Durante 10 meses Valeria la gerente de investigación de mercados de una empresa de consumo masivo estuvo buscando herramientas para utilizar la información de redes sociales e identificar posibles espacios de innovación en productos. Ella vio varias herramientas como paneles online o encuestas digitales, pero ninguna resuelve la necesidad que tiene.

Para Valeria la empresa está desaprovechando el poder que tienen las redes sociales para generar contenido de valor en la toma de decisiones de proyectos estratégicos, y utilizar la tecnología para monitorear las conversaciones y búsquedas que tienen los 185 mil usuarios que siguen sus marcas.

Ella se ha dado cuenta que todas las herramientas que existen solo se utilizan para evaluación de campañas y publicaciones, prácticamente ninguna se usa para entender las necesidades de los clientes o interactuar con ellos.

También se dio cuenta de que la mayoría de proveedores de investigación de mercados han migrado sus procesos análogos a herramientas digitales sin ningún avance significativo, manteniendo las mismas capacidades de análisis y paradigmas.

Después de buscar soluciones y quedar un poco desilusionada Valeria decidió crear su propia herramienta para generar insights a través de algoritmos. Este proyecto tenía como objetivo validar tres hipótesis:

Hipótesis #1 ¿El algoritmo puede identificar contenido orgánico (sin interacción de las marcas) en redes sociales?

Hipótesis #2 ¿La calidad de los datos permite identificar patrones que generen insights relevantes?

Hipótesis #3 ¿La presentación de la información es fácil de interpretar?

Para desarrollar el proyecto Valeria contrató a unos emprendedores chilenos expertos en Machine Learning para desarrollar un algoritmo que pudiera identificar conversaciones de personas respecto a temas específicos de su industria.

Antes de continuar con la historia es importante que hagamos un breve refrescamiento de qué es el Machine Learning.

El ‘machine learning’ –aprendizaje automático– es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello. Una habilidad indispensable para hacer sistemas capaces de identificar patrones entre los datos para hacer predicciones.

“…el ‘machine learning’ es un maestro del reconocimiento de patrones, y es capaz de convertir una muestra de datos en un programa informático capaz de extraer inferencias de nuevos conjuntos de datos para los que no ha sido entrenado previamente”, explica José Luis Espinoza, científico de datos de BBVA México.

Volviendo al caso de Valeria, ella y los expertos definieron que la estructura del proyecto estaría basada en 5 pasos.

Paso 1 Definir el tema y las palabras clave de búsqueda: antes de programar un algoritmo lo primero que tienes que hacer es definir qué quieres que busque, esto es un marco de referencia para que la tecnología puede “centrar su atención” en los temas más importantes.

Paso 2 Extraer los datos de las RRSS: el algoritmo va a tener dos funciones primordiales, la primera es extraer todos los datos relacionados con las palabras definidas para la búsqueda, esto nos va a permitir crear la base de datos para posteriormente hacer el análisis.

Paso 3 Armado de la base de datos: la base de datos debe ser depurada de información que puede ser no valiosa como fake news por ejemplo o vocabulario no apropiado que no construye en nada al análisis. Es importante no asumir que todo lo que encuentre el algoritmo es valioso para el objetivo del proyecto.

Paso 4 Machine Learning Tópicos: en este paso el algoritmo se programa para que puede identificar conversaciones y patrones que sirvan al análisis. El algoritmo debe tener “la capacidad” de identificar secuencias en los datos que den indicios de temas relevantes pues son consistentes entre los usuarios y en el tiempo.

Paso 5 Machine Learning Clusters: cuando el algoritmo ha identificado los patrones y temas relevantes para los usuarios podemos agrupar la información dependiendo de la necesidad, por ejemplo, podemos perfilar los tipos de clientes o las características de productos.

Aquí es donde entra la capacidad de análisis del ser humano de podemos definir que quiere averiguar o en que quiere profundizar. Es la parte más divertida porque puedes hacer infinidad de cruces de variables para generar insights.

Paso 5 Generación de Insights y Data Storytelling: es la etapa conclusiva donde el reto más grande es bajar los datos a lenguaje de negocio para la toma de decisiones, por eso es tan importante el Data Storytelling para saber crear el hilo de una historia donde convivan la estrategia de negocio y los datos. El Data Storytelling tiene tres elementos fundamentales los datos, los iconos y la trama.

Después de 8 semanas de ejecución del proyecto Valeria había confirmado una de las tres hipótesis. Logró aislar las conversaciones donde no interactúan sus marcas lo cual permitía entender a los usuarios sin sesgos.

En el caso de las otras dos hipótesis, Valeria aprendió que no puede acotar la búsqueda únicamente a su industria, sino que debe tener otros marcos de referencia como grupos o páginas relacionadas, pero sin interacción con las marcas.

También aprendió que debe tomar el tiempo suficiente para crear la historia en el Paso 5. No es menor que una historia mal contada puede llevar a malas interpretaciones en la estrategia. Parece muy sencillo para convertir los datos en palabras es extremadamente difícil cuando no son datos lineales.

Valeria hará una segunda etapa del proyecto para seguir en el proceso de aprendizaje y creación de la herramienta, pero sin duda por este primer avance vienen cosas muy positivas en lo que respecta al uso de datos para generar insights para la innovación.

Si necesitas innovar puedes escribir a hola@necesitoinnovar.com o visita www.necesitoinnovar.com.