Tanto Twitter como Facebook, son plataformas que nos proporcionan una cantidad de información que parece no tener fin en cuanto a la expresión personal de los consumidores. Hace años que los profesionales del marketing exploran estos datos utilizando softwares aplicados a estas plataformas sociales, con la finalidad de extraer conversaciones sobre las marcas o tópicos generales, como pueden ser elecciones electorales, eventos deportivos o programas de TV. El proceso habitual pasa por descubrir términos de búsqueda que nos aportan posts relevantes sobre los tópicos que nos interesan. Este proceso no dista mucho de aquello que hacemos diariamente en Google: para responder a una pregunta, es suficiente con insertar un término o una frase y buscar en los archivos de la empresa.
Los datos capturados por este tipo de softwares, más conocidos como herramientas de monitorización de redes sociales (social media monitoring tolos), después se filtran, cortan y pican. Asimismo, esto datos serán analizados por los analistas de la búsqueda que posteriormente transformarán en informes inteligentes para los profesionales del marketing y los gestores. Actualmente, la mayor parte de estos informes están enfocados a una sola cuestión: ¿Qué es lo que las personas dicen sobre mi marca?
Este artículo está dirigido a los profesionales de marketing interesados en ampliar este proceso, planteando una nueva cuestión: ¿Quiénes son los consumidores significativos para mi marca? Al cambiar la pregunta de qué para quién queremos extender la monitorización tradicional de redes sociales enfocada en la marca, hacia una nueva dimensión enfocada en el consumidor.
Figura 1- Monitorización de las redes sociales: paso de un análisis unidimensional a un análisis bidimensional.
Introducción a los deep profiles
Desarrollemos la cuestión planteada anteriormente. Cuando preguntamos quiénes son los consumidores relevantes para una marca específica, lo que queremos es conocer a estos individuos lo máximo posible. Observando cada post y cada tweet compartido públicamente, podemos producir de forma continua un perfil profundo (deep profile) de cada individuo. En condiciones ideales se espera que el deep profile de cada persona evolucione cada vez que sea capturado un nuevo ítem emitido. Además, atribuimos, en la medida de lo posible, un nuevo significado a la información pública disponible sobre este consumidor, que hasta entonces existía solo de un modo desestructurado y suelto. Observemos este ejemplo sobre un usuario ficticio de Twitter:
Figura 2 – Dos tweets ficticios de un usuario de Twitter.
Traducción: @MarJules79: La compañía aérea ha perdido mi maleta, incl. Insulina 🙁 ¡Por favor mandadme buenas energías para que me la devuelvan pronto!, @airline ¿vuelos baratos de Barcelona a Mykonos?
¿Qué nos dicen estos dos tweets? El primero nos dice que transporta insulina y el segundo que quiere visitar Grecia. Lo que queremos hacer en relación a todos los tweets relevantes de esta utilizadora es almacenar los indicadores en un deep profile, y que se puedan recuperar más tarde. De momento, en este caso tendríamos que @MarJules79 mencionó #Insulina y #Mikonos.
Esto lo podemos implementar de una forma sencilla a través de una lista de términos relacionados con nuestro centro de interés, y que se encuentra en nuestro software.
Observemos dos campos más de Twitter que nos proporcionan información: Bio y Localización.
En primer lugar, en el campo Bio @MarJules79 se describe a ella misma:
Figura 3 – La descripción de @MarJules79 extraída del campo Bio de Twitter.
Traducción: Neoyorquina. Me gusta: trash TV/películas; ciencia ficción; arte; bailar; cantar; y Disney. Matrimonio feliz, un hijo maravilloso.
Por tanto, del campo Bio también podemos agregar al deep profile: #NewYorker, #trashTV, #trashMovies, #scifi, #art, #dancing, #singing, #Disney, #married, #son.
En segundo lugar, en el campo Localización de Twitter escribe: Londres, UK. Su deep profile ahora tiene un nuevo ítem.
Es importante observar como el proceso de generación de un deep profile no es estático: cada nuevo tweet de @MarJules79 irá evolucionando su deep profile.
Cómo agregar timelines de Twitter y proceder al análisis de conjuntos de deep profiles
Una vez aprendido el concepto de deep profiles, ya estamos preparados para manipular los datos. A partir de ahora vamos a utilizar imágenes de Buzzmonitor: nuestra plataforma de Business Intelligence para la monitorización de redes sociales centrada en el consumidor.
