Análisis de redes sociales

De Wikipedia, la enciclopedia libre
Ir a la navegación Ir a la búsqueda

El análisis de redes sociales es un área de investigación enfocada en el estudio de las redes sociales, que a diferencia de las ciencias sociales y las ciencias de la conducta, da una importancia preponderante a las interrelaciones existentes entre las entidades que interactúan en la red.[1]

De aquí surgen otras subdisciplinas como el análisis de medios sociales, que es el proceso de recopilación de datos de medios sociales, su procesamiento e interpretación para obtener conocimientos estructurados que conduzcan a decisiones empresariales orientadas por la información y una mayor cercanía con el cliente para marcas y negocios.[2]

Tipos de análisis[editar]

El análisis de medios digitales es un área interdisciplinaria que se utiliza en ciencias sociales y ciencias de la computación de manera intercambiable. Prové una huella humana de seguimiento para el científico social que podría utilizarse en una amplia gama de disciplinas tales como la sociología, la ciencia política y la geografía. Las redes sociales brindan dos contextos amplios desde la perspectiva de los científicos sociales: proporciona una amplia gama de datos en disciplinas ya bien establecidas, y, a veces, pueden ser un insumo fundamental para validar o rechazar supuestos subyacentes a la teoría social. Los científicos políticos pueden seguir el desarrollo de la protesta política en línea[3]​ y el intercambio de información entre comunidades de diferentes idiomas.[4]​ Mientras tanto, es muy difícil conectar la comprensión científica de lo social a los datos de los medios sociales. Por ejemplo, el concepto convencional de amistad casi no se aplica al concepto de amistad de las redes sociales.[5]

El análisis de redes sociales es una práctica cada vez más habitual en la industria. Es utilizada en diferentes enfoques sobre las decisiones de negocio, marketing, servicio al cliente, gestión de la reputación, ventas y otros.[6]​ Hay una variedad de herramientas que ofrecen análisis de medios sociales. La lógica detrás de los algoritmos que están diseñados para estas herramientas es la selección, el procesamiento previo de datos, la transformación, la minería y la evaluación de patrones ocultos.

"Análisis de redes sociales es el arte y la ciencia de la extracción de valiosos conocimientos ocultos de grandes cantidades de datos semi-estructurados y no estructurados de los medios sociales para habilitar la toma de decisiones informadas y acertadas. Es una ciencia, ya que implica una forma sistemática de identificar, extraer y analizar datos de los medios sociales (tales como tweets, acciones, gustos, e hipervínculos), así como el uso de herramientas y técnicas sofisticadas. Es también un arte, la interpretación y la alineación de los conocimientos adquiridos con objetivos de negocio. Para obtener el valor de los datos, uno debe dominar tanto su arte como su ciencia."[7]

Dependiendo de los objetivos de negocio, se pueden adoptar cuatro formas diferentes, a saber: análisis descriptivo, análisis de diagnóstico, análisis predictivo y análisis prescriptivo.[8]

Tipos de datos[editar]

Las fuentes de medios digitales para el análisis de redes sociales incluyen canales de redes sociales, blogs, foros, sitios para compartir imágenes, sitios para compartir videos, agregadores, clasificados, quejas, preguntas y respuestas, reseñas, Wikipedia y otros.

Los medios sociales tienen un mínimo de siete capas de datos. Entre ellas, algunas son visibles o fácilmente identificables (por ejemplo, texto y/o acciones), y otras son invisibles (por ejemplo, hipervínculos y redes).

  • datos textuales (como los Tweets y comentarios)
  • datos de la red (tales como amistades de Facebook, y seguimiento de Twitter)
  • acciones (tales como me gusta, acciones, opiniones)
  • hipervínculos (por ejemplo, enlaces incrustados dentro del texto)
  • datos móviles (por ejemplo, la aplicación móvil de datos)
  • datos de ubicación
  • motores de búsqueda de datos

Con el fin de hacer el proceso completo de análisis de medios sociales un éxito es importante definir indicadores clave de rendimiento para evaluar objetivamente los datos. La homofilia se usa como una parte de la analítica, es una tendencia a que el contacto entre personas similares ocurra a un ritmo mayor que entre personas diferentes. De acuerdo con la investigación, dos usuarios que siguen recíprocamente comparten intereses actuales extrayendo sus miles de enlaces. Todos estos se utilizan para tomar decisiones comerciales importantes en los sectores de redes sociales.

