Richard Benjamins

Director de External Positioning & Big Data for Social Good LUCA Data-Driven Decisions Telefónica

Compartir:

Lo que Big Data puede hacer por una agencia de comunicación

Es lógico que años atrás pocas empresas, y todas grandes compañías, usaran Big Data. Pero hace más o menos dos años que se rompió la frontera del precio y empezó el fenómeno de la democratización de esta tecnología. Y, sin embargo, pese a que se ha abaratado el acceso a ella, sigue sin entrar masivamente en el sector de la comunicación, en el que las redes sociales y las audiencias son un factor muy relevante sobre el que se sigue trabajando con herramientas todavía básicas.

Pensemos que con unas decenas de euros al mes ya tenemos acceso a servicios muy eficaces en la nube, gratis o de pago por uso, y que permitirían, tanto a los medios como a las agencias de comunicación, hacer un uso más intensivo de herramientas ya habituales como Google Analytics, algo que utilizan de forma muy básica pero que es capaz de dar mucha más información de la que imaginamos. Hasta el punto de permitirnos predecir cómo se va a comportar un determinado sector de la audiencia o una noticia publicada.

Debemos empezar a cambiar la filosofía del mundo anterior, en el que mucha gente medía de vez en cuando para saber qué había sucedido en el pasado, y poco más. Hoy día con Big Data es posible predecir qué ocurrirá de forma casi inmediata: es la analítica predictiva y prescriptiva. En comunicación, consistiría en analizar datos para recibir casi instantáneamente una recomendación sobre cuándo y cómo publicar una información, y con qué cadencia actualizarla o recordarla, para conseguir un determinado objetivo. Esto va a permitir romper prejuicios acerca de cómo funcionan las audiencias. Con Big Data podemos descubrir, por ejemplo, que quizá comunicar un viernes por la tarde ya no es tan mala idea como antes, porque la dinámica de los medios tampoco es la que era. O puedes optimizar la inversión en publicidad en determinadas horas y soportes para lograr un objetivo. En general, la gente no sabe lo que puede hacer, y deberíamos empezar a cambiar la cultura de cómo gestionar los datos en el ámbito de la comunicación.

El coste de estas herramientas y de la formación para utilizarlas se ha reducido mucho en los últimos años. Es cierto que necesitas invertir algo de tiempo en entenderlo, pero no es un doctorado: un curso avanzado, por ejemplo, de Google Analytics y una versión premium de la herramienta ya dan resultados. Y un periodista puede aprender a hacerlo perfectamente. Un buen científico de datos puede obtener muchas conclusiones, pero en este sector, sobre todo en las agencias más pequeñas, será difícil retenerlo. Los data scientist se motivan con retos tecnológicos complejos y con poder contrastar su trabajo con expertos colegas. Un data scientist solo, rodeado de periodistas, en tres meses, se va.

Existen además posibilidades para integrar todas las fuentes de datos (redes sociales, web, etc.) para que todos vayan a un mismo sitio, puedan visualizarse y tomemos decisiones con una visión global de todo ello. Con esto ya no sería necesario ir a Google Analytics para la web, mailchimp para el direct mail, Twitter para los tweets, etc.

En resumen, en el sector de la comunicación, el Big Data sirve para optimizar el impacto que tiene cada publicación. Pero también tenemos que ser cautos con el Big Data porque nos puede dirigir a publicar sólo contenido comercial; contenido que es bueno para generar ingresos por publicidad, pero no siempre de calidad. Hay que encontrar el equilibrio. Por ejemplo, usando las ganancias del contenido comercial para mantener una línea de contenido de alta calidad.

Aparte de la analítica para mejorar el impacto de las publicaciones, también el procesamiento de lenguaje natural es relevante para este sector. Muchas empresas ya usan Big Data para detectar crisis de reputación y aplicar técnicas SEO que reduzcan el impacto de las noticias negativas. Se está trabajando intensamente en herramientas para que las máquinas entiendan el lenguaje natural de manera que nos llegue el estado de ánimo de nuestras audiencias con respecto a una marca, producto o servicio. La gran dificultad aquí es enseñar al algoritmo a distinguir cosas como el lenguaje irónico, pero se está haciendo mediante aprendizaje supervisado por personas que clasifican durante 24 horas manualmente miles de expresiones para que el algoritmo vea ejemplos suficientes que le permitan detectar la ironía y eliminar falsos positivos o negativos. Una máquina aprende patrones y esto está llegando, aunque todavía le queda recorrido.