Big Data Eje Estratégico en La Industria Audiovisual

Big data Eje estratégico en la industria audiovisual Eva Patricia Fernández

Director de la colección Manuales (Comunicación): Lluís Pastor

Diseño de la colección: Editorial UOC Diseño de la cubierta: Natàlia Serrano Primera edición digital: septiembre 2017 © Eva Patricia Fernández (coord), Francisco Asensi Viana, Alfonso Calatrava, Antonio Gallo, Francisco Gallego, Mª Isabel González Vasco, Beatriz Pérez de Vargas, Paula Rodríguez, Belén Santa Olalla, del texto © Editorial UOC (Oberta UOC Publishing, SL), de esta edición, 2016 Rambla del Poblenou, 156 08018 Barcelona http://www.editorialuoc.com Realización editorial: Oberta UOC Publishing, SL Maquetación: DIGITAL BOOKS, S.L.U. ISBN: 978-84-9116-415-9 Ninguna parte de esta publicación, incluyendo el diseño general y de la cubierta, puede ser copiada, reproducida, almacenada o transmitida de ninguna forma ni por ningún medio, ya sea eléctrico, químico, mecánico, óptico, de grabación, de fotocopia o por otros métodos, sin la autorización previa por escrito de los titulares del copyright.

Coordinadora Eva Patricia Fernández (@evapatricia) Licenciada y doctora en Ciencias de la Información por la Universidad Complutense de Madrid, máster por el Instituto de Empresa en Dirección de Empresa Audiovisual y máster en Big Data y Business Intelligence por la EOI. Tras varios años en medios de comunicación (cine, televisión, publicidad e internet), en 2003 funda la empresa Creta Producciones, que centra su labor en la estrategia digital de contenidos audiovisuales, y en 2009 es candidata a los premios Goya. Junto a su labor profesional en la empresa privada, desarrolla una importante labor académica en el área de administración y dirección de empresas y comunicación audiovisual. Actualmente es profesora en la URJC. Además, es miembro del Foro de Innovación Audiovisual y participa en congresos de ámbito nacional e internacional. Es autora de artículos en revistas del sector de la comunicación y de los libros Principios básicos de la producción cinematográfica (OMM Editorial, 2012), Principios básicos de la producción televisiva (OMM Editorial, 2013), ¡Echa el anzuelo! Estrategias de Pitch para jornadas transmedia (Editorial UOC, 2014) y De la idea a la emisión (OMM Editorial, 2015).

Colaboradores Francisco Asensi Viana (@fasensi) Director digital de NeverSeen Media. Con una extensa experiencia en proyectos digitales e innovación, comenzó su carrera en el sector IT, trabajando para empresas de servicios de este sector como Garben Consultores, Ideal Objects o Altana Consulting, así como para empresas de software como la multinacional Borland Software Corporation. Inició su contacto pleno con el sector digital en Teknoland como consultor de negocio digital para el sector de media y puntocom. Posteriormente se involucra en el sector del entretenimiento y los contenidos pasando por empresas como Real Madrid CF y EMI Music para recalar en 2008 en RTVE, donde fue parte del equipo original que puso en marcha la transformación digital de la corporación. En 2014 se incorpora al grupo Endemol Shine como managing director para dirigir la división digital del grupo Endemol Beyond.

Alfonso Calatrava (@alcalatrava) Jefe de Investigación de Twitter para España en Administración y Dirección de Empresas. Avanzadas de Análisis. Más de diez años de cia publicitaria, con particular especialización Experiencia profesional en Google y Twitter.

y Portugal. Licenciado Posgrado en Técnicas investigación en eficaen entornos digitales.

Francisco Gallego (@FranGallego) Experto en analítica y audiencias digitales en grandes medios de comunicación. Ha trabajado en Prisa, Globomedia y Unidad Editorial. Doctor en Media Business por la Universidad Complutense de Madrid y Media MBA por lESE/Universidad de Navarra. Posee estudios de Comunicación y Administración de Empresas. Ha sido fellow en la Soongsil University (Seúl, Corea del Sur) e investigador visitante en el Observatorio Europeo del Audiovisual (Estrasburgo, Francia). Está interesado en el nexo de unión entre negocio, medios y big data. También ha desarrollado estrategias vinculadas al mundo de la televisión y las redes sociales.

Antonio Gallo (@agallor) Actualmente es socio y CEO de Dogtrack, plataforma de Gestión de Comunidades para Medios de comunicación. Licenciado en Derecho por la Universidad Complutense de Madrid y PDD por el IESE y Executive MBA por la Universidad de Navarra. Compagina su trabajo profesional con la actividad docente en el Centro Universitario Villanueva, en la Universidad de Navarra, y tiene diversos másteres relacionados con la gestión de redes sociales y medios de comunicación.

M.ª Isabel González Vasco Desde 2009 es profesora titular de Matemática Aplicada en la Universidad Rey Juan Carlos. Licenciada en Matemáticas por la Universidad de Oviedo (1999) y doctora por la misma universidad (2003). Sus tareas de investigación se centran en el diseño y análisis formal de herramientas, criptográficas con especial énfasis en esquemas de firma digital, establecimiento de clave y control de acceso en entornos multiusuario. Ha publicado medio centenar de artículos en revistas y actas de congresos especializados, desa-

rrollando además una intensa actividad editorial. Es, además, miembro de la IACR (International Association for Cryptologic Research).

Beatriz Pérez de Vargas Licenciada en Comunicación Audiovisual por la Universidad San Pablo CEU y máster en Gestión de Empresas de Comunicación por MEGECIESE Business School. Responsable de contenidos y nuevos formatos de NeverSeen Media. Ha sido responsable de contenidos del grupo Lavinia hasta este año. Comenzó su carrera en la agencia EFE. Ha trabajado como guionista y redactora de varios programas para El Mundo TV, donde desempeñó el cargo de directora de contenidos para la cadena temática Aprende Inglés TV. De 2013 a finales de 2014, trabajó como analista de audiencias para Barlovento Comunicación, ocupándose de las cuentas de Mediaset, Boomerang TV o Secuoya, entre otras.

Paula Rodríguez (@paurpeyre) Licenciada en Publicidad y Executive Media MBA por el MEGEC-IESE. Responsable de Nuevo Negocio y Comunicación en DOGTRACK desde el año 2014. Ha sido responsable del programa comunitario eContent (Comisión Europea), MagisterMusicae.com y el Proyecto Atlántida, realizado en colaboración con la AECID en once países de Iberoamérica. Docente universitaria de la asignatura de Comunicación, es miembro del Foro de Innovación Audiovisual.

Belén Santa Olalla (@Belen_Santa) Senior creative consultant en Conducttr, Londres, donde desarrolla proyectos de transmedia storytelling. En España ha liderado la experiencia transmedia 19reinos relativa al universo de Juego de Tronos en Canal+. Ponente en conferencias internacionales como SXSW (USA), también dirige la compañía de teatro de inmersión Stroke114, coordina los meetups TransmediaMadrid y Transmedia-Málaga. Colabora como docente en programas de posgrado, dirige la sección en español de Transmedia Podcast y es autora del blog Universo Transmedia.

© Editorial UOC

Índice

Índice

Prólogo.................................................................................. 13 Capítulo I. Entendiendo el big data............................. 17 1. La utilidad es la clave................................................... 17 2. Gestión de datos masivos en la empresa.................. 19 2.1. El ecosistema en línea.......................................... 24 2.2. Principales características del big data................ 27 2.3. Elección de fuentes y proceso ETL.................. 29 2.4. Perfiles profesionales del big data........................ 35 3. Usos del big data en los medios de comunicación........................................................... 41 3.1. Social big data........................................................... 41 3.2. La audiencia: targets y usuarios............................ 42 3.3. Canales y estrategias de obtención de datos.... 48 3.4. Dispositivos que interactúan con los espectadores........................................... 53 4. Trabajando con los datos............................................ 56 4.1. Analítica web......................................................... 56 4.2. Descubriendo valor en los datos........................ 65 4.3. Business Intelligence................................................... 70 4.4. Visualización.......................................................... 72 Bibliografía.................................................................... 79 Capítulo II. Cases studies.................................................. 83 1. Storytelling y big data: cómo transformar números en historias de ficción.................................................. 83

9

© Editorial UOC

Big data

1.1. Una herramienta de uso creativo del big data... 84 1.2. Gestión de datos................................................... 86 1.3. Un ejemplo práctico............................................. 88 1.4. Conectar mediante API....................................... 89 1.5. Casos de estudio................................................... 90 1.6. Posibilidades.......................................................... 93 1.7. Conclusión............................................................. 94 2. Gestión de datos en Real Time TV............................ 95 2.1. Dentro de Gran Hermano..................................... 97 2.2. Afrontar un huracán en redes sociales: #TimoGH15........................................................ 103 2.3. Usando datos biométricos para contar historias................................................................. 104 2.4. Talpa y el big content............................................... 105 2.5. Conclusión............................................................. 108 3. El impacto de Twitter en la comunicación de estrenos cinematográficos..................................... 109 4. Analítica digital en marca.com................................... 117 4.1. Entender el mundo de los datos en los medios........................................................ 117 4.2. El peso de la analítica digital dentro del big data............................................................. 122 5. Dogtrack. Big data televisivo como ruta para extraer valor de la audiencia.............................. 127 5.1. Las redes sociales y la televisión......................... 127 5.2. Big data, redes sociales y medios de comunicación.................................................. 129 5.3. ¿Existe relación entre las redes sociales y el big data en la televisión?............................... 130 5.4. El doble viaje entre las redes sociales y los medios de comunicación........................... 131

10

© Editorial UOC

Índice

5.5. Principales actores................................................ 132 5.6. Qué tipo de acciones pueden hacer las televisiones en relación con las redes sociales................................................................... 136 5.7. Principales usos y beneficios que las cadenas de televisión pueden hacer de Dogtrack.......... 138 5.8. A modo de conclusión......................................... 140 6. Privacidad en redes sociales: amenazas y soluciones................................................................... 141 6.1. Amenazas............................................................... 147 6.2. Contramedidas...................................................... 152 6.3. Conclusiones.......................................................... 155 Bibliografía.................................................................... 157 Epílogo.................................................................................. 161 Glosario................................................................................. 167

11

© Editorial UOC

Prólogo

Prólogo

En un principio, internet nos permitió acceder a cualquier tipo de información y, por lo tanto, llegar a conclusiones mucho más rápidas. Después, llegaron las ideas disruptivas. Tecnologías y dispositivos fascinantes hicieron que, de manera inapreciable, fueran difuminándose los abismos existentes entre innovadores y adaptadores tempranos de nuevas tecnologías. Ahora, abrazados por las TIC, somos muchos los que consideramos que estamos viviendo una nueva revolución industrial, una etapa apasionante de profundos y veloces cambios. Pero esta transición no está siendo completada en muchos sectores, y quizás se deba a una barrera temporal que hace que los cambios se produzcan antes de que estemos preparados para asumirlos. Ni las personas, ni las máquinas. Cada vez que interactuamos con la tecnología generamos datos que, de manera masiva, son conocidos como big data. Un término tremendamente atractivo en los últimos años que encuentra su verdadero poder en la idea de utilidad dado que los datos, por sí solos, carecen de valor. Lo realmente interesante es decidir qué se puede hacer con ellos. Así, llegamos al concepto de business intelligence, que provoca tomar decisiones óptimas en el menor tiempo posible. Nuevamente se repiten las mismas ideas: el tiempo y la utilidad. El libro Big data, eje estratégico en la industria audiovisual surge como necesidad de poner etiquetas y nombres a las cosas. En

13

© Editorial UOC

Big data

el primer capítulo, conocemos el impacto de la gestión de los datos masivos en la empresa en general. El trabajo propone entender de manera lineal y temporal el proceso por el que se generan y trabajan dichos datos. A continuación, se identifican las claves del sector audiovisual, propenso a participar y ser social gracias a las nuevas tecnologías. Por ello, este sector enriquece enormemente cualquier acción que parta del big data. Surgen así nuevas acciones, ahora al alcance de muchos negocios, que suponen trabajar con diversos targets y dispositivos. Es en este punto cuando la obra nos propone encontrar el valor en los datos. Al igual que sucede con las personas, no aceptamos una nueva tecnología hasta que no le vemos la utilidad en nuestras vidas, ya sea una red social o una nueva manera de consumo on demand. La empresa también necesita ver la utilidad en el big data y, además, tiene que estar preparada para ello. En el siguiente capítulo, diferentes profesionales del sector de los medios narran sus estrategias partiendo de la gestión de los datos. Son un abanico de cases studies que conectan el mundo de la tecnología con el storytelling, el marketing cinematográfico, la real time TV, la privacidad en las redes sociales o la analítica web. Concretamente, son acciones que toman ventaja al resto gracias a ideas como la hiperpersonalización, la geolocalización o la segmentación de perfiles. Finalmente, el libro propone una serie de tendencias, iniciativas y reflexiones que pueden darnos pistas sobre cómo las máquinas y las personas vamos a reaccionar ante el fenómeno del big data. ¿Habrá un momento en el que las personas dejarán de opinar en la red porque piensen que deben cobrar por ello? ¿La geolocalización se puede volver peligrosa contra el usuario? ¿Hasta qué punto se podrá predecir un compor-

14

© Editorial UOC

Prólogo

tamiento que todavía no hemos realizado? Es el momento de entender los cambios que suceden en entornos tecnológicos y que afectan a nuestras vidas, porque como seres humanos somos sociales y necesitamos comunicarnos, opinar y compartir. Es el momento de establecer unas buenas prácticas y una hoja de ruta que permita participar y tomar decisiones.

15

© Editorial UOC

Capítulo I. Entendiendo el big data

Capítulo I

Entendiendo el big data

1. La utilidad es la clave Los avances tecnológicos sucedidos en los primeros años del siglo XXI han dado paso a un importante cambio en el paradigma de la comunicación, permitiendo intercambiar y sustituir todos aquellos agentes que tradicionalmente iniciaban el proceso comunicativo. Así, hoy en día, emisor y receptor desarrollan habilidades y manejan herramientas que les permiten intercambiar sus roles. Internet fue, en su momento, el gran democratizador que ofrecía información a todas las personas y, a su vez, todo el mundo podía compartir información. Que las personas vieran la utilidad de las redes sociales digitales fue sin duda otro hito importante en la hoja de ruta de la participación social y, poco a poco, la industria de los medios, entendida como tradicional emisor, quiso participar de dicha utilidad. Hoy en día, como usuarios de las nuevas tecnologías, presenciamos cómo el tsunami digital arrasa con hábitos y costumbres, además de proponer nuevas profesiones, términos o maneras de comunicarnos que hace tan solo unos años no hubiéramos imaginado. La hoja de ruta de las nuevas tendencias viene marcada por empresas disruptivas que apuestan por tecnologías ya presentes como la singularidad tecnológica, la realidad aumentada, el cloud computing o el uso de wearables, entre otros.

17

© Editorial UOC

Big data

La industria de la comunicación, concretamente la relacionada con medios audiovisuales más tradicionales como el cine, la televisión o la radio, ha encontrado en el uso de internet la posibilidad de transformar su modelo de negocio, cambiando, por lo tanto, la manera en la que acerca sus productos a la audiencia. Esto ha supuesto un cambio en la mentalidad de todos los agentes que forman parte de la cadena de valor. Viendo estos elementos con cierta perspectiva, nos encontramos en primer lugar con los creadores de contenido, quienes han visto cómo sus historias podrían ser contadas en diferentes plataformas, enriqueciéndose y retroalimentándose. Hablamos, por ejemplo, del transmedia. En segundo lugar, los productores y distribuidores de contenidos también se sitúan en un momento álgido debido, principalmente, a la cantidad de datos que han ido atesorando desde los últimos años, información relativa al consumo pero, también, al consumidor. En esta línea, resalta también la importancia de los destinatarios o los ya mencionados consumidores de dichos productos audiovisuales, quienes son más conscientes que nunca del poder del consumo on demand, algo que les permite decidir cuándo, dónde y qué ver. A esta modalidad de demanda se suma la ya realidad cotidiana del uso de redes sociales a través de las que comunicar, emitir juicios críticos y, básicamente, hacer valer su opinión sobre los productos consumidos. Todas estas acciones en la era de las TIC derivan en la generación de datos. Esto es una información muy variada, son registros procedentes de las audiencias, de los consumos y de los usuarios que demandan sus contenidos a través de formularios en aplicaciones o en webs de canales de televisión o simples puntuaciones y recomendaciones de los espectadores. Asumir que esa información es valiosa,

18

© Editorial UOC


ordenarla y extraer de ella decisiones de negocio para futuras acciones ofrece una ventaja y un valor indudable para todos. Esto es la gestión masiva de datos, también denominada big data, palanca de cambio de nuevas acciones y decisiones. Pero, como repetiremos a lo largo de estas páginas, los datos en sí mismos carecen de valor, la importancia radica en el uso que se haga de ellos.

2. Gestión de datos masivos en la empresa La revolución industrial que ha supuesto la aparición de TIC disruptivas ha marcado claramente el paso del período en el que usábamos la tecnología como proceso mecánico a entenderlas como un elemento productivo, con su consiguiente impacto tanto a nivel industrial como a nivel individual del usuario en un marco amplísimo de posibilidades. El big data como tendencia surge, pues, cuando la industria se da cuenta de que no puede almacenar ni manejar la información de manera convencional; es por lo tanto un paso lógico en el proceso del uso de las TIC. Comprender las posibilidades del big data en cada industria supone entender las dinámicas internas, así como las fuentes de datos generables de las que podemos disponer y la interacción que podemos realizar en ellas. Pero también es importante entender que todo forma parte de un proceso de negocio, que el uso masivo de los datos ofrece nuevas posibilidades de orientar los negocios. Volvemos a insistir: es fundamental entender que los datos en sí mismos carecen de valor, dado que es precisamente lo que se haga con ellos lo que les va a dar importancia.

19

© Editorial UOC

Big data

Si hacemos una foto de aquellas industrias que establecen en su modelo de negocio una relación con la gestión masiva de datos, quizás el sector aeronáutico sea uno de los que mayor ventaja tiene, seguido de la banca, los seguros, el sector médico o el agrícola. Por citar algunos ejemplos, el sector de la medicina encuentra la utilidad del big data en el cruce de datos anónimos con el propósito de obtener conclusiones más precisas y rápidas sobre hallazgos científicos. Un buen exponente es Research Kit, la plataforma de datos abiertos de Apple. Por otro lado, en cuestiones agrícolas, la startup española Cubenube dispone de gestión cloud de datos agrícolas con idea de minimizar riesgos en las plantaciones. En el caso de la industria del turismo, los destinos turísticos reciben un implacable impulso para convertirse en smart cities, respaldo tanto de la iniciativa privada con clusters como SmartCitiesLab, formado por Telefónica, Intel, Admira o Ficosa, o también desde la esfera pública a través de Segittur, que lidera el proyecto Destinos Turísticos Inteligentes desde el Ministerio de Industria, Energía y Turismo. En España, son los grandes grupos empresariales los que están promoviendo iniciativas innovadoras a partir del uso del big data con idea de tener un rol importante en la transformación tecnológica. En esta línea, el BBVA promueve acciones cloud computing y big data a través de la consultora Beeva y la gestión del talento digital a través del Centro de Innovación. O también desde Bbva Data & Analytics y el análisis de datos. Otro ejemplo es el grupo Telefónica y su espacio de Innovación o incluso de aceleradora de proyectos empresariales digitales, Wayra. En general, podemos deducir la apuesta clara por negocios que relacionen el big data con industrias tanto tradicionales como emergentes.

20

© Editorial UOC


Para todas estas industrias y empresas, la integración del big data en sus estrategias y procesos está entendida siempre como mejora desde un punto de vista estratégico. Centrándonos en el caso del sector audiovisual, y desde una perspectiva internacional, la empresa de software Netflix se presenta como uno de los más rentables casos de uso del big data y business intelligence. Con una envidiable política de transparencia, ofrece a través de su Netflix Tech Blog1 toda la información posible sobre su funcionamiento interno. Netflix es un canal de video on demand (VOD). Ellos se definen a sí mismos como una aplicación que ofrece sus servicios a través de una conexión a internet; esto permite una serie de acciones bidireccionales entre el canal y el espectador. Para ello, es importante tener categorizada o etiquetada la información. Así, desde 2007, la empresa ha contratado personal (los denominados taggers) destinado a visualizar determinados títulos con idea de identificarlos con etiquetas (tags) y proceder posteriormente a su indexación. Con idea de entender el proceso de adjudicación de etiquetas, es interesante comprender que el valor de la gestión masiva de datos radica, en primer lugar, en poder encontrar la información que buscamos en un entramado de redes cambiante y volátil; esto es, internet. Las características de la web, tal y como la conocemos hoy, hicieron necesaria la aparición de un sistema organizativo que permitiera la catalogación y

1 Se recomienda la lectura del blog de Netflix relativo a su división técnica en techblog.netflix.com donde, en función de los conocimientos más o menos técnicos del usuario, podemos obtener información interna del funcionamiento de la plataforma con respecto a temas como algoritmos, analítica, data visualización, data pipeline, arquitectura cloud, etc.

21

© Editorial UOC

Big data

búsqueda de información,2 esto es, motores de búsqueda que habitualmente usan los usuarios; quizás sea Google el más conocido y usado, junto con otros desaparecidos o en uso como Yahoo!, Altavista o Lycos. Mención especial merece la WorldWideWeb, la red de redes, el primer buscador que centraba su acción en un motor de búsqueda capturando URL.3 En 2005, el etiquetado de los contenidos realizado por usuarios se gestó en la red social del.icio.us, respaldada por Yahoo! y, actualmente, este etiquetado es la base de las redes sociales con idea de proceder posteriormente a la búsqueda e identificación de datos. En el caso del buscador más empleado por los usuarios, Google, el motor de búsqueda de datos no se centra en el tagging,4 sino que prioriza webs en función de su popularidad. Para ello, patentó el denominado page rank, un algoritmo vivo que evoluciona, se retroalimenta y se actualiza continuamente. Su base de trabajo establece el criterio de «popularidad» en función del número de webs que enlazan al site, además de otros valores como la calidad de las webs de referencia.5 En este sentido, el resultado es un baremo de 0 a 10 que hace que las páginas web con un page rank más alto aparezcan primeramente en una búsqueda aleatoria. A partir de aquí, dado que las búsquedas en internet no son privadas, es posible para las empresas intervinien-

2 Orense Fuentes, M. (2010). SEO. Cómo triunfar en buscadores (págs. 23-24). Madrid: ESIC Editorial. 3 Unique resource location. 4 Término referido a la acción de usar etiquetas. 5 Orense Fuentes, M. (2010). SEO. Cómo triunfar en buscadores. Madrid: ESIC Editorial.

22

© Editorial UOC


tes saber qué tipo de búsquedas se realizan. Más aún, en el caso de identificar los perfiles de usuarios que realizan búsquedas, es posible no solo conocer los gustos de manera personalizada sino intuir posibles nuevas búsquedas a realizar por dicho usuario. Llevado a términos de negocio, los motores de recomendación en función de métricas, algoritmos y predicciones hacen el resto. El objetivo es ofrecer una herramienta de hiperpersonalización. Pongamos, por ejemplo, el sector audiovisual, donde las empresas capaces de gestionar datos y acciones de usuarios a través de las TIC son propensas a ofrecer contenidos audiovisuales hiperpersonalizados e hipersegmentados a través de un canal de televisión, aplicación o dispositivo. Para ello se recaban datos básicos a través de la monitorización en tiempo real del consumo audiovisual. Esto es, qué producto se está visionando y las acciones que se realizan sobre él, ya sea play (visionado), pausa, repetición, avance o parada. Además, pueden obtenerse más datos referentes a la geolocalización, las valoraciones que se hacen, opiniones, etc. Esto es información masiva por cada usuario (big data); la gestión de la misma para detectar la información útil para la empresa y las decisiones estratégicas que se tomen para cumplir los objetivos empresariales, por ejemplo en el caso de Netflix, serán lo que la convierta en una empresa con un negocio que entiende las posibilidades de las TIC. De tal forma que este negocio no ofrece al usuario todo lo que busca o quiere, más bien ofrece al usuario todo aquello en lo que está interesado, dado que eso dicen los datos.

23

© Editorial UOC

Big data

2.1. El ecosistema en línea En el tiempo que leemos esta página se enviarán 277.000 tuits, se subirán a YouTube setenta y dos horas de vídeo y se harán cuatro millones de búsquedas en internet. Pero no es solo una cuestión de cantidad, sino también de incremento veloz. Una comparativa para tener más perspectiva nos cuenta que en 2013, en un minuto, se enviaron 11,8 millones de comentarios a través de WhatsApp, y en 2015 suman ya 44,4 millones. También, en ese mismo minuto, se ha pasado de publicar 817 post a 1.212 solo dos años después.6 La UIT indica que el grado de penetración de internet se ha multiplicado por siete desde el año 2000. Y actualmente 3.200 millones de personas acceden a internet. En general, la aparición de nuevos dispositivos y aplicaciones, la oferta de tarifas de datos más competitivas en gigas y precio, sumado a un rol activo y social por parte del usuario de las nuevas tecnologías, todo ello, ha propiciado un ecosistema proclive al intercambio de información. De hecho, el 83 % de los usuarios de teléfonos smartphones usa a diario redes sociales desde el móvil y nueve de cada diez internautas habituales disponen de una cuenta activa en las redes sociales más demandadas.7 Ante este panorama, es entendible que en el uso diario de internet se generen 6 Domo (2015). «What happens on the internet in one minute» [en línea]. Allen, Robert (2016). «What happens online in 60 seconds?» [en línea]. [Fecha de consulta: 10 de marzo de 2016]. 7 The Cocktail-ARENA (2015). «Observatorio de redes, VII oleada» [en línea]. [Fecha de consulta: 10 de marzo de 2016].