Proceso de análisis[editar]

Hay tres pasos principales en el análisis social de las redes sociales: identificación de datos, análisis de datos e interpretación de información. La forma preferida de maximizar el valor derivado en cada punto durante el proceso, los analistas pueden definir una pregunta a ser respondida. Al tratar de analizar la pregunta, los analistas pueden pensar como detectives, siempre haciendo preguntas importantes; "¿Quién? ¿Qué? ¿Dónde? ¿Cuándo? ¿Por qué? ¿Cómo?" Estas preguntas ayudan a determinar las fuentes de datos adecuadas para evaluar, lo que puede afectar en gran medida el tipo de análisis que se puede realizar.[9]

Khan sugiere que el análisis de redes sociales es un proceso iterativo de seis pasos:[7]

  • Paso 1 Identificación: Búsqueda e identificación de la fuente de información correcta para fines analíticos.
  • Paso 2 Extracción: una vez que se identifica una fuente confiable y minable de datos de redes sociales, luego viene la extracción de los datos a través de API o manualmente.
  • Paso 3 Limpieza: este paso implica la eliminación de los datos no deseados de los datos extraídos automáticamente.
  • Paso 4 Análisis: A continuación, se analizan los datos limpios para obtener información comercial. Dependiendo de la capa de análisis de medios sociales que se considere y de las herramientas y algoritmos empleados, los pasos y el enfoque dependerán en gran medida.
  • Paso 5 Visualización: Dependiendo del tipo de datos, la parte de análisis conducirá a visualizaciones relevantes para una comunicación efectiva de los resultados.
  • Paso 6 Interpretación o consumo: este paso se basa en los juicios humanos para interpretar el conocimiento valioso de los datos visuales. La interpretación significativa es de particular importancia cuando se trata de análisis descriptivos que dejan lugar a diferentes interpretaciones.

Identificación de datos[editar]

La identificación de datos es el proceso de identificación de los subconjuntos de datos disponibles para enfocar el análisis. La información en sí misma es inútil a menos que se interprete, una vez que comenzamos a analizar los datos, comienza a ser útil ya que transmite un mensaje. Cualquier información que transmite un mensaje significativo se convierte en información. En un nivel alto, los datos no procesados pueden ser: datos ruidosos; datos irrelevantes, datos filtrados; datos que transmiten un mensaje vago. Para extraer información de los datos debemos procesarlos, refinar el conjunto de datos a incluir y en los que queremos centrarnos, y organizarlos.

En el contexto del análisis de redes sociales, la identificación de datos significa definir qué contenido nos interesa. Los atributos de los datos que deben ser considerados son los siguientes:

  • Estructura: datos estructurados son datos que han sido organizados en un formato de repositorio -normalmente una base de datos- a fin de obtener un efectivo procesamiento y análisis. Los datos no estructurados, por el contrario, no están organizados ni formateados.[10]
  • Idioma: el Idioma se convierte en significativo, si queremos saber el sentimiento de un post en lugar de número de menciones.
  • Región: es importante asegurarse de que los datos incluidos en el análisis sólo sean de esa región del mundo donde el análisis se centra. Por ejemplo, si el objetivo es identificar el problemas de agua limpia en India, debe asegurarse que los datos recogidos son de India solamente.
  • Tipo de contenido: El contenido de los datos podría ser: texto; fotos, (dibujos, bocetos simples o fotografías); audio; grabaciones de audio de los libros, artículos, charlas o debates; vídeos, grabación, transmisión de secuencias en directo.
  • Origen: el contenido de las redes sociales se está generando en una variedad de lugares tales como sitios de noticias, 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 recoger los datos se publican en el marco de tiempo que está siendo analizado.
  • Propiedad: ¿Es la información privada o públicamente disponible? ¿Existe derecho de autor sobre los datos? Estas son las preguntas que deben ser abordadas antes de la recogida de datos.

Análisis de datos[editar]

El análisis de datos es el conjunto de actividades que ayudan a transformar los datos en bruto en conocimiento y valor de negocio. En otras palabras, el análisis de datos es la fase que toma los datos filtrados como entrada y los transforma en información para los analistas. Muchos tipos diferentes de análisis se pueden realizar con los datos de los medios sociales. El paso de análisis de datos comienza una vez que sabemos cuál es el problema que queremos resolver y saber que tenemos la suficiente cantidad de datos para generar un resultado significativo.

