Warning: Parameter 1 to wp_default_styles() expected to be a reference, value given in /homepages/11/d622453770/htdocs/clickandbuilds/SocialTechMonkeys/wp-includes/plugin.php on line 601

Warning: Parameter 1 to wp_default_scripts() expected to be a reference, value given in /homepages/11/d622453770/htdocs/clickandbuilds/SocialTechMonkeys/wp-includes/plugin.php on line 601

Social Mention (socialmention.com) una plataforma de búsqueda de medios de comunicación social que consolida contenido generado por los usuarios en todo el internet, en un único flujo de información. Social Mention puede rastrar la influencia de un tema determinado en más de 80 medios sociales entre ellos: Twitter, Facebook, LinkedIn, YouTube, Google, Digg, etc.

Social Mention, ademas proporciona el servicio de alertas diarias de medios sociales y mide la influencia utilizando 4 parámetros, apoyado en algoritmos de procesamiento de lenguaje natural:

  • Fuerza (Strength). Es la probabilidad de que una marca se está discutiendo en los medios sociales. Se lo calcula de forma muy simple: las frases mencionadas en las últimas 24 horas se divididas por el total de posibles menciones.
  • Sentimiento (Sentiment). Es el promedio de menciones positivas y negativas.
  • Pasión (Passion). Es una medida de la probabilidad de que las personas que hablan de una marca, lo hagan otra vez. Por ejemplo, si existiera un pequeño grupo de apasionados defensores  que hablan de productos o marca específicos todo el tiempo, se calculara una puntuación más alta en pasión. Por el contrario, si cada mención ha sido escrita por un autor diferente, se obtendrá una puntuación más baja.
  • Alcance (Reach).  Es una medida del rango de influencia. Es el número de autores únicos que hacen referencia a una marca, dividido por el número total de menciones.

Por el momento nos enfocaremos en el análisis de sentimientos, sin desmerecer a las otras métricas. El sentimiento es bastante sencillo de entender. Puede entenderse como una emoción, una actitud u opinión. En las redes sociales, el sentimiento de una publicación puede apreciarse en el tono o la emoción transmitida por una mención de la marca.

¿Para que nos puede servir este análisis de sentimientos con la herramienta Social Mention?. Con solo un vistazo nos aseguramos que nuestra marca  está respondiendo a los clientes insatisfechos lo más rápido posible, al consultar las menciones positivas, negativas y neutrales. También podemos recopilar datos sobre las tendencias de sensibilidad y patrones y utilizarlo para obtener una mejor imagen de la reputación de su marca.

El análisis de sentimientos nos permite estar a la expectativa de una posible crisis. Los profesionales de relaciones públicas pueden tomar acciones ante una situación difícil detectada,  antes de que se convierta en un problema mayor.

Por ultimo nos permite llevar a cabo una investigación competitiva. Mediante la creación de alertas para vigilar a competidores, nos permite medir el sentimiento para ellos, en la misma forma que se lo puede medir para una marca propia. El análisis de opiniones y sentimientos puede medir e informar sobre cómo se habla sobre los competidores en las redes sociales.

socialmention

Figura: Análisis en Social Mention, del hashtag: «Social Media»

 

Lexalytics  Inc. fue formada en el 2003 proporciona  el servicio de análisis de intenciones y sentimientos a partir de texto,  hacia empresas que utilizan SaaS (Modelo de distribución de software donde el soporte lógico y los datos se acceden vía Internet desde un cliente) y la tecnología basada en la nube.  El motor detrás Lexalytic:  Salience 6, fue construido como un motor de análisis de texto  varios idiomas.

La entrada para realizar el analisis de texto, se denomina documento y su origen puede ser cualquier sitio de social media, como blogs, foros, redes sociales (Twitter, Linkedin, Facebook), sitios de videos, comunidades, sitios de noticias, entre otros.  La herramientas y código analizan el texto y localizan las porciones del documentos mas significantes, las que se denominas Snippets.

El motor de análisis de texto, procesa 3 billones de documentos diarios, usando para ello infraestructura para Big Data.

 

lexa3

El motor de análisis de texto, que se basa en algoritmos de procesamiento de lenguaje natural, puede identificar entidades, temas, tópicos, categorías, intenciones y sentimientos desde el documento de entrada.  A partir de esta información, se  puede identificar los actores de importancia, el peso positivo o negativo de los sentimientos y la clasificación temática del documento en todo su contexto. El documento puede ser una imagen o un video, que puede ser tratado mediante algoritmos de procesamiento de imágenes, para  identificar sujetos, edades, razas, estados de animo, lugares e incluso el uso de determinados objetos y marcas.

Se realizo una prueba desde el sitio https://www.lexalytics.com/demo con una noticia sobre el terremoto en Ecuador, documento que esta en el siguiente enlace: http://www.eluniverso.com/noticias/2016/04/18/nota/5532609/fiscalia-entrega-lista-cadaveres-entregados-86-manta-22-canoa-10

lexa2

El resultado después del análisis, fue que el documento en su contexto general es negativo, e identifico las entidades, categorías y principales temas.

lexa1

lexa4

El servicio de Lexalytics, tiene mucho potencial, por ejemplo realizar estrategias de marketing digital, focalizadas a satisfacer necesidades emocionales de sujetos (entidades) que han expresado sus sentimientos (positiva o negativa) al tratar un tema especifico en un documento (una publicación de Facebook, un Tweet, o incluso un video).

