Escrito por Monitoreo Informativo el 23 mayo 2014 a las 4:44 pm en Internet y redes sociales, Monitoreo Informativo
Alexis Gómez.
Mediatelecom.
Mediatelecom.
Si le envías un tweet a un extraño preguntándole si puede retuitearte, sabes que te ignorará por completo. Pero si envías un montón de tweets como este, tal vez, algunos funcionen.
¿Por qué? ¿Qué hace que alguien retuitee la información de un extraño? Esa pregunta se la planteó Kyumin Lee de la Universidad Estatal de Utah en Logan y algunos de sus amigos del centro de investigación de IBM Almaden en San José.
Estos chicos aseguran que si se estudia las características de los usuarios en Twitter, es posible identificar a las personas que tienen más posibilidades de transmitir tu mensaje, y lo comprobaron cuando la tasa de retweet de los mensajes enviados por extraños se incrementó hasta un 680 por ciento.
¿Cómo lo hacen? Su técnica se basa en la idea de que algunas personas son más propensas a tuitear que otras, sobre todo, con ciertos temas y en determinados momentos del día. Así que el truco fue encontrar a estos individuos y orientarlos.
El enfoque fue sencillo. Se necesitó estudiar a diversos individuos en Twitter, examinar sus perfiles y su comportamiento pasado al tuitear, así como pistas que demostraran cuando eran más propensos a retuitear cierto tipo de información. Posteriormente solo fue cuestión de enviarles los tweets.
En la práctica, el plan fue un poco más complicado. Lee y su equipo probaron la respuesta de la gente a dos tipos de información: noticias locales (de San Francisco) y tweets acerca de la gripe aviar, un problema que generó mucha polémica en el momento de la investigación. Entonces crearon varias cuentas de Twitter con unos cuantos seguidores.
Seleccionaron a diferentes personas para recibir sus tweets. Para los programas de noticias locales buscaron usuarios de Twitter geolocalizados en el área de la bahía, y encontraron a 34 mil, eligieron solo a 1,900 de forma aleatoria.
A continuación, enviaron este mensaje a cada usuario:
“@SFtargetuser “Un hombre fue asesinado y tres más fueron heridos en un tiroteo… http://bit.ly/KOI2sC” PLZ RT esta noticia de seguridad”
El tweet incluyó el nombre del usuario, un titular corto y el link a la historia así como una petición para ser retuiteado. De 1,900 personas, 52 retuitearon el mensaje, un promedio del 2.8 por ciento.
Para la información de la gripe aviar, Lee y su equipo cazaron a las personas que ya habían tuiteado acerca del tema y encontraron a 13 mil pero solo eligieron a 1,900 al azar. De éstos, 155 retuitearon el mensaje que recibieron, una tasa de retweet de un 8.4 por ciento.
Pero el equipo encontró una forma más significativa de mejorar las tasas de retweet. Hicieron una lista de usuarios de Twitter y recogieron la información pública disponible sobre cada uno de ellos, el número de seguidores y la gente que ellos seguían, sus 200 tweets más recientes y si se retuiteaban los mensajes que recibían.
El equipo utilizó un algoritmo de aprendizaje automático para buscar correlaciones en esos datos que pudieran predecir si alguien tenía más probabilidades de retuitear. Por ejemplo, se analizó si las personas con cuentas más viejas eran más propensos a retuitear o cómo su relación con sus amigos y sus seguidores influía en lo que ellos retuiteaban, o incluso, cómo las palabras negativas o positivas que utilizaron en los tweets anteriores mostraba algún enlace. También se encontró si existía un momento del día en que eran más activos.
El resultado fue un algoritmo de aprendizaje capaz de captar a los usuarios que tenían más probabilidades de retuitear un tema en particular.
Y los resultados fueron muy eficaces. Cuando el equipo envió tweets con información local a las personas identificadas por el algoritmo, el 13.3 por ciento retuiteó el mensaje, en comparación con el 2.6 por ciento de las personas escogidas al azar.
Y tuvieron mejores resultados cuando el momento en que enviaron el mensaje empataba con el tiempo en que las personas habían sido más activas en el pasado. En ese caso, la tasa de retweet se elevó a 19.3 por ciento. Una mejora de más del 600 por ciento.
Del mismo modo, la tasa de información de la gripe aviar se elevó de 8.3 por ciento para los usuarios elegidos al azar a un 19.7 por ciento para los usuarios elegido por el algoritmo.
Pero ¿cómo hacer de esta técnica una aplicación más general? El equipo planteó la posibilidad de crear una aplicación que permita a cualquier persona colocar un tema de interés que pueda crear una lista de las personas con más probabilidades de retuitear el mensaje en las próximas horas.
Fuente: MIT
No hay comentarios:
Publicar un comentario