El desarrollo de un modelo de datos es un proceso o método que utilizamos para organizar los elementos de datos y normalizar el uso de los elementos de datos individuales que se relacionan entre sí. Este paso es importante porque queremos ejecutar un programa de ordenador sobre los datos; necesitamos una manera de decirle a la computadora qué palabras o temas son importantes y si ciertas palabras se relacionan con el tema que estamos explorando.[11]

Algunas herramientas pueden hacer un buen trabajo para determinar sentimientos, mientras otras pueden hacer un mejor trabajo en descomponer el texto en una forma gramatical, lo que permite entender mejor el significado y uso de distintas palabras o frases. En el análisis de nuestros datos, es útil tener varias herramientas disponibles a nuestro alcance para obtener una perspectiva diferente sobre los debates que tienen lugar en torno al tema. El objetivo aquí es configurar las herramientas para enfocar en una tarea en particular. Es un enfoque iterativo, ya que no hay forma establecida de hacer las cosas.

La taxonomía y el perspectivas derivados de dicho análisis son los siguientes:

  • Profundidad de análisis: Simple estadística descriptiva basada en la transmisión de datos, análisis ad hoc sobre datos acumulados o análisis profundo realizado sobre los datos acumulados. Esta dimensión de análisis es realmente impulsada por la cantidad de tiempo disponible para llegar a los resultados de un proyecto. Esto puede ser considerado como un amplio continuo, donde el análisis de los rangos de tiempo de pocas horas en uno de los extremos de varios meses en el otro extremo. Este análisis puede responder al siguiente tipo de preguntas:
    • ¿Cuántas personas mencionan Wikipedia en sus tweets?
    • ¿Qué político tuvo el mayor número de "me gusta" durante el debate?
    • ¿Qué competidor recopila la mayoría de las menciones en los medios sociales?
  • Capacidad de cálculo: La cantidad de CPU necesario para procesar el conjunto de datoss en un período de tiempo razonable. La capacidad de los números necesidad de abordar no sólo la CPU necesidades, sino también la capacidad de la red necesarias para recuperar los datos. Este análisis puede ser realizado en tiempo real, en tiempo casi real, ad hoc de la exploración y el análisis profundo.
  • Dominio de análisis: El dominio del análisis es clasificar ampliamente en medios sociales externos e internos de medios de comunicación social. La mayoría de las veces cuando la gente utiliza el término medios sociales refiere a sitios como Twitter, Facebook y LinkedIn. También podría tratarse de una red corporativa, que es una red social privada se utiliza para facilitar la comunicación dentro de la empresa.[12]
  • Velocidad de los datos: La velocidad de datos en los medios sociales se pueden dividir en dos categorías: los datos en reposo y los datos en movimiento. Los datos en movimiento pueden responder a preguntas tales como: ¿Cómo es que los sentimientos del público sobre los jugadores cambian durante el transcurso del partido?, ¿la multitud tranmite un sentimiento positivo sobre el jugador que está perdiendo el juego?. En este análisis, la cantidad de detalle que se produce está directamente relacionado con la complejidad de la herramienta analítica o sistema. El segundo tipo de análisis es un análisis de los datos en reposo. En este caso, el análisis se realiza una vez que los datos son totalmente recogidos. Este análisis puede proporcionar información tal como: ¿qué productos de su empresa tienen la mayoría de las menciones?, ¿Cuál es la relación de sentimiento en torno a sus productos en comparación con productos de un competidor?

Interpretación de la información[editar]

En la medida en que usuarios no técnicos serán los receptores de la información, la forma de presentación de los datos se convierte en algo importante. ¿Cómo podrían los datos dar sentido de manera eficiente para que pudieran ser utilizados en la toma de decisiones buena? La visualización de gráficos de la información es la respuesta a esta pregunta.[13]

Los mejores visualizaciones son las que exponen algo nuevo sobre los patrones y relaciones que contienen los datos. La exposición de los patrones y la comprensión de ellos juegan un papel clave en el proceso de toma de decisiones. Principalmente existen tres criterios a considerar en la visualización de los datos.

Siguientes son algunos de los gráficos que se utilizan para la visualización de la información:

  • Gráfico circular: gráficos circulares son los más utilizados para ilustrar la descomposición de una sola dimensión, como se relaciona con el todo. Por ejemplo, para representar el número de puestos de digamos 10 usuarios en 24 horas.
  • Gráfico de barras: los gráficos de barras son útiles para comparar grupos de datos.
  • Gráfico de líneas: los gráficos de líneas funcionan mejor para los datos continuos, los datos de los cambios a través del tiempo.
  • Gráfico de dispersión: diagramas de dispersión pueden ser utilizado para representar una tendencia o la dirección de los datos.