IBM Bluemix, es una herramienta poderosa para crear aplicaciones inteligentes que realizan análisis de contenido en el texto y las imágenes. El uso de algoritmos  NLP, de reconocimiento de imágenes y aprendizaje automático permite a los interesados,  extraer metadatos semánticos a partir del contenido, tales como información sobre personas, lugares, empresas, temas, hechos, relaciones, autores e idiomas.

Continuando nuestro ejemplo referente al hashtag: «Terremoto Ecuador».  Usamos el servicio de dashDB para extraer datos de Twitter para procesarlos.  Este servicio permite bajar hasta 20 GB de información y permite aplicar a los datos, un algoritmo de procesamiento de lenguaje natural para determinar si en el cuerpo del mensaje hay texto que denote sentimientos positivos o negativos.

Esta información con respecto a la polaridad de los sentimientos, puede servir por ejemplo para filtrar por regiones, el estado de animo, emociones y necesidades de una determinada población y anticiparse a gestionar la ayuda requerida. En el sentido comercial puede servir para conocer el efecto positivo o negativo en una campaña en redes sociales por áreas o zonas, con el fin de tomar correctivos.

En el ejemplo aplicamos el siguiente Query para extraer los tweets con sentimientos positivos, usuarios y locaciones.

SELECT A.MESSAGE_BODY, B.SENTIMENT_TERM, C.USER_SCREEN_NAME, C.USER_NAME

FROM
DASH101145.TERR_TWEETS A, DASH101145.TERR_SENTIMENTS B, DASH101145.TERR_USERS C WHERE
A.MESSAGE_ID = B.MESSAGE_ID AND
B.SENTIMENT_POLARITY = ‘POSITIVE’ AND
A.MESSAGE_ID = C.MESSAGE_ID

Adicional presenta un Framework para desarrollar en lenguaje R y realizar gráficos y estadísticas.  Pueden realizarse aplicaciones mas elaboradas con opciones de búsqueda por varios filtros, selección de lenguaje, etc.

Configuración de búsqueda de palabras o hashtag en Twitter para extracción y procesamiento de datos

Query con los resultados de las tablas extraídas y procesadas.

IBM Bluemix es una plataforma que soporta varios lenguajes de programación y servicios para crear, ejecutar, desplegar y gestionar aplicaciones en la nube. En social media, tiene aplicaciones muy interesantes para el procesamiento y análisis masivo de datos para Twitter.  En el ejemplo, se puede hacer un análisis de datos de los tweets referentes a un tema, extraer informacion y clasificarla por sentimientos negativos y/o positivos.

La utilidad en el mundo del social media es infinita, debido a que podemos desarrollar nuestras propias aplicaciones de búsqueda y hacer inferencia de los sentimientos de un segmento determinado de usuarios (comunidad, especifico, o por ciudad), para predecir sus necesidades ya sea basicas, intelectuales , de seguridad, etc. (podemos referenciar a la famosa piramide de Glasgow). Una vez realizadas las predicciones, el siguiente paso es realizar estrategias de productos y servicios para cubrirlas y campañas para promocionar las mismas a estos segmentos específicos en las redes sociales o en buscadores.

El siguiente es un ejemplo de búsqueda de las palabras «terremoto ecuador» y el calculo de cuantos tweets fueron de sentimiento negativo.

imb

A continuación un enlace de como instalar una version trial, cortesia de Coursera:

https://www.coursera.org/learn/importance-of-listening/supplement/Cwkjc/social-marketing-toolkit-pt-2d-your-free-bluemix-trial

 

 

 

wall2

Podemos obtener una nube de palabras  con el uso de la libreria wordcloud en lenguaje R. Debemos realizar la autenticacion con una cuenta en twitter  con la informacion obtenida en el registro APPS de Twitter (https://apps.twitter.com/) para  configurar las variables: api_key, api_secret, access_token y access_token_secret. Hicimos el ejercicio con las palabras «social» y «media», en idioma ingles, y el resultado se puede apreciar en la grafica.   Palabras asociadas como manager, marketing,  people, like, business, aparecen como las mas relevantes y nos dan una idea de palabras que debemos asociar a futuras publicaciones  en Twitter, debido a que son las populares en búsquedas a «social media».

