4 ejemplos de herramientas de monitoreo y escucha de redes sociales: machine learning, deep learning...

El término inteligencia artificial(IA) para el monitoreo y la escucha de redes sociales o social listening, a menudo se utiliza en exceso. Se ha convertido en un eje de marketing que lamentablemente designa a veces algoritmos, bien diseñados, pero que quedan lejos de lo que debería hacer la IA.

La inteligencia artificial es cuando los sistemas o máquinas realizan actividades o tareas imitando la inteligencia humana (funciones cognitivas, como el aprendizaje y la resolución de problemas) y de igual manera, tienen la capacidad de mejorarlas a partir de información recolectada. La IA debe permitir a los sistemas digitales, desarrollar capacidades de juicio para captar los comentarios y opiniones en la web relevantes y procesar estos datos, independientemente de la programación previa realizada por el humano.

En Digimind, hablaremos más de los algoritmos de machine learning, deep learning, y otras tecnologías utilizadas por las herramientas de monitoreo y escucha de redes sociales como el Procesamiento del Lenguaje Natural (PLN o NLP en inglés).

Aquí te mostramos 4 ejemplos de tecnologías utilizadas por las mejores herramientas de monitoreo, escucha y análisis de redes sociales para hacer su uso más fácil y rápido, y mostrar resultados más relevantes.

I. El procesamiento del lenguaje natural

El procesamiento del lenguaje natural (PLN) o NLP (Natural Language Processing) permitirá calificar y agrupar millones de datos y mensajes recopilados en la web, los foros de discusión y las redes sociales.

Esta tecnología funciona con cientos de idiomas y dialectos y con modelos de análisis estadísticos y semánticos para facilitar el análisis de datos.

Ejemplo: agrupación de datos 

Para facilitar el monitoreo y la escucha de redes sociales con la finalidad de descubrir consumer insights y tener la capacidad de comprender los contenidos y las tendencias de cientos o incluso miles de mensajes de tu marca en la web y redes sociales, el NLP facilita la extracción y el reconocimiento de conceptos clave para reagruparlos en forma de visualización de datos para mostrarte, en un solo vistazo, de qué están hablando. Los posibles «dataviz» son numerosos, pero podemos citar, por ejemplo, la agrupación de datos (reagrupación en grupos coherentes por temática), el análisis de los hashtags, la rueda o incluso la más clásica nube de etiquetas.

En la siguiente vista de agrupamiento, creada a partir del análisis de mensajes de todo tipo sobre la marca "Chanel", el NLP permitirá agrupar más de 2500 mensajes en temas principales (interactivos y en los que se puede hacer clic para mostrar los mensajes correspondientes) relacionados especialmente con:

• visión global
• la marca 
• perfume 
• otros actores del mercado,
• otros productos de Chanel, etc.

Ejemplo agrupación de datos para la marca Chanel con algunos temas

Ejemplo: calificación de los posts y los mensajes

Para ahorrarte el tedioso trabajo de tener que leer cientos de mensajes en redes sociales, el procesamiento del lenguaje ejecutado por el monitoreo y aprendizaje automático, o machine learning, te permitirá etiquetar cualquier post, tweet o comentario en las redes sociales. Así, en el siguiente post en las redes sociales o sitios digitales, el algoritmo «etiquetará» el mensaje según los criterios establecidos para la marca, producto, características, etc. Las etiquetas también se utilizan para determinar automáticamente el idioma, el país o la ciudad de origen.

La verdadera ventaja es la flexibilidad de configuración: la posibilidad de definir tus propias etiquetas que corresponden perfectamente con tu sector y tus marcas para tener un buen monitoreo de redes sociales. Después, el machine learning tomará el relevo y aprenderá a través de los mensajes recopilados en redes sociales y la web, a comprender nuevas palabras y conceptos que corresponden a tus etiquetas y podrá detectar un nuevo producto. En este caso, te presentamos un ejemplo para el cuidado de la piel o una rutina de maquillaje.

