No puedo empezar esta nota sin antes dar una definición del término "influencer". En simples palabras, es una persona que cuenta con credibilidad sobre un tema concreto, y por su presencia e influencia en redes sociales puede llegar a convertirse en una especie de embajador de una marca en muchos aspectos.
Hay que tener en cuenta que no todos encajan con nuestra marca o estrategia de Marketing. Por eso, debemos saber identificar a este tipo de personas. En lo personal, quiero poner un gran acento en las preguntas que todos las empresas realizan a las agencias de marketing de Mendoza...¿cómo los identifico? ¿me sirven? ¿realmente son influyentes? ¿me van a comprar más por una acción con ellos?
Desde ya te digo, que muchas empresas tienen sus propias definiciones y conceptos en cuanto a la influencia en redes sociales: "el que más RT tenga","es el que más respuestas recibe a sus preguntas", "es el que más sabe del tema" y otras tantas que escucho por la calle. No están erradas, sólo que no son tratadas en un conjunto y con el estudio correcto. Tampoco, una agencia se tienen que valer de herramientas externas que dan vueltas por este mundo del Social Media tales como "Klout" ya que como las defino de una manera subjetiva "están viciadas" con códigos internos. La más seria que conozco es Crowdtangle pero es bastante cuantitativa y escapa a lo cualtitativo, esto último esencial para mí.
Para responder a todas estas preguntas, voy a valerme de fórmulas de Estadística, R y Python y adivinar patrones de comportamiento del usuario y de sus audiencias para entender si realmente "las pone a bailar" o no.
Al estudio lo comenzamos con R utilizando las siguientes librerías: "ShinyBS" y "iGraph".
Shiny > Me permite comenzar a desarrollar mi app en R que puedo exportarla a la web o bien solo imprimirla por consola.
#Proceso a cargar las librerias library(shinyBS) library(igraph)
Para trabajar en el ecosistema de Twitter, es necesario crear una aplicación en la sección de Twitter Developers y esa manera generar una conexión con los datos internos de la red social utilizando a tu cuenta o perfil como puente para llegar a ellos. Cada aplicación tiene su API Key, API Secret, y dos accesos; estos son los que tenés que llenar en el codigo a continuación.
#Procedo a verificar mi app en Twitter
setup_twitter_oauth("API Key", "API Secret", "access token", "access secret")
Ahora, vamos a buscar y tratar de identificar a todos las cuentas que sean influencia bajo una etiqueta en cuestión. He decidido utilizar al "Malbec",nuestro emblema en la industria del vino. Al resultado, lo guardo en una variable para luego realizar una depuración y obtener un dataframe más ordenado con todos los datos separados en columnas y filas. Esto me posibilita trabajarlo mucho mejor.
#Busco, guardo y depuro data de Twitter
tweets <- searchTwitter("Malbec", n= 1500)
tweetsFrame <- twListToDF(tweets)
Para que te imagines, en la variable "tweetsFrame" hay más de 19 columnas de datos por cada tweet y se observa de esta manera:
Ahora, llegó el turno de realizar una limpieza de datos y extraer lo que realmente nos importa para identificar influencers dejando atrás aquellos datos que por ahora no pensamos analizar. A estos parámetros los guardamos en nodos y aristas para poder luego graficarlos y estudiarlos con estadística aplicada.
#Creo nodos y aristas aristas <- edge_table(tw_df, "text", "screenName", "favorited", "retweetCount", "longitude", "latitude") nodos <- node_table(edges,"favorited", "retweetCount", "longitude", "latitude")
Ok, ya tenemos todo ordenado para graficar y entender todo lo que hicimos anteriormente.
#No te olvides de utilizar libreria iGraph, tiene que estar precargada grafico <- graph.data.frame(aristas, nodos, directed=TRUE) plot(grafico)
El gráfico que obtenemos es el siguiente y cada punto representa a un usuario con sus audiencias. Lo que no podemos analizar es que usuario se lleva más nodos en su comunicación.
Para enteder esto, hay que derivar esta muestra a distintas distribuiciones estadísticas basadas en factores como la fuerza de atracción (viralidad de la cuenta con comentarios positivos), la fuerza de repulsión (viralidad de la cuenta con comentarios negativos) y gravedad (cantidad de espacio digital en que la cuenta de Twitter ejecuta la acción) utilizando Python como complemento al estudio.
Tres puntos se desprenden gracias a las distribuciones:
.puede ser influencer pero hay que analizar si de forma negativa o positiva basadas en las fuerzas de atracción y repulsión que generan en sus mensajes.
.Pueden ser influencer pero hay que estudiar que días, que hora, que momento... ninguno es influencer las 24 horas, cada audiencia es diferente.
Distribución de contracción:
Nos permite comenzar a identificar los primeros influenciadores en el ecosistema digital del Malbec:
Distribución aleatoria:
Nos permite ir reconociendo ecosistemas de comunicación y aristas a medida que arrastramos el mouse sobre las cuentas que participan en la etiqueta Malbec.
Y la último y no por eso menos importante, la distribución forzada Atlas que despega del ecosistema a los verdaderos influenciadores ya que mueve los nodos a las personas que realmente mueven las audiencias:
(mirá como se desprenden los influencers cuando procesamos los datos de grafos)
Gracias a los gráficos, identificamos a nuestro primer influencer del estudio: la cuenta nº 115 del estudio que al consultar en nuestro dataframe corresponde a @corneyandbarrow que a pesar de no tener muchos RT, likes o comentarios sus tuits tienen un poder de alcance muy grande ya que arrastra a toda la audiencia que ves en esta imagen a continuación. Es buena idea contratarlo.
Identificamos a @perezdel2000 (periodista), @eljosedelagente (publicista) y @alevigilmalbec (el prestigioso enólogo Alejandro Vigil), usuarios que ejercen influencia en 120 cuentas cada 1500 tweets analizados. En el gráfico se puede observar como generan burbujas de comunicación relacionadas al Malbec.
No quiero hacer más extensa la nota pero en el estudio he podido extraer más de 110 influyentes del mundo del Malbec en todo el mundo identificados en cinco distribuciones.
Estoy en Linkedin, seguime y si lo necesitás, te comparto más detalles.