24

© Editorial UOC


grandes volúmenes de datos y metadatos. Podemos concretar, por tanto, que el big data es el término empleado para referirse a toda aquella cantidad ingente de datos que, debido a sus características, no pueden ser siempre procesados por los sistemas informáticos actuales. Como veremos más adelante, puede ser una cuestión de volumen, lo que hará que se necesite trabajar con grandes almacenes de datos físicos (data centers) o en la nube. Pero también podemos valorar características como la escala temporal o velocidad, lo que va a permitir establecer predicciones. En este sentido, muchos algoritmos no están preparados para adaptarse a cambios tan rápidos. Estos datos masivos pueden ser informaciones volcadas en la red de internet o almacenadas de manera privada en las empresas. Sea como sea, tradicionalmente estos datos estaban disponibles de manera offline, sin conectividad entre ellos. Hablamos aquí de documentos Word, tablas Excel, reclamaciones, encuestas telefónicas o documentos de subscripción, entre otras muchas modalidades de ofrecimiento de datos. Cada uno de estos son documentos que toda empresa realiza con idea de generar o transcribir la información que produce su empresa. Los documentos Word pueden ser guiones cinematográficos o las hojas Excel listados de una base de datos de series televisivas con diferentes campos, en columnas, con datos relativos a fechas, nacionalidad, género o minutos de duración. Es decir, un sinfín de datos organizados de maneras diferentes según cada empresa. Pero, además, cada persona, como usuario de internet, también genera datos, consciente o inconscientemente. Así, en la actualidad, prácticamente cualquier uso que hagamos de una herramienta digital conlleva el acto de lanzar datos al escenario de internet. Por ello, cada vez que comparti-

25

© Editorial UOC

Big data

mos información estamos generando datos y/u opiniones. Pongamos como ejemplo un acto tan rutinario como enviar un correo electrónico, publicar una actualización en una red social, clicar un «me gusta» en una foto, publicar la puntuación obtenida en un videojuego o aceptar la política de cookies de las páginas web. El hecho de compartir o interactuar con toda esta información supone que se están generando datos y más datos al universo de internet pero, además, estamos vinculando, en la mayoría de los casos, dicha información con un perfil de usuario. Esto es así porque, para casi cualquier acción en la web, debemos previamente identificarnos y esta es una información que se adjunta a los datos que vamos a compartir. Si pensamos en los teléfonos móviles, desde hace unos años han sido reemplazados por smartphones, lo que nos permite interactuar con aplicaciones, descargas, internet, pero, para todo ello, es necesario previamente identificarnos con un usuario, una imagen, un nombre, incluso una cuenta bancaria. Desde ese momento estamos generando una actividad comercial por la que se entiende que, al no pagar por unos datos que el usuario ha ofrecido, el producto resulta ser el mismo usuario. En general, podríamos decir que actualmente los usuarios se han acostumbrado a consumir servicios de manera gratuita. A cambio, podemos entonces hablar de miles y millones de usuarios sin limitación geográfica que diariamente ofrecen sus hábitos de consumo y perfiles personales de manera gratuita al universo de internet. A partir de aquí, es lógico pensar que las empresas puedan recrear sus modelos de negocio al saber exactamente qué piensa su cliente de sus productos o qué apreciación se tiene de su marca. Más aún, dependiendo del grado de penetración de la tecnología, se puede afinar con gran exactitud cuáles son

26

© Editorial UOC


los hábitos de consumo de sus clientes, así como elaborar una radiografía de los mismos a cualquier hora del día; esto es la denominada categorización de perfiles, tremendamente útil para elaborar acciones comerciales como el marketing inbound. Visto con perspectiva y utilidad publicitaria, el big data ofrecería un índice de impacto altísimo, casi sin margen de error, dado que los productos ofrecidos podrían estar hechos a medida. Bajo este abanico de posibilidades, es viable establecer patrones de consumo y predicciones que, en el ámbito del negocio, busquen un fin concreto: tener contento al usuario, ofreciendo, cada vez más, productos a medida.

2.2. Principales características del big data Si analizamos toda la información que las empresas pueden obtener dentro del abanico llamado big data, encontramos que se dan una serie de características comunes. Estas son las denominadas volumen, variedad, veracidad y velocidad. Son las principales características que definen el big data y es así para cualquier industria o sector con el que lo estemos relacionando. El volumen hace referencia a la gran cantidad de datos disponibles o accesibles. Hay que tener en cuenta que muchos de esos datos no serán útiles porque no tendrán calidad o porque no forman parte de nuestra estrategia; con todo, el volumen de información es enorme, continuo y creciente. En esta línea, las diversas fuentes de información de donde poder obtener datos dan paso a la siguiente característica, la variedad. Podemos obtener datos estructurados y organizados o datos desestructurados, datos provenientes de imágenes, texto, música, cifras, tablas de Excel, transacciones,

27

© Editorial UOC

Big data

etcétera. Esta variedad genera valor en el big data, pero también complejidad a la hora de trabajar la información. Por ello, la veracidad como característica, pero también la calidad de los datos como propósito. Sumado a estas acciones, la velocidad en la generación de datos es trepidante y afecta a todos los eslabones en la toma de decisiones: son muchos los datos que se generan por hora, minuto y segundo. Esta velocidad hace que la toma de decisiones deba tomarse también con cierta celeridad, de ahí la complejidad: mucha información cambiante por su magnitud, sobre la que hay que tomar una decisión. Una vez que comprendemos la cantidad de datos disponibles a través de las nuevas tecnologías, así como el amplio abanico de acciones para obtener dichos datos, el siguiente paso es incorporar la capa de negocio. Es decir, identificar cómo las empresas son capaces de analizar y extraer conclusiones de los datos con la idea de que puedan aplicarlos a su entorno y realizar acciones como predecir comportamientos de los clientes, identificar gustos por grupos de usuarios o segmentación y su posterior aplicación de analítica de marketing. El objetivo estratégico del esfuerzo de obtención de datos consiste en un ejercicio de toma de decisiones, esto es, la denominada inteligencia de negocio o más popularmente denominada por su terminología inglesa: business intelligence. Este ejercicio empresarial heredero de los sistemas de toma de decisiones parte del big data para, conociendo cuantas más posibilidades, identificar la mejor opción de negocio para la empresa. Para ello se trabajan los datos y se realizan consultas, lo que viene a ser cruces de datos con idea de obtener no solo el mejor de los escenarios o decisiones, sino también estrategias o predicciones.

28

© Editorial UOC


Desde el punto de vista empresarial, el proceso de trabajar con big data y business intelligence comenzaría por identificar una problemática de negocio. A partir de aquí se identificarían las fuentes desde las que se quieren obtener datos, siempre con un objetivo que permita poder aplicar business intelligence, analítica de marketing o estrategia de negocio. En orden cronológico, el proceso se representaría de la siguiente manera. Figura 1. Flujo de procesos en un entorno big data

En los siguientes capítulos, vamos a explicar los distintos procesos que organizan un negocio o empresa que gestione datos masivos.

2.3. Elección de fuentes y proceso ETL Como acabamos de sugerir, son muchos los datos que se pueden obtener tanto del entorno empresarial como del par-

29

© Editorial UOC

Big data

ticular. Con idea de poner un poco de orden a la información lograda, las empresas que incorporan esta gestión masiva de datos trabajan siguiendo un proceso ciertamente estandarizado, el denominado ETL, siglas en inglés de los procesos de extract, transform and load que, en castellano, se conocen como extracción, transformación y carga. Este proceso forma parte del objetivo final de la gestión de los datos, que es aplicar business intelligence a la información analizada. Figura 2. Proceso técnico de extracción de datos, transformación y carga.

Vayamos en orden: la primera tarea denominada de extracción va a hacer referencia a la recopilación de datos procedentes de diferentes orígenes. Hemos comentado anteriormente que los datos pueden ser generados por individuos, por empresas, por máquinas, etc. Es decir, el tipo de datos o sus fuentes de procedencia son diversos. Por ejemplo: pueden

30

© Editorial UOC


ser datos externos de redes sociales, repositorios (almacenes) operacionales, información procedente del seguimiento de las cookies o internos de los propios informes de la empresa. Pueden ser datos organizados según algún estándar o no. Esto se conoce como datos estructurados, semiestructurados o no estructurados. Los datos estructurados están organizados en un esquema lógico, permitiendo la aplicación de algoritmos para automatizar el proceso; estos son, por ejemplo, las bases de datos. En el caso contrario, las fuentes de datos no estructuradas no siguen ningún orden lógico; son documentos Word, transacciones, el CRM8 o presupuestos. Siguiendo una catalogación bastante genérica, vamos a distinguir cinco tipos diferentes de fuentes:9 • Web y medios sociales: datos generados en entorno web y redes sociales. Son básicamente producidos por las personas usuarias de internet. • Machine to machine (M2M): dispositivos o sensores que captan información y la retransmiten a otras aplicaciones a través de redes; es el denominado «internet de la cosas». Una acción de este tipo serían los indoor location system,10 las alarmas de las prendas de ropa, los wearables11 o los beacons.12 8 Modelo de gestión de clientes, del inglés customer relationship management. 9 Disponible en http://www.dataversity.net/not-your-type-big-data-matchmaker-on-five-data-types-you-need-to-explore-today/ [Fecha de consulta: 10 de octubre de 2015]. 10 Sistema tecnológico de posicionamiento en interiores. 11 Dispositivo tecnológico que pueden llevar las personas, ya sea sobre el cuerpo o sobre la ropa, etc. 12 Pequeño dispositivo que emite señales en un corto espacio físico vía bluetooth.

31

© Editorial UOC

Big data

• Transacciones: operaciones bancarias, registros telefónicos, etc. Son los intercambios de información. • Datos biométricos: referentes a las propias personas y generados por sus propios cuerpos, por lo que son personales e intransferibles. Huellas dactilares, escáner de retina, etc. El empleo de estas biométricas se asocia con temas de privacidad, seguridad e inteligencia. Pero también comienzan a generarse acciones con social media y comercio, como veremos más adelante. • Datos generados por las personas en el empleo de las nuevas tecnologías. Esta información es confidencial o privada en la mayoría de los casos; esto supone que, previo a su manejo, deben de ser convertidos en datos anónimos: informes médicos, correos electrónicos, grabaciones de conversaciones o fotografías. Pero también, parte de ella puede tener un acceso público como son los open data, encuestas, valoraciones o recomendaciones. Como vemos, son muchas las fuentes de las que provienen los datos. El objetivo en la fase de extracción consiste en unificar toda esta información en un formato óptimo para que, posteriormente, sea transformada. Es decir, se busca la integridad de los datos tratando de que, a la hora de trabajar con ellos, se cause el menor de los impactos. Una vez extraídos los datos, daría comienzo la fase de transformación. Esto se realiza según necesidades de negocio y vendría marcado por la estrategia que se quiera aplicar, los objetivos de la compañía, etc. Dentro de este proceso de transformación se detectan y corrigen inconsistencias mediante algoritmos avanzados de limpieza de datos. Este proceso de trabajo se refiere a la naturaleza

32

© Editorial UOC


intrínseca del big data, recordando las principales características asociadas: su variedad, velocidad, veracidad y, sobre todo, su volumen. Es lógico pensar que esa gran cantidad de información incluye una serie de datos erróneos que deben ser identificados y, posteriormente, corregidos o eliminados con idea de poder pasar a la etapa de carga de información. Básicamente, los errores que nos podemos encontrar son: • Errores sintácticos: hacen referencia a información que, escrita de diferente manera, puede ser igualmente válida. El ejemplo habitual de este tipo de errores es el caso de las fechas a la hora de rellenar información en la web. Para una persona, es la misma información 7/7/2015 que 7 de julio de 2015, pero para una máquina puede no ser lo mismo. • Errores semánticos: se producen dentro del contenido de los datos. Un ejemplo típico lo encontramos en las redes sociales. Así, en el caso de los hashtag, es interesante pensar que muchas veces los espectadores sociales escriben mal el nombre de un programa o generan su propio hashtag sin saber que hay uno oficial por parte de la cadena de televisión. Para evitar perder una gran cantidad interesante de datos al acotar la búsqueda únicamente a una palabra concreta, se estableció como medida que los programas de televisión susceptibles de generar audiencia optaran por dejar impreso en pantalla el hashtag. • Errores por información incompleta: campos de información vacíos. Esto es habitual en formularios en línea con muchos campos; así pues, es normal que se dejen preguntas sin responder. Eso sería un ejemplo de campo vacío.

33

© Editorial UOC

Big data

La presencia de errores, sean del tipo que sean, producen fallos en la estrategia empresarial marcada y, al final, se traduce en unos mayores costos, de ahí la necesidad de sistemas de calidad de los datos. Estos son sistemas que trabajan de manera automatizada, y hay que tener en cuenta que muchos de los errores son humanos, por lo que puede surgir el conflicto. Para asegurar la calidad de los datos, los expertos indican que supone cumplir una serie de características: completitud, conformidad, consistencia, exactitud, duplicación e integridad. A su vez, estos sistemas de calidad de los datos suelen coincidir en los mismos procesos: perfilado de datos, estandarización, correspondencia, consolidación y limpieza. Por último, tendríamos un proceso de carga de datos. Aquí intervienen aspectos como valoraciones de a dónde van destinados los datos o el nivel de detalle de la información. Esta gestión se enmarca dentro de la arquitectura de datos y va a definir aspectos como el modelo de integración de datos o dónde van a almacenarse. Las opciones habituales de carga suelen ser dos: por un lado, un gran repositorio de datos denominado genéricamente data warehouse o, como alternativa, el almacenaje en la nube; esto, por ejemplo, puede ser el servicio Sapphire ofrecido por Microsoft que, como ellos mismos lo denominan, es «the site». Como ya hemos insistido, todas las fases tienen como objetivo una decisión de negocio, por lo que la selección de datos debe cumplir esos mismos propósitos. Visualmente, el proceso de identificación de las fuentes de datos y su posterior ETL quedaría completado de la siguiente manera:

34

© Editorial UOC


Figura 3. Flujo de procesos en un entorno big data

2.4. Perfiles profesionales del big data Hemos comentado anteriormente que hay sectores más proclives a trabajar con nuevas tecnologías, dado que rápidamente entienden las posibilidades que les ofrecen. Paulatinamente, industrias más alejadas de entornos TIC comienzan a incorporar lógicas de negocio que parten del big data para, posteriormente, incluir decisiones de negocio o análisis. Esto supone que comienza a denotarse una gran demanda de perfiles profesionales que sepan trabajar con datos, pero lo cierto es que apenas hay recursos humanos formados en estas nuevas tecnologías, lo que supone una brecha a la hora de inculcar determinadas nuevas tecnologías o procesos. Esto es, por lo tanto, una oportunidad laboral interesante. Pasamos, a continuación, a resaltar los principales perfiles profesionales que van a gestionar áreas laborales vinculadas a los datos, así como sus principales funciones. Desde la parte

35

© Editorial UOC

Big data

más técnica, identificamos el arquitecto de datos (data architect) con unas competencias profesionales más centradas en las acciones relativas al proceso de almacenaje (data warehousing), extracción y movimiento de datos para su almacenaje en bases de datos. La responsabilidad de este perfil es grande, dado que su gestión relaciona datos, procesos y personas. El objetivo sería la integridad de los datos. La arquitectura de datos se relaciona con las siguientes áreas de acción sobre los datos: data governance, data structure, master data management, metadata, data quality y data security. Todas estas áreas y perfiles son novedosas, y son las propias consultorías y empresas de reclutamiento de personal las que, poco a poco, van definiendo sus competencias profesionales. La consultora Accenture concreta que «la arquitectura de datos describe los procesos, sistemas y organización humana necesarios para almacenar, acceder, mover y organizar los datos».13 Generalmente, este perfil tiene una formación previa en ingeniería de telecomunicaciones, informático o sistemas. Otro de los perfiles clave a la hora de gestionar los datos es el científico de datos (data scientist), una propuesta multidisciplinar que engloba conocimientos de computación, matemáticas y estadística. Su función es decir cómo se van a hacer las cosas a través de la creación de modelos estadístico-matemáticos, por ejemplo, en el aprendizaje automático que, posteriormente, veremos con más detalle. Nuevamente, son las empresas que demandan estos perfiles las que están definiendo sus particularidades; así pues, para 13 Accenture. «Gestión de datos y arquitectura» [en línea]. [Fecha de consulta: 15 de diciembre de 2015].

36

© Editorial UOC


IBM,14 la empresa de tecnología y consultoría, este rol tiene o debería tener una formación multidisciplinar que englobaría ciencias de la computación, matemáticas, estadística, modelado y analítica. Además, se le adjudica cierta visión de negocio, capacidad resolutiva para identificar y resolver, así como habilidades comunicativas que permitan liderar proyectos tecnológicos. Posiblemente, uno de los perfiles más definidos o conocidos, dada su trayectoria previa al big data, puedan ser los analistas de datos (data analyts). Este perfil realiza funciones de consultas y reporting, empleando para ello herramientas analíticas, y maneja lenguajes de consultas y análisis estadístico con el que obtener métricas aplicadas al negocio. Básicamente, sabe extraer conclusiones de los datos a partir de herramientas de alto nivel. La formación académica del analista de datos es diversa, desde una ingeniería superior, investigación de mercados, sociología, formación empresarial o ciencias de la información. Las habilidades analíticas se obtienen, en muchas ocasiones, a través de formación específica en ámbitos como herramientas de programación, estadística o matemáticas. Esto permite conocer herramientas y lenguajes específicos como Java, Hadoop, SQL, bases de datos o incluso herramientas de business intelligence y visualización como Cliqview, Tableau o MicroStrategy. Indicábamos antes que este rol profesional tenía cierta trayectoria previa dado que la labor analista es aplicable a todos los sectores industriales. Ahora, en la etapa del big data y del business intelligence, lo que cambia no es solo la cantidad de datos a la que 14 IBM. «What is a data scientist?» [en línea]. [Fecha de consulta: 10 de marzo de 2016].

37

© Editorial UOC

Big data

tenemos acceso, sino también las nuevas habilidades y metodologías que se generan. Por ello, consultoras en TIC y big data como Beeva15 establecen que el analista de datos debería ser capaz de establecer el producto mínimo viable (PMV), modelización de resultados o capacidad de investigación y conocimiento del negocio. Además, desde la perspectiva empresarial, las posiciones directivas estratégicas con conocimientos de tecnologías de big data y business intelligence se vuelven claves en entornos de toma de decisiones; son los estrategas de datos (data strategist). Entre sus funciones, destaca la toma de decisiones para optimizar negocios digitales a través de los datos y del análisis, gestión de cuadros de mandos y métricas, además de reporting, análisis de datos y visualización, entre otros. Se espera de este perfil profesional que tenga un sólido conocimiento técnico que pueda combinar con la gestión del negocio. Es decir, volvemos a tener descrito un perfil altamente multidisciplinar, flexible y adaptado a la peculiaridad de la empresa que lo necesita porque es importante recordarlo– una gran carga de su trabajo está relacionada fuertemente con el sector al que pertenece la empresa. En el mercado laboral se ofertan posiciones para otros tantos perfiles relacionados con los datos, pero, quizás para una primera aproximación que comprende áreas de negocio, estos sean los más recurrentes. A modo de visualizar competencias, podemos considerar la siguiente imagen:

15 BEEVA. «El rol del analista de negocio» [en línea]. [Fecha de consulta: 10 de marzo de 2016].

38

© Editorial UOC


Figura 4. Perfiles profesionales en un entorno de trabajo big data

Junto con estos perfiles y competencias, el negocio de trabajar con el big data en las diferentes industrias ha propiciado, pues, la aparición de nuevos puestos profesionales desconocidos hasta hace apenas unos años, pero también ha reforzado la presencia de roles técnicos como desarrolladores y programadores. Perfiles que, al tratarse de aspectos técnicos y no tanto de negocios, no son ubicados en esta síntesis. La consultora Gartner, a través de su estudio Predicts 2016: Information Stratey, y de manera pública en su newsroom,16 estimó que para el año 2019 el 90 % de las grandes empresas incluirá a un chief data officer (CDO) en sus plantillas. Esto 16 La consultora Gartner ofrece a sus clientes Predicts 2016: Information Stratey. Además, en el newsroom puede consultarse un extracto relativo al rol de CDO. Se recomienda, igualmente, la lectura de «First 100 days of a Chief Data Officer» (Primeros 100 días de un CDO) disponible en línea. [Fecha de consulta: 10 de marzo de 2016].

39

© Editorial UOC

Big data

supone una consolidación importante del potencial valor que tienen los datos en las organizaciones que incluyen negocios digitales. Entre otras, la consultora define que este rol debería asumir retos como las siguientes premisas:17 a) Crear estrategias de gestión de la información basadas en el propio negocio que identifiquen el valor como disciplina. b) Construir relaciones de confianza con los diferentes roles directivos de la empresa, especialmente el chief information officer (CIO). c) Formar líderes y compañeros en el papel que juegan los datos y la información en el éxito final del negocio. d) Establecer líneas de gestión de la información y datos de monetización a partir de métricas establecidas en el negocio. e) Identificar y cuantificar métricas de información e indicadores de rendimiento que permitan demostrar el éxito del negocio. f) Adoptar los recursos de información formal y cuantificable para poder compartirlos con la empresa. Fruto de esta nueva presencia de puestos profesionales y reclutamiento, comienza a verse una interesante apuesta de programas formativos en temas de analítica, gestión de datos (en todas sus posibilidades), business intelligence o visualización de datos. Propuestas de formación y reciclaje de perfiles profesionales tanto en áreas técnicas como estratégicas y de gestión.

17 Traducción de la autora.

40

© Editorial UOC


3. Usos del big data en los medios de comunicación 3.1. Social big data La efectividad del big data cobra fuerza a través de la participación de los usuarios en las redes sociales digitales, especialmente en industrias como la audiovisual al contar con públicos con alta predisposición a opinar y recomendar. Esta tendencia es la denominada social big data y se ha convertido en una fuente de información excelente para los productores y creadores de contenidos. Si establecemos una línea temporal del proceso de trabajo de un proyecto audiovisual, podemos deducir que usar estrategias big data en cada una de sus partes se convierte en una ventaja para el negocio. Según propone Neira,18 ya en una fase tan temprana como la de desarrollo, los datos de visionado y la monitorización de la actividad en redes sociales pueden establecer próximas líneas narrativas o predisposición por ciertos temas o actores. En la fase de preproducción, producción y postproducción, la interacción con el público a través de las redes y su posterior análisis puede permitir reforzar vínculos con el target correcto, además de generar engagement. Quizás, la etapa de distribución comercial del producto y sus estrategias de marketing y promoción sean las más visibles de todo el proceso. Son las ocasiones en las que el público puede participar de ese entramado de acciones comunicativas generadoras de datos, social big data. En los últimos años, el 18 Neira, Elena (2015). La otra pantalla. Redes sociales, móviles y la nueva televisión. Barcelona: Editorial UOC.

41

© Editorial UOC

Big data

sector audiovisual encuentra en los proyectos transmedia un camino para desarrollar narrativas que cruzan diversas plataformas y medios. El propio Jenkins, creador del término transmedia, entiende estos proyectos (Jenkins, 2008) desde la convergencia y la cooperación entre industrias mediáticas que incorporan una audiencia cambiante y exploradora. Una cultura participativa donde el espectador puede producir y reelaborar contenidos, dando lugar al concepto de prosumer. Esta tendencia, tan familiar en los hábitos de los actuales consumidores de contenidos en la red, conecta con el social big data en el sentido de que hace posible ordenar toda esa cantidad de acciones que puede acometer el prosumer, convirtiéndolas a su vez en acciones de marketing y estrategias de negocio. Según comenta Linares,19 estas estrategias de marketing procedentes de los datos permiten generar una comunidad fiel, adaptar contenidos según el medio o el dispositivo y lograr diferentes niveles de implicación según el tipo de consumidor de contenido digital.

3.2. La audiencia: targets y usuarios El uso del big data en el sector audiovisual español es muy reciente y se propaga tímidamente sobre sus industrias en mayor o menor medida. En el caso de la televisión, la gestión de los datos la convierte en una industria llena de posibilidades, aunque a fecha de hoy las iniciativas son muy escasas. Para entender el peso y la presencia de modelos de negocio 19 Linares, Rafael (2015). «Marketing en el cine». En: J. Herbera; R. Linares; E. Neira. Marketing cinematográfico. Barcelona: Editorial UOC.

42

© Editorial UOC


tradicionales, es interesante echar la vista atrás y analizar desde el punto de vista de la investigación de la audiencia. Así, la industria televisiva encontró en los audímetros, durante muchos años, un gran aliado. Un audímetro es una herramienta similar a un mando a distancia20 en el que cada botón se identifica con un televidente, el cual debe indicar qué y cuándo ve la televisión. Actualmente, el parqué de audímetros es de 4.625, representativos del universo de estudio y repartidos aleatoriamente. Previamente, se realizaron otras acciones como las encuestas telefónicas del Estudio General de Medios (EGM), o las entrevistas sobre el recuerdo de la víspera. En general, estas acciones dependen considerablemente de la opinión y actuación de la audiencia, siendo cuestionada en numerosas ocasiones. Más allá de la dudosa rigurosidad en el procedimiento, la investigación de mercados basada en audímetros plantea un problema de base. Ciertamente, desde el punto de vista cuantitativo, es posible saber cuántos espectadores han apretado un botón que les identifica como audiencia de un determinado programa y canal. Desde el punto de vista cualitativo, esta información es plana, no hay opiniones, feedback o sentimiento. La empresa internacional Kantar Media analiza y monitoriza, en España, la televisión, la radio e internet a través de los mencionados audímetros, además del análisis estadístico basado en la muestra representativa. Son conscientes de la evolución del consumo televisivo que ellos mismos concretan en su web: 20 Medición de televisión y vídeo en plataformas y dispositivos [Fecha de consulta: 15 de diciembre de 2015]

43

© Editorial UOC

• • • • •

Big data

El consumo de televisión en directo La grabación y posterior reproducción La televisión a la carta El uso de aplicaciones interactivas La navegación por las guías electrónicas de programación

A partir de aquí, se muestra necesaria la aparición de nuevas tecnologías que sepan integrarse en las diferentes modalidades de consumo. En el caso de la citada empresa Kantar Media, la medición de audiencias por audímetro se realiza mediante el audio, dado que es una información estandarizada para los diferentes países. De esta manera, las huellas digitales del sonido de los diferentes contenidos televisivos emitidos se comparan21 con los ya almacenados y que proceden de los diferentes canales de televisión. Con este proceso se logra identificar el consumo de televisión convencional. Pero, más aún, actualmente también es fundamental comprender y contabilizar el consumo de contenidos digitales en otras plataformas distintas a la ventana del televisor. Hablamos de dispositivos como los smartphones, las tabletas o los ordenadores. Para ello, la recogida de datos se realiza desde un software instalado que simula estéticamente el uso del mando a distancia de los audímetros, de manera que la operativa es similar a la del manejo del audímetro tradicional. Con idea de cubrir la oferta televisiva existente, la recogida de datos también comprende actuales tendencias de consumo como el video on demand (VOD) o las grabaciones de conteni21 Kantar Media. Medición de audiencias. [Fecha de consulta: 15 de diciembre de 2015].

