Social Big Data

3 aplicaciones prácticas del Social Big Data que puedes implementar hoy.

Abril/2014

¿Qué es el Big Data y el Social Big Data? Big Data es como el mercado acordó en llamar a los grandes volúmenes de datos. En la década de los 90, grandes almacenes de datos (DataWarehouses) ya eran usados por compañías como Walmart, para identificar hábitos de los consumidores a partir de sus escogencias en el punto de venta. Fue así que se descubrió que los padres que compraban cerveza eran los mismos que compraban pañales desechables, permitiendo que las tiendas trabajaran en promociones cruzadas. En la última década, el alcalde de Nueva York, Michael Bloomberg, también creó un gran almacén de datos de la ciudad. El objetivo era optimizar las decisiones de la administración pública, como por ejemplo qué inmuebles –entre los 900 mil de la ciudad – habría que inspeccionar para prevenir incendios. El primer paso fue identificar las diferentes fuentes de datos que generaban informaciones sobre la ciudad: desde propiedades en alquiler pasando por emergencias médicas, quejas sobre ruidos en el vecindario, denuncias de crímenes, hasta avistamiento de ratas, etc. Estos datos estaban desestructurados y se almacenaban en sitios distintos (diferentes bases de datos de acuerdo a la administración local que trataba el problema). En primer lugar tuvieron que pasar por un proceso de estructuración para que fuera posible quitar, y se creó un modelo estadístico para procesar esos datos. A partir de la implementación del modelo, cada nueva queja que recibía la alcaldía sobre posibles incendios, se revisaba con un algoritmo del nuevo modelo. Resultado: el índice de quejas atendidas que de hecho representaban algún peligro inminente pasó de un 30% a un 70%. La asertividad en las previsiones ahorró recursos a la ciudad de Nueva York, ya que evitaba el desplazamiento del equipo para atender falsas alarmas. Una solución semejante fue aplicada en el sistema de alcantarillado que se desbordaba con mucha frecuencia en la ciudad de Nueva York. Este mismo problema lo sufren otras ciudades, pero la Manzana lo solucionó a través del Big Data. Se cruzaron una gran cantidad de datos de diferentes fuentes, como mapas de tuberías de gas, teléfono, electricidad, así como de tráfico en las inmediaciones para descubrir, por ejemplo, qué alcantarillas estaban a punto de colapsar. Al igual que la ciudad de NYC, Target, una tienda minorista americana, también transformó el Big Data en Insights para prever por ejemplo si sus consumidoras estaban embarazadas algunos meses antes de dar a luz. El proceso incluía el análisis de grandes volúmenes de datos de productos consumidos y hábitos de compra, permitiendo a la empresa una comunicación más personalizada con sus clientes. Se cuenta incluso que un padre enfadado contactó con el personal de marketing de Target reclamando que su hija adolescente había comenzado a recibir ofertas de productos para bebés por email. Un tiempo después descubrió que su hija estaba embarazada (dato que hasta entonces desconocía). En estos dos casos, tanto el de la ciudad de Nueva York como el de Target, los datos desestructurados formaban una gran masa de datos (big data) que tras pasar por un análisis estadístico se pudo identificar insights importantes sobre los hábitos de consumo no sólo actuales sino también futuros.

¿Cómo comparte el consumidor sus datos en redes sociales? Las redes sociales poseen un gran número de usuarios. Hoy, solamente en Twitter existen más de 200 millones de usuarios activos y en Facebook la cifra supera el billón. Cuando un consumidor forma parte de una red social, genera lo que nosotros llamamos Datafication, pues al crear su bio de Twitter, compartir fotos vía Instagram o realizar un check-in vía Facebook, registra al mismo tiempo su día a día, y sus interacciones se transforman en informaciones que pueden ser a su vez tabuladas y analizadas. Las interacciones de los usuarios generan una gran cantidad masificada de datos que, si son analizados de forma correcta, pueden identificar insights sobre hábitos de consumo actuales y futuros. Pero, ¿Cómo debemos analizar lo que los consumidores comparten? Para responder a esa pregunta, hemos creado una metodología denominada las 4P’S of Insights, una forma de analizar y obtener insights a partir de comportamientos del consumidor, compuesta por:

