ACTIVANDO LA ESCUCHA ACTIVA (SOCIAL LISTENING) PARA RESGUARDAR LA REPUTACIÓN EN LÍNEA (PARTE 2)

1. Introducción

Como se planteó en la primera parte de este post, a continuación se mostrará la evaluación de la reputación en línea en una situación real relacionada con el sector turismo.

2. El evento imprevisto: Tiroteo en festival de música en Playa del Carmen en la Riviera Maya

Entre los días 6 y 15 de enero de 2017 estaba programada la celebración de un festival de música en Playa del Carmen, contando con una serie de eventos tanto musicales como relacionados al sector turismo. El día 15 de enero ocurrió un tiroteo en un bar conocido en el cual se celebraba un evento de cierre del festival.

En el momento en que ocurrió el tiroteo se activaron las redes sociales para informar sobre el incidente, así como para publicar comentarios sobre el contexto en que había ocurrido ese incidente. Un dato interesante que mostraron algunas conversaciones es que el tiroteo no era un hecho aislado, sino que tenía su origen en la “situación de criminalidad en la que se encontraba la Riviera Maya desde el año 2011”.

¿Podrá este evento afectar la imagen del sector turismo? ¿Será que la “situación de criminalidad de varios años” ya ha afectado la imagen del sector turismo? Estas y otras preguntas se las deberían estar haciendo los actores (públicos y privados) que prestan servicios y productos en esta zona turística.

3. Evaluación de la reputación en línea del sector turismo en la Riviera Maya

Se tomó a Twitter como la red social de la cual se extraerían y evaluarían las conversaciones bajo los siguientes escenarios:

• Escenario 1 (Tiroteo el 15 de enero): conversaciones ocurridas entre el 16 y 31 de enero 2017 alrededor del tema del tiroteo en el festival de música.
• Escenario 2 (Criminalidad en la zona turística): conversaciones ocurridas entre el 01 diciembre 2016 y el 31 de enero 2017 alrededor del tema de criminalidad en la Riviera Maya.

A continuación se destacan los aspectos más relevantes de cada fase de la evaluación de la reputación:

• Monitorizar y Filtrar: se utilizó una herramienta ad hoc para extraer los datos de los servidores de Twitter. El primer filtrado se hizo con Excel, eliminando conversaciones duplicadas y retuits.
  
  
• Analizar y filtrar: se utilizó la herramienta de la empresa MeaningCloud. Este es un complemento (add-in) que trabaja en forma integrada con Excel, y ofrece capacidades para hacer análisis de sentimiento y clasificación de texto, entre otras funcionalidades.

Primeramente, se ejecutó el análisis de sentimiento. Este análisis ofrece como salida cinco polaridades: Positivo plus (P+), Positivo (P), Neutro (NEU), Negativo (N) y Negativo plus (N+). Tener cinco polaridades en vez de tres como se comentó en la primera parte del post, aporta más detalle del sentimiento que subyace en un mensaje. Se filtraron aquellos mensajes que no tuvieron polaridad asignada. Los resultados de mensajes totales obtenidos con sus respectivas polaridades fueron los siguientes:

Estas gráficas muestran que en ambos escenarios las polaridades negativas de las conversaciones tienen un alto porcentaje de ocurrencia (E1: (77.41+15.41)% = 92.52%, E2: (17.97+50.38)% = 68.36%), lo cual significa que tanto el tiroteo en el festival de música como la criminalidad en la Riviera Maya son percibidos con mucha preocupación.  

Luego, se ejecutó la función clasificación de texto. Para tal fin, primero se utilizó el modelo Social Media que trae la herramienta para clasificar textos que provienen de medios sociales. Las categorías identificadas permitieron tener una primera visión de los tipos de conversaciones que se formaron en ambos escenarios. No obstante, para conversaciones específicas como las que se trataron en los escenarios 1 y 2, la herramienta de MeaninCloud ofrece la posibilidad de construir de manera sencilla (sin programación) un modelo propio en base a categorías definidas por el usuario, utilizando como criterios de clasificación los textos, frases y palabras que aparecen en los datos extraídos.  