44

© Editorial UOC


dos en discos duros. Este último, usualmente, es un producto que ofrece un consumo prolongado en el tiempo, por ello hay contenidos que pueden permanecer almacenados en un disco duro desde un mes a un año, para luego desaparecer. En el caso de la empresa de análisis que explicamos, Kantar Media, ofrece un seguimiento de los datos de hasta veintiocho días después de su emisión en VOD o descarga en disco duro. Además, también cubrirían los consumos de canales temáticos a través de un registro de visionado. Si bien es cierto que no queda claro la aplicación de esta información, o el grado de conversión de registros en datos medibles y analizados. En general, podemos considerar que el ejercicio hecho hasta la fecha es básicamente cuantificable. La huella digital de los usuarios en internet es medida por la empresa comScore, la cual ofrece amplios datos cuantitativos, además de perfiles sociodemográficos o datos sobre visitas cruzadas. Es interesante para los planificadores de medios, principalmente, en su tarea de decidir en qué soporte programar publicidad. La industria audiovisual encuentra en la herramienta Video Metrix un aliado de cara a conocer unos datos más fiables e integrales de la industria del vídeo.22 Por ejemplo, según informa comScore,23 su socio YouTube obtiene información cuantitativa: espectadores únicos, características sociodemográficas y determinadas actitudes respecto de los canales de YouTube.

22 Análisis de audiencia. Video Metrix. [Fecha de consulta: 15 de octubre de 2015]. 23 Información y métricas extraídas de

45

© Editorial UOC

Big data

En 2012, como fruto del uso cotidiano de internet, en España comenzó a valorarse una nueva métrica: el share24 social como contrapunto al share televisivo. Esta nueva medida estaba referida a aquellas métricas que consideraban otras formas de relacionarse con la industria televisiva, principalmente a través de las redes sociales. La empresa Global In Media se centró en reputación en línea, identidad digital y dinamización de comunidades. Por otro lado, la empresa Tuitele se centró en estudiar la audiencia social de la televisión, monitorizando en tiempo real la información presente en la red Twitter. Posteriormente, se dio un paso más en el análisis del share social a través del panel Tuitele Analytics con métricas y análisis con criterios de calidad destinados a las empresas que necesitaban conocer el valor cualitativo de la audiencia. Dos años después, en 2014, Kantar Media compró Data Republic, empresa propietaria de la plataforma de monitorización Tuitele, además de anunciar un acuerdo global con Twitter. Esta alianza empresarial, desde el punto de vista del big data, deja constancia del valor del share social para las marcas pero también para los productores de contenidos. Kantar Twitter TV Ratings se establece, por tanto, como el primer servicio oficial de medición de Twitter a través de la herramienta Instar Social. La solución ofrece métricas como: • Los autores únicos: número de individuos únicos que tuitean sobre programas de televisión. • Audiencia única: cuánta gente ha leído los tuits. 24 Porcentaje de audiencia. Dato estadístico que identifica el número de espectadores de un programa contrastado con la cifra de población que tiene un televisor encendido que sintoniza dicho programa.

46

© Editorial UOC


• Impresiones: número de veces que un tuit ha sido servido y, por lo tanto, ha sido visto. • Tuits y retuits, antes, durante y después de la emisión del contenido. • Media de tuits por minuto. La gestión de datos procedentes de la medición de audiencia va encaminada a comprender sus posibilidades respecto de los diferentes medios y dispositivos en los que se generen, esto es, la audiencia crossmedia. Así, un año después del anuncio de colaboración estratégica entre Kantar Media y comScore, las empresas han manifestado públicamente su interés de comenzar en España, como país pionero, su nuevo modelo de medición denominado Cross Media Audience Meassurement25 que cruza datos procedentes de diferentes entornos, esto es, la denominada extended TV (consumo de contenidos audiovisuales más allá del televisor), el total video (contenidos televisivos y vídeo nativos digitales) y total view (incluyendo toda la navegación por internet). El valor y la cantidad de información que podemos obtener a través de la interactuación de los espectadores con las redes sociales hacen conscientes a las cadenas de televisión y a los creadores de contenidos de la necesidad de facilitar esa vía de comunicación. Por ello, resulta habitual el visionado de programas con el hashtag impreso en la pantalla, a modo de mosca. Con este acto están reclamando la participación de un target concreto a través de redes sociales, especialmente se potencia el 25 Extended TV y total video. La nueva medición crossmedia. Participación de comScore en el Seminario AEDEMO 2016. [Consulta: 1 de marzo de 2016]. Información disponible en: http://www.kantarmedia.com/uk/our-solutions/audience-measurement/cross-media/cross-media-audience-measurement-cmam-.

47

© Editorial UOC

Big data

canal de Twitter gracias a la dinámica de su timeline. El objetivo es conectar con el denominado público social y que, a través de la segunda pantalla, interactúe. A partir de aquí, lo que el canal o productora haga con ese feedback dependerá de la visión de negocio que tenga la empresa. Para ello, en los próximos capítulos vamos a comprender, con un poco más de precisión, qué tipo de datos o información pueden demandar las empresas en función de las posteriores necesidades de negocio. Con este objetivo, vamos a entender las diferentes etapas técnicas y de negocio que cubre una acción con big data y business intelligence.

3.3. Canales y estrategias de obtención de datos Identificada la problemática empresarial y el objetivo estratégico de todo negocio, la elección de herramientas y fuentes de las que obtener datos es fundamental. Desde las posibilidades que ofrece la red, sumadas a las acciones de marketing y promoción, identificamos que los productos audiovisuales pueden generar estrategias de obtención de datos a través de los diversos canales de comunicación. Entre ellos, destacamos como principales: • Página web o site de la empresa, producto o contenido específico • Redes sociales • Aplicaciones Como marca o empresa, el hecho de tener una presencia en la red se ha convertido en algo tan importante como tener presencia física. La web permite no ya solo mantener

48

© Editorial UOC


actualizada la información que se quiere generar, tanto desde el punto de vista corporativo como de contenido, sino lograr un feedback con el espectador audiovisual. Y esta es, precisamente, la mejor manera de proceder a la generación de datos que, de otra manera, sería imposible. Desde hace unos años, en el propio desarrollo del site (web) se impone el criterio de responsive web design, término que hace referencia a la capacidad de la página web de tener un diseño adaptable a cualquier dispositivo. Esto supone que cualquier usuario pueda acceder a la información independientemente del dispositivo desde el cual se conecte. De hecho, tal es su importancia que, en abril de 2015, la compañía Google lanzó un comunicado desde su blog26 en el que manifestaba su intención de penalizar a aquellas webs que no fueran responsive; esto se podía traducir en una pérdida de posicionamiento en el famoso buscador, disminuyendo, por lo tanto, la tasa de tráfico orgánico. De cara a tener una foto global del acceso de los usuarios a las plataformas de consumo en línea y comprender así la generación de datos, vamos a identificar acciones claves que realizan tanto las empresas como los usuarios. Como hemos mencionado, las empresas tienden a ofrecer sus contenidos digitales a través de la web site, consumible tanto desde el ordenador como desde el móvil, a través de un diseño dirigido al dispositivo móvil y a través de la aplicación. Cada uno de estos accesos a los contenidos puede sugerir una tipología de un usuario más o menos dispuesto a interactuar y facilitar 26 «Finding more mobile friendly search results» (Encuentra resultados de búsqueda por móvil de manera más amigable). [Consulta: 4 de enero de 2016].

49

© Editorial UOC

Big data

datos y opiniones. Quizás el caso más efectivo sería la propia aplicación dado que solo el hecho de proceder a descargarla supone una acción proactiva por parte del usuario/espectador. Con respecto a la web, es ya habitual la política de cookies, por la cual el usuario de una web acepta que la empresa pueda conocer sus hábitos de navegación pudiendo así crear perfiles de usuarios que, si bien son anónimos, sí que ofrecen datos de actividad suficientemente interesante como para plantearse estrategias. Por ejemplo, en el caso de la analítica de marketing, una aplicación habitual del uso de los datos procedentes de las cookies es el real time bidding (RTB), una tendencia que logra su auge precisamente gracias a la gestión de los datos masivos y que consiste en ubicar publicidad en la web en tiempo real (frente a la compra prefijada de espacios); de esta manera, el conocimiento de perfiles permite ofrecer anuncios a usuarios y soportes concretos. Empresas como Google, Facebook o Amazon ya disponen de sus propias plataformas de RTB. Son nuevos modelos englobados en la gestión de datos masivos, concretamente en el data driven marketing, los que permiten gestionar también nuevas maneras de lograr retornos (usualmente conocido como return of investment, ROI). Pongamos, por ejemplo, en el caso de que los precios de fijar las tarifas publicitarias sea por pujas. Otras empresas encuentran en la propia web su principal fuente de datos. Este es el caso de la empresa de comunicación Unidad Editorial y su cabecera Marca. En este periódico, el descenso de consumo de periódicos en papel supuso establecer una línea estratégica basada en el tráfico generado en su web marca.com y su posterior línea de negocio videos. marca.com. De esta manera, las redes sociales como fuente de datos están integradas en el propio site por cada noticia que

50

© Editorial UOC


se comparte. Con todo, marca.com, desde una perspectiva analítica, puede lograr datos para su posterior gestión procedentes del customer relationship management (CRM, herramienta de negocio orientada al cliente), Orbyt (herramienta de suscripción para consumo de contenidos propios de Unidad Editorial), el propio call center o herramientas de análisis web como Adobe Analytics.27 Las fuentes de datos de las que se va a obtener información cualitativa son aquellas webs o redes sociales donde el espectador puede ejercer algún tipo de actividad que aporte información, no ya solo sus datos personales o perfiles, algo que se entiende implícito, sino sus opiniones y valoraciones. Esto es el ya mencionado espectador social, un consumidor activo que demanda contenidos audiovisuales y que está dispuesto a opinar, criticar, alabar, puntuar o, simplemente, generar debate. Por ello, actualmente las acciones más idóneas para generar big data son las realizadas con perfiles en las redes Twitter, Facebook, la propia web de la cadena o programa, aplicaciones, blogs y, en menor proporción, Pinterest e Instagram, Telegram y WhatsApp, Snapchat o Periscope. De todas las redes sociales indicadas, que en mayor o menor medida permiten interactuación por parte del espectador social, podemos considerar que hoy en día, gracias a la velocidad del timeline y sus características intrínsecas, es Twitter la principal ventana de participación del espectador social. La inclusión de etiquetas que permite una posterior agrupación de comentarios, así como las referencias a los programas concretos mediante el uso de hashtags, que podemos identificar

27 Anteriormente conocido como Adobe Omniture.

51

© Editorial UOC

Big data

impresos en la misma pantalla del televisor, sumado a la referencia directa y llamada a la atención a cualquier otro usuario de Twitter, han convertido a dicha red social en la segunda pantalla por excelencia. De hecho, como ellos mismos concluyen a través de un estudio propio,28 el uso de hashtags por parte de las cadenas de televisión tiene también un propósito que coincide con identificar a un share social joven proclive a tuitear y, por lo tanto, un target con tendencia a consumir y usar determinados productos tales como los mismos dispositivos móviles que usa a la hora de interactuar socialmente. Por otro lado, la red social Facebook permite una comunicación diferente en el sentido de que las opiniones e impresiones quedan fijas y visibles en el timelime, no es efímera y además permite la interactuación con otros usuarios o consumidores del programa o cadena. En el caso de redes sociales como Telegram o WhatsApp, el usuario debe aún ser más proactivo, no ya solo opinar sino contactar a través de un mensaje al número de teléfono que se le ha facilitado; a partir de entonces ya forma parte de la base de datos. De otra manera, los mensajes que se intercambian por estas redes son privados sin posible acceso público. Las aplicaciones que el usuario puede descargarse desempeñan un papel muy importante dado que, desde su origen, son diseñadas para consumirse en determinados dispositivos asociados a sistemas operativos, abriendo aquí una vía de negocio. También hay que tener en cuenta el hecho de que las productoras de contenidos audiovisuales, conscientes de las posibilidades que la tecnología ofrece y con idea de tras28 Información facilitada por Alfonso Calatrava, jefe de Investigación de Twitter España y colaborador de esta publicación.

52

© Editorial UOC


pasar la pantalla de televisión, comienzan a generar contenidos transmedia y crossmedia o acciones de gamificación que suponen, en la mayoría de los casos, interactuar con sus propios datos. Según indica Neira,29 las aplicaciones de «segunda pantalla» vinculadas a la cadena, contenidos o programas concretos, permiten monitorizar la actividad en un entorno controlado, convirtiéndose en una herramienta de big data. Por ejemplo, el uso de dichas aplicaciones supone el registro del usuario con la consiguiente entrega de datos personales. O, también, el check-in dado que informa de que el espectador social está viendo el programa y lo hace a través de la publicación en todas las redes sociales asociadas. En este caso, el usuario de la aplicación está contribuyendo al big data con sus hábitos de consumo y comportamiento.

3.4. Dispositivos que interactúan con los espectadores Siguiendo con el ejemplo de la audiencia y la televisión, en el caso de que un espectador quiera convertirse en social, vamos a identificar los diferentes dispositivos a través de los cuales puede consumir y manifestarse a propósito de un contenido. Básicamente, nos vamos a referir a los dispositivos que, por su usabilidad y movilidad, son aptos para poder interactuar con ellos a la par que se consume televisión convencional, esto en el caso de pretender extraer datos en línea de manera simultánea a la emisión. Los dispositivos más útiles

29 Neira, op. cit.

53

© Editorial UOC

Big data

para lograr la interactuación de los espectadores con los creadores de contenidos son: • Ordenadores portátiles • Tabletas • Teléfonos inteligentes Para un consumo desde el ordenador como dispositivo, el propio sector audiovisual realiza acciones que generan datos susceptibles de ser recogidos, almacenados y analizados fuera del horario de emisión. Esta información proviene de los blogs, páginas webs o encuestas. Son registros que se sumarían a la proveniente de los audímetros. Pero la dinámica de la audiencia social o la participación en acciones de marketing audiovisual implica en ocasiones la movilidad del espectador, la inmediatez en sus opiniones o la capacidad de fotografiar lo que está viendo. En estos casos, la necesidad de la inmediatez se traduce en el uso de dispositivos que se desplacen con el espectador, esto es, la tableta o el smartphone. Con respecto a la generación de big data, estos dispositivos cumplen una función muy importante, dado que casi para poder usar la totalidad de las marcas que se comercializan es necesario vincularlo a una cuenta de correo electrónico, por lo tanto a un perfil de usuario. Esto, sumado a la información que el propio usuario quiera manifestar a través del canal elegido para ser social: la aplicación del programa televisivo, el site de la productora o su propio perfil en redes sociales. En general, la aparición de redes sociales de fácil manejo para los usuarios y, además, la utilidad y la motivación por compartir información, han hecho el resto. En el sector

54

© Editorial UOC


audiovisual actual, podemos encontrarnos principalmente con empresas privadas que quieren generar más beneficios a través del uso de estas nuevas herramientas tecnológicas; son los principales grupos mediáticos como Mediaset, Atresmedia o Movistar+, empresas que esperan un ROI medible de sus inversiones en acciones digitales en redes sociales o en áreas del big data. Pero también es interesante entender el posicionamiento de empresas públicas como RTVE que, lejos de buscar un retorno económico de sus acciones, tratan de mejorar como empresa ofreciendo unos contenidos más adecuados a su audiencia, entendiendo que el conocimiento de su audiencia es una oportunidad de mejora. Sea cual sea el objetivo que se haya planteado la empresa con respecto al ROI: social, económico o, incluso, ecológico, es fundamental contar con el apoyo del big data, dado que nos va a ofrecer nuevas pistas y lógicas para interactuar con las nuevas tecnologías. Por ello, en el caso de la industria audiovisual, la pretensión es lograr un mayor número de audiencia y espectadores sociales, dado que esta es una buena manera de lograr datos sobre usuarios, perfiles u opiniones. Y así, esta audiencia será susceptible de ser integrada en el proceso denominado big data, porque así estaré definido en la estrategia de negocio.

55

© Editorial UOC

Big data

4. Trabajando con los datos 4.1. Analítica web Una vez identificados los diferentes canales o dispositivos por los que el espectador se comunica con la cadena, productora o creadores de contenidos, comprendemos las variadas acciones que puede acometer. Y también que, por cada una de estas acciones, se genera información que queda plasmada en una gran cantidad de datos que tienen que organizarse y almacenarse para poder trabajar posteriormente con ellos, lo que ya identificamos como el uso del big data. Como esta información es muy dispar y con muchas características, se procede a organizarla muchas veces a través del uso de palabras clave o etiquetas. De hecho, ya vimos que los mismos usuarios de Twitter etiquetan sus opiniones con el uso de los hashtags. Esta simple acción es tremendamente útil para clasificar la información, pero cuando hablamos de big data hablamos de cantidades tan ingentes de datos que muchos de los cuales no son útiles. Esto, técnicamente –ya lo comentamos también–, puede ser debido a que algunos datos no tienen valor o estén correlacionados, son erróneos, incompletos o duplicados. En general, podemos decir que son datos no válidos. Pero ahora, situándonos en el entorno empresarial y no técnico, desde la toma de decisiones del negocio que ha decidido obtener los datos, también puede ser información no útil. Dicho de otra manera: no aporta nada a la operativa empresarial. Esto se debe a que la toma de datos debe responder a una necesidad de negocio con la idea de tomar decisiones a partir de ellos. Por lo tanto, es interesante reducir la dimensión de los datos con la idea de que tengamos una menor cantidad de infor-

56

© Editorial UOC


mación, esto es, entendido como menos atributos. Desde el punto de vista técnico, esta gestión la desarrolla la ingeniería de características. Así, por ejemplo, uno de los objetivos de este trabajo previo con los datos sería la denominada normalización, para evitar la redundancia (repetición de información) en los datos y así poder identificar y evaluar cuáles son importantes y cuáles no. Esta será la información que será analizada y sobre la que se tomarán decisiones. De ahí la importancia del proceso. Figura 5. Proceso técnico de extracción de datos, transformación y carga

Por lo tanto, la mejor manera de analizar el impacto que tiene el trabajo con datos en las redes sociales o acciones big data es a través del análisis de la información que genera. Esta área de trabajo es la conocida como analítica de datos. Nos ofrece información con idea de convertirse en próximas estrategias a realizar, pero también nos puede hablar de aspectos económicos como el ROI y que veremos, con precisión, más adelante. Implementar un área de analítica de datos

57

© Editorial UOC

Big data

supone tomar unas decisiones sobre qué tipo de información necesita la empresa y con qué propósito, esto son los objetivos de negocio. A partir de ellos se establecerán una serie de métricas y de indicadores de rendimiento, y serán la base de trabajo de la analítica. Las métricas: si algo va a permitir tener datos, es la posibilidad de contrastar cifras. De esta manera podremos medir y, por lo tanto, saber si como negocio hemos mejorado o empeorado. Por lo tanto, las métricas son valores cuantificables y personalizados para cada objetivo de negocio. En el caso de tratar con áreas concretas como puede ser la analítica del site o web, las métricas habituales son el número de usuarios únicos, visitas y páginas vistas. Para los medios televisivos y su monitorización con las redes sociales, las métricas interesantes son el número de interacciones o menciones. En general, estas medidas pueden aplicarse a muchas áreas: rentabilidad, cliente, acciones, productos, etc. Una de las métricas más interesantes de medir es el nivel de engagement, entendido como métrica cualitativa, que ofrece información sobre el grado de proactividad del usuario o espectador. Sea como sea, las métricas deben ir en concordancia con el negocio y con su tamaño. Avinash Kaushik, uno de los más reputados analistas web, propone establecer tres tipos de mediciones: métricas de adquisición, comportamiento y resultados.30 Así, estas serían las tres acciones que cubrirían las decisiones de negocio, experiencia de usuario y rentabilidad. 30 Kaushik, Avinash. Digital Marketing and Measurement Model. [Fecha de consulta: 4 de enero de 2016].

58

© Editorial UOC


Biométricas: son técnicas matemáticas y estadísticas para identificar individuos únicos. Con el uso de los wearables31 ha surgido un abanico de posibilidades relacionadas con diferentes industrias. Una primera lectura nos remitiría a industrias como la médica o la seguridad, donde el control de los biorritmos es fundamental. Pensemos en creaciones como las pulseras/relojes inteligentes o sensores creados específicamente para deportistas. En el caso de la industria que referenciamos, la audiovisual, también ha sido capaz de integrar las biométricas; un ejemplo es el caso de algunos realities donde los concursantes portaban sensores que monitorizaban horas de sueño, distancias recorridas, calorías o pulsaciones. KPI (key performance indicators o indicadores clave de rendimiento) están enfocados al objetivo final del negocio y suelen ir establecidos en porcentaje. Los datos ya analizados, interpretados y relacionados se convierten en los indicadores de negocio, permitiendo así tomar decisiones válidas de mejora (Macía Domene, (2013). Básicamente, esto nos va a ofrecer información respecto al estado de una actividad. Para que realmente sea útil debe cumplir tres características: ser cuantificable, inequívoco y realizable. Suelen ser muy pocos los KPI que se miden y se asocian a unidades de negocio. Así, por ejemplo, enfocados a la analítica de redes sociales de empresas audiovisuales, una propuesta sería medir el tráfico, la actividad o la propia comunidad. Desde una decisión de negocio diferente, otros KPI pueden identificar el país de procedencia de la visita, el tiempo de la visita o el porcentaje 31 Dispositivos llevables en el cuerpo, tales como relojes o pulseras, capaces de acceder a información vital del ser humano y generar big data.

59

© Editorial UOC

Big data

de usuarios que realizan compra en una página web. En esta línea de entorno web, establecer unos adecuados KPI acordes con nuestra necesidad estratégica va a permitir implementar dos procesos de mejora del rendimiento:32 • Interpretar datos estadísticos de tráfico en conceptos y valores entendibles por los diferentes perfiles profesionales. • En función del progreso de los datos obtenidos, valorar el cumplimiento de los objetivos y poder tomar decisiones lo más certeras posibles. Al denominado padre de la publicidad moderna, John Wanamaker, se le adjudica la siguiente frase: «La mitad del dinero que invierto en publicidad se desperdicia, el problema es que no sé qué mitad es». Este vacío de datos es precisamente lo que suple la analítica de datos: saber exactamente qué y cuánto no funciona. En general, tanto las métricas como los KPI tienen como objetivo aprender, corregir y mejorar. Ahora, con la obtención de los datos mencionados, es interesante dar un paso más y aplicar lógicas propias del big data. Por ejemplo, si pensamos en la minería de datos, los patrones de conducta extraídos de la analítica ofrecen información vital para la posterior toma de decisiones. Así, podríamos predecir comportamientos en función de la información que obtenemos de las cookies y que analiza la herramienta. De manera general, podemos concluir que la mayoría de las empresas audiovisuales que realizan o empiezan a plan32 Maciá Domene, F.; Gosende Grela, J. (2012). Técnicas avanzadas en posicionamiento en buscadores. Madrid: Anaya Multimedia.

60

© Editorial UOC


tearse acciones de big data usan motores de analítica tanto freemium, gratuitas, como premium, de pago. Según la modalidad económica, el acceso a la información se realiza desde un punto de vista cuantitativo, pero también de manera cualitativa con respecto a las herramientas que permite manejar y las métricas que permite emplear. Básicamente, la idea de invertir en uno u otro software de análisis debería ir relacionada con la estrategia aplicada, es decir, con los objetivos con los que se aplica la tecnología a los datos. Pero también con el volumen de datos que se maneja. Algunas herramientas que están empleando actualmente las empresas audiovisuales son: Google Analytics,33 perteneciente a Google, ofrece servicios de embudo multicanal que indican el funcionamiento del marketing en los diversos canales que puede tener la empresa o negocio, así como el impacto y grado de conversión. En la línea de las redes sociales, permite también obtener informes sociales en los que se muestra tanto las métricas como el valor monetario de las conversiones, identificar comunidades importantes para la marca, así como el flujo de actividad de los botones sociales, entre otros. También resulta interesante diferenciar y medir el impacto de las campañas de marketing por uso de dispositivo ya que es habitual que, como usuarios, realicemos mismas búsquedas a través de diferentes canales. Un vistazo a la web de Google Analytics nos puede mostrar el grado de impacto de una campaña en soporte web. 33 Google. «Analítica web para empresas» [en línea]. [Fecha de consulta: 10 de marzo de 2015].

61

© Editorial UOC

Big data

De tal manera, a través de la herramienta es posible conocer el número de visitantes activos que tiene el site cada grupo de minutos o incluso segundos. En el caso de esta analítica, una visita tiene una duración de 30 minutos, un tiempo en el que el usuario o visitante activo interactúa con las diferentes acciones que puede realizar dentro de una misma página web: interacción social, transacciones de comercio, etc. Cada una de estas acciones supone volver a activar ese tiempo fijado de 30 minutos. Por el contrario, si el visitante se mantiene inactivo por un tiempo de 30 minutos la cookie _utmb se eliminará de su ordenador y se contabilizará una nueva visita. Podemos, por tanto, ver que la herramienta ofrece analítica pero también nociones de inteligencia, por ejemplo a través de su analytics intelligence que, gracias a algoritmos, logra identificar alteraciones en patrones de conducta de usuarios. Adobe Analytics es un conjunto de herramientas de análisis de web y marketing. Engloba a SiteCatalyst, herramienta centrada en comercio electrónico. Ofrece analítica y reporting alertas de acción, informes personalizados, perfiles sociales. Esta herramienta es mayormente empleada por empresas de gran tamaño, es decir, empresas que gestionan grandes volúmenes de datos. Tal y como informa Adobe, entre sus principales acciones destaca: • • • •

Analítica sobre aplicaciones móviles. Segmentación avanzada de usuarios. Marketing predictivo, intelligence marketing. Analítica de aplicaciones móviles.

