[box style=»2″]
Jordi Morales i Gras (@jmoralesigras) es licenciado en Sociología por la Universitat Autònoma de Barcelona, master en Sociedades Europeas por la Freie Universität Berlín y doctorando en la Universidad del País Vasco.
Especialista en Análisis de Redes Sociales, Estrategias Digitales e Investigación Social Aplicada
Ofrecemos a los lectores una aplicación práctica de análisis de interrelaciones y conexiones alrededor de #InNovTalent, hashtag del evento que tendrá lugar en Madrid el próximo miércoles, 2o de abril.
Jordi Morales aplica métodos algorítmicos para la investigación de grupos de afinidad en las Redes y su aplicación en la segmentación de clientes potenciales para acciones de e marketing.
[/box]
Nuevos conceptos, nuevas intuiciones
«Intuiciones sin conceptos son ciegas, conceptos sin intuiciones, vacíos» Immanuel Kant (1724-1804)
En lo que llevamos de modernidad cabe identificar dos grandes momentos revolucionarios propiciados por los cálculos probabilísticos y estadísticos. El primero corresponde con la bisagra entre los siglos XVIII y XIX, y está ligado a las necesidades de control y gobernanza de los estados; el segundo corresponde con el momento actual y la explosión del universo del big data. En ambos casos, ha sido la forma de acumular datos la que ha generado las herramientas teóricas necesarias para su explotación e interpretación, y nunca al revés. De ahí que resulte totalmente pertinente preguntarse, no sin cierta incredulidad, “¿qué estamos observando?” cuando vemos tales acumulaciones masivas de datos.
Hasta ahora los métodos de captura de datos permitían inferir fenómenos sociales en base a observaciones individuales (tasas de mortalidad, de empleo, esperanzas de vida, modas, corrientes de opinión…) cuyo retorno explicativo hacia el individuo era muy escaso. ¿Cuántas veces hemos sentido en nuestras carnes que los resultados de un estudio que en principio nos interpelaba, no nos representaban para nada? Al mismo tiempo, cualquiera dentro de un mundo como el asegurador, por ejemplo, sabe que un dato respecto a la esperanza de vida de una sociedad, aunque poco influye en la predicción de un caso particular para la preparación de una póliza (dentro de la inmensidad de variables a considerar), resulta enormemente eficaz para la preparación de productos generales y el trazado de políticas de largo plazo (he ahí la emergencia de lo que podríamos llamar “economía de la soledad”).
A diferencia de los métodos estadísticos tradicionales, los sistemas de captura y tratamiento de datos que hoy configuran el incipiente universo de los datos masivos sí permiten la permanente individuación de los mismos, así como su interpretación a niveles ulteriores. Por ejemplo, el Análisis de Redes Sociales (ARS)—una herramienta antigua pero totalmente novedosa respecto a su capacidad de tratamiento de datos masivos—permite observar lo emergente en tanto que producto contingente y necesariamente parcial respecto a una riqueza mayor (conexiones que los nodos de una red ya mantienen, pero cuyo peso es aún escaso en comparación con otras conexiones), también la capacitación del individuo mediante sus relaciones con sus semejantes, que lo dotan de poder o referencialidad dentro de un campo particular no extensivo (el poder no es una propiedad individual sino un tipo de relación), y por supuesto, también nos permite predecir lo deseable y trabajar para realizar nuestras profecías en un mundo “en-redado”.
Veamos un ejemplo de lo anterior mediante un ARS en base al hashtag #InNovTalent y con datos capturados entre el 5 y el 14 de abril de este 2016, a seis días del evento INSURANCE INNOVATION & TALENT TRANSFORMATION, promovido por Community of Insurance.
En esta red, sencilla y propia de otras épocas si la comparamos con la cantidad de datos que somos hoy capaces de procesar (¿te imaginas conocer las relaciones que mantienen entre ellos millones de clientes tuyos o de tu competencia, pudiendo identificar comunidades y liderazgos diversos en la red?), observamos una pluralidad de fenómenos surgidos de la comunicación en Twitter entre unos pocos usuarios y durante un periodo de tiempo muy corto. Todos los nodos que aparecen en la red son usuarios que hay mencionado a otros (o han sido mencionados) bajo el hashtag #InNovTalent durante algo menos de 9 días. Se trata de usuarios que mencionan a aquellos que les parecen interesantes: conversan, retuitean, interpelan, agradecen menciones y likes (anteriormente conocidos como favs) previos, etc.
La posición de los nodos en la red viene determinada por un algoritmo de visualización que ubica aquellos nodos fuertemente vinculados como cercanos entre sí y minimiza la intersección entre aristas. Un segundo criterio que nos ayuda a identificar comunidades es el color de los nodos, asignado mediante un algoritmo distinto, orientado a identificar grupos de nodos densamente interconectados. De tal forma, aquellos nodos cercanos entre ellos y de un mismo color (@communinsurance, @everis, @cejotabe y @bunzl1 por un lado, @segurostv, @zurichesprensa, @riverasaganta, @badrinasluis y @mpropietarios por otro) se encuentran cercanos y constituyen comunidades diferenciadas. Ello pueden hacerlo de manera inconsciente, no sabiendo predecir el resultado agregado de su acción cotidiana en medios sociales (¿sabemos si estamos donde queremos estar?). De las asociaciones entre individuos, portales y compañías cada uno podrá sacar conclusiones que van mucho más allá del alcance de estas notas técnicas.
Otro elemento clave del ARS es la observación del poder en-redado, que puede proporcionar resultados sorprendentes y a menudo contraintuitivos. En el grafo, aquellos nodos de mayor tamaño son los que acumulan más menciones entrantes; los que están generando mayor expectación en Twitter, tratándose de un hashtag relativo a un congreso cercano. Tómese como ejemplo el caso de @everis, la cuenta oficial y de gran audiencia (más de 12K seguidores) de la multinacional de consultoría, que hace apenas 2 semanas no lograba generar expectación en #InNovTalent (véase grafo interactivo) y que, sin embargo, en el último tramo temporal capitaliza la 2ª posición de la red en términos de menciones entrantes. La diferencia entre ambos grafos refleja que su poder no viene dado por sus propiedades (tales como sus seguidores) sino por las propiedades de su posición en la red (de sus relaciones). Por supuesto, ello se aplica también a los demás nodos de la red que, a pesar de sus mayores o menores cifras de seguidores, resultarán sin duda centrales en el evento del próximo miércoles en Madrid.