Para el caso particular de la evaluación de la reputación en línea, esta funcionalidad resulta adecuada para definir categorías que clasifiquen textos que se refieran a causas o efectos del problema tratado. En este sentido, utilizando  como referencia las categorías obtenidas previamente con el modelo Social Media, se definieron las siguientes categorías para construir el modelo propio de este problema:


• Categorías causas: criminalidad e inseguridad (CIc) / política, policía y justicia (PPJc).
• Categorías efectos: criminalidad e inseguridad (CIe) / política, policía y justicia (PPJe) / servicios de educación y salud (SESe) / turismo y fiestas (TFe).

Con este modelo se ejecutó la clasificación de texto, y se filtraron aquellos mensajes que no tuvieron categoría asignada. Los resultados de mensajes totales obtenidos por cada categoría fueron los siguientes:

Estos resultados reflejan percepciones de causas y efectos muy diferentes. En el caso del primer escenario se observa que los efectos ((50.94+46.93)% = 97.86%) acumulan mayor porcentaje que las causas ((1.64+0.5 = 2.14%), es decir, se conversó fuertemente sobre las consecuencias del tiroteo incidente. En el segundo escenario, el comportamiento entre causas ((37.48+11.21)% = 48.69%)  y efectos ((41.94+2+0.46+6.91)% = 51.31%) fue equitativo, lo cual refleja un interés en los diferentes factores que intervienen en la criminalidad en la Riviera Maya.

Para efectos de lograr un análisis más robusto, los resultados anteriores (polaridades y categorías) se combinaron para visualizar (con diagramas de burbujas) cómo las polaridades de los mensajes se dividen en causas y efectos. Los resultados fueron los siguientes:

Con estos resultados se observa que la acumulación de polaridad de N+ (77.11%) es debido en gran parte a los mensajes que hablan de las consecuencias (75.87%) que a aquellos que se refieren a las causas (1.24%). Asimismo se observa que las preocupaciones (polaridades negativas) que se presentaron en este escenario, tienen mayor peso en los efectos ((14.67+75.87)% = 90.63%) que en las causas ((0.64+1.24)% = 1.88%). Este resultado no es sorpresivo dada la naturaleza del incidente.

En este escenario destaca el hecho de que la acumulación de polaridad de N (50.38%) es debido al mismo porcentaje de conversaciones clasificadas como causas y efectos (aproximadamente 25% cada una).  Asimismo, se observa que las conversaciones de polaridades negativas se distribuyen uniformemente entre causas ((24.42+9.98)% = 34.41%) y efectos ((25.96+7.99)% = 33.95%), reflejando una preocupación tanto en las raíces de la criminalidad, como en las consecuencias que esto traerá en la Riviera Maya.  

Los análisis anteriores se basaron en cantidades totales de mensajes para características de polaridad y categorías de causas y efectos. Sin embargo, este análisis global oculta detalles de lo que pudo haber ocurrido en los días del período de evaluación de los mensajes. Por esta razón, para cada escenario se construyeron gráficos interactivos de burbujas y y barras, con el fin de mostrar cómo las polaridades de las conversaciones en función de las causas y efectos variaron diariamente.

La interactividad de esta gráfica permitió observar que los días 21, 22 y 23 de enero se habló de forma equitativa de las causas y efectos negativos del tiroteo (burbujas moviéndose en el medio de la gráfica). El resto de los días se mantuvo la tendencia de hablar intensamente sobre las consecuencias del incidente (burbujas moviéndose cercanas al eje Y).

.

El movimiento de las burbujas de las polaridades negativas presenta un comportamiento variado. Antes del tiroteo, existen días en que se habla muchos de las causas (burbujas cercanas a X) y otros días la conversación se intensifica con respecto a las consecuencias (burbujas cercanas a Y). No obstante, una vez que ocurre el tiroteo se acentuó la conversación con respecto a las consecuencias que traería este incidente, tanto en el futuro del festival como el de la Riviera Maya.