Como comentamos anteriormente, el deep profile, es el principal bloque de construcción en la generación de insights sobre los consumidores y consecuentemente, en el proceso de descubrimiento de quién es nuestro consumidor. Para la producción de deep profiles, en vez de monitorizar menciones de una determinada marca, almacenamos todo el timeline de un grupo de consumidores. Es muy importante entender esta distinción porque durante años hemos estado condicionados a monitorizar menciones de marcas, ahora se trata de algo fundamentalmente diferente: vamos a detenernos, por primera vez, en los timelines enteros de los consumidores. En la práctica, esto significa que nuestros proyectos de monitorización de redes sociales con Buzzmonitor almacenan todos los tweets de un grupo de usuarios, y no solo los tweets mencionando determinada lista de palabras.
Un proyecto de monitorización centrado en el consumidor se divide en dos fases principales:
Primera fase: se deben establecer los criterios iniciales para la selección de un grupo de utilizadores de Twitter tales como madres de Nueva York, adolescentes de Sydney, amantes del vino de Europa, etc. Al inicio de este artículo mostramos cómo sumergirse en los timelines de los consumidores para identificar todo y cualquier pedazo de información sobre una persona. Por ejemplo, si tu objetivo son los adolescentes de Sydney, un buen punto de partida sería fijarse en los campos localización y menciones en la bio o en el timeline de celebridades adolescentes (One Direction y Taylor Swift son actualmente mis predictores preferidos para esta categoría)
Segunda fase: Cargar la base de datos de Buzzmonitor con centenas de tweets del consumidor correspondiente a cada timeline y, ¡empieza a divertirte! A esta recogida de datos de los tweets no filtrados de cada persona la denominamos Panel de Consumidores (Consumer Panel).
El tamaño habitual de un Panel de Consumidores de Buzzmonitor es de 1.000 a 1.200 personas. Cargamos de 500 a 1.000 tweets del timeline de cada persona. Esto nos deja con cerca de 500.000 a 1 millón de ítems. No obstante, el tamaño de la base de datos puede ser mucho mayor, dependiendo exclusivamente del grado de profundidad y presupuesto de cada proyecto. En el momento en el que se escribe este artículo, ya se han hecho pruebas con proyectos que llegan a los 50 millones de ítems.
Organizar el Big Data de los consumidores de Twitter
Una vez establecidas las condiciones preliminares, es el momento de proceder al siguiente paso: la extracción de insights de la base de los consumidores. Vamos a utilizar uno de nuestros propios paneles de consumidores compuesto por 5.000 australianos seleccionados aleatoriamente por todo el país, así podemos dar varios ejemplos de cómo proceder a la búsqueda de insights. Se trata principalmente de la creación de informes basados en términos que identifican comportamientos y acciones de los consumidores. Por ejemplo, se puede empezar con verbos típicos como: ver, beber, comer, tener, adquirir, comprar, etc. e incluir también la variación de tiempos verbales. La figura 4 muestra una imagen de nuestro panel australiano demostrándolo.
En nuestro primer gráfico elegimos tweets de los timelines de las 5.000 personas y buscamos el término “ver” calculando después los términos más frecuentes en la totalidad de estos tweets. Vemos que existen 195 menciones con el hashtag #bbau, que se refiere al Gran Hermano de Australia. El hashtag #theblock, se refiere a otro reality show australiano y tiene 69 menciones.
Figura 4 – Top Términos de menciones al término “ver” en Septiembre
Estos datos todavía se pueden filtrar más, de manera que aislemos atributos tales como el género o la bio. El gráfico de la Figura 5 ilustra la distribución a nivel de género en una muestra de personas en la que los términos “ver” y “juego” fueron mencionados. Como podemos observar, la figura muestra que el 8% eran hombres y el 25% mujeres. Los campos desconocidos corresponden a nombres de utilizadores imposibles de clasificar.
Figura 5 – Distribución por género teniendo como público objetivo tweets relacionados con “ver” y “juego”.
A continuación vamos a detenernos en las bebidas más populares como Coca-Cola, Pepsi, cerveza, vino y café. Creamos un informe para cada bebida y mapeamos la evolución del volumen de menciones dentro de nuestra base de consumidores. Los resultados que mostramos en el siguiente gráfico se refieren al café.
Figura 6 – Menciones diarias a Café
En el gráfico podemos ver una tendencia interesante: las menciones de café tienden a duplicarse o triplicarse durante los fines de semana (viernes o sábado). Podemos claramente observar los picos de volumen en el gráfico precisamente en estos días. Aunque no podemos afirmar que el consumo de café aumenta los fines de semana, no deja de ser información valiosa para cualquier persona que trabaje en el área de ventas de café, y seguramente el fin de semana sea el periodo ideal para promover un producto o servicio en Twitter.