62

© Editorial UOC


Posiblemente, una de sus principales ventajas sea la analítica en tiempo real, lo que va a permitir tomar decisiones en menor tiempo, así como la ya mencionada capacidad de gestionar grandes volúmenes de datos. IBM Watson Analytics,34 servicio de analítica de grandes volúmenes de datos, basado en el sistema informática de Inteligencia Artificial Watson. Merece la pena conocer con perspectiva el origen de esta herramienta para valorar las posibilidades futuras. En un principio, la herramienta Watson responde a la denominada tecnología cognitiva y está diseñada, como indicábamos, por IBM. La base de trabajo parte de la idea de que las computadoras sean capaces de interpretar el lenguaje natural, el hablado por las personas. Watson aparece en el mercado con recorrido hecho; así, uno de sus méritos asociado al sistema cognitivo con lenguaje programado es la participación televisiva en 2011, en el programa norteamericano de preguntas y respuesta Jeopardy!, en el cual la máquina con inteligencia ganó a los dos concursantes con mayor número de aciertos hasta la fecha. Desde entonces, Watson ha mejorado en velocidad de reacción y está vinculado en múltiples industrias y escenarios como la ciencia médica, procesos I+D+I, educación o incluso gastronomía. Obviamente, también desarrolla su línea de negocio en el ámbito del big data y sus posibilidades relacionadas con industrias de la comunicación. Un buen ejemplo lo encontramos en Audiense, partner oficial de Twitter destinado al social marketing. Esta empresa, ha comenzado a incluir los denominados insights de personalidad empleando 34 IBM. «What is Watson Analytics?» [en línea]. [Fecha de consulta: 15 de octubre de 2015].

63

© Editorial UOC

Big data

para ello la API de IBM. Hasta la fecha, la tecnología asociada al big data permitía lograr la segmentación de perfiles con respecto a datos sociodemográficos, hábitos o patrones. En el caso de los insigths, estos hacen referencia a rasgos de personalidad adjudicados a la audiencia de un producto o marca. Esto permite una catalogación por personalidades o, dicho de otro modo, una segmentación por personalidades, logrando así un impacto muy alto en la creación de estrategias de marketing. Watson, como herramienta analítica, accede tanto a la información que se le facilite en datasets como a un histórico de dos años de la red social Twitter y al que realiza consultas a través de hashtags. De esta manera, crea análisis estadísticos y predictivos a través de lenguaje natural, además de poder visualizar los datos posteriormente. Como herramienta de analítica de datos, ofrece información en tiempo real además de analítica de contenido. Posibilidades de tratamiento de los datos y herramientas en la nube, análisis predictivo o visualización a través de una interfaz muy sencilla son algunas de sus características junto con la capacidad de trabajar con grandes volúmenes de datos. Pero, quizás, su principal rasgo sea el que explicaba el origen de Watson, el lenguaje natural, dado que las consultas a la herramienta se hacen de esa manera: preguntando a la máquina como si fuera una persona. Podemos concluir, por tanto, que la analítica de datos va encaminada a extraer información valiosa sobre los usuarios y su comportamiento. Datos que hasta hace apenas unos años era imposible obtener. Como afirma Macía Domene, se tiende a la «integración de todos los datos, tanto online como offline, además del sentimiento del usuario a través de distintas plataformas, navegadores, dispositivos de navegación […] Solo así estaremos en disposición de comprender de forma más global el compor-

64

© Editorial UOC


tamiento del usuario y la forma en la que las distintas estrategias de promoción influyen sobre sus decisiones de compra».35

4.2. Descubriendo valor en los datos Hablar de sistematizar el proceso de identificar el valor en los datos es remitirnos a un marco global denominado «proceso de extracción del conocimiento» o, más comúnmente llamado por su terminología en inglés, knowledge discovery in databases (KDD),36 en el que se incluyen acciones como la minería de datos, análisis o aprendizaje automático. El objetivo de este proceso es encontrar valor en los datos que se analizan y, para ello, se realiza un proceso iterativo con grandes volúmenes de datos, el big data, con idea de encontrar un modelo válido (por ejemplo, identificación de un algoritmo útil para detectar la información que queremos) o una conclusión (en el caso de analizar los datos desde la estrategia de negocio). Estas disciplinas relacionadas con el KDD están orientadas al negocio, con objetivos específicos, lo que va a suponer que tendrá que realizarse una preparación nueva de los datos, acorde con la información que queremos descubrir dado que, por ejemplo, en minería, son cuestiones concretas y no tanto generales. Por tanto, dentro del proceso de KDD se preparan los datos, se transforman y cargan para, a partir de

35 Macía Domene, F. (2013). Marketing Online 2.0. Cómo atraer y fidelizar clientes en Internet. Madrid: Anaya Multimedia. 36 Han, J.; Kamber, M.; Peu, J. (2011). Data Mining. Concepts and Techniques (The Morgan Kaufmann Series in Data Management Systems). University of Illinois at Urbana-Champaign.

65

© Editorial UOC

Big data

aquí, trabajar en entornos de minería de datos para la creación de patrones, visualización e interpretación. Una vez identificada la problemática de negocio que se quiere resolver o la estrategia que se quiere aplicar, y después de haber preparado los datos, comenzaría un trabajo denominado aprendizaje automático (machine learning). Esto sucede dentro del proceso denominado minería de datos,37 la cual es una disciplina propia de la inteligencia artificial que emula al pensamiento humano. La idea es que las máquinas aprendan determinadas respuestas automáticas ante ciertos escenarios. Para ello se van a entrenar los datos y desarrollar modelos utilizando el algoritmo que ofrezca las mejores prestaciones. Por concretar, el aprendizaje automático partiría de una gran base de datos a partir de la cual se entrenan distintos algoritmos con idea de elaborar un modelo tanto en función de los mismos datos como del negocio. Para ello, se trabaja con modelos paramétricos basados en ecuaciones matemáticas (regresión múltiple, clasificación) o incluso modelos probabilísticos como las redes bayesianas para poder ser capaces de predecir comportamientos o acciones a partir de datos completos o incompletos. Estos modelos se evalúan para confirmar su validez y, en caso de ser idóneos, se aplican a las lógicas de negocio. El aprendizaje automático va a permitir, desde el punto de vista del negocio: • Crear predicciones, fundamentalmente las relativas a qué actuaciones van a hacer los clientes. Es decir, va a permitir tomar acciones sobre clientes. 37 Siguiendo el estándar de buenas prácticas Cross Industry Standard Process for Data Mining (CRISP-DM).

66

© Editorial UOC


• Búsqueda de patrones interesantes. • Generación de grupos en los datos para, por ejemplo, segmentar y hacer campañas a medida de nichos. Esta acción es muy útil para el marketing ya que, por ejemplo, de esta segmentación podremos establecer patrones de consumo. Dependiendo de cómo tengamos de preparada la información en cuanto a las etiquetas que acompañan a los datos, tendremos información previa que puede ser útil para el futuro. De ahí que se generen dos tipos de aprendizaje: el aprendizaje supervisado y el no supervisado. En el caso del primero, hablamos de trabajar con preguntas conocidas y respuestas también conocidas. De manera que, ante un nuevo cliente de la empresa, el modelo ya entrenado podrá deducir lo que va a pasar; son las predicciones. En este tipo de aprendizaje englobaríamos los algoritmos de clasificación, según los cuales, ante la llegada del mencionado cliente (dato + etiqueta), el modelo nos diría con qué grupo se posicionaría frente al resto. Por ejemplo, en el caso de consumidores de productos audiovisuales, identificar al usuario nos va a permitir aplicar aprendizaje supervisado y poder así predecir qué tipo de contenido va a querer consumir. Estamos, pues, segmentando al cliente y prediciendo. Por otro lado, el aprendizaje no supervisado no trabaja con etiquetas, sino con datos sin categorizar sobre los que buscará patrones o grupos. Es habitual que el proceso comience con aprendizaje no supervisado para, posteriormente, trabajar con el supervisado. Estás técnicas de descubrimiento de valor en los datos son muy empleadas en ámbitos como la analítica de marketing al permitir establecer patrones y segmentar. De hecho, esa es precisamente una de las grandes bondades del trabajo con los datos, encontrar perfiles que permitan segmentar y hacer conte-

67

© Editorial UOC

Big data

nidos a medida, esto a través de la automatización de mecánicas y con empleo de algoritmos entrenados. En este sentido, los modelos next best activity suponen la aplicación de los modelos predictivos38 al marketing. Es la industria de la banca donde más efectividad ha logrado esta operación al poder prevenir la probabilidad de abandono de un cliente o de cometer fraude, pero en marketing también encuentra un escenario de trabajo interesante al identificar la siguiente acción del usuario. Son muchas las empresas que establecen el aprendizaje automático como base de sus acciones. Por ejemplo, Amazon emplea su propio Amazon Machine Learning con el objetivo de crear con facilidad aplicaciones predictivas, como la ya mencionada detección del fraude, la previsión de la demanda o la predicción de clics.39

4.2.1. Monetizar los datos segmentando perfiles Con respecto a las posibilidades de segmentación del aprendizaje automático, en el caso de la empresa Twitter, precisamente aquí encuentra una vía de monetización a través del impacto cualitativo que ofrece a las marcas vía su timeline. La gestión de la gran base de datos de perfiles de Twitter, a través de algoritmos, logra identificar y segmentar clientes no tanto en cuanto a características sociodemográficas sino a gustos y acciones. Esto, asociado a otras líneas de negocio como los vídeos de Vine o Periscope, convierten a Twitter en un espacio de interés para las marcas. 38 Esto es un algoritmo que, aplicado a una serie de datos, identifica la relación entre una variable y el resto de la información disponible. 39 Preguntas frecuentes sobre Amazon Machine Learning. [Fecha de consulta: 13 de octubre de 2015].

68

© Editorial UOC


Trabajar con datos permite definir qué valor podemos extraer de los mismos. En este sentido, uno de los casos más interesantes puede ser trabajar con el concepto de «recomendaciones». Estas se basan en las opiniones de los diferentes usuarios, bien a partir de la comunicación orgánica con sus opiniones trasladadas a los espacios webs y a la vista de futuros usuarios de los mismos productos, o bien a través de las puntuaciones en rankings. Diferentes sectores se han posicionado ante los clientes a través de las recomendaciones, pero quizás sea la compañía de video on demand Netflix la que ha sabido dar un paso más al generar un nuevo valor en las recomendaciones. Para ello, creó una unidad de negocio destinada a la producción propia. Juntando el big data y la estadística, dieron forma al «círculo de éxito probado».40 Esto era diseñar el producto que más éxito podría tener a partir de las conductas de sus espectadores que identificaban las preferencias por el actor Kevin Spacey, el estilo del director David Fincher o series de éxito y género exitoso como la contrastada House of Cards. Otro aspecto importante a medir en la conducta de los usuarios de Netflix es el comportamiento, una vez que el contenido es pausado, y así identificar si posterior a la parada el contenido sigue siendo visualizado o, de lo contrario, eliminado, es un dato fundamental de cara a posteriores predicciones. Sumado a estas acciones, la página de Netflix ofrece la posibilidad de indicar las preferencias de gusto y perfiles junto a las recomendaciones.41 Para ello, Netflix trabaja con un algoritmo que valora, para las recomendaciones, 40 Término acuñado por The New York Times Company. 41 Calificaciones y recomendaciones de Netflix. [Fecha de consulta: 13 de octubre de 2015].

69

© Editorial UOC

Big data

aspectos como los géneros de las películas y series, el historial de transmisión y recomendaciones previas y las calificaciones del resto de usuarios de la plataforma con gustos similares. Estas recomendaciones ofrecen una horquilla de puntuación de 1 a 5. En el caso de las preferencias, son encuestas que se establecen en las categorías argumento, subgénero, cultura y especial interés, así como su temporalidad de consumo: a menudo, a veces o nunca.

4.3. Business Intelligence Como venimos diciendo, los datos en sí mismos no aportan valor, es el conocimiento que se extraiga de ellos y las decisiones que de ahí se tomen lo que va a dar utilidad y valor al dato. Esto es precisamente lo que hace el business intelligence: partiendo de información basada en datos, procede a tomar la mejor de las decisiones. Para ello, ya hemos visto que los datos han sido extraídos de diferentes fuentes, se han limpiado y transformado manteniéndose guardados para su posterior aplicación de métricas, visualización y analíticas. Howard Dresner, investigador y analista durante años de la consultora Gartner, comprendía el business intelligence como aquel «paraguas que engloba conceptos y métodos que ayudan a tomar la mejor decisión de negocios basada en hechos». Por ello, y conociendo ya todas las posibilidades que ofrece el big data, cuando hablamos de business intelligence, tenemos que pensar que sus acciones estratégicas comienzan desde el origen del proceso, desde la elección de las fuentes de las que se desean obtener datos. Esto sería la denominada capa de negocio, y variará dependiendo de los objetivos de cada empresa.

70

© Editorial UOC


Figura 6. Flujo de procesos en un entorno big data

En este nivel, es interesante comprender aspectos puramente de negocios como las métricas, el ROI o el beneficio por cliente. Desglosemos estos conceptos. El ROI, por tanto, justifica la inversión de acciones como el marketing o la propia tecnología big data. En ocasiones, algunos directivos de cadenas no han podido concretar cómo se monetiza la inversión en tecnología con los datos. Pero es fundamental identificar la procedencia del retorno; así pues, muchos de los modelos de negocio de contenidos digitales que existen en la actualidad pueden disponer de tráfico procedente de la página web, que a su vez puede ser consumida a través del ordenador o del móvil o tableta, además de la aplicación. Todos estos consumos por plataforma ofrecen un retorno diferente que define también tanto al usuario como al contenido en sí. Como caso concreto en la industria audiovisual, el ROI referente a las plataformas de pago va enfocado a que el coste de retención de un cliente sea menor al coste de adquisición.

71

© Editorial UOC

Big data

Todas estas acciones están englobadas dentro de la estrategia diseñada acorde con el modelo de negocio. En el caso de las cadenas televisivas privadas pertenecientes al grupo Atresmedia o Mediaset, el modelo de televisión está basado principalmente en la publicidad; en el caso de las cadenas de pago como Movistar + o TotalChannel, el modelo de negocio es por suscripción, mientras que en el caso de la cadena pública TVE, que se nutre de los presupuestos del estado, el concepto de rentabilidad es complejo al incluir el valor social. Estos son tres modelos de gestión televisiva que conviven, y cada uno de ellos establecerá unas métricas diferentes, así como unos KPI también a medida de su modelo de negocio. A continuación, un entorno de trabajo business intelligence dispone de una capa de soporte a la decisión, que hace referencia al conjunto de actividades que dan soporte al negocio, sin incluir comunicación con el cliente. Estamos hablando del soporte técnico, por ejemplo, la elección de fuentes sobre las que se van a generar los datos masivos, el ya mencionado proceso de ETL (extracción, transformación y carga), generación de plataformas, aplicaciones, ERP, extracción de datos, gestión de plataformas, etc. A partir de aquí, el siguiente paso es el entendimiento de los datos, tanto para perfiles técnicos como para aquellos que van a tomar decisiones de negocio.

4.4. Visualización Comprendiendo con perspectiva el proceso de la gestión de datos en su totalidad, podemos ya entender que las decisiones que motivan a las empresas a trabajar con big data y aplicar posteriormente análisis y business intelligence son decisiones estra-

72

© Editorial UOC


tégicas realizadas por perfiles directivos que no necesariamente tienen que tener formación técnica. De ahí que se contemple la generación de gráficos como una manera entendible de dar datos y ofrecer conclusiones. Atrás quedaron ya los densos reportes e informes, estos no eran útiles y la información era estática, era una radiografía concreta de un momento exacto. Figura 7. Flujo de procesos en un entorno Big data

El área de la visualización de datos cobra más fuerza cada día dada su gran contribución al entendimiento de procesos técnicamente complejos. La idea que sustenta la necesidad de la visualización de datos en un entorno big data radica en la propuesta de que, cada vez más, los motores analíticos sean más fáciles de manejar, de manera que los datos sean numéricos, o convertibles en cifras, para que puedan aplicarse, sobre ellos, algoritmos ya creados y entrenados. La visualización de datos surge, entonces, con idea de no necesitar ser un matemático que interprete los datos. De hecho, esto es precisamente lo que ofrece la visualización de datos:

73

© Editorial UOC

Big data

hacer entendible, desde un punto de vista empresarial, unos datos trabajados en entornos de matemáticas y estadística. Esta área de entendimiento de datos hace referencia a todas aquellas posibilidades gráficas de mostrar información y cruces de datos de una manera fácil. Los gráficos generados pueden ser de muchos tipos, diseñados prácticamente a demanda del negocio. Pueden tener, por tanto, entidad propia a través de herramientas personalizadoras de visualización de datos. También pueden estar incluidos en los cuadros de mando, también llamados scorecard, modelos comprensibles que muestran en tiempo real datos masivos y análisis. O, también, pueden incluir mapas de calor, diagramas de dispersión o incluso nubes de palabras que permitan la interactuación con el usuario. Fruto de este gran abanico de posibilidades y su velocidad de implantación, denotamos que las empresas tienden en su mayoría a contratar software de visualización en lugar de desarrollar sus propios entornos y herramientas de business intelligence y visualización. Las razones son varias: herramientas con las últimas actualizaciones, entornos personalizables, sin pérdida de tiempo en desarrollo ni contratación de personal para creación de entorno de business intelligence y visualización. Pero, sobre todo, la principal ventaja de contar con este tipo de plataformas deriva de no tener que contar con una alta estructura de costes, ahorrando dinero y tiempo. En líneas generales, estas plataformas aplican una capa de inteligencia de negocio para lograr ofrecer claras y sencillas interpretaciones de los datos a partir de unas métricas personalizadas y definidas por el cliente. Estos softwares permiten interactuar en tiempo real con los diferentes datos disponibles y mostrarlos tanto de modo interno en la empresa como

74

© Editorial UOC


a cualquier usuario de internet, dependiendo ya de la estrategia de negocio. Veamos, a continuación, las principales plataformas de visualización de datos, así como sus aplicaciones en el entorno del negocio. • La plataforma Qlikview trabaja con analítica de datos y business intelligence generando visualización a través de cuadros de mando. Entre sus clientes de la industria de los medios de comunicación, se encuentran el Grupo Godó o Fox Internacional Channels. Trabaja en la línea de herramientas de business discovery, una disciplina que frente al business intelligence tradicional, entiende al usuario como creador de contenido a través del acceso de todo el personal a los datos, no solo a las unidades de negocio competentes. • Analizando las plataformas de BI y visualización más demandadas en el sector audiovisual, destacamos Tableau, la cual ofrece análisis en la nube, análisis rápido y business intelligence.42

42 Un ejemplo ilustrativo de uso de la visualización aplicada a contenidos audiovisuales lo encontramos en Trash-Talking while binge watching. Tableau ofreció la visualización de los datos generados por los usuarios de Twitter a propósito de la temporada 3 de la serie televisiva House of Cards de Netflix. El cuadro de visualización permitía seleccionar el capítulo concreto del que obtener información: una nube de tags, diferentes tuits y retuits, número de interacciones por minuto, etc. Visualización disponible en . Esto ofrece datos muy valiosos sobe el grado de aceptación de la serie, los temas y personajes que más gustan a la audiencia social, así como los momentos que más emoción han suscitado. Una vez más, esto es una información muy útil desde un punto de vista estratégico.

75

© Editorial UOC

Big data

• Microstrategy es, según la consultora Gartner, el proveedor líder mundial en software para empresas, posicionado ahora también en analítica, business intelligence y visualización. En lo referente al entorno audiovisual, es la plataforma empleada por Netflix para generación de dashboards. • Existen en el mercado otras muchas herramientas centradas más en la visualización y no ya tanto en la inteligencia de negocio. Merece una mención especial la startup española CartoDB: un servicio en la nube de visualización de datos en mapas con tecnología open source, SaaS (software as a service),43 aunque para muchos es conocido como el «Instagram de los mapas». En la actualidad trabajan con «Deep insights», una solución por la que cualquier empresa puede profundizar con tal detalle en su información que le permite extraer patrones y, por lo tanto, predicciones. Nuevamente, el uso del big data al servicio de la estrategia pero, en este caso, a través de la imagen. En general, podemos decir que vivimos unos años de esplendor en la proliferación de software de visualización de datos y generación de infografías, herramientas freemiun y de pago, privadas y open source: Mapbox, ArcGis, Easel.ly, Infogr. am, Visual.ly, Tagxedo, etcétera. Al final, el objetivo es comprender más fácilmente los datos masivos de los que disponemos, para poder tomar las mejores decisiones estratégicas. La visualización de datos, sumada al razonamiento analítico a partir de ellos, es la disciplina denominada visual analytics. 43 En este tipo de servicios, el soporte lógico y los datos se encuentran en una empresa TIC y el cliente accede al servicio vía internet, no teniendo así que proceder al mantenimiento, operativa o soporte del software.

76

© Editorial UOC


La visualización en sí ayuda a ver los datos más claramente, entendiéndolos sin necesidad de tener perfiles técnicos. Pero es importante que estas visualizaciones cuenten con análisis estadístico, big data, análisis predictivo, ingeniería de datos, acceso a los mismos en tiempo real e incluso conocimientos de diseño a la hora de emplear colores y su correspondiente significado asociado a las culturas. Es decir, comprender que estas aportaciones gráficas tienen infinidad de posibilidades en entornos tecnológicos de datos, no resumiéndose a simples grafismos estáticos sin aporte, sino ofrecer nuevas maneras de contar las cosas. Los recursos presentados a lo largo de este capítulo encuentran un fuerte aliado en la creatividad y hace algunos años presenciábamos iniciativas que jugaban con datos, geolocalización y visualización en proyectos como The Wilderness Downtown44 (Chris Milk, 2010). Procedente de la participación en este proyecto, el creador Aaron Koblin trabaja fascinantes representaciones artísticas y audiovisuales a partir de nuevas tecnologías y datos generados. Son famosas, entre otras muchas, sus visualizaciones a partir del intercambio de datos generados a escala mundial gracias a las nuevas tecnologías.45 Como conclusión, las visualizaciones en entornos de trabajo tecnológicos nos ayudan a entender mejor el mundo y 44 Proyecto interactivo llevado a cabo por Google y que integra contenidos como la música, los datos geolocalizados, la visualización de los mismos mostrados a través de Google Chrome, composición realtime y la tecnología HTML5, entre otros. 45 El proyecto New York Talk Exchance parte de los datos generados en tiempo real por los móviles y la red IP (protocolo de internet) y sus comunicaciones con el resto del mundo. Es un proyecto del Senseable City Lab del MIT para el MOMA. [Fecha de consulta: 4 de enero de 2016]. Visualización disponible en

77

© Editorial UOC

Big data

tomar decisiones más rápidas y mejores. Pero también nos ayudan a construir dimensiones nuevas dado que el sector audiovisual es una empresa artística y, como tal, debería poder aprovechar todos los recursos disponibles para contar sus proyectos al mundo.

78

© Editorial UOC


Bibliografía

Danuloff, Craig (2011). Quality Score in High Resolution. Potato Creek Books. Fundación Telefónica (2015). La sociedad de la información en España. Geddes, Brad (2010). Advanced Google AdWords. Sybex. Herbera, J.; Linares, R.; Neira, E. (2015). Marketing cinematográfico. Barcelona: Editorial UOC. Han, J.; Kamber, M.; Peu, J. (2011). Data Mining. Concepts and Techniques (The Morgan Kaufmann Series in Data Management Systems). University of Illinois at Urbana-Champaign. Jenkins, H. (2008). Convergence Culture: La cultura de la convergencia en los medios de comunicación. Paidós Ibérica. Kaushik, Avinash (2010). Analítica Web 2.0: el arte de analizar resultados y la ciencia de centrarse en el cliente. Gestión 2000. López M. (2009). SEO Posicionamiento en buscadores. Madrid: Bubok. Macía Domene, F. (2013). Marketing Online 2.0. Cómo atraer y fidelizar clientes en Internet. Madrid: Anaya Multimedia. Maciá Domene, F.; Gosende Grela, J. (2012). Técnicas avanzadas en posicionamiento en buscadores. Madrid: Anaya Multimedia. Mayer-Schönberger, Viktor (2013). Big data, la revolución de los datos masivos. Madrid: Turner Publicaciones. Neira, Elena (2015). La otra pantalla. Redes sociales, móviles y la nueva televisión. Barcelona: Editorial UOC. Orense Fuentes, M. (2010). SEO Cómo triunfar en buscadores. Madrid: ESIC Editorial.

79

© Editorial UOC

Big data

VV. AA. (2013). El libro del marketing interactivo y la publicidad digital. Madrid: ESIC. VV. AA. (2015). Big Data, Beyond the Hype. McGraw Hill Education.

Bibliografía en línea: Accenture. «Gestión de datos y arquitectura» [en línea]. Allen, Robert (2016). «What happens online in 60 seconds?» [en línea]. BBVA (2015). «Data. Todo sobre el ecosistema big data» [en línea]. BEEVA. «El rol del analista de negocio» [en línea]. Domo (2015). «What happens on the internet in one minute» [en línea]. Google. «Analítica web para empresas» [en línea]. IBM. «What is Watson Analytics?» [en línea]. IBM. «What is a data scientist?» [en línea]. The Cocktail-ARENA (2015). «Observatorio de redes, VII oleada» [en línea].

80

© Editorial UOC


81

© Editorial UOC

Capítulo II. Cases studies

Capítulo II

Cases studies

1. Storytelling y big data: cómo transformar números en historias de ficción Belén Santa-Olalla

El big data y la gran capacidad de recolección de datos que nos han traído las nuevas tecnologías son abrumadores para el ser humano. El volumen ingente de datos crudos (raw data) ofrece multitud de posibilidades y aplicaciones para la industria del audiovisual, especialmente para medir qué ha funcionado y qué podría funcionar. Sin embargo, los datos no solo pueden jugar un papel antes y después del lanzamiento del contenido, sino que pueden influirlo de manera dinámica y hacer que se adapte a la realidad que reflejan sus datos en tiempo real. Las cuatro características fundamentales del big data (volumen, variedad, veracidad y velocidad) no solo son de gran relevancia a la hora de establecer una estrategia de business intelligence, sino que además pueden convertirse en sí mismos en la propia materia prima de la estrategia de contenidos. Equiparando la creación de contenido con pintar un cuadro, el volumen de datos es la cantidad de pintura, la variedad son los colores, la veracidad sería el tipo de pigmento y la velocidad la técnica aplicada. En este caso de estudio, se analizará cómo el big data puede emplearse más allá de la analítica tradicional en la creación de

83

© Editorial UOC

Big data

estrategias narrativas para promover y generar interés sobre contenidos audiovisuales.

