable la información para el análisis de redes sociales?

Publicado el 9/05/17 8:00

Hoy día no parece imaginable el plantearse el rediseño de un producto o programar el lanzamiento de una campaña publicitaria sin el análisis de redessociales. Los medios de comunicación social han dado a los consumidores mucho más poder del que nunca antes habían ostentado. El boca a boca se ha magnificado y, si bien las recomendaciones llegan a más personas que nunca, también lo hacen las quejas o las críticas.


analisis_de_redes_sociales.jpg

Créditos fotográficos: matt_benoit

Con las herramientas correctas de análisis de sentimientos, se pueden medir el tono, la actitud y los matices lingüísticos detrás de la información subjetiva, facilitando conseguir una mejor comprensión de las opiniones de los clientes sobre el producto y la empresa.

 

Descarga la Guía sobre Social Media Analytics e inteligencia de cliente

 

Según datos de InternetLiveStats, cada día se generan 500 millones de tweets y cada minuto 510.000 comentarios de Facebook… aunque también se ha comprobado la existencia de 83 millones de perfiles falsos en esta red (Zephoria). Las herramientas de análisis de redes sociales ya no se seleccionan fijándose únicamente en su capacidad de integración con el data warehouse o los entornos de business intelligence. Lo más importante ya no es el cómo aprovechar esta información tan valiosa, sino de qué modo asegurar su calidad y autenticidad.

Tweets maliciosos, Likes falsos… la manipulación de la información procedente de las redes sociales es una realidad. Ejemplo de ello son:

  • El intento de contratación de personas para que escribiesen comentarios falsos a través de perfiles de Yelp o Google reviews que la mismas webs de revisión de negocios destaparon.
  • Las falsas valoraciones negativas en la web de Amazon, que obligaron al minorista a llevar a juicio a más de 1.000 personas responsables de publicar estos falsos comentarios acerca de productos de la competencia.

Si bien en estas situaciones puede recurrirse a otras webs, como FakeSpot, cuando se trata de comprobar la veracidad de tweets o comentarios en Facebook o redes sociales la solución no es tan sencilla. Pero existen distintas opciones para poder seguir confiando en el análisis de redes sociales.

 

El análisis de redes sociales es una cuestión de metadatos

Los datos procedentes del social media son de gran valor a la hora de entender el comportamiento de los consumidores y las tendencias del mercado. Sin embargo, los datos extraídos de este medio para el análisis de redes sociales pueden ser erróneos, o podrían haberse originado de una fuente malintencionada. Es preciso prestar atención a la gestión de la calidad de este tipo de información.

Para devolver al análisis de redes sociales la fiabilidad que los usuarios de negocio precisan, existen 3 posibles soluciones que las compañías pueden aplicar:

  1. Métodos de aprendizaje automático: ¿se puede saber si la información proviene de una campaña de spam? ¿Pueden los analistas de negocio estar seguros de que no contiene datos falsos? La respuesta a ambas cuestiones es sí, cuando se cuenta con herramientas que permitan analizar y predecir la credibilidad de los medios de comunicación social.
  2. Marcos de análisis: desarrollar un framework para la gestión de la calidad de los datos en los medios de comunicación social es una alternativa que también da buenos resultados. Puede considerarse, sobre todo, como un apoyo para el filtrado previo.
  3. Diseño de una arquitectura de referencia para la gestión de la calidad de datos en los medios de comunicación social: esta solución tiene como objetivo facilitar el diseño de aspectos de gestión de calidad en arquitecturas de implementación de grandes sistemas de datos.

En el análisis de redes sociales hay que actuar con precaución. Por ejemplo, ¿qué sucedería en el caso de una empresa que utilizase el análisis de sentimiento aplicado a tweets para el desarrollo de productos? Si se basa en datos falsos, la desviación de las conclusiones del análisis llevaría a esta compañía a lanzarse a hacer una inversión nada rentable que podría, incluso, terminar afectando a su imagen como empresa.

Para evitar este tipo de situaciones, podría resultar interesante desarrollar un instrumento para la gestión de la calidad de los datos, que permita la evaluación, el filtrado y la consulta de información de calidad relacionada con cada tweet.

A la hora de crearlo, habría que tener en cuenta que:

  • Se debería basar en reglas definidas por el usuario.
  • Podrían ser requeridas diferentes métricas para la evaluación de los atributos de calidad.
  • Resultaría recomendable, en todo caso, limpiar o filtrar los datos de los medios sociales antes de analizar su calidad

La solución es crear una capa de calidad de metadatos en la que almacenar reglas de calidad que incluyan los atributos, políticas, métricas y perfil necesarios para administrar la calidad de los conjuntos de datos.

¿Por qué esta solución arquitectónica? Los metadatos contienen información sobre conjuntos de datos en diferentes dimensiones, incluidos aspectos de calidad y, planteando la comprobación de la fiabilidad de la información para el análisis de redes sociales de esta forma, se podría integrar el filtro en los procesos de negocio permitiendo ajustarlo al punto de vista del usuario final.

Tal y como exponen en el Journal of Big Data, en su informe sobre arquitectura de gestión de calidad para datos de redes sociales; puntualidad, relevancia y popularidad podrían seleccionarse como los atributos de calidad más interesantes relacionados con los tweets. Una vez definidas las necesidades de los usuarios en referencia a esta red social, podría continuarse determinando los atributos más relevantes para otras redes sociales, como Facebook o LinkedIn.

El análisis de redes sociales no deja de evolucionar. Por una parte, las nuevas herramientas permiten llegar cada vez más lejos mientras que, por otra, la evolución en las costumbres y hábitos de quienes las emplean plantea nuevos retos, como el relacionado con la fiabilidad de los datos.

A la vez que se va haciendo frente a los desafíos actuales, la tecnología aplicada a lograr una mayor compresión de los clientes y seguidores continúa avanzado. La computación consciente de la emoción, que es como se denomina al trabajo en el reconocimiento de la expresión facial, permite traducir una sonrisa en datos en función de su duración, amplitud y del número de músculos faciales que participen en su generación. Algunos proveedores ya ofrecen software en esta dirección, aunque, su proliferación plantea nuevas dudas. ¿Será verdad que la cara es el espejo del alma? ¿Lo demostrará así el futuro análisis de redes sociales orientado al reconocimiento facial? ¿Habrá alguna forma de detectar si la sonrisa o el enfado son reales o ficticios? De momento, lo importante es centrarse en poder resolver la cuestión acerca de la fiabilidad de la información para el análisis de redes sociales, todavía queda tiempo para ese otro cara a cara virtual.

 

Social media analytics