Hace unas semanas vimos 4 ejemplos de tecnologías de monitorización y escucha de redes sociales: machine learning, deep learning... para el procesamiento automático del lenguaje, el análisis de sentimientos, la clasificación automática inteligente y el visual listening. Hoy seguimos con innovaciones que permiten a los observadores, community managers, social media managers y otros profesionales del marketing digital ganar tiempo y precisión para sus análisis.
Cuando se establece un enfoque de monitorización o escucha de redes sociales que genera un volumen bastante grande de menciones en la web, sitios de noticias y redes sociales, a menudo se examinan ciertas visualizaciones de datos, como la curva de evolución de las menciones en el tiempo.
Y potencialmente descubrirás los "picos" de menciones.
Cualquier responsable o gestor de redes sociales sabe que analizar las causas de un pico de menciones y mensajes puede llevar (mucho) tiempo, generar errores de interpretación y... conducir a malas decisiones.
El seguimiento de la evolución de las menciones es, en efecto, muy frecuente en las diversas aplicaciones de la monitorización y la escucha social: para la detección de bad buzz y crisis de redes sociales, para el seguimiento de tendencias, para el análisis de campañas de medios e influencia, para el seguimiento de la e-reputación, para el lanzamiento de productos, para el análisis de las opiniones de los consumidores....
Hoy en día, la "inteligencia artificial" (machine learning) nos permite en Digimind ofrecerte un analista virtual que detecta automáticamente los picos de menciones y sus posibles causas múltiples, ahorrándote el trabajo de leer numerosos mensajes y artículos.
Podrás utilizar una nueva interfaz en la que podrás:
En concreto, el aprendizaje automático te señalará los picos inusuales y te explicará si esto proviene de : el alto uso de un hashtag, el discurso de un influencer, un nivel inesperado de interacciones sobre un mensaje, noticias compartidas masivamente en las redes sociales, un volumen sorprendente de ciertos conceptos.
Imaginemos que controlas la evolución de los mensajes sobre las compañías aéreas. En un enfoque de conocimiento del consumidor y relaciones con el cliente, pero también en un enfoque de control de la reputación.
En los últimos 30 días, el analista virtual te mostrará 3 picos anormales, uno de los cuales (el pico C) es de casi 20.000 menciones para Lufthansa. La Inteligencia Artificial explica que el volumen del pico C es un 476% superior al volumen habitual de las menciones, un 135% para el pico B.
Si nos fijamos en el pico B (basta con hacer clic), el algoritmo explica que el anuncio de la reanudación de la huelga por parte de los pilotos de la compañía (#streik) es la causa esencial de este pico. Otro registro es que el hecho de que dos grandes medios de comunicación, Reuters y Forbes, hicieran eco de esta noticia, hizo que se multiplicara el volumen de mensajes. El analista virtual destaca, por tanto, las diversas causas de la creación de la tendencia, y luego su propagación, para acabar siendo un pico. De igual manera, una polémica sobre las máscaras para niños en los aviones también vino a alimentar este pico (#dasfliegendeklassenzimmer).
¿Se ven afectados otros países por este anuncio de nueva huelga? Se puede explorar fácilmente la evolución de las menciones en otras lenguas.
En el caso del francés, se han producido 4 picos en los mensajes sobre Lufthansa en los últimos 30 días. Para el pico más importante, las causas determinadas por la IA son siempre el anuncio de la nueva huelga de pilotos y la cobertura por AFP, por BFMTV y la puesta en común del hashtag huelga.
Cuando se lanzan varias campañas en las redes sociales, un análisis rápido de los picos durante el periodo de la campaña te ayudará a ver la diferencia entre las menciones naturales de tu marca o comunidad, y el impacto de las menciones patrocinadas.
Este es el caso de una campaña de video del influencer tecnológico Marques Brownlee patrocinada por la comunidad Linus Tech Tips.
El análisis automático es claro: un pico de 35.000 menciones sobre Linus Tech Tips fue generado por el tweet patrocinado de Marques Brownlee (29,5 K menciones usando el hashtag #sponsored, 72,2 K interacciones con el tweet del influencer). Además, la campaña fue recolectada con más de 58.400 menciones).
Entender los factores que inician una crisis y luego la propagan (medios de comunicación, influenciadores, viralidad). Comprender las causas del buzz.
Comprender los conceptos que crean la viralidad de una crisis: temas sensibles.
Comprender los impulsores de la reputación más poderosos mediante el análisis de los picos y sus conceptos dominantes.
Analizar los sucesivos impulsores de una campaña: shares, hashtags, interacciones.
Comprender los conceptos virales o de preferencia del consumidor en torno a los lanzamientos de productos y campañas de comunicación.
Comprender la creación y propagación de hashtags populares espontáneos: movimientos sociales y culturales, protestas y desafíos.
Comprender la aparición de tendencias a lo largo de varias semanas y meses a través de la progresión de conceptos y hashtags.