Valor en Negocios Digitales en Red

Caracterizando matemáticamente las redes sociales para potenciar el ROI de las acciones de marketing: propagación y captación a través de contactos.

 

Como última entrada de este conjunto de 3 píldoras relacionadas, cabe referenciar otras 2 propiedades (la transitividad y la correlación de grado) que ayudan a un mayor y mejor conocimiento de las redes sociales formadas por los clientes finales.

 

- Transitividad: ¿cómo alcanzar a terceros?

 

La transitividad es la probabilidad de que dos nodos en una red estén conectados a un tercero. En esta línea, en 1967 el psicólogo social estadounidense Stanley Milgram inició un experimento en la Universidad de Harvard que culminó con la teoría de Los 6 Grados de Separación (Six Degrees Of Separation). Ésta conjetura que cualquier persona puede estar conectada con cualquier otra, a través de una cadena de no más de 5 intermediarios de media que se conocen mutuamente 2 a 2, conectando a ambas personas con sólo 6 enlaces o saltos.

 

Con posterioridad, ha habido muchas réplicas del experimento de Milgram. Existen múltiples detractores de esta teoría, considerándola únicamente como el reflejo del dicho popular “el mundo es un pañuelo”. No obstante, ésta sí podría tener plena validez aplicada a poblaciones con ciertos rasgos o patrones básicos comunes: de comportamiento, indicadores sociodemográficos o perfiles descriptivos, acotando la teoría a un escenario posible y plausible. Este es el caso tanto de los clientes ya existentes como de aquellos potenciales, para los que una adecuada segmentación podría ayudar en su captación.

•

- Correlaciones de grado: ¿cómo influenciar a influenciadores?

 

Otro argumento más que apunta al carácter no aleatorio de las redes es el de las correlaciones de grado entre nodos, es decir, la elevada probabilidad de que aquéllos de determinado grado estén conectados a otros adyacentes de ese mismo rango de grado. De esta manera, estadísticamente hablando, hay más probabilidad de que los nodos de alto grado estén conectados con otros de su misma naturaleza, hecho que es igualmente replicable entre nodos de bajo grado. Es decir, en propósitos específicos del marketing, podría enfocarse en cómo hacer para que más influenciadores prescriban nuestros productos.

 

Como la correlación medida mediante una distribución de probabilidad conjunta P (k_1, k₂) para los grados k₁ y k₂ de dos nodos adyacentes es compleja, se emplea en su lugar un coeficiente de correlación r cuyo valor positivo o negativo cuantifica el nivel de correlación existente:

 

r = (<k₁ k₂> - <k₁><k₂>)/σ_k²

 

Donde σ_k² es la varianza de un nodo de grado k. La mayoría de las redes sociales tienen r positivos, mientras que para las no sociales (redes tecnológicas y biológicas) se obtienen valores negativos. Las redes con correlaciones positivas tienden a tener una estructura de núcleo-periferia: los nodos con una elevada distribución de grado se sienten atraídos entre ellos, constituyendo un núcleo altamente interconectado rodeado de una periferia compuesta por los de menor número de enlaces.

 

                     Figura: representación de una red con r positiva (imagen tomanda de aquí).

Caracterizando matemáticamente las redes sociales para potenciar el ROI de las acciones de marketing: difusión, captación y fidelización.

 

Como se indicaba, la caracterización de las redes sociales según diferentes índices matemáticos se erige como una herramienta de apoyo a la hora de llevar a cabo diversas acciones de marketing. Así, este instrumento permite ayudar en tareas como son la captación de clientes, las fidelización y el conocimiento de los mismos, así como la difusión de información en las campañas de marca y comunicación.

 

Algunas de las propiedades básicas más relevantes a la hora de caracterizar una red son:

 

- Distribuciones de grado: ¿dónde están los potenciales influenciadores?

 

El grado de un nodo (personas) en una red es el número de enlaces (aristas) que conectan a éste con otros en su red, por ejemplo, en una red social de amistad sería el número de amigos que se tiene. Los nodos de mayor grado (los hubs) son aquellos que más conexiones tienen y, por tanto, que pueden actuar de difusores de información o influenciadores sobre el resto, pudiendo prescribir nuestros productos.