El machine learning para calificar mejor los mensajes

II. El análisis de los sentimientos

Durante mucho tiempo se ha hablado del análisis de sentimientos (o análisis del tono) aplicado a la escucha de redes sociales o social listening (tus mensajes se califican como positivos, negativos o neutros). Y a menudo hemos criticado la tasa de relevancia considerada demasiado baja para la calificación automática de los sentimientos de un mensaje por parte de los algoritmos, ¡especialmente para un tweet de una sola frase! Sin embargo, con la consolidación de los algoritmos de NLP combinados con el machine learning, el silencio (las notas no calificadas) y los errores se reducen ahora considerablemente en el monitoreo de redes sociales.

De hecho, el aprendizaje del machine learning se alimentará inicialmente con los ejemplos que presentarás a la máquina, que luego sabrá cómo aprender de todos los demás mensajes que recopilará, según el contexto de la palabra clave en el mensaje (otras palabras clave, tono, asociaciones de palabras clave, etc.). El algoritmo construirá con el tiempo una biblioteca de mensajes y expresiones para enriquecer su léxico de expresiones positivas o negativas. El resultado es un aumento del 30 al 75 % en la relevancia del análisis de sentimientos de tus mensajes.

Ejemplo: en el siguiente mensaje, el NLP combinado con el machine learning permite determinar un sentimiento positivo de un tuit breve que incluye términos de connotación tanto positiva como negativa.

El machine learning para analizar mejor los sentimientos

III. La clasificación automática inteligente

El aprendizaje automático, o machine learning, también puede etiquetar y organizar los datos recopilados en el monitoreo y escucha de redes sociales, y la web para obtener una categorización y una clasificación más eficaces.

El machine learning entenderá a partir de tu utilización, que cuando estás supervisando «Target», es la cadena de tiendas estadounidense la que te interesa, y no las «dianas». Asimismo, entenderá que los mensajes que consideras relevantes se refieren a la marca «Apple» y no a las manzanas. Y esto, sin necesidad de enumerar todas las palabras clave para especificar tu solicitud, como tienda, electrónica, internet, teléfono, NO objetivo, NO deporte, NO panadería, etc.

Después de una fase de aprendizaje contigo, el usuario, la inteligencia competitiva combinada con NLP te ayudará a comprender mejor la verdadera naturaleza de las notas asociadas a cada tag (etiqueta) y a etiquetar automáticamente todas las notas recopiladas, para obtener una organización rápida y relevante de los datos que luego se clasificarán. Esta clasificación te permitirá luego seleccionar en un solo clic los datos relevantes para tus gráficos de análisis, tu informes y tus dashboards.

El machine learning para categorizar los datos

IV. El visual listening

El aprendizaje profundo, o deep learning, permite analizar las imágenes en detalle. Los algoritmos del deep learning también requieren datos para aprender y resolver problemas. De hecho, se utiliza para resolver problemas complejos donde los datos son vastos y están diversificados y menos estructurados. Aprende gradualmente a partir de datos en bruto y de experiencias previas y se corrige a sí mismo sin una programación explícita y previa como en el caso del machine learning.

En el monitoreo de redes sociales, el deep learning reconoce los logotipos y las imágenes para revelar la presencia de una marca no mencionada en un texto, pero también un tipo de objeto, de persona y de entorno, útiles para comprender el comportamiento de los consumidores.

El deep learning para el visual listening o escucha visual

En el primer ejemplo anterior, con una estrategia clásica mediante palabras clave, el algoritmo no podría haber detectado la presencia de la marca «Nike», que no se menciona en el texto de este post de Instagram. El deep learning permite detectar la paloma  del logotipo de Nike en el zapato. En los otros dos ejemplos, el deep learning reconoce el entorno (montaña) o las personas en situación (mujer haciendo gimnasia). 

El reconocimiento de imágenes mediante el deep learning (visual listening) en el monitoreo de redes sociales, ofrece por tanto múltiples posibilidades a las marcas, las agencias y los anunciantes: 

• Reconocimiento de logotipos presentes solos, sin ninguna nota textual de la marca (la paloma de Nike, el cocodrilo de Lacoste, la sirena de Starbucks, la manzana de Apple, etc).
• Reconocimiento del entorno del consumidor (mar, montaña, ciudad, hogar, familia, trabajo, etc.).
• Reconocimiento del género, de las prácticas y de las actividades.