• Preferences (preferencia): Hoy es posible clasificar y aislar comportamientos de personas de acuerdo con sus tribus de pertenencia. Podemos analizar las preferencias a través de: - Bio - Menciones a marcas - Intención/ acción - Apps - Rts • Pricing (precio): Comercios electrónicos, como Ebay y Amazon, practican estrategias de precios que varían cada minuto de acuerdo con las tendencias del momento, comportamiento, frecuencia de compra, perfil del consumidor y otras muchas variables. Es decir, el precio de un producto no es tan importante como la precificación, o valor percibido de un producto en tiempo real. Con las redes sociales conseguimos entender el proceso de decisión de compra del consumidor analizando el pricing a partir de: - Menciones de precio o costo - Menciones a marcas • Places (Lugares): Actualmente, el consumidor cita los lugares que frecuenta a través de sus check-ins vía Foursquare/Facebook; el está siempre en movimiento. El lugar siempre ha sido la decisión más importante al abrir un negocio, por ello, cuando hablamos de ello en redes sociales, debemos hablar en plural: lugares. Podemos analizar los places a través de: - Localizaciones - Check-in

• People (Personas): Loss consumidores, al compartir sus datos, nos muestran cuál es su comportamiento y personalidad. Podemos analizar a las personas a través de: - Bio - Menciones a marcas - Intención/ Acción - Rasgos de la personalidad Al analizar los datos compartidos por el consumidor utilizando la metodología 4P’S of Insights podemos descubrir: • Qué beben; • Cuáles son los lugares que más frecuentan; • Qué canales de televisión suelen ver; • Qué películas ven; • Cuáles son su marcas favoritas; • Cuál es la percepción sobre los precios de una determinada marca/producto; • Rasgos de personalidad de quien menciona o sigue a una determinada marca. Hoy en día, el consumidor está más informado y actualizado, por eso, usa las redes sociales, para reafirmar o revelar preferencias y comportamiento de consumo.

¿Cómo usar el Buzzmonitor y el Big Data? Como sabemos, las personas en redes sociales hablan sobre diferentes asuntos, marcas, se enfrascan en debates, etc. Pensando en ello, desarrollamos el Deep Profiling, o Big Data de Buzzmonitor. Gracias a ello, el analista tendrá acceso a una base de datos con más de 1 billón de posts en Twitter y Facebook, recolectados durante los más de ocho años de monitorización del Grupo E.life. Con el Deep Profiling podrás entender mejor el comportamiento de un determinado consumidor, identificando intereses a partir de los asuntos y marcas que ha mencionado en el pasado. • Todas las marcas que mencionó anteriormente. Buzzmonitor posee un histórico de un billon de post y 55 millones de consumidores; • Número de seguidores; • Género; • Localización; • Amistades; • Total de tweets que el usuario ya ha hecho; • Idioma del usuario; • Bio. Echa un vistazo a la siguiente imagen:

Con esta información, podrás: 1. Realizar aciones de Sac 2.0 más personalizadas Al conocer en profundidad los hábitos, artistas favoritos, programas de televisión, lugares que más frecuenta y marcas que ama u odia el consumidor, se hace más fácil tener una atención aún más personalizada y sorprenderle. 912554957 El analista, al responder al consumidor, tendrá acceso a todas sus informaciones disponibles y así podrá contestarle de forma más creativa y personal. Como podemos comprobar en

este case de E.life, donde el analista antes de responder al consumidor, verificó deep profilling y respondió con una frase de su artista musical favorito. Echa un vistazo:

Toma nota sobre cómo responder al consumidor utilizando el Deep Profilling: 1. Después de leer un tweet, clica en visualizar detalles del perfil.