 

Según los diversos análisis, el número P(k) de nodos con un grado k sigue una ley de potencia según la expresión:

 

P(k)=C·k^α

Donde C es una constante y, en el caso de Internet, el valor del exponente α es entre 2,1 y 4. Si se representa gráficamente la función P (k), donde el eje de abcisas es k y el de ordenadas el número de nodos que tienen k aristas, se aprecia cómo la distribución sigue aproximadamente una línea recta en la escala logarítmica en base 10 (distribución power law) .

  

Figura: distribución power-law de una red scale-free (imagen tomada de aquí).

 

Además de Internet, existen otras muchas redes que tienen una distribución power-law, denominadas libre de escala (scale-free networks), que constatan cómo estas relaciones no son aleatorias o fruto del azar (si así lo fuera tendrían una distribución Poisson). El comportamiento de un sistema (una red) está fuertemente ligado al que tengan los hubs en él, aunque estos centros neurálgicos representen un pequeño porcentaje respecto a la totalidad de nodos.

 

- Difusión de fenómenos: ¿cómo propago la información que me interesa?

 

La distribución power-law en una red scale-free también tiene efectos sobre la propagación de eventos entre nodos (información, rumores, enfermedades, etc.), estando fuertemente condicionada por el grado del nodo que difunde el fenómeno.

 

Así, los de mayor grado resultan críticos para la propagación viral en volumen y velocidad, por ejemplo, una persona con 100 contactos es 100 veces más propensa a estar involucrada en fenómenos de difusión que una no conectada y además será 10.000 veces más efectiva en la transmisión, gracias a la relación exponencial determinada por α (que valía entre 2,1 y 4).

 

En conclusión, la difusión de fenómenos en un sistema por un nodo guarda una proporción cuadrática con la relación de grado del mismo.

 

-  Resiliencia: ¿Cómo anticipo y gestiono la amenaza del churn?

 

Hace referencia a la robusted de una red social ante la caída de nodos (pérdida del nodo como, por ejemplo, un cliente valioso) y, en consecuencia, la desaparición temporal o definitiva de enlaces. Una red social es resiliente cuando ante estos cambios en su estructura es capaz de mantener su operación e interacción. A su vez, esta resistencia y el número de nodos afectados antes de que la red vea afectada su operativa depende de la distribución de grado de la misma, existiendo dos posibles escenarios combinables:

 

- Caída de nodos de una forma aleatoria (clientes convencionales).

- Caída de los nodos hubs, de mayor grado de distribución (influenciadores).

 

En una red aleatoria ambos supuestos conllevarían aproximadamente los mismos efectos. Sin embargo, las redes del mundo real no son aleatorias y, mientras que la eliminación de nodos con un grado de distribución reducido de manera aleatoria no supondría una afectación severa en una red scale-free, la supresión de aquellos que tienen un alto grado sí que impacta sustancialmente en la misma.

 

Las estimaciones apuntan a que la eliminación de un 3% de los hubs supondría la paralización de la red, lo que resulta crítico para cuestiones relacionadas con el negocio, la fidelización del cliente y la prevención del churn. Sin embargo, como contrapartida también supone un arma para captar potenciales clientes de la competencia.

Caracterizando matemáticamente las redes sociales para potenciar el ROI de las acciones de marketing: el potencial.

 

Los estudios (profundos y rigurosos) mediante técnicas de análisis de redes sociales aplicadas al marketing se han servido de un enfoque y metodología basados en la experimentación empírica, inspirada en redes como las biológicas o las informacionales y de comunicación como Internet. A través del empleo de datos precisos, disponibles en volumen y detalle gracias a la trazabilidad digital de redes como las de datos y las comunicaciones móviles, se pueden obtener las propiedades estadísticas, funciones y algoritmos que caracterizan a las redes sociales.

 

Hablando en un idioma un poco más entendible, las técnicas de análisis basadas en redes sociales nos permiten responder a preguntas cómo:

 

- ¿Cómo ajusto mi budget publicitario sin disminuir la captación?

- ¿Quién puede actuar de altavoz para la propagación boca-oreja de mis campañas?

- ¿Quiénes son mis clientes más valiosos en términos de difusión de marca y de productos?

