¿De dónde extrae Audiense los datos de audiencias?

 

¿Cómo puede Audiense extraer información?

Nuestro enfoque consiste en utilizar de manera compatible la información disponible públicamente, utilizando nuestros propios algoritmos y fuentes de terceros para enriquecer esa información y sacar a la luz conocimientos profundos de la audiencia.

¿De qué fuentes?

Recopilamos datos de una variedad de redes sociales (Facebook, Instagram, YouTube, Twitter) y censos públicos a nivel granular y agregado. Sin embargo, como cualquiera que realmente entienda la industria de los datos sociales, Twitter es la plataforma abierta más grande. Por ejemplo, cada mes se tuitean más de 200 millones de posts que provienen de Instagram, Facebook y YouTube.

Análisis Social vs. Datos Sociales

Es muy común que Social Analytics se use indistintamente con Social Data. Social Analytics es un medio para proporcionar análisis de rendimiento de las marcas en las redes sociales. Algunas de las métricas más comunes son la cantidad de fanáticos, seguidores, impresiones, etc., a las que se puede acceder fácilmente independientemente de la red (incluidos Facebook e Instagram).

Los datos sociales, por otro lado, se enfocan en sacar a la luz los insights de la comunidad, explorar conversaciones y/o campañas. Por ejemplo, Unmetric se considera una herramienta de análisis social exclusivamente, mientras que Audiense se consideraría una herramienta de datos sociales, y luego hay plataformas como Pulsar que hacen ambas cosas.

Dentro de Social Data, podemos diferenciar entre el tipo de datos sociales bajo escrutinio, ya sea 'Conversation Insights' (por ejemplo, Pulsar, Crimson o Brandwatch) y Segmentación de audiencias y perspectivas 'Insights' (Audiense).

¿Son sus hallazgos estadísticamente significativos si se derivan predominantemente de datos sociales?

Piensa en Audiense Insights como una encuesta dirigida a las personas más relevantes de tu audiencia. Si eres nuevo en el mundo de las estadísticas, puede que te sorprenda al saber de una muestra de 17 000 personas que obtiene un margen de error de menos del 1 % y un nivel de confianza del 99 % para cualquier tamaño de audiencia. Para obtener más información sobre muestras estadísticamente significativas, te recomendamos que visites http://www.raosoft.com/samplesize.html (en inglés).

Cuando creas audiencias con Audiense Insights, generalmente se componen de un tamaño de muestra de 250,000 personas, según los filtros y los criterios aplicados, que es mucho más que la muestra requerida de 17,000.

No es ningún secreto que el uso de las redes sociales es más prominente entre las generaciones más jóvenes. Como resultado, al analizar una audiencia de más de 60 años, es esencial ser diligente y verificar de forma cruzada los insights (datos) extraídos de una variedad de fuentes.

Es importante tener en cuenta que los conocimientos que brindamos siempre se comparan con una línea de base que es relevante para tu audiencia. Esta comparación aumenta la relevancia, ya que cualquier sesgo (datos sociales) influye en ambos conjuntos de datos, lo que sugiere que cualquier atributo de indexación por encima o por debajo es información muy específica y relevante para tu audiencia.

Nuestra cobertura de audiencia varía geográficamente, pero casi siempre hay una muestra de datos estadísticamente significativa de la que extraer información valiosa. Hemos desarrollado funcionalidades que te permiten acceder a todos los datos disponibles para encontrar una muestra significativa de tu público objetivo.

La base para generar insights

Generalmente, a través de algoritmos de aprendizaje automático (Machine Learning), Audiense infiere información de la audiencia de acuerdo con las interacciones públicas (tweets, seguimientos, me gusta, etc.), la información pública disponible dentro de los perfiles de los usuarios (nombre, foto de perfil, zona horaria, ubicación), otra información pública agregada (censo demográfico para segmentos específicos basados ​​en encuestas y otras interacciones digitales) o una combinación. Cada conocimiento tiene su propia precisión, pero ningún ML es siempre 100 % preciso.

Nosotros/nuestros socios (IBM Watson) entrenamos modelos con ejemplos reales. Por ejemplo, la biografía de mi perfil o mi identificador pueden indicar en qué rango de edad pertenezco. Después de entrenar los modelos con miles de ejemplos reales, buscamos correlaciones con otras características (pueden ser fotos, relaciones, nombres, censo público, etc.) para atribuirles la edad a individuos que no han sido explícitos. Esta es la base para el aprendizaje automático y esas correlaciones a veces pueden ser de sentido común o derivaciones explícitas, mientras que otras veces pueden ser correlaciones indirectas. Obtén más información viendo este video en YouTube (inglés): https://www.youtube.com/watch?v=R9OHn5ZF4Uo

 

Cómo se calcula cada pestaña

Hay ciertas variables con las que nosotros/nuestros socios entrenamos los algoritmos que se consideran altamente ponderadas, pero no exclusivas, de:

  • Segmentación: relaciones entre personas (por ejemplo, seguir, responder, me gusta)
  • Auto-naming: autodescripción de perfiles
  • Datos demográficos: foto de perfil, ubicaciones explícitas, autodescripciones, censos públicos, nombre, relaciones, zona horaria, publicaciones sociales.
  • Socioeconomía: edad, intereses, autodescripciones, censos públicos
  • Intereses: publicaciones sociales, relaciones
  • Contenido: publicaciones sociales
  • Personalidad: publicaciones, psicolingüística
  • Comportamiento de compra: publicaciones sociales, psicolingüística
  • Hábitos en línea: foto de perfil, ubicaciones explícitas, autodescripciones, encuestas, nombre, relaciones, zona horaria, publicaciones sociales.
  • Multicanal - Activación: publicaciones sociales, relaciones

Otras preguntas frecuentes

¿Cómo se vinculan perfiles a diferentes redes?