2. Conoce al consumidor a través do Deep Profilling 3. Responde al consumidor, clickando en la flecha de la derecha.

Además del Deep Profiling, disponemos del Author History en Buzzmonitor, que es el histórico de tweets intercambiado con el usuarios desde la marca monitorizada. Para tener acceso al Author History, clicka en el ícono:

Con el Author History y el Deep profilling es posible personalizar la atención del SAC 2.0 y mejorar la relación del cliente con la empresa. 2. Conocer las tribus de consumidores a partir de las marcas que consumen o citan Según el profesor Bernard Cova en el artículo “Tribal Marketing: the Tribalisation of Society and its Impact on the Conduct of Marketing” (Marketing Tribal: la Tribalización de la sociedad y su impacto en el marketing), una tribu se define como “una red de personas heterogéneas – en términos de edad, sexo, ingresos, etc. – que están vinculadas por una pasión o una emoción; una tribu es capaz de acciones y comportamientos colectivos, sus miembros no son simples consumidores sino defensores de las marcas”. Cuando conectamos esta definición con lo que ocurre hoy en las plataformas de medios sociales percibimos que estas tribus están tomando en cuenta el ambiente digital. Existen grupos en Facebook para discusiones sobre vino, golf, seguros de salud, movimientos sociales y una infinidad de tópicos diferentes. Los expertos en un tema influencian a millares de consumidores con una imagen de 140 caracteres en Twitter. Yelp o Foursquare son el destino de quien busca informaciones sobre lugares de moda. Cada vez más estas tribus están tomando en cuanta páginas en Facebook donde las marcas gestionan los contenidos. De esa misma forma, los consumidores miembros de dichas tribus envían mensajes para cuentas oficiales en Twitter, solicitando atención y, de manera general, pidiendo mejoras en los productos o servicios. Por el otro lado, muchos gestores de marcas gerencian un ejército de analistas de Social CRM capaces de calmar a masas enfurecidas de consumidores en casos de levantamientos digitales, no poco frecuentes.

Con Deep Profiling es posible percibir cuáles son las tribus a las que un consumidor pertenece a partir de las marcas que menciona. Un ejemplo, al monitorizar la marca Coca Cola podemos aislar aquellos que citan a Coca Cola y que a su vez son fans de Harley Davidson. ¿Cómo? En Edit Report usa la búsqueda en la bio de un término en concreto. Para este caso, utilizaremos el término “Harley”.

Es posible de este modo encontrar algunas personas que hablan de Coca Cola y que a su vez son super fans de las motocicletas Harley Davidson:

O mirando directamente en el perfil: 3.

3. Hacer acciones de cross-selling y up-selling a través de las funcionalidades de Author History y Deep Profiling Imagina el siguiente escenario para Maria, una representante de una compañía aseguradora: El software de monitorización de la empresa envío prospectos de nuevos clientes todas las mañanas, supervisando Twitter e Facebook, buscando tópicos relevantes previamente definidos por los analistas. Maria encuentra el último tweet de @Mom39, que dice haber cumplido 40 años. Rápidamente, Maria tuitea de vuelta a @Mom39 diciendo: “Los 40 son los nuevos 30. Enhorabuena!” y empieza a seguirla. Algunos días después, Maria vuelve a su home y envía otro tweet con un link sobre uno de los tips de seguro con los que trabaja. En este momento,@Mom39 está curiosa, clicka en el link y se registra en el site de la aseguradora, dejando su número de teléfono. ¡Bingo! Maria tiene ahora un nuevo lead y está lista para comenzar el proceso de venta. María continúa monitorizando el perfil de @Mom39 y ve un reciente check-in en una agencia de viajes; entonces ella hace una nota mental para mencionar el seguro de viajes en la próxima conversación. El escenario arriba mencionado ya está sucediendo para muchas empresas alrededor del globo. Los consumidores no son entidades estáticas ni una base de datos. A través del Deep Profiling y el Author History, funciones exclusivas de Buzzmonitor, todo el histórico digital que @Mom39 deja atrás puede ser revisto en cualquier momento por un representante de ventas para contextualizar una venda, por ejemplo.

Como ya habrás concluido, el Deep Profiling puede ser usado tanto para prospectar nuevos clientes como para acciones de cross selling y up-selling. Esperamos que hayas disfrutado la lectura de nuestro Ebook. No dejes de acceder a Buzzmonitor en: www.buzzmonitor.es