1.1. Una herramienta de uso creativo del big data Transmedia Storyteller LTD es una empresa tecnológica y de consultoría creativa radicada en Londres. El lema de la empresa es Make everyone’s life an adventure1 y con ese objetivo se desarrolló Conducttr: una herramienta de storytelling inmersivo y de gamificación.2 Este SaaS3 alojado en la nube permite a los creadores de contenido (cineastas, productores de televisión, creadores independientes) crear experiencias multiplataforma que hacen que el público interactúe con sus historias. Las experiencias que se pueden crear con la herramienta se articulan y diseñan según los objetivos de los creadores de contenidos: generar conversación alrededor de un contenido preexistente, crear una narrativa gamificada para expandir un universo narrativo, comunicar y enseñar conceptos de una manera práctica, etc. Muchas de estas experiencias se acaban convirtiendo en contenidos transmedia4 que mezclan contenidos en línea con presencia en el mundo real a través de eventos o lugares que visitar. 1 Convierte la vida de cada uno en una aventura. 2 Que incluye dinámicas y mecánicas de juego, por ejemplo, puntos, recompensas, rankings y demás. 3 Software as a service, software como servicio. 4 Entendemos transmedia storytelling como un lenguaje narrativo que cumple tres características: 1, creación de un universo narrativo profundo; 2, utilización de diferentes canales o plataformas para su manifestación; 3, participación activa del público en la creación o consumo del contenido.

84

© Editorial UOC


Conducttr es un software de producción, desarrollo y ejecución de este tipo de estrategias narrativas. Toda la herramienta se articula en torno a conceptos de storytelling (personajes, capítulos, escenas) y funciona de acuerdo a un paradigma básico según el cual los creadores de contenidos tienen que establecer en Conducttr tres elementos para que sus proyectos puedan funcionar: personajes, eventos y acciones. • Personajes (characters): los creadores crean diferentes personajes (como por ejemplo, los protagonistas de la serie de HBO House of Cards, Frank Underwood y Claire Underwood) y les asignan diferentes canales (página de Facebook, dirección de correo electrónico, Twitter, número de teléfono). Las cuentas de estos canales son reales y se conectan con Conducttr; por lo tanto, todos los datos que se generan en esas cuentas son enviados a la herramienta. • Eventos (triggers): los creadores determinan cuándo la herramienta tiene que reaccionar y desencadenar acciones. Los eventos pueden ser de dos tipos: –– Programados: una fecha y una hora, o un momento recurrente. –– Interactivos: definen qué datos, de aquellos registrados en los canales de los personajes, pueden desencadenar acciones. Algo tan sencillo como que alguien escriba la palabra «elecciones» en el Twitter de Frank Underwood puede desencadenar una acción.

85

© Editorial UOC

Big data

• Acciones (actions): los creadores deciden qué es lo que Conducttr debe hacer cuando un evento se produce. También los hay de dos tipos: –– Contenido: Conducttr lanza contenido al mundo, como hacer una llamada de teléfono, publicar un post, enviar un correo electrónico, subir una foto a Instagram, etc. –– Lógica interna: Conducttr organiza y reestructura los datos recopilados según los eventos. Por ejemplo, introduce a un usuario dentro de un grupo o aumenta sus puntos de fidelidad o lo que determine el creador. Por lo tanto, una vez el creador crea una lógica en Conducttr, lo está programando para que beba datos de los canales establecidos y que busque información determinada que será la que adapte la historia de manera dinámica. El objetivo de toda esta captura y manipulación de datos no es otro que crear una experiencia personalizada e inmersiva para el público. De este modo, los creadores de contenido pueden hacer que sus historias se adapten de una manera precisa a las decisiones, comportamientos y gustos del espectador. Se puede dejar que «elija su propia aventura» dentro de nuestro contenido, recompensarle si interactúa a menudo con los personajes de nuestra serie o, incluso, enviarle el siguiente capítulo de nuestro cómic a las horas que suele estar más activo.

1.2. Gestión de datos Para ello, Conducttr trabaja con una base de datos de público, creando registros únicos de cada individuo donde

86

© Editorial UOC


almacenar todos los datos recabados sobre él. Estos datos pueden recopilarse: • Por interacción directa: un usuario escribe un tuit a nuestro personaje y Conducttr, conectado a Twitter, toma la información de esta cuenta y un registro con su usuario en la base de datos de público de la herramienta. • Por formulario de registro: se crea un formulario para alojar en cualquier web que permite recopilar diferentes datos de contacto a la vez: dirección de correo electrónico, número de teléfono, usuario en Twitter y Facebook, etc. De este modo, Conducttr crea un registro único de usuario con todos esos datos permitiendo hacer cross-triggering, es decir, que el usuario interactúa por un canal (escribe un tuit al personaje) y Conducttr le responde por otro canal (haciéndole una llamada de teléfono, por ejemplo). Una vez se ha creado el registro de usuario, Conducttr va almacenando en ellos todos los datos relativos a su interacción con la historia. Qué datos y cómo almacenarlos es algo que los creadores deciden también, usando para ello dos entidades: • Grupos: es una entidad para segmentar el público, según su actividad Conducttr va metiendo (o sacando) a cada usuario en grupos diferentes. Por ejemplo, cuando Morfeo (uno de los personajes de la película The Matrix) ofrece a los espectadores una de sus dos pastillas, los usuarios que eligen la roja son añadidos al grupo «Pastilla Roja», y los que eligen la azul al grupo «Pastilla Azul». De este modo, se les puede enviar contenido diferente según el grupo al que pertenezcan.

87

© Editorial UOC

Big data

• Atributos: son entidades que almacenan cualquier tipo de dato: numéricos, texto, fechas, booleanos (es decir, un interruptor de solo dos opciones: «no» o «sí»), etc. Los creadores pueden decidir cuáles crear y cuándo modificarlos. Tres ejemplos: –– Si se pregunta al usuario cuál es su peor pesadilla, se puede almacenar la respuesta en un atributo de texto. –– Si el usuario escribe más de tres tuits a Fox Mulder (personaje de la serie The X Files), se aumenta su atributo numérico de inteligencia en 1 punto. –– Si el espectador responde bien las quince preguntas, se cambia su atributo booleano «Ganador» de «no» a «sí». De este modo, todos los datos que genera la interacción de los usuarios no solo quedan registrados sino que pueden hacer que la historia cambie. Tanto «Grupos» como «Atributos» permiten a los creadores de contenido convertir meros datos en experiencias personalizadas.

1.3. Un ejemplo práctico Actualmente, los datos pueden permitirnos personalizar los contenidos; esto es posible experimentarlo ahora mismo con esta pequeña historia. El servicio de inteligencia británico está buscando nuevos espías para el MI6. ¿Quieres ser el próximo 007? Tuitea «Quiero ser espía» a @ ReclutasMI6. Si se siguen las instrucciones (pruébalo, ¡funciona!), un personaje reclutador en Twitter nos hará dos preguntas y,

88

© Editorial UOC


según nuestras respuestas, la conversación puede acabar de dos modos diferentes. Lo que se utiliza es una segmentación de los usuarios en grupos y finalmente una combinación de grupos para dar un final personalizado a cada individuo. Este ejemplo solo tiene en cuenta dos respuestas, y ya se consigue una gran profundidad en la diversificación y la segmentación. Si se integra la infinita cantidad de interacciones que nos revela el big data, el nivel de personalización y la capacidad de crear una experiencia totalmente personalizada para cada individuo es exponencial.

1.4. Conectar mediante API Las API (application programming interface) son las que permiten que esto sea posible; son «el conjunto de subrutinas, funciones y procedimientos (o métodos, en la programación orientada a objetos) que ofrece cierta biblioteca para ser utilizado por otro software como una capa de abstracción».5 Dicho de otro modo, las API son el lenguaje que hablan unas plataformas/softwares con otros para compartir datos y entenderse. Las API permiten que Conducttr reciba datos en tiempo real de otras plataformas. La herramienta tiene integradas por defecto las API de las redes sociales más comunes (Facebook, Twitter, Instagram, YouTube, Flickr) que permiten autorizar a la herramienta extraer y analizar las interacciones que se producen en los canales establecidos. También a través de API por defecto, Conducttr puede conectarse con proveedo5 Según define la Wikipedia [en línea]. [Consulta: 10 de enero de 2016]

89

© Editorial UOC

Big data

res de números virtuales como Twilio, Tropoo Nexmo. Esto nos permite conectar un número de teléfono con nuestro personaje, recibir y enviar SMS y llamadas de teléfono controladas por Conducttr y personalizar su contenido según el individuo. También cualquier dirección de correo electrónico puede conectarse con Conducttr para que sea gestionada por la herramienta, pero en este caso no se utiliza ninguna API sino algo más tradicional: el reenvío de correos electrónicos de esta cuenta a una dirección «secreta» generada por Conducttr. Además de estas API por defecto, los creadores pueden configurar manualmente cualquier otra plataforma para enviar o extraer cualquier dato de Conducttr. De este modo, cualquier otra plataforma, wearable o fuente de datos masivos, es susceptible de ser conectada a la herramienta para modificar dinámicamente las historias que se narran a través de ella.

1.5. Casos de estudio A continuación, se exponen algunos ejemplos de pequeñas historias o dinámicas en las que el big data afecta al contenido o a la experiencia de usuario: • Faktion:6 conectando Conducttr con la API de YouTube, se genera esta breve aventura interactiva que conecta el contenido audiovisual con nuestro número de teléfono. 6 Esta experiencia puede probarse en el siguiente enlace: [Consulta: 10 de enero de 2016]

90

© Editorial UOC


Antes de comenzar, un formulario de registro nos pide nuestro número de teléfono y, al proporcionarlo, el vídeo comienza. El usuario comienza a recibir llamadas de teléfono y SMS que tendrá que contestar para ir eligiendo su camino a lo largo de la historia. Según sus mensajes de respuesta, se le mostrará la historia desde un punto de vista u otro, o acabará con un final trágico para uno o para otro personaje. De este modo, las decisiones que el espectador toma en su móvil afectan de manera inmediata al vídeo que está siendo mostrado. • Twine: este dispositivo de la empresa Supermechanical7 actúa como sensor, en este caso de orientación. El dispositivo lanza una llamada API según su posición en el espacio o si alguien lo cambia de posición. Aunque se diseñó mayoritariamente para usos en domótica, nada impide que se realicen usos más creativos y aplicados a la creación de contenidos. En este ejemplo, se insertó el Twine dentro de un osito de peluche, de modo que cuando los usuarios lo ponen boca abajo, a través de Conducttr se puede hacer que llame o tuitee implorando que se le ponga boca arriba. La misma tecnología podría ser utilizada de otro modo, instalando el Twine en el pomo de una puerta en un evento, espectáculo o instalación inmersiva, de modo que el contenido de vídeo de esa sala no comience a reproducirse hasta que el espectador abra esa puerta. • Scalextric: en este ejemplo, ya no se trata de datos producidos por el comportamiento de un solo individuo, sino que se utiliza toda la conversación en una cuenta de

7 Se recomienda ampliar información en

91

© Editorial UOC

Big data

Twitter para desencadenar una acción. El objetivo de este proyecto es visibilizar en el mundo físico las opiniones de los usuarios sobre el tráfico. Para ello se conecta una placa Arduino8 al mando de un Scalextric tradicional. Esta placa controlada por Conducttr va a permitir que el coche se mueva o se pare según lo que los tuiteros estén comentando sobre el tema y los hashtags que estén utilizando. De este modo, la conversación en línea no solo se hace patente a través de visualizaciones de datos sino que puede modificar el mundo real o, incluso, convertirse en parte de la solución de problemas que nos afectan a todos. • ColaLight: en este proyecto se utiliza el big data en tiempo real como materia prima para influenciar el contenido de la historia. Se trata de una pequeña narración interactiva sobre una niña de Bombay enmarcada en un proyecto de concienciación en la India sobre el uso de lámparas de queroseno, altamente contaminantes y perjudiciales para la salud, y la posibilidad de sustituirlas por lámparas led de reciclaje. En este caso, se conectó Conducttr a una fuente de datos en tiempo real que medía la cantidad de polución en Bombay: un Raspberry Pi9 arrojando mediciones a una plataforma de big data hoy desaparecida: Cosm.10

8 Arduino es una plataforma de hardware libre consistente en una placa con un microcontrolador sobre la que se pueden construir diferentes proyectos basados en necesidades electrónicas. 9 A diferencia de Arduino, que es solo un microcontrolador, Raspberry Pi es una placa-computadora completamente funcional. 10 A día de hoy se ha transformado en Xively (https://xively.com/), pero carece de la misma funcionalidad que Cosm, como repositorio de fuentes abiertas de big data.

92

© Editorial UOC


La historia, para generar concienciación sobre el tema en cuestión tal y como hemos comentado, gravitaba en torno a una niña de un pueblo cercano a Bombay con la que los usuarios podían comunicarse. Puesto que la narración estaba conectada a esa fuente en tiempo real, en los momentos en los que la polución en Bombay se disparaba, la niña estaba más triste y arisca. En cambio, cuando los niveles de contaminación bajaban, la niña se mostraba más contenta y feliz de acudir a la escuela.

1.6. Posibilidades Como se muestra en los ejemplos, las posibilidades son infinitas. Nuestros contenidos audiovisuales pueden enriquecerse con dinámicas que aprenden del comportamiento de nuestros espectadores o que les invitan a participar en historias que cambian en tiempo real de acuerdo a los números que arroja el big data. ¿Y si hacemos que el espectador solo pueda ver el siguiente episodio de nuestro programa de vida saludable cuando haya conseguido acumular 15.000 pasos en su FitBit?11 ¿Y si involucramos a los anunciantes, no mediante spots, sino haciendo que los usuarios tengan que recoger códigos en sus tiendas para desbloquear contenido exclusivo sobre el actor de moda?

11 Una de las marcas más relevantes de dispositivos de monitorización de datos generados por el individuo (pasos realizados, calorías quemadas, horas de sueño).

93

© Editorial UOC

Big data

¿Y si una página exclusiva de nuestro webdoc12 sobre economía europea solo fuera accesible cuando la moneda euro estuviera en una tendencia de devaluación?13 ¿Y si en el plan de marketing de nuestra película sobre un pescador nuestro protagonista solo tuiteara cada vez que hay marea alta?14 ¿Y si el escenario de nuestra experiencia de realidad virtual sobre un aterrizaje en Marte temblara cada vez que se registra un impacto de meteorito en la NASA?15

1.7. Conclusión Para los creadores de contenido, conocer y utilizar big data no solo nos permite comprender el rendimiento de nuestro producto, sino que nos da libertad para construir un tipo de contenidos personalizados, dinámicos, adaptables y capaces de generar un engagement16 mucho más profundo en el espectador. Las aplicaciones del big data, más allá del uso estrictamente analítico, tienen infinidad de posibilidades creativas. Sin embargo, siempre es necesario volver a los objetivos de negocio para dilucidar la pertinencia de este tipo de estrategias. 12 Un documental interactivo, alojado en una página web, en el que el espectador puede decidir qué contenidos consumir o tiene algunos elementos de gamificación. 13 Conectando con una API que monitoriza las fluctuaciones de moneda como https://currency-api.appspot.com/ 14 Conectando a un banco de datos como https://www.worldtides.info/ 15 Conectando con su API que registra meterorite landings https://data.nasa.gov/ view/ak9y-cwf9 16 Traducido como «enganche» o «compromiso», la capacidad de un contenido de generar una atracción poderosa y persistente en el espectador.

94

© Editorial UOC


La utilización de datos como fuente narrativa debe ser un recurso más para alcanzar nuestros objetivos, ya que si estas iniciativas no están enmarcadas en una estrategia de contenidos clara o con un público objetivo bien definido, corren el riesgo de quedar en mero fuego de artificio. La clave para obtener los mejores resultados siempre se esconde en tener claro desde el principio a dónde y a quién queremos llegar con nuestros contenidos.

2. Gestión de datos en Real Time TV Francisco Asensi Viana y Beatriz Pérez de Vargas

El uso del social media y de la denominada «segunda pantalla», smartphones, tablets o laptops, ha transformado la creación de los formatos televisivos. La denominada televisión social se conforma como una innovación en la forma de ver y comentar la programación televisiva: ahora, y a partir de las redes sociales, conectada y en red, también supone un punto de inflexión para los creativos y productores de televisión. La realización de nuevos programas donde la gestión de datos en real time se convierte en el eje o columna vertebral del propio formato ya es una realidad en países de nuestro entorno, y supone una auténtica revolución en la forma de entender y emplear el big data para ello. La implantación de estas herramientas surge en Europa, en países como Holanda o Reino Unido.17 17 Tsichiya, Aki (2014). «How can TV ride the Big data wave?». [en línea]. The Guardian. [Fecha de consulta: 10 de octubre de 2015].

95

© Editorial UOC

Big data

Las nuevas formas de integrar los datos masivos de manera intrínseca y a «tiempo real»18 en un programa de televisión permiten no solo medir el consumo de contenidos audiovisuales, sino también profundizar en el efecto que el producto genera en el espectador, así como modificar el propio formato en pro de las preferencias de la audiencia. Se cumple así un triple objetivo para los productores y creativos de televisión: complementar la información cuantitativa y cualitativa que hasta ahora nos ofrece Kantar Media, revitalizar determinados géneros televisivos que podrían verse afectados por la llegada del video on demand –eventos y formatos en directo– y favorecer el engagement, es decir, intensificar la relación entre los contenidos y el espectador a través de la interactividad. Los objetivos son realizables a partir de la interacción de la audiencia dentro de los formatos televisivos a tiempo real. Para desarrollar este nuevo contexto conectado en el que las pantallas se multiplican y la interacción se impulsa, las productoras de televisión deben cambiar su fisionomía y centrarse en el desarrollo de la tecnología necesaria para llevar a cabo este nuevo ecosistema amparado por el big data. «Seis meses atrás hacíamos lo básico: recopilar los datos de audiencia de televisión, tráfico web y los números de las principales redes sociales. Ahora tenemos un equipo de business intelligence formado por doctores en matemáticas. Cada dato estadístico que obtenemos construye valor en

18 El término «tiempo real» hace referencia al momento de la emisión y al uso de los datos simultáneamente a esta.

96

© Editorial UOC


los contenidos» (Phillip O´Ferral, vicepresidente senior de Viacom).19 El presente capítulo pretende explicar el desarrollo de este tipo de tecnología, dibujar el mapa estratégico y perfilar la metodología creativa del llamado big content.20 Para ello, se ha recurrido a tres ejemplos específicos –Gran Hermano, The Big Picture y Utopía– de tecnología integrada en formatos televisivos y a la búsqueda de otras fuentes documentales relacionadas con el big data como artículos especializados y boletines del sector. La aparición de nuevas técnicas de integración de datos masivos dentro del propio formato no simbolizará la caída de los ya tradicionales géneros televisivos, pues nace como un complemento añadido para ellos, con lo que el resultado es una integración de la audiencia de mayor calidad que la alcanzada hasta el momento.

2.1. Dentro de Gran Hermano Pocos formatos de televisión –especialmente en el género del reality show– han alcanzado la longevidad de un formato como Gran Hermano (GH), creado por Endemol y producido en España por Zeppelin Televisión para Mediaset (Telecinco), en una constante evolución para 19 Traducción del autor. GFK. «Whitepaper sobre big data en la industria audiovisual, año 2015» [en línea]. [Fecha de consulta: 18 de febrero de 2016]. 20 Van Bommel, Mark (2015). «Big content, big data» [en línea]. [Fecha de consulta: 18 de febrero de 2016].

97

© Editorial UOC

Big data

incorporar cambios que muestren, temporada tras temporada, un afán de renovación continua, a la vez que los elementos que identifican el formato no se desdibujen y afecten a la audiencia. En los últimos años (GH comenzó a emitirse en España en el año 2000) la cuota de audiencia del reality había entrado en una tendencia descendente que hizo saltar las alarmas; ¿podía estar agotándose el formato? La edición número nueve de GH había sido la última en acercarse al 30 % de share medio. La edición número doce bajó del 20 % (18,5 %) y, tras un pequeño repunte en la edición «12+1», GH14 regresó a los números inferiores al 20 %,21 lo que llevó a la cadena a dar un tiempo mayor entre ediciones. El producto estrella de Zeppelin TV y una de las insignias de Mediaset quedó pospuesto hasta que se encontrara un momento adecuado para relanzar su emisión. Finalmente, GH14 se emitió en los primeros meses del año 2013, en plena expansión del uso de las redes sociales entre la audiencia y con el acceso a contenidos audiovisuales por streaming (distribución de contenido audiovisual a través de internet) en ascenso. De hecho, los datos de consumo por internet del streaming del programa contribuían notablemente al número total de usuarios únicos de la página web de Telecinco, pero este hecho no parecía trasladarse a los datos de emisión broadcast. La web de Telecinco consiguió desbancar del liderazgo en la categoría «televisión» a la web de RTVE, cuyo dominio en la categoría se mantenía mes

21 Información procedente de Barlovento Comunicación.

98

© Editorial UOC


tras mes gracias a esta contribución, según los datos auditados de OJD.22 Además, la edición catorce de Gran Hermano incorporó, en esa búsqueda constante de innovación por parte de sus productores, una herramienta de interacción social en directo: la aplicación AppGree.23 Esta aplicación permitía a la audiencia plantear temas que deseaban ver abordados durante el programa (por ejemplo, una pregunta que querían ver contestada por un concursante concreto) y llegar a un acuerdo sobre cuál sería finalmente la cuestión que se incorporaría al formato. Por otra parte, las cuentas oficiales en redes sociales del programa, especialmente @ghoficial, estaban convirtiéndose en el catalizador de la conversación social durante las emisiones, llegando a ser una auténtica «segunda pantalla» de la emisión televisiva. El gran reto a abordar consistía ahora en unir de una forma más estrecha ambos mundos, el digital y el broadcast, ya que de esa manera se completaría la evolución definitiva del reality hacia su conversión en un formato integrado en la realidad de la audiencia del siglo xxi, haciéndolo además de una manera coherente con el propio formato. Gran Hermano

22 OJD (Oficina de Justificación de la Difusión) es la empresa que controla la distribución de distintas publicaciones. Desde hace algunos años, también certifica los datos de tráfico de las webs adheridas, como es el caso que se menciona y que se recoge en la siguiente noticia [fecha de consulta: 15 de febrero de 2016]: http://www.mediaset.es/inversores/es/CPDatostraficoenInternet_ MDSFIL20130513_0003.pdf 23 Noticia en ABC (2013) sobre la integración de AppGree en Gran Hermano. «Appgree, la app que revoluciona la participación en Gran Hermano» [en línea]. [Fecha de consulta: 10 de marzo de 2016].

99

© Editorial UOC

Big data

15 –edición que finalmente arrancó en septiembre de 2014– se convirtió en el primer laboratorio de experimentación de la aplicación de datos real time recabados de las redes sociales a la narrativa de un programa de televisión. La monitorización de la conversación en redes sociales con respecto a un programa de televisión no era en absoluto infrecuente en 2014, más bien al contrario. Con cierto matiz de obsesión por parte de los directivos de las cadenas, los departamentos de audiencia y analíticas digitales habían incorporado, de una u otra forma, el uso de herramientas de investigación que les permitieran extraer insights24 válidos para destilarlos de entre el maremágnum de información que se mueve a través de Twitter y Facebook principalmente. El hecho de que Kantar Media hubiera adquirido Tuitele, la empresa especializada en audiencia social, y que como consecuencia comenzara a publicar un ranking diario, añadió presión sobre las cadenas totalmente obsesionadas por la posición en el ranking. Ya no era suficiente liderar en el share del día en los diferentes segmentos temporales (access, prime time, etc.); también comenzaba a considerarse indispensable hacerlo en el ranking de audiencia social. Las herramientas de monitorización se usan principalmente en dos vertientes. Una, post mortem o como foto a posteriori de lo que ha sucedido tras la emisión: influencers destacados, temas clave, opiniones sobre la emisión, etc. Y otra, como sistema preventivo de posibles crisis de comunicación en el entorno digital. No es habitual un uso real time que permita extraer información en caliente para alterar escaletas, 24 Percepciones o conclusiones que emanan o pueden deducirse de la actividad del usuario.

100

© Editorial UOC


guiones o intervenciones durante un programa en directo. Obviamente, siempre nos referimos al directo, puesto que esta manera de utilizar los datos no es posible en programas en diferido o enlatados como las series de ficción o los programas documentales. Para la edición decimoquinta de Gran Hermano, la productora partió de un interés inicial por la monitorización de la conversación social con idea de entender rápidamente que el enfoque podría tener un mayor alcance. La división digital de la matriz del grupo en el que se inserta Zeppelin, Endemol Beyond, abordó la selección de una herramienta con este objetivo. Fue seleccionada la empresa Séntisis, una startup española que había desarrollado algoritmos semánticos propios, llevando más allá la pura monitorización. Un algoritmo semántico, en el contexto de las redes sociales, incorpora determinadas reglas lógicas que permiten discernir qué significado puede tener un término en un contexto concreto, de forma que se le pueda asignar un valor para categorizarlo. Tradicionalmente, la monitorización en redes sociales asigna tres valores a los comentarios de los usuarios: positivo, negativo o neutro. Esto es con respecto al sentimiento que un contenido concreto despierta en un usuario. A menudo, estos análisis tienen un margen de error elevado. Añadir una capa semántica permite analizar de manera más profunda el sentido de lo que los usuarios manifiestan en sus comentarios. Junto con esta empresa, se definió una planificación en función del calendario de emisiones de los programas (El Debate y La Gala). Un equipo mixto compuesto por dos analistas de Séntisis y dos perfiles, social media manager y communinty manager, de Endemol Beyond, trabajaba sobre el terreno durante las emisiones en contacto permanente.

101

© Editorial UOC

Big data

El proceso de trabajo consistía en elaborar informes en tiempo real con los datos obtenidos por Séntisis durante el programa. Estos informes reflejaban algunos de los aspectos y métricas que normalmente se agregan a los informes posteriores a la emisión. Además, se pretendía analizar el impacto tanto de los contenidos generados específicamente para redes sociales como los que se emitían en el programa. Por ejemplo, desde la cuenta oficial @ghoficial se lanzaba una propuesta de participación para la audiencia social asociada a un hashtag (#selfieGH15) consistente en fotografiarse mientras se visionaba el programa en televisión. Desde la herramienta, se analizaba la evolución e impacto de esta iniciativa y se promovían nuevas acciones sobre la marcha en función de los resultados. Pero lo realmente innovador tuvo que ver con que los datos recabados a través de la herramienta se convirtieran en contenido en el programa. No fue una cuestión de sobreimpresión de tuits o datos de la conversación en pantalla, ni tampoco de iniciativas como lanzar dos hashtags diferentes para apoyar a uno u otro concursante a modo de votación. Lo innovador consistió en un uso menos perceptible pero con resultados de mayor calado. Así, de igual forma que en el ciclo de trabajo antes descrito, los analistas generaron informes sobre la marcha que se trasladaban al equipo de social media de Zeppelin TV. En este caso,25 adicionalmente, también se trasladaron a un coordinador editorial convertido en enlace, en el ámbito de contenidos, con los redactores del programa, quienes podían tomar decisiones en el momento para modificar la escaleta. Con esta 25 Vídeo explicativo sobre el proceso de trabajo Séntisis-Gran Hermano (2015). «El mayor fenómeno televisivo en redes sociales» [en línea]. [Fecha de consulta: 10 de marzo de 2016].