Las únicas formas compatibles de hacer esto son:

  1. Recopilar información directamente del usuario con su consentimiento
  2. Utilizar datos públicos

La base para generar insights

Si estás utilizando Audiense Insights, sin saberlo, te has convertido en un aficionado (si aún no eres un profesional) de investigación de audiencias/consumidores. Decimos aficionado porque existen diferentes carreras académicas y títulos para convertirse en un investigador profesional del consumidor/público, y debes contratar uno, o una organización, cuando puedas justificarlo, para complementar nuestros conocimientos que obtienes a través de la plataforma. Una cosa importante que debes saber es la diferencia entre la investigación Cualitativa, Cuantitativa y los métodos mixtos como Audiense.

¿Diferencias entre investigación cualitativa y cuantitativa, y por qué es esencial que conozcas esta distinción al usar Audiense Insights?

Investigación cualitativa

La investigación cualitativa es principalmente investigación exploratoria. Se utiliza para obtener una comprensión de las razones, opiniones y motivaciones subyacentes. Proporciona información sobre el problema o ayuda a desarrollar ideas o hipótesis para una posible investigación cuantitativa.

La investigación cualitativa también se utiliza para descubrir tendencias en el pensamiento y las opiniones, y profundizar un asunto. Los métodos de recopilación de datos cualitativos varían, utilizando técnicas no estructuradas o semiestructuradas.

Algunos métodos comunes incluyen grupos de enfoque (discusiones entre grupo/público), entrevistas individuales y participación/observaciones. El tamaño de la muestra suele ser pequeña y los encuestados se seleccionan para cumplir con una cuota determinada.

Investigación cuantitativa

La investigación cuantitativa se utiliza para cuantificar un asunto mediante la generación de datos numéricos o datos que pueden transformarse en estadísticas utilizables. Se usa para cuantificar actitudes, opiniones, comportamientos y otras variables definidas, y generalizar los resultados de una población de muestra más grande.

La investigación cuantitativa utiliza datos medibles para formular hechos y descubrir patrones en la investigación. Los métodos de recopilación de datos cuantitativos están mucho más estructurados que los métodos de recopilación de datos cualitativos.

Este tipo de métodos de recopilación de datos incluye varias formas de encuestas: encuestas en línea, encuestas en papel, encuestas móviles y encuestas de quiosco, entrevistas cara a cara, entrevistas telefónicas, estudios longitudinales, interceptores de sitios web, encuestas en línea y observaciones sistemáticas.

Aquí hay un vistazo simple a la diferencia entre datos cualitativos y cuantitativos:

  • La edad de tu coche. (Cuantitativo)
  • El número de pelos en tu nudillo. (Cuantitativo)
  • La suavidad de un gato. (Cualitativo)
  • El color del cielo. (Cualitativo)
  • El número de monedas en tu bolsillo. (Cuantitativo)

¿Qué metodología estoy usando con Audiense Insights?

Piensa en Audiense como si estuvieras haciendo una encuesta con un número de un conjunto de respuestas, que son los resultados de nuestro Informe de insights. Por definición, cuando usas Audiense, estás usando un método de investigación mixto dado que proporciona resultados cuantitativos (es decir, datos demográficos, intereses, personas influyentes, etc.) y cualitativos (es decir, contenido). Sin embargo, si no sigues un diseño de investigación cuantitativo, tu investigación con Audiense se interpretará como cualitativa en el sentido de investigación exploratoria, para luego informar mejor la investigación cuantitativa.

Un ejemplo de esto sería:

Digamos que queremos entender la comunidad de CEOs en el Reino Unido.

Ejecuto un informe de Audience Intelligence sobre los CEOs en el Reino Unido y digamos que Audiense encuentra 5000 en el Reino Unido.

En este punto, estoy haciendo investigación cualitativa en el sentido de investigación exploratoria.

Si deseas convertirlo en una investigación cuantitativa, entonces necesitarías, entre otras cosas, incluir en el diseño de la investigación para cuantificar la población total para comprender si la audiencia utilizada para el informe es lo suficientemente significativa.

Digamos que encontré en Google que la cantidad de CEOs que hay en el Reino Unido es de alrededor de 200,000. ¿Es significativo el reporte generado por Audiense?

Bueno, de acuerdo con una calculadora de tamaño de muestra, solo necesitaría 384 con un margen de error del 5 % y un nivel de confianza del 95 % (valores generalmente recomendados) y, por lo tanto, su población de 5000 sería significativa.

La muestra de una investigación Cuantitativa

Una encuesta solo puede ser verdaderamente valiosa cuando es confiable y representativa para tu negocio. Sin embargo, determinar el tamaño ideal de la muestra y la población de la encuesta puede resultar complicado. En otras palabras, ¿a quién vas a encuestar y a cuántas personas? ¿Ni idea?

Encuentra a continuación como referencia un ejemplo, pero tambien puedes usar este enlace como calculadora http://www.raosoft.com/samplesize.html para adaptarte.

Por ejemplo, las encuestas en gran medida confiables para algo tan difícil como las elecciones usan un rango de entre 2000 y 10,000 dependiendo del tamaño del país. http://www.pollofpolls.no/?cmd=Stortinget&do=snitt&yw=201902

Fuentes (en ingles)

https://www.snapsurveys.com/blog/qualitative-vs-quantitative-research/

https://journals.sagepub.com/doi/pdf/10.1177/1609406915624574