- ¿Cómo conozco mejor a mi cliente y atiendo sus necesidades?¿Cómo evito que mi red de clientes se desintegre?

- ¿Cómo anticipo la amenaza del churn rate?

- ¿Cómo fidelizo a mi cliente?, ¿y al contacto de mi cliente que también lo es?

- ¿Cómo capto potenciales clientes clave para el crecimiento?

 

 

El análisis de éstas puede ser abordado empleando diferentes técnicas y modelos. Por un lado, es posible analizar las propiedades de las redes a través de su caracterización según diversos índices matemáticos (que se definen a continuación en los próximos posts) como son las distribuciones de grado, la resiliencia, la transitividad, las correlaciones de grado, etcétera. Por otro, el análisis también podría abordarse mediante el estudio de procesos dinámicos en las redes, analizando la naturaleza y calidad de los intercambios, los flujos existentes, o las posibles propiedades globales.

 

 

El pasado 5 de enero de 2010 Google anunció el lanzamiento al mercado de su propio móvil, pero, ¿por qué quiere Google entrar en este mercado? ¿qué ganará con ello más allá de lo aparente?

 

Pues bien, entre las muchas razones para esta apuesta (como la extensión de la VoIP en el móvil y la oferta de tarifas planas de voz, provocando la reducción de los márgenes de las operadoras) y aunque es una de las menos visibles, Google podrá disponer de una base de datos gigantesca para la investigación de mercados que contendrá una información muy valiosa: la vida de sus clientes; y además lo podrá hacer mediante un proceso completamente externalizado en ellos. Al usar el Nexus One, son los propios usuarios los que envían tales datos automáticamente, sin esfuerzo y casi sin ser conscientes de ello. Como declara la propia empresa (que no buscador): “la mayor parte de la información personal que recopilamos es lo que nos dices de ti mismo”. Por ejemplo, con Google Maps en el móvil estamos enviando nuestra posición, que Google puede emplear en la personalización de sus servicios.

 

En una Economía no sólo cada vez más digital, sino también más de la información y de red, el potencial de negocio a largo plazo asociado a procesar estos datos es abrumador, uniéndose además al actual. No hay una red social más fidedigna y mejor trazada que la que ofrece la telefonía móvil a través de sus clientes que, al llevar su móvil consigo 24 horas al día e interactuar con él constantemente, permite conocer su realidad. En las redes de telefonía móvil, a diferencia de las redes sociales de Internet, el usuario se comporta como es en el mundo físico.

 

Con ello, Google tendrá la posibilidad de delegar totalmente en los clientes el proceso de conocerlos en su vida real, de saber quiénes son (identidad), qué hacen, qué servicios utilizan y qué contenidos prefieren (su personalidad), dónde están en cada momento y qué patrones espaciotemporales siguen (localización), además de con quién se comunican y con cuánta intensidad (comportamiento). Bastará con que un porcentaje pequeño de usuarios de móvil tengan un Nexus One para que la empresa reciba un flujo de datos muy valioso, a emplear en beneficio propio en todo su catálogo de servicios.

 

Con toda esta información, lo difícil no es gestionar al cliente porque conocerán sus necesidades en diferentes ámbitos, quizá incluso antes de que sea consciente de ellas, sino manejar y procesar todos estos datos para aprender, modelizar, predecir, ofertar servicios de valor añadido y crearlos, pero en esto Google tiene de nuevo ventaja.

 

En conclusión, Google Nexus One, desde el punto de vista de la investigación de mercados significa una innovación operativa basada en la externalización.

El análisis de redes sociales, estudiado con profundidad en ciencias como la sociología, la antropología sociocultural o la psicología social, constituye una nueva herramienta en la resolución de problemas multidisciplinares. Es aplicable a todos los campos en los que pudiera existir cualquier tipo de relación entre elementos de un conjunto desde células, hasta estructuras familiares o relaciones entre estados gubernamentales, con facilidades para soportar la escalabilidad necesaria para pasar del estudio de relaciones casi atómicas, a las interpersonales o internacionales.