102

© Editorial UOC


acción, los analistas podían informar sobre la repercusión de las intervenciones de los colaboradores con frases como esta: «Colaborador xx genera xx retuits con un elevado porcentaje de engagement. Recomendación: ampliar intervención».

2.2. Afrontar un huracán en redes sociales: #TimoGH15 Una contingencia en la que el uso de la información en tiempo real y la monitorización tuvieron una especial relevancia durante la edición decimoquinta de Gran Hermano tuvo lugar en la segunda semana de noviembre de 2014 y días sucesivos. En ese momento, la radicalización en redes sociales de los seguidores de concursantes antagonistas provocó que una parte de los fans, entre los que se encontraban importantes influencers, pusieran en marcha un hashtag alternativo al oficial para dar visibilidad a su sentimiento provocando una auténtica batalla de hashtags entre las diferentes facciones de fans y las cuentas oficiales del programa. Encontrar el tono adecuado para sosegar un escenario tan inmerso en emociones no es sencillo, y menos en las redes sociales. Por tanto, la clave estaba en identificar cuál era el origen del descontento, qué cuentas los promovían y cuál era la expectativa, lo que pudo conseguirse gracias al uso de una herramienta de monitorización. Además, cuando un hashtag de estas características irrumpe en la conversación durante la emisión del programa y se sitúa por delante del hashtag oficial, es un impacto similar al de interferir en una emisión de televisión. De hecho, a menudo, este es el efecto perseguido. Durante El Debate de aquella semana, el programa semanal emitido cada domingo en el

103

© Editorial UOC

Big data

que diferentes colaboradores comentan lo sucedido durante la semana, el equipo de social media y analistas externos prepararon una estrategia basada en la difusión de contenido a tiempo real a través de influencers afines al hashtag oficial. Se prepararon concursos vía Twitter, por ejemplo, que se lanzaban en momentos concretos de la emisión impulsados en directo por el presentador del programa Jordi González. Al terminar la edición decimoquinta de Gran Hermano, el programa había repuntado en lo relativo a cuota media de audiencia creciendo en más de dos puntos de media. Al mismo tiempo alcanzó, con mucha diferencia sobre los siguientes programas del ranking, el número uno como programa de mayor repercusión en redes sociales, según los datos de Kantar Media, con un acumulado de 10,7 millones de menciones.

2.3. Usando datos biométricos para contar historias Como se ha señalado, la edición número decimoquinta de Gran Hermano supuso un hito en la integración de la conversación social en el formato, pero, adicionalmente, esta edición contó con una novedad hasta ese momento no utilizada antes por ningún programa de televisión en el panorama nacional: la generación de información y nuevas narrativas a partir de los datos generados por dispositivos wearable. Durante la permanencia en el plató-casa, los concursantes fueron equipados con dispositivos wearable, concretamente una pulsera de monitorización de actividad física que debían vestir las veinticuatro horas del día. Los datos obtenidos (número de pasos, quema de calorías, ejercicio practicado,

104

© Editorial UOC


etc.) permitían seguir, desde el punto de vista de la actividad desplegada, quién era el concursante más activo o quién lo era menos. Estos datos eran ofrecidos en la web oficial del programa (www.granhermano.com) a través de un dashboard (cuadro de mando gráfico) que mostraba el ranking de actividad de los concursantes y las diferentes actividades realizadas durante el día. El siguiente paso fue construir narrativas sobre estos datos, de modo que la experiencia de consumo de contenidos fuera amplificada. El equipo editorial de la web analizaba los datos y, a partir de ahí, construía nuevas historias como en el ejemplo del artículo «Del amor al odio… ¿hay solo un paso?».26 Este desarrolla cómo la actividad física, recopilada a través del monitor de actividad, evoluciona en relación con un evento ocurrido en el devenir del concurso y que afecta a dos concursantes enfrentadas por sus sentimientos hacia la misma persona mostrando que, mientras una de las concursantes cambia su pauta aumentando la cantidad de ejercicio diario que realiza, en el segundo caso la actividad baja notablemente.

2.4. Talpa y el big content Talpa Media es una compañía holandesa responsable de formatos de éxito como La Voz, Utopia o The Big Picture. Además, son los pioneros en reinventar la televisión produciendo lo que denominan big content. 26 Redacción Gran Hermano. «Pulseras, del amor al odio ¿hay solo un paso?» [en línea]. [Fecha de consulta: 10 de marzo de 2016].

105

© Editorial UOC

Big data

Los hábitos de consumo audiovisual han cambiado radicalmente debido al auge de un entorno multiplataforma. El big content hace referencia a contenidos que entretienen a un público masivo y, a su vez, ofrecen una experiencia personalizada y completa de entretenimiento multiplataforma. De esta forma, revitalizan formatos en directo gracias a la convergencia de la tecnología digital y los géneros tradicionales de televisión como los game shows o los talent shows. La interacción con los contenidos ha dejado de ser un mero complemento para convertirse en el ingrediente esencial con el que cautivar a la audiencia y conseguir su fidelidad. Los formatos de Talpa se conceptualizan desde su origen para una televisión conectada, y buscan una renovada y completa experiencia del espectador. La audiencia pasa a ser un elemento activo dentro de la propia mecánica del formato. Veamos los ejemplos:

2.4.1. The Big Picture Este formato es un game show donde un concursante debe responder a doce preguntas relacionadas con una fotografía concreta. Si responde correctamente a esas doce preguntas, el participante gana un millón de dólares. Si el concursante tiene dudas sobre alguna de las cuestiones, o simplemente desconoce la respuesta, puede pedir ayuda a un concursante interactivo, seleccionado entre los espectadores que estén jugando simultáneamente y en real time. La audiencia tiene la oportunidad de participar a tiempo real dentro del concurso a través de la aplicación Big Picture. Esta permite a los usuarios participar en el concurso como si se tratara de un concursante más, respondiendo a las mismas preguntas que se plantean al

106

© Editorial UOC


concursante en el plató. Las respuestas de los concursantes virtuales se proyectan en una gran pantalla en el plató. Si acierta la respuesta, gana una cantidad proporcional al premio monetario que reciba el concursante en plató. It isn’t a show with an app, it’s a show that is an app27 (No es un show con una app, es un show dentro de una app). Con esta afirmación, el director general de Talpa Global, Maarten Meijs, define The Big Picture. El formato ha sido candidato al mejor concepto Second Screen 2016 para los premios Tv-Beeld.

2.4.2. Utopia Utopia es un experimento social en el que se realiza el seguimiento ininterrumpido de quince personas que han decidido construir un nuevo modelo de sociedad desde un territorio acotado. Cada uno de los participantes abandona sus ocupaciones para vivir durante un año en un lugar en el que se empieza de cero: sin electricidad, agua y gas, ni contacto con el exterior. Lo harán creando entre todos una nueva civilización que será como ellos quieran, con las reglas que determinen. Utopia es una zona sin leyes, ni normas concretas. Al final de los 365 días de permanencia, a los participantes no les aguarda ningún premio ni gratificación económica. La recompensa es haber participado en una acción que para ellos puede convertirse de algún modo en enriquecedora. Las evoluciones de los participantes de Utopia pueden seguirse en directo durante las veinticuatro horas del día mediante el 27 Akyuz, Gün (2014). «RTL4 gets The Big Picture» [en línea]. [Fecha de consulta: 10 de marzo de 2016].

107

© Editorial UOC

Big data

streaming ininterrumpido a través de la web y en la aplicación gratuita del programa, disponible para Android e IOS. El espectador puede conectar en cualquier momento y en cualquier lugar a través de estas plataformas. Los seguidores pueden incluso llegar a ser parte de esta nueva sociedad mediante la obtención de un pasaporte «Utopia» que les otorga acceso ilimitado a toda la acción del programa. Los titulares de estos pasaportes tienen la oportunidad de votar, operar las cámaras, lograr la admisión en el programa, chatear en vivo con otros fans y recibir actualizaciones exclusivas. La plataforma digital Utopia ofrece oportunidades de patrocinio, todo desde un concepto de integración plena de la audiencia dentro del propio formato. Utopia se convierte así en un concepto basado en la participación e interacción del espectador. La audiencia pasa a ser un elemento activo dentro de la propia mecánica del formato.

2.5. Conclusión El uso del big data en el sector audiovisual, en particular en el universo televisivo, está aún en sus primeros pasos. Todavía está por llegar un verdadero modelo de toma de decisiones en tiempo real sobre los contenidos que se están emitiendo. Las redes sociales son una fuente de gran valor, siendo la materia prima de estos modelos de decisión aún por concretar. The Big Picture y Utopia muestran el rol que la actividad en redes sociales puede desempeñar dentro del propio discurrir de un formato de televisión. Un formato que es, de por sí, en tiempo real, en directo (tal y como el lema de GH «La vida en directo») es más susceptible de evolucionar de forma simul-

108

© Editorial UOC


tánea a los datos que se obtienen sobre la marcha a través de la interacción en redes sociales.

3. El impacto de Twitter en la comunicación de estrenos cinematográficos Alfonso Calatrava

Con más de 320 millones usuarios activos en el mundo que comparten más de quinientos millones de tuits cada día, Twitter es una plataforma global para la autoexpresión y conversación pública que ha democratizado la creación y difusión de contenidos en todo el mundo. Derivado de esa naturaleza de plataforma pública, conversacional y en tiempo real, en Twitter se genera un enorme volumen de información a partir de lo que la gente comenta, de las conversaciones de los usuarios y del contenido que estos generan. Y existe una gran variedad de temáticas de las que se habla en la plataforma: desde política hasta acontecimientos deportivos, pasando por programas de televisión o referencias a las últimas noticias del día; los internautas acuden a Twitter para informarse y comentar sobre temas de actualidad. Dentro de este conjunto de temáticas de las que se habla en Twitter, todo lo relacionado con el cine (estrenos de películas, noticias sobre actores, actrices o directores, eventos como los Óscar o los Goya, etc.) genera un nivel de interés particularmente elevado. De hecho, en el último informe publicado por Global Web Index, empresa de investigación especializada en análisis de audiencias digitales, el cine se sitúa

109

© Editorial UOC

Big data

ya como la segunda categoría de mayor interés entre los usuarios de Twitter en España, solo por detrás de la tecnología. En este contexto, es lógico que las principales productoras cinematográficas a escala mundial estén derivando una parte cada vez mayor de su presupuesto de inversión publicitaria para realizar comunicación en Twitter en mercados estratégicos. Pero ¿qué buscan las empresas cuando desarrollan estas acciones?, ¿qué objetivos persiguen?, ¿cuál es el aporte de valor de Twitter en el conjunto del mix de medios para la industria del cine? En primer lugar, la construcción de sinergias efectivas con otros medios es un objetivo central en este tipo de campañas. Y es que Twitter, como medio, está posicionado casi en la frontera entre el universo online y offline: es evidente que es una plataforma digital y, como tal, es lógico que se sitúe dentro del conjunto de medios en línea, pero al mismo tiempo son constantes las referencias a contenidos generados en Twitter en radio, prensa y, por supuesto, televisión. La posibilidad de reforzar e incrementar el impacto de la comunicación en medios masivos con acciones en Twitter es algo que conocen las grandes productoras y por lo que están apostando cada vez más para el estreno de sus grandes títulos de cada temporada. Junto con esto, hay que destacar el potencial de Twitter para optimizar la percepción de relevancia del mensaje de marca, derivado de su influencia sobre dos aspectos clave: segmentación y contextualización. Y es que, como sabemos, el impacto de cualquier comunicación, publicitaria o no, depende tanto del mensaje en sí mismo (lo que se diga) como de a quién se dirija (segmentación) e, igualmente importante, el momento o contexto en el que se diga.

110

© Editorial UOC


En relación con estos dos puntos, el hecho de que los usuarios utilicen Twitter para expresarse, comunicarse y compartir opinión de forma pública genera un input de gran valor para poder optimizar estrategias de segmentación. El foco ya no está en buscar aquellos segmentos más afines a un determinado contenido en términos de perfil sociodemográfico, sino en realmente poder identificar aquellos individuos que, por sus gustos, sus aficiones, su perfil actitudinal, por el tipo de cuentas que siguen, los contenidos que más les atraen hasta incluso por los términos concretos que mencionan en sus conversaciones en Twitter, tengan una mayor probabilidad de interés y respuesta positiva a la comunicación de un contenido cinematográfico concreto. Además, otro valor diferencial de Twitter es su asociación con la actualidad, con el «ahora», con lo que está ocurriendo en el momento. Sobre este eje pivota toda la conversación en Twitter, la gente comenta aquello que es relevante en el momento y este factor genera oportunidades estratégicas para la industria de cine, ya que sitúa un contexto perfecto para la comunicación de nuevos contenidos u ofertas (estrenos de películas, lanzamientos en formatos para consumo doméstico, novedades, etc.). El estreno de la película La cumbre escarlata (Guillermo del Toro, 2015), de Universal Pictures en España, cuya campaña de lanzamiento incluyó actividad promocionada en Twitter, es un buen ejemplo que sirve para ilustrar la oportunidad que comentábamos anteriormente. A modo de contexto, cabe señalar que la película protagonizada por Tom Hiddleston, Mia Wasikowska y Jessica Chastain se situó en los primeros puestos en recaudación durante sus primeras semanas en cartelera. La campaña para su promoción en Twitter se desarrolló a lo largo de cuatro

111

© Editorial UOC

Big data

semanas (entre los días 28 de septiembre y 25 de octubre) e incluyó tanto tuits promocionados (alguno incluyendo vídeos con el tráiler de la película) como el lanzamiento de una tendencia promocionada para situar la película entre los trending topics (TT) justo coincidente con el día del estreno (16 de octubre). Desde el departamento de investigación de Twitter en España se realizó un estudio con la consultora Crimson Hexagon, especialistas en análisis de impacto de la conversación en entornos sociales de internet, con el objetivo de obtener insights relevantes y poder ofrecer un diagnóstico de eficacia publicitaria de la acción. Así, en primer lugar, se analizó el impacto de la acción en términos de notoriedad. Y en ese sentido, el resultado fue realmente espectacular: la campaña consiguió generar un gran volumen de conversación alrededor del estreno de la película con más de doce mil tuits publicados durante el periodo analizado. También logró un incremento de la conversación muy significativo durante el período específico de campaña que, incluso, continúo siendo relevante varias semanas después del final de la acción promocionada. Además, el lanzamiento de la tendencia promocionada funcionó como un complemento perfecto en la campaña, contribuyendo a generar un pico en la conversación relativa a la película, justo coincidiendo con el día del estreno. Pero no se trataba únicamente de medir el éxito de la acción en términos de la notoriedad alcanzada, sino que en el análisis se profundizó también sobre aspectos más cualitativos estudiando el efecto de formatos concretos o el impacto de la acción sobre indicadores más cercanos al final del embudo de compra. En este sentido, se pudo con-

112

© Editorial UOC


trastar cómo aquellos tuits que incluían contenido de vídeo funcionaron particularmente bien para generar engagement y viralizar el contenido dentro de la plataforma con niveles de retuit muy destacados (aspecto este muy relevante, ya que cuando los propios usuarios retuitean contenido están haciendo suyo el mensaje de la marca, actuando como prescriptores en un entorno público como Twitter; esto influye decisivamente en el impacto del mensaje y moviliza la intención positiva de compra). Sin duda, el vídeo en Twitter en sus distintas versiones (nativo, Vine, Periscope) es un formato muy potente en términos de comunicación para las marcas, y en el caso concreto de esta campaña se pudo observar con claridad. Además, profundizando en el análisis y atendiendo a los términos concretos que se referían en la conversación sobre la película, se pudo observar cómo junto con menciones específicas a los protagonistas (director, actores y actrices) se registró un volumen muy significativo de tuits de usuarios que mencionaban, explícitamente, su intención de ir a ver la película en los días inmediatamente posteriores a su estreno. Es decir, se consiguió dirigir todo el volumen de conversación hacia la generación de expectativa positiva en torno a la película, creando un entorno muy adecuado para conseguir movilizar a la audiencia. En esta línea, se estudió también el sentimiento de la conversación (es decir, el peso de las menciones positivas, negativas y neutras) de todo lo que se comentaba en Twitter en relación con la película promocionada. Para ello, se emplearían tres períodos temporales distintos (pre, post y durante la campaña). Este análisis permitió obtener algunas conclusiones muy relevantes:

113

© Editorial UOC

Big data

• La campaña contribuyó de manera decisiva a incrementar significativamente el peso del sentimiento positivo vinculado a la película, con un crecimiento de 18 puntos porcentuales en el periodo posterior a la misma. • El arranque de la campaña, planificado para varias semanas antes del estreno, contribuyó a generar expectativa y permitió observar una mejora del sentimiento positivo vinculada a la película, incluso anterior a su estreno. • Uno de los principales drivers o motores de ese incremento del sentimiento positivo fueron los propios comentarios de aquellos usuarios que ya habían visto la película (contenido de gran valor, ya que es conocido que la recomendación personal es el principal factor de influencia en la decisión del consumidor). En ese sentido, la campaña ayudó a canalizar todas estas experiencias, fomentando que la gente compartiera sus opiniones y que, finalmente, se alcanzara una escala de dimensión en volumen mucho mayor que si solo se hubiese realizado actividad orgánica (no pagada). Por último, destacábamos al inicio del capítulo el posicionamiento de Twitter en la frontera entre los medios online y offline, y la derivada oportunidad de generar sinergias potentes en el mix de medios como uno de los aportes clave de Twitter para los anunciantes. Y, efectivamente, esto también se pudo observar en el análisis de esta campaña concreta. Así, los principales soportes de prensa, como El País, El Mundo o ABC, publicaron tuits desde sus cuentas oficiales haciendo referencia al estreno de la película. Ocurrió lo mismo con canales de televisión como Antena3 o MTV e, incluso, también programas líderes de la radio en España como Los 40 Principales. Además, en esta línea también se consiguió involu-

114

© Editorial UOC


crar en la conversación a cuentas especializadas en contenidos cinematográficos, independientes y con un número muy alto de seguidores y, por tanto, con capacidad de generar estado de opinión en relación con el contenido que se promociona. Conseguir comunicar el contenido de manera que genere interés, expectativa y, además, movilice una respuesta positiva en términos de intención de ir a ver la película, son los objetivos centrales de cualquier campaña de promoción de estrenos cinematográficos. Mediante este análisis se puede entender de forma clara el potencial de Twitter para contribuir al éxito de estas acciones. Ahora bien, es importante entender también el alcance de esta oportunidad, es decir, hasta qué punto este caso concreto es generalizable, o el impacto de Twitter es muy dependiente del tipo concreto de película que se quiere promocionar y sus características específicas (nacionalidad, género, género, target, etc.). Por supuesto, es evidente que hay contenidos más y menos afines a los distintos perfiles de audiencia y esto, lógicamente, influye también en potencial de impacto de distintas campañas en Twitter. Pero, realmente, se ha podido contrastar cómo el propio valor de esta plataforma, como medio para la comunicación de contenidos cinematográficos, lo genera un aporte incremental de eficacia publicitaria, que no influye únicamente en la promoción de aquellos contenidos que puedan ser más afines según composición de audiencia. Esta conclusión viene avalada por un estudio, basado en modelización econométrica que desde Twitter desarrollamos en España con MarketShare (empresa multinacional especializada en este tipo de análisis) con el objetivo de identificar todas las variables que influyen en la venta de entradas de cine y cuantificar su contribución específica. En concreto,

115

© Editorial UOC

Big data

este estudio, que recientemente ha sido presentado en público, se basó en el análisis de hasta 103 lanzamientos distintos de películas durante un período de cuatro años (hasta el primer trimestre de 2015). Con este input de información, Marketshare calculó un modelo matemático que alcanza un nivel de ajuste muy elevado (porcentaje promedio de error = 3,4 %), garantizando la calidad de los resultados. El ejercicio de modelización no solamente permitió contrastar la hipótesis inicial de que la actividad en Twitter tiene una relación directa con la venta de entradas de cine, sino que además se pudo cuantificar su impacto directo. Y, en este sentido, MarketShare concluye que la actividad en Twitter explica un 12,9 % del total de venta de entradas de cine durante el período analizado: una contribución sin duda muy relevante. Por último, se realizó también un cálculo de eficiencia o ROI de la actividad promocionada en Twitter para la industria cinematográfica, con un resultado en términos de retorno sobre la inversión publicitaria de 2,41 euros por cada euro invertido. En resumen, y a modo de conclusión, en un entorno de medios marcado por la fragmentación de audiencias y la saturación publicitaria (lo que está afectando negativamente a la eficacia publicitaria de los anunciantes), es clave diseñar estrategias de planificación que permitan diferenciar la comunicación e incrementar la percepción de relevancia del mensaje para conseguir optimizar el recuerdo publicitario. Y en esto justamente radica el potencial de Twitter como herramienta de marketing en la industria cinematográfica, tal y como se ha tratado de explicar a lo largo del capítulo.

116

© Editorial UOC


4. Analítica digital en marca.com Francisco Gallego

4.1. Entender el mundo de los datos en los medios Los datos siempre han estado presentes en las empresas de medios con independencia de su tamaño y facturación. Siempre han sido utilizados para evaluar su gestión, tanto interna como externa. El caso del que se pretende hablar en estas pocas páginas, el de marca.com, no es una excepción. Sin embargo, varios conceptos han cosechado cierto éxito en los últimos años a la hora de indicar la importancia que una buena cultura de datos tiene en la empresa para intentar adquirir ventajas competitivas y explotar sus posibilidades en favor de un aumento de los ingresos, una reducción de costes o una mayor satisfacción del usuario que adquiere sus productos o servicios. Y, de nuevo, Marca o, mejor dicho, marca.com tampoco es un caso aislado. Uno de esos conceptos es el de big data, macrodatos, en castellano, tal y como recomienda Fundeu,28 y tiene importantes implicaciones dentro de las organizaciones, pues está desafiando viejos enfoques del business intelligence. Además, va dando paso a la construcción de estructuras de información basadas en la analítica digital, sobre las que sustentar modelos de gestión acordes con el nuevo contexto digital. En definitiva, está dando paso a un nuevo planteamiento de la gestión directiva y la cultura corporativa de toma de decisiones. 28 FundéuBBVA «Macrodatos e inteligencia de datos, alternativas a big data». [Consulta: 10 de marzo de 2016]. http://www.fundeu.es/recomendacion/macrodatosalternativa-abig-data-1582/

117

© Editorial UOC

Big data

En el entorno de la comunicación, las aplicaciones prácticas del big data deben entenderse, a priori, en dos sentidos: el de la gestión publicitaria y el de la gestión de contenido. En ambas, se busca un mayor entendimiento del usuario/lector y de los consumos de información que realizan. Por un lado, en lo relativo a la gestión de la publicidad, las técnicas de recolección, procesado y análisis de datos masivos no estructurados ha permitido mejorar la gestión que de las impresiones publicitarias se hace por parte de los medios y agencias de comunicación, buscando mejorar el rendimiento económico de los sites ofreciendo publicidad más personalizada. Por otro lado, en lo referido a la gestión del contenido, los principales medios, tanto en Estados Unidos como en España, tienen como objetivo utilizar técnicas de big data y algoritmos predictivos para ayudar a proporcionar una mejor experiencia mediante la personalización y recomendación a partir de los gustos del usuario. Así, tanto analistas como redactores pueden trabajar con métricas que ofrecen un conocimiento más profundo del lector «navegador» en tiempo real. Más que una proyección a futuro, es algo que ya se está produciendo. De aquí en adelante, será difícil sacar rendimiento económico y comunicativo de acciones, campañas y estrategias comunicativas y publicitarias que no cuenten con los datos a la hora de desarrollar productos y proyectos. Cada día es más obvio que se hace necesario incorporar nuevas métricas al análisis del panorama de medios. Los cambios tecnológicos que, a su vez, están provocando cambios económicos, sociales y empresariales han hecho evolucionar el consumo de prensa, radio y televisión por parte de los lectores, oyentes, televidentes y/o usuarios.

