La aparición de las redes sociales tal cual se conocen en la actualidad se asocian a internet y a las tecnologías de la información. No obstante, el concepto y el estudio de las redes sociales es muy anterior y se refiere al análisis de las interacciones entre los componentes de los grupos sociales.
Las redes sociales basadas en la posibilidad de intercomunicarse por internet tienen su origen en la década de los 90 del pasado siglo, pero muestran un crecimiento exponencial en la primera década del siglo actual. Con la evolución de internet y la aparición de la Web 2.0., los internautas pasaron de ser ávidos consumidores de contenidos a generar ellos mismos los contenidos.
Las primeras redes sociales perseguían el contacto o la evasión, teniendo mucha importancia aquellas que generaban mundos paralelos, o aquellas que nos permitían mantener o recuperar el contacto con otras personas, pero cada vez fue tomando más peso la interrelación, la exposición de la actividad de los internautas y la comunicación de su opinión y experiencia.
A medida que los internautas fueron incrementando sus aportaciones, se incrementó el tráfico y aumentó el efecto que tienen estas interacciones en el comportamiento de otros. En el ámbito físico, este tipo de efecto se conoce como efecto boca-oído (Wom, Word of mouth) y muestra cómo la opinión de unas personas influye en las opiniones o actos de otras; este efecto que en el mundo real tiene un alcance limitado y se produce a una velocidad respetable, en el entorno digital tiene un alcance enorme y una velocidad elevadísima.
En el ámbito del marketing digital, se están desarrollando diversas líneas de investigación que pretenden analizar estos extremos, ver cómo se produce el efecto eWom, o qué aspectos inciden más o menos en otros consumidores.
Otro de los aspectos que se encuentra en boga actualmente es la identificación de los sentimientos en el contenido creado por los usuarios de las redes sociales.
Hasta hace unos años, la única forma de analizar los sentimientos dentro de un texto era mediante expertos que leían y analizaban el contenido; en la actualidad existen diversas formas de proceder en el análisis de los sentimientos, con sistemas más o menos automáticos, como WordStat, QDA Miner, MeaninCloud o Atlas TI, entre otros. Pero también existen otro tipo de herramientas que incluyen el uso de Inteligencia Artificial, Machine Learning, redes neuronales… que permiten, mediante un proceso de entrenamiento previo, identificar los sentimientos que se encuentran en los textos y que además permiten clasificarlos dentro de grupos temáticos. Este último grupo de instrumentos son los que el equipo investigador del departamento de Comercialización e Investigación de Mercados de la Universitat de València, formado por los profesores E. Bigné, C. Ruiz, C. Pérez-Cabañero y A.C. Cuenca han utilizado en dos estudios recientes que resumimos a continuación.
El primer estudio analiza los comentarios realizados por turistas en la red social TripAdvisor sobre dos atracciones turísticas de la ciudad de Venecia. Para desarrollar el estudio se optó por una aproximación de Big Data y se procedió a la captura de más de 76.000 comentarios realizados por usuarios de TripAdvisor sobre las atracciones seleccionadas para la ciudad de Venecia, en concreto la Plaza de San Marcos y el Palacio Ducal. La captura de los comentarios se llevó a cabo mediante un proceso de extracción o crawling que proporcionó no solo los títulos de los comentarios y sus contenidos, sino también un amplio conjunto de datos relacionados con cada uno de los contenidos y también con los usuarios que habían realizado dichos contenidos. Primeramente, todos estos comentarios fueron separados por idiomas, puesto que el análisis que se pretendía era de sentimientos y estos se miden de forma distinta en cada idioma.
El paso siguiente fue identificar los sentimientos que aparecían en cada uno de los comentarios del idioma seleccionado.