• Actuar: identificar cuáles deberían ser las acciones a llevar a cabo para resguardar la reputación en línea requiere precisar quién es el objeto (marca o producto) o sujeto (persona u organización) que está bajo evaluación, así como los objetivos que persigue la unidad que tomará las decisiones. Ambos aspectos no están en el alcance de este post, sino solo mostrar como de una manera sencilla y con las técnicas y herramientas adecuadas cómo se puede llevar a cabo la evaluación de la reputación en línea.
No obstante, basado en el conocimiento que este estudio me permitió adquirir sobre la situación tratada, compartiré algunas reflexiones finales en el punto siguiente.

4. Conclusiones y recomendaciones

De una manera sencilla y práctica se mostró una metodología para evaluar la reputación en línea de objetos o sujetos. La sencillez de la metodología radica en su aplicación sistemática, representada por cuatro fases que se llevan a cabo en forma secuencial y cíclica. La parte práctica la representa el uso de herramientas informáticas como la de MeaningCloud, que sin necesidad de programación ejecutan tareas complejas de una manera automática, además de brindar la posibilidad de hacer ajustes personalizados para obtener un mejor desempeño de ellas.

Por otro lado, las situaciones tratadas en forma global (criminalidad) y local (tiroteo) mostraron resultados que son preocupantes para el prestigio que posee la Riviera Maya como centro turístico de clase mundial. Lo escuchado en Twitter desde el 01 de diciembre de 2016 refleja percepciones negativas sobre las causas y efectos que tiene la criminalidad en la zona. Estas percepciones se vieron amplificadas con hechos negativos como el ocurrido el día 15 de enero.

A pesar de esta situación, aún existe la posibilidad de tomar acciones que permitan corregir y prevenir las causas y efectos de la criminalidad que provocaron estas percepciones negativas, haciendo uso de la información y conocimiento como el generado en este estudio. En este sentido, existen enfoques metodológicos como el marketing digital, el análisis de redes sociales y la inteligencia de negocios, los cuales que haciendo uso de esta información y conocimiento pueden ser soporte para algunas de las acciones a llevar a cabo. 

De esta forma para la situación tratada sobre la Riviera Maya se recomiendan las siguientes acciones:

• Marketing digital: como parte de un plan de comunicación digital se recomienda diseñar contenidos de mensajes y colocarlos en las redes sociales para incentivar conversaciones alrededor del tema de la criminalidad. Inicialmente el objetivo es transmitir que se está trabajando en cambiar esta percepción negativa que se tiene debido al tema de la criminalidad, para lo cual es necesaria la participación de las comunidades aportando comentarios que ayuden a identificar las causas y efectos específicos del problema. Será valiosa la información generada, ya que permitirá ajustar modelos de clasificación de texto más precisos para identificar las raíces y consecuencias del problema.
• Análisis de redes sociales: es necesario ampliar la escucha activa (social listening) con la información generada en la primera recomendación, identificando las comunidades virtuales que se formen alrededor de estas conversaciones. Estas comunidades representarán grupos cuyos intereses comunes (hobby, metas, proyectos, estilos de vida) serán valiosos para diseñar acciones correctivas y preventivas adecuadas a estos grupos.
• Inteligencia de negocios: deben incluirse herramientas de análisis de información que permitan profundizar (drill-down) y valorar el impacto de cada factor analizado. Esto permitirá enfocar las acciones en aquellos aspectos que se consideren relevantes.

Leopoldo Martínez D.

ACTIVANDO LA ESCUCHA ACTIVA (SOCIAL LISTENING) PARA RESGUARDAR LA REPUTACIÓN EN LÍNEA (PARTE 1)

1. Introducción

En el post previo planteaba que las conversaciones que se llevaban a cabo en las comunidades virtuales fomentadas por el plan de marketing digital, generaban una retroalimentación que era útil para evaluar y controlar el desempeño de la estrategia de marketing digital.

Esta retroalimentación podría traer consigo una cantidad inmensa de datos (Big Data) que será valiosa, ya que permitirá crear una base de conocimiento sobre qué se está hablando, quién lo está hablando, quién está ejerciendo mayor influencia,  impacto sobre imagen de marcas, productos, personas u organizaciones.

Asimismo, esta base de conocimiento también se puede ver alimentada por conversaciones que surjan de eventos imprevistos, que no forman parte del plan de comunicación, pero que giran en torno a temas de interés para las comunidades virtuales.