118

© Editorial UOC


4.1.1. El caso de MARCA.com Marca, que pertenece al Grupo Unidad Editorial, es un diario de información deportiva centrado, principalmente, en el fútbol. Históricamente, ha sido el periódico deportivo más vendido, a bastante distancia de As, su principal competidor, y el segundo más vendido en toda la prensa española, solo superado por El País (Marqués, 2012). Si su trayectoria en papel ha sido conocida, brillante y notoria, en estas líneas hay que destacar un dato muy importante en la concepción de lo que, a día de hoy, es el periódico: en diciembre de 2015, marca.com cumplió veinte años de vida. Por aquel entonces, el término «red de redes» para denominar internet era solo la visión de unos pocos, mitad ingenuos mitad locos, pero, sobre todo, era una apuesta muy arriesgada para otros. Sin embargo, veinte años después, al igual que en papel, marca.com es líder de su categoría, con gran presencia en mercados latinoamericanos y mirando frente a frente a otros diarios europeos, como gazzetta.it o lequipe.fr. Dentro de su grupo editorial es el primer producto, incluso por delante de la cabecera El Mundo si lo medimos en términos de audiencia. Es interesante este dato, junto con el de la generación de negocio, en términos de análisis de la evolución del poder interno dentro de la organización del grupo. En aquel 1995, y coincidiendo con el lanzamiento y crecimiento de la Liga Fantástica en su versión de papel, Marca se introdujo en el mundo digital. Tal y como el propio grupo señala: «Al principio, solo fueron informaciones para los entrenadores del juego y pequeñas actualizaciones del mismo. No fue hasta el año 1997 cuando la home de Marca comenzó

119

© Editorial UOC

Big data

a dar sus primeros pasos. Aún en pañales surgieron los foros para escuchar e interactuar con los internautas».29 Desde entonces, la rápida evolución de la tecnología en lo que llevamos de siglo XXI ha retado al equipo de Marca a presentar la información de la forma en la que la audiencia la iba demandando con el paso de los años. En apenas diez años de vida, la web de Marca pasó de 116.548 páginas vistas al mes de 1995 hasta las 310.984.080 de 2005. Esta abrumadora evolución se produjo gracias a las actualizaciones constantes para tratar de llegar a tan enorme demanda. Cada gran acontecimiento deportivo (juegos olímpicos, mundiales, eurocopas, etc.) suponía un apasionante desafío para intentar seguir respondiendo a las expectativas. Hoy, veinte años después, el dato es esclarecedor: trece mil millones de páginas vistas. De esta forma, con el paso de los años, marca.com ha ido configurando un universo de web satelitales, productos y redes a su alrededor. En el invierno de 2016, Marca Sites englobaba sites tan dispares como: • tiramillas.net, la web de ocio de marca.com, donde se puede encontrar información sobre estrenos cinematográficos, novedades musicales y conciertos. • marcamotor.com, la web de motor del periódico, en pleno proceso de integración con el portal principal para una mejor explotación del contenido desde el punto de vista publicitario. 29 Roca, Álvaro (2015), «Marca.com cumple 20 años». [En línea] Información disponible en [Consulta: 10 de marzo de 2015]. http://www.MARCA.com/2015/11/30/20aniversario/1448878589.html

120

© Editorial UOC


• es.ign.com, centrado en ofrecer información sobre últimas novedades y los mejores análisis del mundo de los videojuegos, consolas, móviles, cine y series de televisión. • marcaapuestas.es, portal con gran peso dentro del grupo, centrado en las apuestas de mercado en todos los deportes y en ser la casa de apuestas en línea de Marca. Del mismo modo, marca.com dispone de múltiples productos dentro del propio site. Son productos con unas características propias que hacen que, tanto en cuanto a la presencia en la web como en el ámbito de la explotación, tengan identidad propia: • Marca buzz, que intenta ofrecer los mejores memes, gifs30 y rankings humorísticos deportivos. • Marca plus, primera revista interactiva de Marca para PC, tabletas y dispositivos móviles, ganadora a la Revista Digital del año 2015. • Ivitalia, plataforma que ofrece todo lo necesario para un estilo de vida saludable: nutrición, deporte y salud. • Marca juegos, que busca ofrecer los mejores juegos de póker en línea, tragaperras, bingo, etc. Para marca.com las fronteras desaparecieron hace mucho tiempo: su presencia en Latinoamérica a día de hoy es un hecho. Se puede decir que la estrategia de marca.com se enmarca en un mercado cada vez más global. Los diez millones de navegadores de América Latina suponen ya casi el 25 % de sus usuarios. 30 Graphic Interchange Forma. Formato de intercambio de gráficos. Una animación GIF es una serie de imágenes mostradas en secuencia.

121

© Editorial UOC

Big data

Además, Marca English, otro de los productos estrellas de marca.com, creada en 2012, se ha convertido en un medio de referencia para los apasionados de la Liga de habla inglesa. En estos veinte años se han ido presentado desafíos a los que marca.com ha sabido responder hasta convertirse en un sitio global en el que el usuario sea el más y mejor informado, y disfrute de la calidad y el entretenimiento en lo relacionado al deporte. La aparición del primer vídeo en la home de Marca en el año 2007 fue una pequeña gran revolución en el que el contenido audiovisual empezaba a ganar terreno a la crónica de toda la vida. En ese momento era difícil imaginar la situación actual en el que la imagen cuenta mucho más que cien mil palabras. La importancia del vídeo en internet y en marca.com ha llegado a tal punto que, en el otoño de 2015, desde Unidad Editorial se lanzó una nueva plataforma de vídeo, Marca TV, que aglutina el contenido audiovisual del periódico: tráfico, vídeo, redes, SEO, etc. Aspectos que en marca.com se miden hasta el último clic, dada la importancia que la analítica digital, en un entorno big data, ha adquirido en los últimos años.

4.2. El peso de la analítica digital dentro del big data Se debe resaltar que existen dos tipos de mediciones digitales a día de hoy: el método censal y el panel. La combinación de todas estas tecnologías ayuda al analista digital a entender el efecto que los medios tienen en internet y, a su vez, el efecto que los usuarios provocan en el propio site. Es por eso que cuando, analíticamente, se habla de medir los rendimientos de marca.com en lo referido a consumos, se

122

© Editorial UOC


deben tener en cuenta esas dos mediciones. De forma práctica, las herramientas utilizadas son Adobe Analytics para el método censal, y comScore My Metrix para el método panel. En lo referido al método censal, se puede señalar que se trata de un sistema de medición interno utilizado para contabilizar todo tipo de contenido, sin filtro. De forma básica, consiste en el tagueado del sitio del cliente que permite un seguimiento de la actividad que en el site se realiza; en otras palabras, todas las páginas de un site deben llevar un pequeño script de la herramienta de analítica web para que se pueda recoger la información. Cuando se visita una página en internet en realidad solo significa que se están descargando un grupo de archivos a un ordenador que le indican a un navegador lo que debe mostrar. Para el correcto funcionamiento del método censal, sea cual sea la herramienta que se utilice, se debe realizar un proceso de marcado del site. Dicho proceso implica la inclusión de un pequeño texto de código en cada una de las páginas que se deseen medir. A través de las cookies, fragmentos de datos almacenados en un fichero de texto, el usuario puede ser reconocido. Los sitios web utilizan cookies para ofrecer una experiencia de navegación personalizada y como herramienta de medición. Gracias a la IP del dispositivo, se puede saber desde qué país se está navegando y, al contrario que en la metodología panel hasta 2014, permite medir todos los dispositivos y aplicaciones que se utilizan para acceder al contenido. En marca.com, el completo tagueado del site durante un gran período de tiempo ha permitido establecer un sistema de reporting regular y eficiente para la mejor toma de decisiones. Así, existen informes mensuales, semanales y diarios dirigidos a cada uno de los departamentos interesados y, a la par, informes que buscan dar un enfoque global de carácter más ejecutivo.

123

© Editorial UOC

Big data

La metodología del panel en línea es una metodología algo más tradicional de encuestas con gran capacidad de segmentación. Con gran historia y arraigo para medir las audiencias de televisión, se ha intentado (con más o con menos éxito) llevar este tipo de medición, evolucionada, al ámbito digital. En España, dicha metodología panel es desarrollada por comScore, una empresa de investigación de marketing en internet que estudia el comportamiento en línea de los usuarios. Hace uso de un sistema que se basa en la metodología híbrida del Unified Digital Measurement (UDM). Dicha metodología mezcla elementos de la metodología panel y de la metodología censal. Tal y como se pregunta Inmaculada Berlanga:31«¿Qué tiene de especial el sistema de comScore? El tener en cuenta las demandas del propio mercado que no se encontraban suficientemente satisfechos ni con el sistema censal (a través de tags y cookies contaba usuarios únicos), ni con el de paneles de audiencias, similar al de la televisión. Ante esta situación, se tomó la decisión de crear un sistema híbrido, que mezclara ambos modelos». Dicho enfoque utiliza como núcleo de la información los datos censales para inferir, a partir del número de cookies, la audiencia global de un sitio web. Los datos censales son calibrados y reducidos usando la información del panel para determinar el número de individuos que han estado en contacto con el medio. Las divergencias por tipología de sitios/contenidos y por tipología de targets entre una persona, y el número de cookies 31 Berlanga, Inmaculada (2013). «Desgranando comScore: ¿cómo mide sus datos? (I)» [en línea]. [Fecha de consulta: 3 de febrero de 2016].

124

© Editorial UOC


que genera en un período acumulado de tiempo, obliga a definir un dinámico y continuo sistema de cálculo de conversión cookies/persona, que permiten humanizar las cookies. Del mismo modo, se requiere un ajuste de las características sociodemográficas si hay gaps de información. La metodología híbrida consiste, por tanto, en combinar el panel (muestra de usuarios) con el sitecentric (actuación de esos usuarios en sites) para tener unas características sociodemográficas más completas. En España, el proceso de medición propuesto por comScore se realiza sobre la base del perfil y comportamiento de una muestra de 20.000-25.000 panelistas. Partiendo de estas cifras, se estima el volumen, comportamiento y perfil de los internautas en España. Hasta febrero de 2014, la herramienta solo controlaba usuarios localizados en el hogar y en el trabajo, pero a partir de esa fecha comenzó a ofrecer información sobre el consumo móvil y el consumo de vídeos que se hace en internet. Todo un avance que se plantea como palanca de cambio (tomando impulso) en el sector digital por las posibilidades que ofrece tanto en movilidad como en vídeo. La importancia del dato de comScore, como es lógico, es de vital importancia para marca.com, al igual que para todos sus competidores. Dada la peculiar forma que comScore tiene de distribuir la información, estos informes se mueven internamente y se analizan de forma periódica en función de la liberación mensual de datos que comScore hace.

4.2.1. El papel del analista digital Todos estos cambios en la evolución de marca.com han provocado el surgimiento de nuevos perfiles profesionales

125

© Editorial UOC

Big data

que los interpretan y desarrollan dentro de una empresa: es el caso del analista digital en televisión. Dicho perfil profesional y los departamentos en los que se alberga (business intelligence y big data, generalmente) crecerán en los próximos años. Está en juego la generación de mayores audiencias y más vinculadas al contenido, el desarrollo de nuevos servicios y contenidos de pago alrededor de la industria, el desarrollo de formatos publicitarios transmediáticos y novedosos y, por qué no decirlo, el cambio de rol de la prensa en el nuevo escenario. Toda esta nueva vorágine de datos se debe madurar y convertir, poco a poco, en información estandarizada y útil. Se insiste en que no es que dichos datos sustituyan a los tradicionales datos de difusión, es que los complementan. Quizá en el futuro todo se pueda medir con una única herramienta, pero es mucho más probable que se necesiten los análisis cualitativos, los informes explicativos y la combinación de soportes de análisis de tecnología big data frente al inconmensurable número de cifras sin sentido y sin organización. El papel del analista digital, que mezcla técnicas de estudios cuantitativas y cualitativas, se articula, a priori, para resolver problemas y facilitar la toma de decisiones en tres ámbitos de la industria de medios: la del estudio del consumidor de productos de prensa (en su más amplio sentido), la de la medición en tiempo real de las audiencias e influencia de los eventos en directo, y la del análisis estratégico de la vinculación de los usuarios a través de los sentimientos que las noticias generan. Los retos en marca.com, como de forma histórica se ha producido, no dejan de aparecer. Los próximos años se presentan apasionantes.

126

© Editorial UOC


5. Dogtrack. Big data televisivo como ruta para extraer valor de la audiencia Antonio Gallo y Paula Rodrígez

5.1. Las redes sociales y la televisión Dogtrack es un software para la gestión integral de las redes sociales en medios de comunicación creado por una startup española en 2014. Se trata de una plataforma global que ejerce de puente entre quienes generan los contenidos y los usuarios de redes sociales que consumen un medio de comunicación determinado. Es utilizado por distintos medios de comunicación para la publicación en redes sociales y sistemas de mensajería, para el análisis de las comunidades de los medios y para la integración de la actividad de los usuarios en los medios de comunicación. Ya no podemos imaginar programas como Eurovisión o Cuarto Milenio sin una cuenta de Twitter en la que poder comentar o leer los comentarios que hacen nuestros contactos, por no hablar de los grupos de WhatsApp creados para la ocasión. Esta forma de ver la televisión, con un teléfono en la mano, ha transformado también las redacciones de los medios: hay nuevos perfiles profesionales más enfocados a un entorno digital y hay una demanda específica de herramientas que ayudan a simplificar y dar sentido al proceso de trabajo. Ese es el valor que tiene Dogtrack: permite al usuario, desde un único panel de control, que se puedan gestionar la generación, moderación y publicación de contenidos de las diferentes redes sociales del medio. Mediante la combinación de los procesos de publicación, clasificación y análisis que integra nuestro software, se gene-

127

© Editorial UOC

Big data

ran datos estructurados y ordenados según los diversos cruces cuantitativos y cualitativos de los contenidos publicados (propios y de terceros) y de las comunidades (audiencias) que han reaccionado ante esos contenidos. Con los resultados obtenidos de esos cruces de datos, el medio puede realizar diferentes acciones con las audiencias, según tres ámbitos de trabajo: 1) Marketing: acciones dirigidas a audiencias micro-segmentadas según los diversos intereses que estos tienen. 2) Publicidad: nuevos formatos dirigidos a audiencias clasificadas, de tal forma que el anunciante llegue a sus potenciales compradores. 3) Social media: acciones de relación directa con audiencias micro-segmentadas. Los objetivos son varios: aumentar el tráfico generado a los sites del medio, optimizar el engagement con las diferentes comunidades, fidelizar audiencias, establecer una relación con influencers y prescriptores más relevantes con el objetivo de aumentar la audiencia y seguir generando productos innovadores que fortalezcan la narración audiovisual, como puede ser la integración en pantalla de los comentarios en redes de la audiencia. Todo esto conlleva una serie de beneficios asociados que afectan a las áreas de redacción, gestión digital, marketing, publicidad y audiencias. Los medios trabajan a un ritmo frenético, por eso es clave facilitar la toma de decisiones en un tiempo muy reducido y aportar, con gráficos adaptados, un conocimiento profundo de las audiencias que permita innovar en la creación de nuevos contenidos

128

© Editorial UOC


y que ayuden a optimizar la inversión en publicidad (CPM o CPC).32 Por lo dicho hasta ahora, conocer y saber gestionar los datos generados en los medios sociales como Twitter, Facebook o Instagram, y que tienen su origen en un programa o en una serie de éxito es, por parte de las televisiones, uno de sus grandes retos. No tenemos más que asomarnos cada día al panel de TT de Twitter para darnos cuenta de que son las televisiones las mayores generadoras de conversación con programas de entretenimiento, deportivos o de información, debates políticos, etc. Pero ¿sirve de algo que la gente esté hablando en las redes sociales sobre programas de televisión?, ¿las televisiones pueden sacar partido sobre estas conversaciones? Veámoslo.

5.2. Big data, redes sociales y medios de comunicación ¿Cómo es la relación entre los medios de comunicación y las redes sociales? Los medios de comunicación han pasado del formato analógico al digital. La irrupción de las redes sociales ha facilitado el acercamiento de los medios a sus audiencias obligándoles a cambiar su manera de servir el contenido. Se trata de dar un aspecto más conversacional, tan propio de las redes, a los

32 CPM: coste por mil impresiones o CPC: Coste por clic. Es la cantidad de dinero o suma de dinero que un anunciante determinado paga al motor de búsqueda en el que tiene contratado los servicios, por un clic en el anuncio.

129

© Editorial UOC

Big data

contenidos audiovisuales proponiendo contenidos relevantes para la audiencia. Como se explicaba al comienzo, los medios de comunicación son los principales generadores de contenido en las redes sociales, y sus principales objetivos a la hora de utilizar las redes son: • Generación de tráfico. Desde las redes sociales hacia la web y el medio de comunicación. • Incremento de la comunidad. Aumento del número de usuarios seguidores en las redes sociales. • Incremento del engagement. Fortalecimiento de la relación con la audiencia. • Refuerzo del branding. Desarrollo de políticas de incremento de la notoriedad y reputación de marca. Estos objetivos están vinculados unos a otros, no siendo en sí mismos independientes.

5.3. ¿Existe relación entre las redes sociales y el big data en la televisión? Los datos generados en las interacciones entre las redes sociales y los medios de comunicación son de tal volumen que, en muchos casos, es difícil de gestionar. Sucede en acontecimientos como la emisión de los Óscar o la Super Bowl que, en su última edición, ha contado con más de veintiocho millones de comentarios en Twitter y sesenta y cinco millones de usuarios en Facebook. También podemos observarlo en emisiones más locales, como puede ser un

130

© Editorial UOC


partido de la Liga de Campeones, un debate en La Sexta Noche o la emisión de un capítulo de El Ministerio del Tiempo. Los medios de comunicación necesitan encontrar patrones repetitivos dentro de estos datos para obtener y aportar valor a sus diferentes clientes: los telespectadores y los anunciantes. Desde nuestra experiencia, en Dogtrack podemos decir que en la actualidad los principales fines para la gestión del big data son: • Conocimiento de la audiencia. • Predicción de comportamiento en el consumo de contenido. Personalización de contenidos. • Nuevos formatos publicitarios. Si bien es cierto que una gran parte de los medios de comunicación en España y Latinoamérica aún no gestionan sus datos de manera estable, prácticamente todos están inmersos en procesos de innovación. El objetivo es la normalización del uso de los datos para la gestión de contenidos y el incremento de ingresos publicitarios. Hay que tener en cuenta que los volúmenes de datos son muy elevados y los beneficios están aún por descubrir.

5.4. El doble viaje entre las redes sociales y los medios de comunicación La relación entre los medios de comunicación y las redes sociales está generando una profunda tensión, pero unos y otros se necesitan para su crecimiento y, de la misma manera

131

© Editorial UOC

Big data

que sucedió en su día con Google, se ha de entender cuál es la posición de cada uno. Los medios se apoyan en las redes para establecer relaciones y aportar valor a los usuarios, y las redes sociales tienen en los medios lo que ellos no pueden generar: un contenido que provoque motivos para la conversación. De estas relaciones, de estas conversaciones, unos y otros recogen datos de interés, de reacciones, de relaciones y en definitiva, de comunidades y razones por los cuales estas comunidades se conforman. El big data es, por tanto, una conclusión de la relación entre los medios y las redes de la que, en la actualidad, se benefician ambos.

5.5. Principales actores Redes sociales. Las diferentes redes sociales están concebidas con objetivos diversos. Los modelos de negocio de las mismas se basan en el contenido creado por los usuarios y las relaciones que se establecen en cada uno de ellos. Vamos a centrarnos en las redes de mayor uso en España. • Facebook. Es un sitio web de redes sociales que nació en 2004 como red privada para la comunicación entre los estudiantes de la Universidad de Harvard y que, a mediados de 2007, se abrió al resto del mundo creando sus versiones internacionales. Actualmente, cuenta con 748 millones de usuarios en todo el mundo33 y, aunque 33 Kemp, Simon (2016). DIGITAL IN 2016. We Are Social’s. Compendium of global digital, social, and mobile data, trends, and statistics [en línea]. [Fecha de consulta: 10 de marzo de 2016].

132

© Editorial UOC


ha crecido como plataforma, mantiene su finalidad de origen con respecto a sus usuarios: ayudar a comunicarse y compartir contenidos con personas afines a ti. Actualmente, es la red social más potente en todos los aspectos. En distintos medios españoles es fundamental para la adquisición de usuarios e ingresos por tráfico. Pero tiene algunos inconvenientes, como que por el momento no se puede vincular al tiempo real, a las parrillas de televisión. Esto lo hace torpe para el medio por excelencia, la televisión. • Twitter. Esta red permite enviar mensajes llamados tuits –a los que se puede añadir una imagen o video, o enlazar a un sitio web, con un límite de caracteres– que se muestran en la página principal del usuario. Por defecto, los mensajes son públicos, pudiendo difundirse privadamente mostrándolos solo a unos seguidores determinados. Cuenta con 320 millones de usuarios únicos activos al mes.34 Esta red es líder indiscutible en el tiempo real. Entre otras fortalezas, es una red social que está basada en relaciones por intereses, tiene una enorme capacidad de atraer la conversación mientras se está viendo un programa de televisión y así, estas últimas han encontrado formas sencillas de mostrar contenido relevante para ser comentado. • Snapchat. Igual que sucedió con Facebook, esta red social nació en 2010 en las manos de unos estudiantes de la Universidad de Stanford. Es una aplicación móvil dedicada al envío de archivos que se destruyen una vez

34 Datos ofrecidos por Twitter Inc. 2016:

133

© Editorial UOC

Big data

que el destinatario los ha visto. Desde ella se comparten una media de seis mil millones de videos al día.35 Para el sector de los medios, especialmente la televisión, es una aplicación muy interesante dadas las posibilidades que ofrece, así como el tipo de usuarios que la frecuentan, en su mayoría menores de treinta años. De momento, es a través de la sección de la aplicación denominada Discover como pueden acceder al público que se encuentra en la red. • Instagram. Pertenece a Facebook. Red social basada en compartir imágenes y videos cortos. Inicialmente especializada en fotografía y actualmente adolescente (El 90 % de sus usuarios son menores de treinta y cinco años).36 Su relación con la televisión es bastante limitada, se basa en «entregar» imágenes para su visualización en pantalla, pero es una práctica poco extendida. • WhatsApp. Aplicación de mensajería líder mundial. Con mil millones de usuarios, pertenece también a Facebook, aunque en el entorno de la mensajería móvil ya está considerada como una red social. Su uso es gratuito y se basa en el envío de información (audio, video, texto) uno a uno y a grupos. Ofrece la posibilidad de realizar llamadas entre usuarios de la misma red. Tiene un enorme potencial para 35 Bradshaw, T. (2015). «Snapchat triples video traffic as it closes the gao with facebool» [en línea] Financial Times. [Ref. de 8 de noviembre de 2015]. [Fecha de consulta: 10 de marzo de 2016]. 36 Clasen, A. (2015). «Why Instagram is so important to Millennials». Informe Coming of Age on Screens (study commissioned by Facebook. Crowd DNA. [Fecha de consulta: 1 de marzo de 2016.

134

© Editorial UOC


su uso en las televisiones. Con Dogtrack, canales como «beIN Sports»37 han integrado su uso logrando una participación de la audiencia más allá de sus propios abonados.38 • Telegram. Sistema de mensajería similar a WhatsApp, con una menor penetración, unos cien millones de usuarios,39 pero con unas enormes posibilidades de crecimiento para su uso por parte de las televisiones; se pueden integrar anunciantes. Una de las ventajas para el sector de los medios es que, a diferencia de WhatsApp, su plataforma es abierta, transparente para los programadores, y por tanto es muy sencillo implementarla y utilizarla como red social en plataformas como Dogtrack. Televisiones. El otro actor protagonista y que da sentido a este análisis es el de los medios, y se encuentra en todas sus manifestaciones, porque la televisión ya nos es solo un aparato cuadrado de dudosa estética; la televisión está en cualquier dispositivo que tenga una pantalla y acceso a la red. Entre otros motivos que iremos desgranado, este formato 37 Canal de televisión español de pago. Filial del grupo catarí beIN Sports y propiedad al 50 % de Mediapro, dedicado a la retransmisión de eventos deportivos. 38 Un ejemplo: este canal de deportes facilita a sus telespectadores la participación en el programa con encuestas que se pueden responder vía WhatsApp, de tal forma que para quien lo está viendo le resulta muy sencillo y casi irresistible la posibilidad de opinar. Solamente deben guardar en su agenda de contactos el teléfono del canal y enviar su respuesta. Eventos deportivos transmitidos en canales de pago como este se suelen ver en compañía de algún familiar abonado o desde un bar. Al ampliar la posibilidad de participar a todos los espectadores hace que el medio llegue a un mayor número de personas. 39 Dato aportado por Pavel Durov durante el Mobile World Congress 2016. [Fecha de consulta: 1 de marzo de 2016].

135

© Editorial UOC

Big data

de emisión hace que se convierta en algo determinante el conocer los principales roles dentro de las televisiones para comprender sus necesidades, las de cada uno y, sobre todo, el objetivo al que se orienta cada uno de los que intervienen en un proceso de creación de valor. Figura 8. Conocimiento de la audiencia y comunidad de usuario

5.6. Qué tipo de acciones pueden hacer las televisiones en relación con las redes sociales Las respuestas son infinitas. Hasta el momento, la única barrera que nos encontramos es la de la creatividad. Con todo, debemos decir que el uso de la tecnología para facilitar acciones permite, en la actualidad, realizar verdaderas innovaciones. Mostraremos algunas de ellas: Publicación de contenido en las redes sociales. Es la expresión más sencilla. Se genera contenido y se distribuye a través de un canal social o sistemas de mensajería. Los formatos más comunes son: video, texto, gif o gráfico. El contenido para su posterior análisis ha de ser etiquetado basándose en diversas metodologías: por finalidad (comercial, de carácter

136

© Editorial UOC


informativo), por el tipo de público al que va destinada la publicación, etc. Publicación de contenido en las televisiones. Empieza a ser bastante común que algunos programas, sobre todo de carácter informativo, muestren tuits o mensajes realizados por algún personaje relevante. La audiencia participa en la acción generando un contenido que puede ser de dos tipos: 1) Generación directa: los usuarios envían mensajes o contenidos multimedia. Se pueden realizar desde redes sociales o sistemas de mensajería, tanto para la televisión como para la web. En la actualidad, se pueden generar datos desde Twitter, Facebook, Instagram, WhatsApp, Telegram, Facebook Messenger. Los tipos de mensajes son texto y multimedia (foto y video). 2) Generación indirecta: los usuarios generan datos a través de su participación en votaciones, y estas dan como resultado estadísticas, listados, mapas de calor, gráficos, etc. Monitorización de redes sociales. El uso de la tecnología monitoriza programas para su conocimiento, canalización y viralización de contenidos. Enriquecimiento de contenido televisivo. Es una de las grandes oportunidades actualmente. La emisión de los programas de televisión puede ser ampliada usando tecnología de distribución de contenido en redes sociales y sistemas de mensajería. Durante la emisión de una serie de televisión se

137

© Editorial UOC

Big data

puede ampliar la información sobre sus personajes enviando un comentario por una red social, WhatsApp, Telegram. Este último es el caso de El Ministerio del Tiempo, la serie de RTVE que, dentro de su exitosa estrategia transmedia, ha incluido de forma experimental un canal en Telegram40 para lo que hemos denominado, en Dogtrack, emisiones enriquecidas: aportar valor a la audiencia en una segunda pantalla en el momento en el que está viendo el contenido televisado, así como en las fases previas y posteriores de cada capítulo.

5.7. Principales usos y beneficios que las cadenas de televisión pueden hacer de Dogtrack A continuación, mostramos en este cuadro una síntesis de la estructura, a partir de contenidos, del beneficio que se quiere obtener con la integración de redes sociales en un contenido televisivo.