Papel en la inteligencia de negocios[editar]

La inteligencia de negocios puede ser descrita como "un conjunto de técnicas y herramientas para la adquisición y transformación de los datos en bruto en información práctica y útil para el análisis de negocio".[14]

Casos de Uso Conocimiento Técnicas Métricas De Rendimiento
Segmentación de Audiencia A qué segmentos apuntar para adquisición, crecimiento o retención?

¿Quiénes son los defensores o influencers para la marca o producto?

Análisis de red social Defensores activos

Partidarios

Descubrimiento de

Información

¿Cuáles son los nuevos

negocios emergentes?

¿Están emergiendo nuevas comunidades de influencia?

Procesamiento de lenguaje natural

Procesamiento de eventos complejos

Tendencias del tema

Relación de sentimiento

Exposición e Impacto ¿Cuáles son las percepciones de la marca? ¿Cómo se comparar con los competidores?

¿Qué medios sociales están siendo utilizados

para la discusión?

Análisis de red social

Procesamiento de Lenguaje Natural

Alcance de la conversación

Participación de la audiencia

Inferencias de

Comportamiento

¿Cuál es la relación entre temas relevantes y problemas?

¿Cuáles son las causas para la intención de compra?

Procesamiento de Lenguaje Natural

Agrupación de datos

Minería de datos

Intereses o

preferencias

Correlación de temas

Matrices de afinidad

Herramientas de análisis[editar]

Algunas de las herramientas de análisis más utilizadas son:

  • Google Analytics
  • Mixpanel
  • Keen.io
  • Ojo de la cerradura
  • Tableau
  • TrackerTracker
  • Ghostery

Véase también[editar]

Referencias[editar]

  1. Wasserman y Faust, 1994, p. 4.
  2. IT Glossary, Gartner. «Social Analytics - Gartner IT Glossary». www.gartner.com. Consultado el 25 de febrero de 2015. 
  3. SEGERBERG, ALEXANDRA; BENNETT, W. LANCE (2011). «Social Media and the Organization of Collective Action: Using Twitter to Explore the Ecologies of Two Climate Change Protests». The Communication Review 14: 197-215. Archivado desde el original el 28 de marzo de 2016. Consultado el 6 de octubre de 2019. 
  4. Bruns, Axel; Burgess, Jean; Highfield, Tim (2013). «The Arab Spring and Social Media Audiences: English and Arabic Twitter Users and Their Networks». www.sagepub.com. Queensland University of Technology, Brisbane, Australia. Consultado el 1 de noviembre de 2016. 
  5. Tinati, Ramine; Phillippe, Olivier; Pope, Catherine; Carr, Leslie; Halford, Susan (2011). «Challenging Social Media Analytics: Web Science Perspectives». ACM: 3-4. 
  6. Search Business Analytics, Tech Target. «Social Media Analytics». techtarget.com. Consultado el 25 de febrero de 2015. 
  7. a b Khan G. F., 2015, seven layers of social media analytics: Mining business insights from social media text, actions, networks, hyperlinks, apps, search engine, and location data, CreateSpace Independent Publishing Platform.
  8. 4 types of social media analytics: https://www.sociallistening.co.nz/single-post/4-types-of-social-media-analytics
  9. Ganis, Matthew; Kohirkar, Avinash (2015). Social media Analytics: Techniques and insights for Extracting Business Value Out of Social Media. New York: IBM Press. pp. 40-137. ISBN 978-0-13-389256-7. 
  10. «What is structured data? - Definition from WhatIs.com». WhatIs.com (en inglés estadounidense). Consultado el 6 de diciembre de 2016. 
  11. Numeric Computation and Statistical Data Analysis on the Java Platform. Springer. 2016. ISBN 978-3-319-28531-3. 
  12. «Enterprise Social Networks Explained» (en inglés estadounidense). 24 de mayo de 2012. Consultado el 5 de noviembre de 2016. 
  13. «Why data visualization matters». 15 de febrero de 2012. Consultado el 11 de diciembre de 2016. 
  14. Adkison, D. (2013). IBM Cognos business intelligence : Discover the practical approach to BI with IBM Cognos business intelligence. Birmingham England: Packt Publishing/Enterprise. http://site.ebrary.com/id/10701568

Bibliografía[editar]

  • Wasserman, Stanley; Faust, Katherine (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.