 

De esta manera, el análisis basado en redes sociales se centra en el estudio de los enlaces de conexión entre nodos de un sistema- de las relaciones entre individuos o grupos de individuos-, por encima de los atributos particulares de cada uno de ellos –la raza, edad, ingresos, educación…-. Al centrarse en las relaciones de dichos nodos y no en las características de los mismos, esta técnica está siendo capaz de abordar estudios desde una perspectiva diferente a la de otras ciencias. La difusión de información y el contagio de enfermedades son dos ejemplos de ello, en los que la estructura de las relaciones puede llegar a ser más relevante que las características de los individuos, o por lo menos, información clave para conocer los procesos que los determinan.

 

El mapa de una red social puede ayudar entre otras muchas posibilidades a determinar cómo las organizaciones interactúan entre ellas. Como toma de contacto, dicho mapa se puede caracterizar cuantitativamente, además de por el número de nodos, enlaces y la representación de sus conexiones, según múltiples y diversas métricas, como por ejemplo la densidad (resultante de dividir la suma de los enlaces existentes entre nodos, por el número teórico de enlaces que podrían llegar a existir en dicha red), la reciprocidad (el número de enlaces unidireccionales que representan relaciones recíprocas entre nodos, dividido entre el número total de enlaces unidireccionales existentes en la red) o los grados de separación entre nodos de la red (distancia media, medida en saltos, entre todas las parejas de nodos posibles dentro de la red).

 

Figura 1: Grafo de red social sencilla y métricas básicas de una red simple.

 

En relación al crecimiento y expansión de las redes sociales, la probabilidad p de que un usuario u entre a formar parte de una determinada red C, depende –entre otros múltiples factores- del número k de contactos del individuo que ya estén en dicha red, tripleta (u,C,k), siguiendo una tendencia expresada por la relación exponencial:

 

P(k)= a•log(k)+b

 

Figura 2: Probabilidad de nuevo miembro según el número de contactos dentro de la red y la relación entre estos.

 

Donde a y b dependen en gran medida de la posible existencia de relación directa entre los k contactos de u entre sí. Así, la probabilidad de que un usuario u se adhiera a una red social depende no sólo del número de personas que conozca dentro de ella, sino también de cómo están conectadas. Cuanto mayor es el número de conocidos dentro de una red, y más relación existe entre ellos, mayor es la probabilidad de que el usuario se adhiera a dicha red.

 

En el crecimiento y expansión de las redes también influyen otros muchos factores, como el tipo de subestructuras dentro de ella, que se generan entre los nodos componentes de la misma. De esta manera, las redes en las que existe un número alto de subestructuras de 3 nodos con relaciones de amistad mutua entre dichos componentes, crecen significativamente más despacio que aquéllas en las que no se manifiestan estos esquemas de conexión. Lógicamente, en el crecimiento de una red influyen otros múltiples indicadores asociados tanto a dicha red como al usuario: el número de miembros y las relaciones entre ellos (adyacencias), la actividad global de la comunidad y de cada uno de sus componentes, la distancia media entre nodos, el volumen de personas que superan un determinado número k (con k≥1) de conocidos en la red o la naturaleza de los enlaces, hasta completar una larga lista parámetros.

 

La estructura de las redes sociales, atendiendo a la teoría de grafos, guarda estrecha relación con su propósito o fin específico. Así, aquéllas de ámbito general destinadas a las relaciones entre individuos en condiciones de igualdad (o similitud) prácticamente carecen de estructura definida y normalizada, dada la ausencia de clasificaciones jerárquicas preestablecidas. No obstante, resulta cierto que en estas comunidades existen usuarios líderes, capaces de actuar como centralizadores de la actividad o canalizadores, gracias a su posición destacada dentro de un grupo.

 

Figura 3: Grafo de una red de propósito general y otra jerárquica y de fin específico.

 

Sin embargo, en aquellas redes sociales con un propósito definido, específico y conocido, sobre todo en las destinadas al establecimiento de contacto y relaciones entre profesionales, sí se distinguen estructuras ordenadas e incluso jerárquicas fruto no sólo de las relaciones entre nodos sino de la naturaleza de éstos (como la posición jerárquica que puedan ocupar las personas dentro de una empresa o corporación). De esta manera, existen nodos con una posición relevante en su comunidad gracias a los enlaces que tienen establecidos con otros nodos también importantes en sus grupos sociales. A esta clase de nodos se les denomina hubs.