La plataforma Buzzmonitor ofrece un motor de generación de informes semejante a los que forman parte de las herramientas clásicas de Business Intelligence. El motor de los informes permite al analista generar tantos informes como quiera. Al combinar términos de búsqueda seleccionados a partir de decenas de millares de tweets a través de pesquisas en los campos bio y localización, es posible generar informes sobre cualquier tópico que pueda emerger en el flujo Twitter a partir de nuestra base de consumidores. La Figura 7 muestra ejemplos de informes relacionados con la alimentación y bebidas: observamos menciones de cerveza, café, vino, pollo y beacon (atención: ¡estos informes pueden causar hambre!).
Figura 7 – Más informes posibles
Conocernos los unos a los otros: el oro escondido en las bios de Twitter
El campo bio de Twitter muchas veces se descuida por parte de la mayoría de las herramientas y proyectos de monitorización de redes sociales. No obstante, es un excelente predictor en los datos demográficos sobre una muestra.
Una vez extraídas las bromas y la locura adolescente, lo que nos sobra son verdaderas preciosidades que nos dicen todo sobre el consumidor, desde la profesión hasta su estado civil. Se puede utilizar Buzzmonitor para filtrar palabras específicas del campo Bio tales como: música, vegano o aficionado a los coches, pudiendo generar los términos más frecuentes en este campo, y que al mismo tiempo ofrecen un punto de partida para comenzar a conocer mejor la demografía del tópico buscado. La Figura 8 muestra una colección de bios que mencionaron vino. Aun sin hacerse un análisis profundo ya se pueden hacer algunas asociaciones: comida, café y cerveza son términos que también se mencionan en bios relacionadas con vino. Marido (hombres) y Melbourne aparecen a continuación, seguidos por cricket (!). Una vez más, es demasiado pronto para llegar a conclusiones definitivas pero los datos apuntan realmente hacia direcciones interesantes para seguir en una investigación sobre consumidores de vino.
Figura 8 –Top Bios Buzzmonitor
¿Cómo puedo empezar mi primer proyecto centrado en el consumidor?
Imagina que quieres lanzar al mercado una nueva marca de yogur de soja en Australia. A través de búsquedas en el mercado tradicional, podemos afirmar que la mayoría de tu público estará compuesto por consumidoras mujeres de Melbourne y Sydney. ¿Cómo puedes obtener más información acerca de este público en Twitter?
Primero debes diseñar una búsqueda clásica de monitorización de redes sociales seleccionando términos que pienses que comenta este grupo demográfico. En el caso del yogur de soja, los términos yogur, lactosa, vegano, vegetariano y alimentación biológica pueden ser un buen punto de partida.
En cuanto se tengan datos suficientes (entre 20.000 y 40.000 tweets), estarás preparado para filtrar una muestra de utilizadores de acuerdo a los criterios establecidos: mujeres de Sydney y Melbourne. La figura 9 muestra el panel de Buzzmonitor, donde se pueden configurar los filtros.
Figura 9 – Panel de control Buzzmonitor
En este momento puedes utilizar filtros más precisos, tales como: personas de la muestra que mencionaron lactosa dos veces o personas que se declaran veganas en el campo Bio. Puedes aplicar las restricciones que quieras a tu lista de utilizadores de manera que tu búsqueda sea más precisa o más genérica dependiendo de tus objetivos. Una vez obtenida la lista de consumidores estamos preparados para ayudarte a construir tu primer Panel de Consumidores.
¡Empieza tu propio Panel de Consumidores ahora!
Los consumidores quieren ser escuchados. Buzzmonitor es la única herramienta que automatiza el proceso de escucha a los consumidores de manera bidimensional: además de escuchar las conversaciones sobre tu marca, puedes escuchar todas las conversaciones que tu público está teniendo. Vivimos en un mundo en que la atención es escasa, por ese motivo saber definir tus mensajes a través de un mejor conocimiento de tu consumidor se convierte en una ventaja competitiva.
Para unirte a la revolución de los consumer insights tan solo tienes que registrarte en la versión gratuita que encontrarás en www.Buzzmonitor.es y empezar a monitorizar los tópicos que probablemente interesen a tu público. Entraremos en contacto contigo para ayudarte a crear tu propio Panel de Consumidores, cuando hayas recogido datos suficientes. Una vez creado el Panel estarás preparado para hacer todo lo que te hemos mostrado en este artículo y mucho más. ¡Empieza ahora!