Para la medición de los sentimientos, la elección fue un sistema de inteligencia artificial con machine learning, que utilizaba redes neuronales con percepción multicapa. Este permite identificar los sentimientos de cada comentario realizado por los usuarios, diferenciando entre 5 niveles de sentimientos de muy negativo, negativo, neutro, positivo hasta muy positivo. El valor añadido del sistema de análisis seleccionado es la identificación de categorías o temáticas en las que diferenciar los sentimientos; esto significa que dentro de un mismo comentario se podrían identificar sentimientos positivos con respecto a una temática (ej. actividades) y sentimientos negativos con respecto a otra temática (ej. precio)
El sistema de análisis permite definir el número de categorías deseado, de manera que se identifiquen las categorías y los términos relacionados con cada una de las categorías indicando su polaridad como negativa o positiva. El sistema, tras un proceso de entrenamiento, permite reconocer la polaridad de hasta tres categorías dentro de cada comentario y además es capaz de determinar el sentimiento global del comentario. Así por ejemplo puede detectarse un sentimiento negativo con respecto al precio en una atracción, al mismo tiempo que se detecta un sentimiento positivo sobre el clima o sobre el valor histórico del atractivo turístico.
Adicionalmente, se utilizó la técnica de deep learning para categorizar los comentarios como objetivos o subjetivos (con relación a que fueron realizados desde la perspectiva del usuario o expresando datos plenamente contrastables) y general o individual, en función del tipo del comentario. Con este sistema de análisis se pudieron categorizar los comentarios realizados por los usuarios, lo cual suponía una cantidad ingente de información, en la que predominaban los comentarios con sentimientos positivos o muy positivos sobre los negativos o muy negativos.
De los resultados obtenidos, el primer aspecto relevante fue la interacción de otros usuarios con los comentarios ofrecidos por sus iguales. En TripAdvisor, cuando un usuario utiliza la información generada por otro usuario, tiene la posibilidad de valorarla como positiva dándole un voto útil. Analizamos qué aspectos incidían sobre los votos útiles otorgados por otros usuarios, identificándose la experiencia del autor del comentario según el número de años en esta red social como un factor significativo en ambas atracciones. En la Plaza de San Marcos también incidían positivamente el número de fotos que contenía el mensaje y los comentarios que contenían palabras positivas, entre otros. Del análisis de sentimiento se desprendía que los comentarios negativos sobre las actividades realizadas en este lugar eran relevantes, así como las palabras negativas acerca del entorno. En el Palacio Ducal incidían especialmente los comentarios sobre el precio de esta atracción y el carácter objetivo de los comentarios publicados, así como las recomendaciones que contenían palabras negativas.
Este trabajo obtuvo el premio a la mejor ponencia presentada en el congreso internacional AEMARK de profesores universitarios de marketing celebrado en Cáceres en septiembre de 2019.
El segundo estudio, presentado en julio 2020 en el Congreso internacional CARMA (3rd International Conference on Advanced Research Methods and Analytics) se centró en otra red social, Twitter, de donde se capturaron más de 14.300 mensajes con referencias a la ciudad de Venecia. Se utilizó la aplicación MeaningCloud para el análisis de los sentimientos y se identificaron cinco niveles de intensidad, desde muy negativo a muy positivo. En esta ocasión se analizó la relación entre los sentimientos presentados en los mensajes (tweets) y el número de retweets conseguidos, el alcance logrado por el usuario y el alcance efectivo de dicho tweet. De los resultados obtenidos se desprende que los mensajes positivos consiguen más retweets y mayor alcance para el autor. Respecto al contenido de los tweets, las etiquetas y las fotos inciden en un mayor alcance del retweet y las menciones inciden en un mayor alcance del usuario.
El software utilizado para realizar el análisis de sentimiento y deep learning ha sido financiado por el Ministerio de Ciencia e Innovación (proyecto ECO2014-53837R).
Las investigaciones han sido realizadas por los profesores Enrique Bigné y Carmen Pérez Cabañero (co-directores del IMBA) y por Antonio C. Cuenca y Carla Ruiz, (director y miembro de la CCA del Máster en Marketing e Investigación de Mercados, respectivamente)
Artículo redactado por los profesores Por E. Bigné, C. Ruiz, C. Pérez y A.C. Cuenca