A continuación el código para realizar la nube de palabras en R:

 

library(tm)
library(igraph)
library(RColorBrewer)
library(httr)
library(twitteR)
library(wordcloud)
oauth_endpoints(«twitter»)
## using my existing twitter api
##
api_key <- ‘ ‘
api_secret <- ‘  ‘
access_token <- ‘ ‘
access_token_secret <- ‘ ‘

setup_twitter_oauth(api_key,api_secret,access_token,access_token_secret)
twitter_search =searchTwitter(«social+media», n=2000, lang=»en»)

searchTwitter(«social+media», n=2000, lang=»en», resultType=»recent»)
searchTwitter(«social+media», n=201100, lang=»en», resultType=»popular»)
##searchTwitter(«social + media», n=500, lang=»en», resultType=»popular»)
##searchTwitter(«social + media», n=25, geocode=’37.781157, -122.39720, 1mi’)
##searchTwitter(«social+media», n=500,lang=»en», until=’2016-04-18′)

# Get text data from the result of Twitter search
text1 <- sapply(twitter_search, function(x) x$getText())
# Remove retweets
text1 = gsub(«(RT|via)((?:\\b\\W*@\\w+)+)», «», text1)
# Remove at people
text1 = gsub(«@\\w+», «», text1)
# Remove punctuation
text1 = gsub(«[[:punct:]]», «», text1)
# Remove numbers
text1 = gsub(«[[:digit:]]», «», text1)
# Remove html links
text1 = gsub(«http\\w+», «», text1)
# remove unnecessary spaces
text1 = gsub(«[ \t]{2,}», «», text1)
text1 = gsub(«^\\s+|\\s+$», «», text1)

# define «tolower error handling» function
tryTolower = function(x)
{
# create missing value
y = NA
# tryCatch error
try_error = tryCatch(tolower(x), error=function(e) e)
# if not an error
if (!inherits(try_error, «error»))
y = tolower(x)
# result
return(y)
}

 

redtwtitter

Dicen que un gráfico vale mas que mil palabras, y esto es mas que cierto para el objetivo de identificar cuales son los principales influenciadores en nuestra red social.

Para el caso de  las redes en Twitter, primero debemos ubicar una aplicación para descargar la información de los usuarios seguidos y seguidores de nuestra cuenta.  Para el caso presentado usamos la herramienta desarrollada en Python, denominada Twetcoll y cuyo código esta disponible en GitHub, aunque también hay otras herramientas pagadas como NodeXL.

Con información obtenida en el registro APPS de Twitter (https://apps.twitter.com/) se puede configurar las variables: consumer_key, consumer_secret, access_token y access_token_secret y el ID de la cuenta  de la referencia. Tras la ejecución que puede demorar algunas horas, dependiendo si el numero de seguidores se cuenta por miles, se obtiene un archivo de extensión GML.

Este archivo puede ser interpretado por Gephi, un aplicativo para la visualización y tratamiento de grafos.  En las opciones para la distribución, seleccionamos un algoritmo de  inteligencia computacional para la clasificación (recomendamos Force Atlas) y las opciones para el calculo de la Modularidad y la centralidad Eigenvector. El resultado en un grafo en el cual cada seguido y seguidores identificados son nodos, los cuales se agrupan por colores en comunidades y por el tamaño podemos deducir su importancia como influenciador,  por el numero de conexiones hacia o desde nuestra cuenta.

En el caso de ejemplo, se identifican claramente 5 grupos (políticos, académicos, amigos, personalidades y medios de comunicación) y los principales influenciadores como: @elcomerciocom @barackobama @allyouneedisec, @pontifex_es entre otros.

 

 

Gran parte de los contenidos en línea están focalizados en sentimientos personales: reacciones, comentarios, likes (me gusta) o emociones.  Jonathan Harris y Sep Kamvar, crearon el proyecto We Feel Fine, una plataforma diseñada para documentar, resaltar y visualizar los datos emocionales. En 2005 Harris y Kamvar comenzaron a filtrar las entradas de su blog que incluían la frase «me siento bien…» o «me siento estresado…» A partir de estos, crearon automáticamente un gran repositorio de datos de emociones en línea etiquetados con metadatos básicos, incluyendo su género, la edad, la ubicación y las condiciones climáticas locales. Para el año 2009, Harris y Kamvar habían registrado nueve millones de sentimientos de 2,3 millones de blogs, con 15.000 – 20.000 entradas agregadas diariamente.
We Feel Fine presenta un diseño cinético, interactivo, con una serie de opciones de búsqueda. Los visitantes pueden comenzar a recoger un sentimiento al azar, o pueden navegar por el sitio, buscando ya sea por criterios de edad, país, genero o por cada uno de los miles de sentimientos mencionados. A partir de ahí, el conjunto de datos tiene seis posibles visualizaciones, cada uno revela un aspecto diferente de la emoción humana.

wefeelfine

Por eso wefeelfine.org ha captado el futuro de Social Media, en el cual con la ayuda de herramientas para extracción de datos de redes sociales,  algoritmos computacionales para analítica  semántica y técnicas de Big data, podemos predecir los sentimientos de las personas y anticiparnos a sus deseos.  Las posibilidades son infinitas, por ejemplo,  que pasaria si luego de expresar mis deseos de explorar el mundo  en Twitter,  al minuto me llegase una publicidad  de viajes exóticos por Facebook, Instagram o email.  Ese ultimo mensaje tendría toda mi atención.

We-Feel-Fine