A lo largo de los años se han ido formando creencias alrededor del Social Intelligence que frenan el uso de este en los proyectos de investigación de mercados por parte de las marcas, a pesar de la evolución que ha experimentado en las últimas décadas. En este artículo vamos a abordar los cinco mitos más comunes para definir lo qué es posible hacer y se está haciendo en la generación de Insights a partir de las conversaciones sociales.

#1: Los datos sociales no valen nada, la mayoría provienen de Twitter y no tienen mucho sentido. 

La realidad es que los datos de Twitter a veces pueden dominar los resultados, si lo permitimos, y pueden ser beneficiosos ya que el microblogging, el texto corto, tiene valor en sí mismo, especialmente por su gran volumen. Pero los datos de Twitter no son adecuados para cada pregunta o enfoque. Al igual que, ante cualquier proyecto de investigación cualitativa o cuantitativa consideraríamos cómo construir una buena muestra, es importante que dediquemos algo de tiempo a pensar cuál va a ser nuestro universo, nuestras fuentes, antes de recopilar datos de los medios sociales. A veces, encontraremos información más relevante en blogs y foros especializados que en Twitter, depende de la pregunta de negocio a la que queramos dar respuesta y dónde esté teniendo lugar el grueso de las conversaciones más relevantes. Para hacernos este primer planteamiento, clave para que el resultado tenga sentido, necesitamos analistas experimentados.

Antes de emprender cualquier proyecto, por lo tanto, nos tenemos que hacer una serie de preguntas:

• ¿Qué fuentes serán las más importantes para responder a las preguntas de negocio que quiero abordar? No hay dos fuentes de datos iguales, y hemos de empezar por considerar el universo del que queremos partir para analizar los datos. La gente publica en foros por diferentes razones que en Twitter y lo mismo ocurre cuando comparten algo en Instagram. 

• ¿Necesitamos incorporar fuentes adicionales a nuestra plataforma para abordar los objetivos de la investigación? Una creencia bastante común es que las plataformas de escucha social tienen acceso a un número predeterminado de fuentes. No es siempre así, Synthesio nos permite incorporar las fuentes que queramos, y de hecho la práctica habitual cuando buscamos información sobre temas muy específicos es hacer un desk research previo, con la ayuda de nuestros clientes, para identificar dónde se está hablando del tema en concreto y añadir las fuentes seleccionadas a nuestra plataforma.

#2: La “inteligencia social” solo sirve para entender qué ocurre con las acciones de marketing y las relaciones públicas de las empresas en medios sociales y para manejar crisis. 

La realidad es que los datos sociales pueden ser útiles en esos casos, pero hay muchas más preguntas que nos ayudan a responder. Los hemos utilizado de manera fiable entre otras cosas para definir y complementar segmentaciones, así como perfilar en detalle a distintas audiencias; para comprender el momento presente de un sector y su contexto más amplio; para identificar señales de macrotendencias y profundizar en las micro y                                 nanotendencias; para descubrir insights de porqué la gente se siente atraída (o no) con determinados productos y servicios; para comprender la experiencia con una marca; y para obtener una imagen clara de lo que hace que la gente se movilice o lo que les molesta de verdad en una amplia gama de temas. Esta no es en absoluto una lista exhaustiva, pero son enfoques que hemos adoptado una y otra vez para crear insights accionables.

IMAGEN 2. Aplicación del Social Intelligence para el análisis de audiencias o segmentos digitales: Desvelando las diferencias de comportamiento y afinidades

3: No es posible que encontremos la respuesta a nuestra pregunta de negocio en la inmensidad de los datos provenientes de los medios sociales.

Si dedicamos el tiempo suficiente acabaremos encontrando las respuestas que buscan nuestros clientes, pero los recursos raramente son ilimitados. Por lo tanto, es crítico utilizar nuestra experiencia y conocimiento del sector del cliente para poner ciertos límites, y ayudarnos a saber cuándo hemos encontrado algo interesante. 

Antes de comenzar, es importante que nos hagamos las siguientes preguntas:

•  ¿Qué es lo que realmente queremos saber? Para evitar desperdiciar tiempo innecesario, es necesario que comencemos por poner ciertos límites a lo que se está preguntando. Igualmente, necesitaremos decidir cuánto queremos profundizar en los temas de interés. Esto se aplica tanto a los elementos del proyecto dirigidos por la IA como por los humanos. Profundizando se obtendrá más información, pero también es probable que se necesite más tiempo y más dinero.
• ¿Qué hipótesis y expectativas tenemos desde el inicio? Esta es una buena práctica para cualquier proyecto de investigación, pero especialmente cuando trabajamos con conjuntos de datos abiertos. A veces, ya se sabe lo que se quiere, y será  mejor  estructurar  los datos en torno a las necesidades (por ejemplo, se tienen ciertos atributos que se quieren rastrear). En otras ocasiones, estaremos en modo de "descubrimiento", y será la IA la que nos ayude a encontrar respuestas. Si lo identificamos desde el principio, el enfoque se adaptará mejor para llegar al resultado deseado.

