Redes Sociales, el uso de datos y modelos de negocios

Fotografía: Reuters

Alguna vez de seguro ha sentido o ha escuchado que las redes sociales «lo están espiando». Cómo Facebook o Instagram saben que yo estaba hablando con mi novia, por ejemplo, ¿Cómo saben las RRSS que quiero ir a California? No es espionaje.

Comencemos con bases de datos

Para que los planes ejecutivos de marketing de una empresa tengan una mayor eficiencia a costos razonables, las bases de datos juegan un rol fundamental en segmentación y perfilación del target en el mercado respectivo. Las bases de datos tradicionales (bases de datos relacionales) sólo tienen capacidad para cierta cantidad de datos estructurados (texto y números), es decir, son unidimensionales.

Éstas tienen valor, pero cuentan con limitaciones de tamaño, variedad y de velocidad. Estas bases de datos en manos de entidades bancarias, compañias telefonicas y otras organizaciones de alguna forma pasaban a otro tipo de empresas, donde se ha usado para perfilar a sus prospectos, de allí que en otros momentos recibimos llamadas de operadores turísticos, correos de empresas de servicios, spam, etc.

¿Qué pasa hoy en día?

Cada uno de nosotros somos una variable, la cual, día a día genera cada vez más datos y metadatos, estructurados y no estructurados con nuestros dispositivos. Conexiones, fotos, textos, huso horario, audios, geolocalización, correos, visitas al médico, gestiones bancarias, en fin, innumerables actividades que dejan una huella digital. Aún cuando estamos durmiendo (el dato por default es que estamos off).

El boom tecnológico, demográfico y de conectividad generan cada día más datos. La capacidad de análisis de tanta información ha venido mejorando con el tiempo. De allí la importancia de recoger, recibir y analizar el caudal de datos.

Esto es Data Science

A partir de aquí dos elementos claves: Big Data (macro datos) y Machine Learning. Ambos conceptos estan estrechamente consustanciados.

El primero, es la captura y gestión de gran cantidad de datos que no se almacenan en computadores tradicionales, y se caracterizan por 3V: Volumen, variedad y velocidad. Son dinámicas y es información ingente medular para el marketing predictivo.

Por su parte, el Machine learning, una disciplina de inteligencia artificial (IA), donde ambas en los últimos años se han sofisticado mucho, y cada día más.

Es programación explícita avanzada que opera con algoritmos, los cuales entienden e interpretan en base de dato oceánicas, datos estructurados y no estructurados simultáneamente, y así, por ejemplo, generan publicidad para un individuo específico, en un momento puntual, información relevante, tendencias, alguna noticia e incluso usado para generar una tendencia maliciosa (a partir de bots) u otros temas de interés para con el sujeto target.

Esto sucede en milésimas de segundos, con un ratio de inversión/retorno mucho más óptimo que con la fórmula tradicional (base de dato relacional).

De allí el hecho de que hay momentos donde nos llega publicidad muy especifica a nuestro perfil en redes sociales.

¡In the target!

El Machine Learning tiene por lo menos 4 categorías dependiendo del core a tratar: Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje de refuerzo y Deep learning.

El aprendizaje no supervisado es muy usado para rrss, puesto hay una cantidad masiva de data sin etiquetar, las cuales, son de gran utilidad.

Las RRSS que para los usuarios son gratis, poseen gran cantidad de datos sobre cada una de las variables (nosotros), siendo estas de gran volumen y variedad, lógicamente, tienen un preciado valor para muchas empresas, puesto allí podría estar representado un mercado cautivo de su actividad medular. Dichos datos eventualmente son o han sido comercializados de forma directa o indirecta, siendo uno de los objetivos conectar los mensajes del oferente con la demanda potencial del bien o servicio de manera focal, directa y precisa.

Esto convierte al andamiaje de RRSS, big data y machine learning en una estructura de negocios altamente eficiente, rápida y bastante rentable.

Tanto, que la sensibilidad de vender o no la red social TikTok en EEUU obedece al valor de la data dinámica de una gran cantidad de adolescentes (millenials), lo que es un mercado de miles de millones de dólares que China quiere controlar y retener.

Además de lo relacionado al posible potencial espionaje por parte del gobierno asiático a EEUU, lo cual, es otro tema con muchas especulaciones y que por ahora no me compete.

De manera que big data y machine learning permiten componer y descomponer mercados, accionando con rapidez y facilidad formidable.

Una referencia importante en la área política

En el año 2016, el Reino Unido llamó al referéndum (Brexit) para votar a favor o en contra de que el país permaneciera en la Unión Europea, David Cameron, su primer ministro, estuvo confiado de que la mayoría votaría a favor de la permanencia, incluso hizo campaña a favor.

Un proyecto llamado «Sensei» (Big data) cruzó información de todas las conversaciones en RRSS sobre el Brexit, en un período específico antes de las votaciones. De manera impresionante, Sensei acertó el resultado del referéndum, la salida del Reino Unido de la Unión Europea. Suceso que sorprendio al primer ministro Cameron y con ello trajo su renuncia.

Uno de los rezagos que existen actualmente referente al tema, es que las RRSS han despuntado de manera veloz, tanto en su peso como herramienta comercial, como en su gran valor para las empresas propietarias, pero la legislación consecuente con ellas no está del todo adecuada, aún hay zonas grises con el alcance, normas y uso de las bases de datos de redes sociales.

Por ahora, seguimos viendo enormes cambios en este sentido, se amplia la oferta de trabajo en el sector de macro datos, la demanda aún queda por debajo de las plazas requeridas, pero sin duda alguna es una dimensión con aplicaciones supremas en el área de finanzas, investigación cientifica, política, farmacéutica y marketing/negocios.


ProEconomía es una organización independiente que ofrece análisis disponibles para todos gracias a las contribuciones de nuestros lectores.