En el caso particular del impacto que tendrían las conversaciones será importante prestar atención (más allá que escuchar) a lo que se está diciendo, a través de métricas (cualitativas y cuantitativas) que reflejen la percepción que tienen los actores de una comunidad virtual sobre marcas, productos, personas u organizaciones, siendo esta percepción una medida de Reputación en Línea.

En este sentido, el fin de este post es mostrar de una manera sencilla cómo llevar a cabo una escucha activa de conversaciones en redes sociales, para evaluar la reputación en línea.

2. Evaluación de la reputación en línea en el océano de información

En una estrategia de marketing digital la gestión de la reputación en línea se lleva a cabo mediante el proceso de escucha activa. Para tal fin, este proceso se compone de cuatro fases:

• Monitorizar: escuchando lo que se dice, mediante la búsqueda y extracción de datos de conversaciones, utilizando palabras o frases clave. Pueden ser conversaciones pasadas o en tiempo real.
• Filtrar: las conversaciones mediante criterios que discriminen lo realmente significativo (comentarios, alabanzas, quejas, etc.).
• Analizar: consiste en la observación y análisis inteligente de los datos de las conversaciones, mediante el estudio del sentimiento del contenido de los mensajes (menciones positivas, neutras o negativas).
• Actuar: entendido de qué se está hablando y el sentimiento de las conversaciones, posiblemente se deberán llevar a cabo acciones para limpiar o incrementar la reputación en línea.

3. El sentimiento como indicador de la reputación en línea

Comprender el sentimiento de un mensaje o conversación es una capacidad de la inteligencia humana. Pero, para comprender el sentimiento que subyace en cientos de miles de mensajes se deben utilizar herramientas informáticas que automaticen esta tarea y al mismo tiempo emulen la inteligencia humana.

Existen varias técnicas para llevar a cabo este tipo de emulación, siendo una de la más reconocida el análisis de sentimiento o minería de opiniones. Mediante este análisis se podrá inferir el sentimiento de un mensaje a través de la polaridad del mismo (positivo, neutro o negativo). Esta polaridad expresará cuál es la percepción que tiene una persona sobre un asunto en particular.

Otra característica que suele tener el sentimiento de un mensaje es que el mismo a veces refleja posibles causas y/o efectos que podría tener una situación o tema tratado en una conversación. Esto es muy importante para evaluar la reputación en línea, ya que se podría obtener información de posibles problemas (causas) y consecuencias (efectos) que rodean la imagen de una marca, producto, persona u organización.

Por esta razón, otra técnica necesaria para evaluar la reputación en línea es la llamada clasificación de texto, que con una herramienta informática apropiada asignará un tópico o categoría (economía, finanzas, social, policial, seguridad, entretenimiento, alimentación, etc.) en la cual se encuentra clasificada cada mensaje o conversación. Con la categoría identificada y en función de la situación evaluada, será labor humana determinar si la categoría agrupa mensajes de causa o efecto.

La combinación de las polaridades y categorías (causas y efectos) pueden ser representados gráficamente para mostrar si la percepción que se tiene de un tema en particular es favorable o no para la reputación en línea que se está evaluando. La Figura 1 presenta un ejemplo hipotético de 3000 mensajes evaluados en un día cualquiera.

 

Figura 1. Polaridad de mensajes (causas y efectos)

En la Figura 1 se observa que hay  2000 mensajes con polaridad negativa (N) que se dividen en 1000 en las categorías de causas y 1000 en efectos, 600 mensajes con polaridad neutra (NEU) que se dividen en 400 en las categorías de causas y 200 de efectos y 400 mensajes con polaridad positiva (P) que corresponden a 200 en las categorías de causas y 200 efectos.

Los cálculos 2000/3000 = 66.67%, 600/3000 = 20% y 400/3000 = 13.33% se pueden tomar como medidas de percepción de la situación hipotética tratada, y por ende como medidas de la reputación en línea. Adicionalmente, los ejes causas y efectos proporcionan intensidades de las posibles causas y efectos.

En un próximo post se presentará este enfoque de evaluación de la reputación en línea en una situación real relacionada con el sector turismo.

Leopoldo Martínez D.