IMAGEN 3. Análisis de los temores generados por la crisis del COVID-19. Un enfoque típico de modelización top-down consistiría en cuantificar los temas que esperamos ver en el conjunto de datos. Se podría suponer que la gente está realmente preocupada por su capacidad para mantener su trabajo o el miedo a perder a alguien. Combinando este enfoque top-down con otro que aproveche el poder de los algoritmos de IA (lo llamamos bottom-up), podemos sacar a la superficie nuevos temores adicionales que no esperábamos, como el impacto negativo del confinamiento en la educación de los niños y la aparición de depresiones.

#4: Nadie habla de este tema y, por lo tanto, no puedo hacer esta investigación utilizando social intelligence.

Es verdad que a veces buscamos respuestas a preguntas muy concretas. Pero no por ello deberíamos descartar de entrada el valor que los datos de los medios sociales puedan proporcionar, de hecho, estos es posible que nos ayuden a empaparnos más en la realidad del consumidor.

Ante una demanda de nuestros clientes que venga con unas especificaciones muy detalladas, nos tenemos que hacer estas preguntas:

• En primer lugar, si es esto algo de lo que la gente probablemente esté hablando. La viabilidad es crítica y cualquier buen investigador de social intelligence hará una verificación de viabilidad antes de ejecutar un proyecto. Pero también, si es bueno, pensará en cómo abordar el proyecto para encontrar respuestas. Por ejemplo, es habitual encontrarnos con clientes que buscan información sobre un producto en concreto, o sobre una acción que han lanzado en el medio digital. No es sorprendente que no haya menciones a su producto ni a su acción, pero sí sobre temas muy relevantes, como la forma de utilizar productos como el suyo y cómo evoluciona, los productos favoritos, o las acciones o influencers que sí están teniendo un impacto en su categoría.
• En segundo lugar, hemos de preguntarnos por algo que ya he mencionado antes, por las fuentes que serán las más importantes para responder a mis preguntas, y que si son muy específicas puede que sea necesario incluirlas en nuestra plataforma de datos sociales.

IMAGEN 3. Análisis de los temores generados por la crisis del COVID-19. Un enfoque típico de modelización top-down consistiría en cuantificar los temas que esperamos ver en el conjunto de datos. Se podría suponer que la gente está realmente preocupada por su capacidad para mantener su trabajo o el miedo a perder a alguien. Combinando este enfoque top-down con otro que aproveche el poder de los algoritmos de IA (lo llamamos bottom-up), podemos sacar a la superficie nuevos temores adicionales que no esperábamos, como el impacto negativo del confinamiento en la educación de los niños y la aparición de depresiones.?

#5: La inteligencia artificial lo hace todo.

El análisis de cualquier dato no estructurado sería casi imposible sin la IA. En primer lugar, ni encontraríamos los datos a revisar. Y tampoco seríamos capaces de encontrar patrones en los datos. Pero se necesita a un analista que entienda la pregunta y la categoría para decir por qué ciertos patrones y no otros son importantes.

Así, en los proyectos de social intelligence vamos por capas, primero para seleccionar una base de datos de comentarios relevantes y luego para identificar las temáticas que subyacen a esos datos. En todas esas capas el sentido que imprimen los analistas es fundamental.

A la hora de analizar, lo importante es contar con un marco, algo que, nos ayude a ordenar lo lo que vamos encontrando. Podemos definir hipótesis que nos faciliten ese marco, o podemos utilizar modelos ya planteados. Por ejemplo, en Social Intelligence de Ipsos el marco Censydiam es especialmente útil para analizar las motivaciones detrás del uso de una marca, producto, o un determinado comportamiento o actitud. Un ejemplo reciente ha sido el uso que le hemos dado para interpretar las estrategias que han ido adoptando las distintas marcas desde el comienzo de la crisis del COVID-19, y cómo han ido adaptando lo que proponen a los consumidores.

IMAGEN 4. Roles que han adoptado las marcas frente a la crisis del COVID-19, en base al marco de análisis de las motivaciones Censydiam

Intentando desmontar algunos de los principales mitos que todavía planean sobre el análisis de los datos sociales, se ha demostrado cómo la inteligencia social está cambiando a grandes pasos la naturaleza de la investigación de mercados.

La disciplina de Social Intelligence y Analytics tiene mucho que ofrecer como herramienta de investigación, a la vez que proporciona un complemento muy útil a otras fuentes de información, asegurando una comprensión a 360° de los comportamientos y expectativas de los consumidores y ciudadanos. Como fuente de información, los datos sociales son ricos, espontáneos, inagotables, la clave es ir más allá de los meros datos y aplicar marcos de análisis que nos permitan entender lo que está detrás del texto, la imagen o el vídeo. Ahí es donde está el valor diferenciar del dato social para las marcas, un diamante en bruto que hay que saber pulir y la mano humana, por encima de la tecnología, es la clave.