40 Información disponible en

138

Figura 9. Principales usos y beneficios que las cadenas de televisión pueden realizar con Dogtrack

© Editorial UOC Capítulo II. Cases studies

139

© Editorial UOC

Big data

Consideramos que, previamente a la emisión de los programas, en la fase de creación de los mismos es de gran ayuda monitorizar conceptos clave en torno a personajes, a temáticas, etc., para identificar el posible impacto de los formatos en los que se está trabajando, la afinidad con su público objetivo y los canales de promoción que podrán utilizar en las redes sociales. Como explicábamos antes, lo mismo sucederá durante la emisión de los programas, más si durante la emisión se realizan actividades que integren a la audiencia; esta tendencia (la llamada social TV, o second screen) que tiene en cuenta al espectador fideliza a un espectador que se siente protagonista y «escuchado» por quienes están detrás de la pantalla. Con respecto a las audiencias y comunidades, y más allá de los creadores de contenido, como es lógico, existen departamentos cuya principal misión es identificar su público objetivo y hacerles propuestas de valor para ampliar la audiencia y fidelizarla. Así, departamentos como marketing y audiencias pueden, según nuestra experiencia, obtener, con la monitorización de redes, datos de valor fácilmente integrables en el CRM de la compañía, logrando así nuevas oportunidades de monetización.

5.8. A modo de conclusión La vinculación de las redes sociales y la televisión puede ayudar (de hecho ya lo ha empezado a hacer) en la gran revolución que está viviendo este medio. Su relación facilitará la vinculación de los hábitos de consumo que necesariamente

140

© Editorial UOC


deben ir parejos. Y decimos que puede ayudar porque estamos viendo grandes cambios que se están operando en el uso televisivo: el consumo diferido de contenido y la segunda pantalla. Vemos la televisión cuando queremos y lo hacemos con el teléfono en las manos. El gran reto es capturar la atención de los usuarios. La integración de los usuarios en los programas es el vehículo más eficaz para conseguirlo. Las redes sociales y la televisión están conviviendo naturalmente. Tenemos tecnología que ayuda a las televisiones a su integración. Ahora falta creatividad que lo consiga. Una vez más, la tecnología está varios pasos por delante de la creatividad, y existen un sinfín de oportunidades para todos. Plataformas como Dogtrack ayudan a los medios a ir más allá en la relación con sus audiencias, aportando valor que les ayude en la fidelización de las audiencias, en el incremento del ingreso publicitario y en una mejor distribución del contenido.

6. Privacidad en redes sociales: amenazas y soluciones María Isabel González

En los últimos años, internet ha pasado de ser un canal de comunicación a un medio en sí mismo. Su vinculación con la industria audiovisual está ligada en cada una de sus acciones y estrategias en casos como la gestión de datos generados por el uso de las redes sociales virtuales. A través de estas se abren nuevas oportunidades para difundir y publicitar con-

141

© Editorial UOC

Big data

tenidos audiovisuales con un alcance casi ilimitado. Por otra parte, estas posibilidades conllevan una proliferación de riesgos emergentes para la privacidad, debido al escaso control que existe sobre las nuevas formas de acceso, publicación y gestión de contenidos. Una de las cuestiones más relevantes, dentro de la difusión de datos a través de redes sociales, es determinar quién o quiénes son los autores y/o propietarios de un contenido, y establecer los medios técnicos para la protección de sus derechos e intereses. Las infinitas posibilidades técnicas, unidas a la difícil imposición de normativa legal que regule y salvaguarde derechos de propiedad y/o autoría de material digital, completan un complejo lienzo en el que el creador queda a menudo desprotegido (y ni siquiera es consciente de ello). La vertiginosa expansión de las redes sociales virtuales ha supuesto, en los últimos años, un cambio radical en las técnicas de transmisión de información entre individuos y organizaciones. El cambio en sí se ha realizado en tan poco tiempo que no en todos los casos ha sido asimilado en toda su dimensión por los actores involucrados (usuarios, anunciantes, proveedores de servicios, etc.). En consecuencia, estos se exponen inconscientemente a múltiples riesgos que van más allá del acceso incontrolado de terceros a la información explícitamente delegada por ellos. Las redes sociales virtuales difieren de las redes sociales tradicionales en multitud de aspectos evidentes (número de individuos que las conforman, velocidad de crecimiento y evolución, dispersión geográfica de sus miembros, etc.). Paradójicamente, la percepción de muchos usuarios es que ambos tipos de redes son esencialmente iguales, propiciándose en consecuencia conductas de riesgo en el manejo de

142

© Editorial UOC


las herramientas de comunicación proporcionadas por las redes virtuales. Boyd y Ellison41 describieron las redes sociales virtuales a través de la siguiente definición: «Llamamos red social virtual (en lo sucesivo, OSN)42 a todo servicio web que permita a individuos: • Construir un perfil público o semipúblico a través del servicio. Típicamente dicho perfil se materializa a través de un sitio web cuyos contenidos son completamente accesibles y están indexados en buscadores (público) o del que solo es visible un resumen a menos que se cumplan una serie de requisitos establecidos por el usuario (semipúblico). • Determinar una lista identificando a otros usuarios del servicio con los que comparten una cierta conexión (contactos). • Ver y hacer búsquedas en la propia lista de contactos y en las listas de otros usuarios del servicio». La anterior definición (ampliamente aceptada y utilizada) es muy ambigua. Matemáticamente, las redes sociales pueden formalizarse como grafos. Un grafo es una representación en la que los elementos de un conjunto (nodos) se unen por mediante enlaces (aristas). En el caso de una OSN, cada nodo representaría a un usuario, y los enlaces entre nodos representarían las distintas políticas de conexión/emparejamiento definidas por el proveedor del servicio (el «dueño» de la red). Por ejemplo, una OSN en la que todos los usuarios pueden 41 Boyd, D.; Ellison, N. B. (2007). «Social network sites: Definition, history and scholarship». Journal of Computer-Mediated Communication (vol. 1, núm. 13). 42 Del inglés on line social network.

143

© Editorial UOC

Big data

enviar y recibir mensajes sin ninguna restricción se representaría a través de un grafo completo (ver figura 10): de cada nodo saldría un enlace hacia cada uno de los demás nodos del grafo. Por el contrario, una red de distribución de contenidos de un único proveedor se representaría mediante un grafo en el que de un nodo distinguido saldrían flechas dirigidas hacia todos los demás. Figura 10. Grafo completo. Fuente: elaboración propia

Las políticas que establece el proveedor de la ONS definen una relación binaria en el conjunto de nodos de la red. Pongamos por ejemplo el caso en el que el proveedor impone que los usuarios sólo pueden enviar mensajes a otros usuarios que estén en su lista de contactos, obligando además a que a ningún usuario se le permita estar en la lista de contactos de más de cinco miembros de la red. En este caso existen un número pequeño de grafos distintos compatibles con la política impuesta por la ONS, en los que cada nodo recibirá, a lo sumo, cinco enlaces. Así, la ONS puede clasificarse en

144

© Editorial UOC


función de las propiedades que cumple la relación binaria definida por el proveedor del servicio: reflexividad, simetría, transitividad, etc. Estas propiedades permiten clasificar la OSN y nos proporcionan una primera idea de cómo se gestiona la información depositada por los usuarios. Por ejemplo, una red transitiva es aquella en la que todo contacto de un usuario en mi lista de contactos es incluido inmediatamente en mi lista de contactos. Este escenario formal, aunque es útil como primera aproximación, presenta serias dificultades a la hora de detallar de manera abstracta las normas que rigen la relación de conexión. Figura 11. Esquema de una ONS. Las flechas representan conexiones, mientras que las líneas punteadas determinan el acceso a colecciones de datos. Fuente: elaboración propia

145

© Editorial UOC

Big data

En algunas redes sociales (como Facebook o MySpace), la relación que se establece (amistad) es simétrica y fácil de determinar a través de solicitudes explícitas de establecimiento de contacto entre los nodos. En otras redes, las relaciones son asimétricas (Twitter, YouTube) y se definen con arreglo a criterios profesionales (LinkedIn) o familiares (Geni),43 que son más subjetivas. Sin embargo, para estudiar una red social desde el punto de vista de la seguridad, no basta con entender la relación que define la topología (distribución de enlaces entre los nodos) de la red, pues una vez que esta se establece, los nodos conectados tienen múltiples posibilidades de interacción. En el escenario más sencillo, cada usuario compartiría toda la información que publica en su perfil con todos sus contactos. Existen sin embargo otras vías de transmisión de información implementadas en muchas redes sociales, como la mensajería selectiva (donde solo algunos contactos son receptores legítimos), el etiquetado de contenidos, la gestión de grupos de contactos, etc. A menudo, el análisis del comportamiento de ciertos usuarios con respecto a estas herramientas (cómo etiquetan, agrupan sus contactos o declaran preferencias) es una poderosa herramienta de perfilado que permite conocer al usuario tanto, o mejor, que analizando la información explícita que este ha subido a la red. Quizá, el único camino para abordar de manera eficaz los problemas de seguridad de una red social es comenzar por entender cuáles son los principales objetivos de los ataques potenciales y buscar contramedidas efectivas para contrarrestarlos. 43 Geni es una red social en que la lista de contactos de cada usuario es un árbol genealógico creado cooperativamente con sus familiares, con objeto de que estos puedan intercambiarse de manera cómoda y segura fotos, videos, etc.

146

© Editorial UOC


Presentamos a continuación algunos ejemplos de las amenazas más relevantes para usuarios y proveedores del servicio, comentando seguidamente qué contramedidas pueden adoptarse para evitarlos o minimizar sus daños.

6.1. Amenazas Centraremos nuestro análisis de amenazas considerando únicamente dos tipos de entidades afectadas: usuarios y proveedores de servicios (dueños/gestores de la ONS). Mencionamos, sin embargo, que otros agentes (anunciantes o proveedores de aplicaciones insertables en la red) son también susceptibles de sufrir ataques similares a los mencionados a continuación. Existen infinidad de trabajos en la literatura cuyo principal objetivo es identificar los principales riesgos para la privacidad de los usuarios de ciertas redes sociales y proponer contramedidas tanto técnicas como legales o educacionales.44 Los riesgos para el proveedor del servicio, es decir, la entidad que mantiene y gestiona la red social, son quizá menos conocidos pero no menos relevantes.45 Revisaremos algunas de las amenazas más destacables para ambos actores. 44 Para ampliar este tema se recomiendan las lecturas: Becker, J. L.; Chen, H. (2009). Meassuring privacy risk in on line social networks. Tesis doctoral. University of California, Davis. Acquisti, A.; Gross, R. (2006b). Privacy enhancing technologies (cap. «Imagined communities: Awareness, information sharing and privacy on the Facebook»). Springer. 45 Nuevamente, se recomiendan los textos: Felt, A.; Evans, D. (2008). Privacy protection for social networking platforms. Actas del Congreso Web 2.0 Security and Privacy 2008. IEEE; Fong, P. W. L. (2011). Preventing sybil attacks by privilege attenuation: A design principle for social network systems. Actas del Congreso Security and Privacy, IEEE.

147

© Editorial UOC

Big data

6.1.1. Amenazas al usuario Distinguimos entre dos tipos fundamentales de riesgos: los que provienen de usuarios y potenciales usuarios de la red, y aquellos que tienen su origen en el propio proveedor del servicio. 1) Amenazas ajenas al administrador de la ONS La privacidad de un usuario puede verse amenazada por otros usuarios de la red social y también por individuos no registrados en la misma con acceso parcial a sus contenidos. Más concretamente, podemos contemplar tres tipos de adversarios: • Usuarios en nuestra red de contactos Muchas redes sociales permiten seleccionar qué contenidos son accesibles a todos nuestros contactos y cuáles no. Sin embargo, con frecuencia, los propios usuarios no cambian la configuración de privacidad que por defecto establece la ONS, que suele ser bastante laxa. Del mismo modo, pocos usuarios son realmente conscientes de todos los datos que están a disposición de su lista completa de contactos (información de localización, archivos multimedia, informes de actividad, etc.). • Usuarios que no pertenecen a nuestra red de contactos Los riesgos más evidentes proceden de los usuarios que están en las listas de contactos de usuarios directamente conectados con un nodo (típicamente denominados FOF o FOFOF).46 Dentro de este tipo de amenazas, tiene especial 46 Friends of friends (amigos de amigos) y friends of friends of friends (amigos de amigos de amigos), respectivamente.

148

© Editorial UOC


relevancia la política que siga la ONS en lo que se refiere a contenidos con varios autores o propietarios.47 • Entidades externas a la red social. Este tipo de ataques se encuadra con frecuencia dentro de estrategias de negocio (legales o en la frontera de lo legal). Es importante destacar que muchos problemas de privacidad surgen del hecho de que el usuario está publicando información accesible desde fuera de la red, muchas veces de manera inconsciente.48 Otros elementos de riesgo proceden, sin embargo, del hecho de que las estrategias de marketing dirigidas a través de redes sociales no siempre proceden de entidades honestas, siendo incontables los casos en los que supuestos anunciantes distribuyen a través de una ONS contrabando de artículos, productos de dudosa garantía o con precios engañosos, contrabando, malware, etc. Otro ejemplo de amenaza al usuario, procede de las llamadas técnicas de inferencia de redes.49 Dichas técnicas permiten evaluar ciertas propiedades de los usuarios de una ONS analizando datos publicados en la red (a menudo con aparentemente escasa relación con las propiedades de interés). Por ejemplo, Acquisti y Gross50 demuestran cómo pueden determinar los cinco primeros dígitos del número de la seguridad 47 Información ampliada en: González Manzano, L.; González-Tablas, A. I.; De Fuentes, J. M.; Ribagorda, A. (2014b). Seguridad en redes sociales: problemas, tendencias y retos futuros. Actas del VII Congreso Iberoamericano en Seguridad Informática. 48 Por ejemplo, Twitter hace públicos los tuits por defecto, mientras que Google los indexa. 49 En inglés, network inference. 50 Acquisti y Gross (2006b), op. cit.

149

© Editorial UOC

Big data

social de un usuario de una red social a través de su fecha y lugar de nacimiento, datos que aparecen casi siempre en el perfil público del mismo en una ONS. Otras características más imprecisas del usuario son también trazables a través de estas técnicas. Como indica Pennachiotti,51 se analizan distintos factores para clasificar a los usuarios de Twitter como demócratas o republicanos a través de técnicas de machine learning. 2) Amenazas con origen en el proveedor del servicio Es frecuente que el planteamiento de diseño de la red social parta de la hipótesis de que los usuarios han de depositar confianza plena en el gestor de la misma, no contemplándose otra alternativa. Este tipo de planteamiento se ve reforzado por la propia aceptación por parte de los usuarios (muchas veces, escasamente consciente e informada) de excesivas políticas de privacidad. Evidentemente, todos los ejemplos de abusos mencionados en la sección anterior son aplicables a esta, pues habitualmente el gestor de la ONS tiene mayor acceso a la información depositada en la red que cualquiera de los agentes que allí consideramos.

6.1.2. Amenazas al proveedor de servicios No es posible que una ONS que opera incorrectamente proporcione garantía alguna de privacidad/seguridad a usuarios, anunciantes o terceras partes susceptibles de gestionar 51 Pennacchiotti, M.; Popescu, A. M. (2011). Democrats, republicans and starbucks afficionados: user classification in Twitter. Proceedings of the 17th International Conference on Knowledge Discovery and Data Mining, ACM.

150

© Editorial UOC


aplicaciones a través de esta. La confianza que estos agentes tengan en la ONS es un factor crucial que determina su éxito a todos los niveles: es por tanto prioritario para el proveedor del servicio no solo funcionar correctamente, sino también mantener una excelente reputación. El término reputación en este contexto es un concepto clave que recoge la precepción que la red proyecta en cuanto a integridad, robustez técnica, usabilidad y otras muchas facetas que determinan, en última instancia, la confianza que se depositará en ella. Es por ello que muchos de los ataques dirigidos a ONS proceden de competidores directos (por ejemplo, otros ofertantes de espacios publicitarios) y tienen como principal objetivo perjudicar su reputación. Mencionamos dos ejemplos destacados de este tipo de estrategias: • Sybil attacks. Se conocen con esta denominación los ataques realizados mediante la creación masiva de usuarios ficticios que pasan a formar parte de la red social con el objetivo de trastocar su reputación. Estos nodos maliciosos pueden inundar la red social de spam,52 sesgar sistemas de content rating,53 difamar masivamente a usuarios legítimos, etc. • Ataques de desanonimización. Muchas redes sociales publican (o venden) gran parte de sus datos tras algún tipo de proceso en el que la información sensible se desvincula de sus propietarios, es decir, se anonimiza (funda-

52 Correo no deseado ni solicitado por el receptor, habitualmente de tipo publicitario. 53 Sistemas que establecen valoraciones de contenidos (películas, series, programas televisivos, videojuegos, libros) basados en la recopilación masiva de opiniones y votos de usuarios.

151

© Editorial UOC

Big data

mentalmente por razones legales). Los llamados ataques de vecindario parten de una red social anonimizada e intentan detectar los datos relevantes de un usuario concreto de quien se conoce a priori información relativa a sus contactos.54

6.2. Contramedidas No existen medidas genéricas aplicables a todas las redes sociales que proporcionen suficientes garantías para los usuarios y proveedores de servicio. Comentamos a continuación algunas medidas genéricas que sí pueden entenderse como una primera línea defensiva frente a los ataques más frecuentes. Dichas medidas, en modo alguno, merman la necesidad de un abordaje individualizado, que permita a proveedores y usuarios tomar conciencia de los riesgos específicos a los que se enfrentan.

6.2.1. Concienciación Muchos de los riesgos que corre el usuario medio de una ONS son consecuencia de que este percibe la red como un entorno de confianza. Como constatan Gross y Acquisti,55 la mayoría de los usuarios no cambian la configuración de privacidad que la ONS establece por defecto. La causa de este comportamiento es solo en parte achacable a la inconsciencia 54 Zhou, B.; Pei, J. (2008). Preserving privacy in social networks against neighborhood attacks. Actas de la IEEE 24th International Conference on Data Engineering. 55 Acquisti y Gross (2006b), op. cit.

152

© Editorial UOC


del usuario. Otras causas son atribuibles a la ONS: con frecuencia, se pide al usuario que determine su configuración de seguridad nada más registrarse en la red, cuando aún no está familiarizado con sus herramientas. Modificar posteriormente dicha elección no siempre es sencillo ni alentado por la ONS, penalizando con ciertas limitaciones en el servicio a los usuarios que modifican la configuración establecida por defecto.

6.2.2. Gestión Distribuida Con el objetivo de evitar que en última instancia los usuarios tengan que depositar su confianza en el gestor de la ONS, proliferan las iniciativas de diseño en la que los propios usuarios gestionan la red virtual (o, al menos, su gestión está distribuida entre varias entidades). Este tipo de iniciativas presenta evidentes dificultades técnicas y resulta poco atractiva para determinados tipos de usuarios, aunque su uso está cada vez más extendido. Ejemplos prominentes son Diaspora o Friendica. La red social Diaspora está construida sobre la base de una red de servidores, que son alojados por distintas entidades y operan de manera independiente. Los usuarios de la red abren su cuenta a través de uno de estos servidores, pudiendo interactuar con otros usuarios independientemente del servidor que aloje a cada uno. Además, los usuarios de Diaspora no ceden la propiedad de su información y el software (al menos en teoría) permite al usuario retirar todos los datos que haya subido (favoreciendo el llamado derecho al olvido). Con la misma filosofía, Friendica se creó para que el usuario pudiese aglutinar en una estructura estable y confiable su participación en distintas redes no distribuidas (Facebook,

153

© Editorial UOC

Big data

Twitter, StatusNet,56 etc.). Creada desde la filosofía del software libre, es gestionada por voluntarios que abogan por la simplicidad para conseguir una red transparente ubicada en gran número de servidores.

6.2.3. Mejora en los modelos de control de acceso Los modelos de control de acceso persiguen diseñar el marco técnico adecuado para proporcionar las mínimas garantías de privacidad en distintos escenarios. Un modelo de control de acceso se define como un conjunto de criterios que el administrador de un sistema utiliza para delimitar los derechos y permisos de los usuarios del mismo. En el caso de una ONS, estos modelos se fundamentan a través de una serie de medidas de seguridad que permiten a los usuarios especificar quién accede a sus datos y por cuánto tiempo. Estos mecanismos no proporcionan, generalmente, alta granularidad,57 por lo que el usuario no puede expresar sus preferencias con excesivo detalle. Además, es frecuente que la propiedad de los datos no sea exclusiva de un usuario de la red, sino que varios usuarios compartan parte o la totalidad de un contenido. Por ejemplo, en una foto subida por cierto usuario de una ONS pueden aparecer varios usuarios 56 StatusNet, antes conocida como Laconica, es una red social para difusión de microblogs que ofrece una funcionalidad similar a Twitter, permitiendo publicar mensajes breves que definen el estado del usuario en cada momento. 57 Hablamos de granularidad para referirnos al número de categorías en las que podemos clasificar a nuestros contactos y/o contenidos. Una red con alta granularidad permite, por ejemplo, establecer una jerarquía en nuestra lista de contactos de manera que controlemos con exactitud qué información llega a los usuarios en cada nivel de la misma.

154

© Editorial UOC


de la misma red que hayan explicitado distintas preferencias en cuanto a la difusión de las imágenes en las que aparezcan. Evidentemente, en estos casos debería siempre aplicarse la más restrictiva entre las configuraciones de privacidad elegidas por los usuarios involucrados, o establecerse un mecanismo de enmascaramiento (por ejemplo, un pixelado parcial) aceptado por todos los usuarios. La complejidad de estas situaciones aumenta exponencialmente cuando varias ONS permiten el intercambio o gestión conjunta de contenidos. Máxime cuando, a menudo, las políticas de privacidad y copropiedad implementadas en los distintos proveedores del servicio entran en conflicto. Por ejemplo, Facebook ofrece apps desarrolladas por entidades externas incurriendo en situaciones altamente preocupantes: a menudo, si un usuario se instala una de estas apps, la entidad que la ha desarrollado puede acceder a ciertos datos de los usuarios en su lista de contactos.58

6.3. Conclusiones Las redes sociales son un escaparate casi ilimitado para la industria audiovisual. Su manejo acarrea sin embargo riesgos que organismos, individuos y empresas no siempre conocen. Muchas de las amenazas subyacentes tienen su origen en complejas técnicas de inferencia aplicadas a datos fácilmente extraíbles de los perfiles públicos de usuarios, sin incurrir en ningún tipo de infracción contemplada en el marco legal 58 Symeonidis, I.; Beato, F.; Tsormpatzoudi, P.; Preneel, B. (2015). Collateral damage of Facebook Apps: an enhanced privacy scoring model. Servidor de preprints de la IACR.

155

© Editorial UOC

Big data

correspondiente. La aplicación de contramedidas técnicas y, en primera instancia, la concienciación de los usuarios para que actúen defendiendo su privacidad, es imprescindible para el aprovechamiento óptimo de las oportunidades que estas herramientas nos abren.

156

© Editorial UOC


Bibliografía

Acquisti A.; Gross, R. (2006a). «Predicting social security numbers from public data». Proceedings of the National Academy of Sciences (vol. 27, núm. 106, págs. 10975-10980). Acquisti A.; Gross, R. (2006b). Privacy enhancing technologies (cap. «Imagined communities: Awareness, information sharing and privacy on the Facebook»). Springer. Becker, J. L.; Chen, H. (2009). Meassuring privacy risk in on line social networks. Tesis doctoral. University of California, Davis. Berlanga, I. (2013). «Desgranando comScore: ¿cómo mide sus datos? (I)» [en línea]. Boyd, D.; Ellison, N. B. (2007). «Social network sites: Definition, history and scholarship». Journal of Computer-Mediated Communication (vol. 1, núm. 13). Bradshaw, T. (2015). «Snapchat triples video traffic as it closes the gao with facebool» [en línea]. Financial Times. Clasen, A. (2015). «Why Instagram is so important to Millennials». Informe Coming of Age on Screens (study commissioned by Facebook). Crowd DNA. Felt, A.; Evans, D. (2008). Privacy protection for social networking platforms. Actas del Congreso Web 2.0 Security and Privacy 2008, IEEE.

157

© Editorial UOC

Big data

Fong, P. W. L. (2011). Preventing sybil attacks by privilege attenuation: A design principle for social network systems (págs. 131-146). Actas del Congreso Security and Privacy, IEEE. GFK Media and Entertainment (2015). Whitepaper Big Questions, Big Answers. González Manzano, L.; González-Tablas, A. I.; De Fuentes, J. M.; Ribagorda, A. (2014a). CooPeD: Co-owned Personal Data Management. Computers and Security. González Manzano, L.; González-Tablas, A. I.; De Fuentes, J. M.; Ribagorda, A. (2014b). Seguridad en redes sociales: problemas, tendencias y retos futuros. Actas del VII Congreso Iberoamericano en Seguridad Informática. Gross R.; Acquisti, A. (2005). Information revelation and privacy in online social networks (págs. 71-80). Actas del First Workshop on Online Social Networks. ACM. Kemp, S. (2016). DIGITAL IN 2016. We Are Social’s. Compendium of global digital, social, and mobile data, trends, and statistics. Marqués Pascual, J. (2012). La caída de la difusión en los medios de pago. Principales causas y su relevancia en el caso español. Barcelona: Universitat Ramon Llull. Medina, M. (2015). La Audiencia en la Era Digital. Editorial Fragua. Novak, E.; Li, Q. (2012). A Survey of Security and Privacy in Online Social Networks. College of William and Mary Computer Science Technical Report. Pennacchiotti, M.; Popescu, A. M. (2011). Democrats, republicans and starbucks afficionados: user classification in Twitter. Proceedings of the 17th International Conference on Knowledge Discovery and Data Mining, ACM.

158

© Editorial UOC


Roca, Á. (2015). «Marca.com cumple 20 años» [en línea]. Symeonidis, I.; Beato, F.; Tsormpatzoudi, P.; Preneel, B. (2015). Collateral damage of Facebook Apps: an enhanced privacy scoring model (pág. 456). Servidor de preprints de la IACR. Tsichiya, Aki (2014). «How can TV ride the big data wave?» [en línea]. The Guardian. Zhou, B.; Pei, J. (2008). Preserving privacy in social networks against neighborhood attacks. Actas de la IEEE 24th International Conference on Data Engineering.

159

© Editorial UOC

Epílogo

Epílogo

El uso del big data y el business intelligence comienza tímida mente a ser implantado en negocios vinculados a las nuevas tecnologías, tal y como es la industria audiovisual. Esta gestión de macrodatos ofrece el gran potencial de encontrar valor en el día a día, logrando personalizar los productos y servicios de manera que el big data se incluya en los objetivos de negocios. Un claro ejemplo lo encontramos en los dispositivos wearable, que integran datos personales en la tecnología. Luego, un paso más relaciona el concepto de negocio surgiendo así el «internet industrial de las cosas». El sector audiovisual, en concreto, cuenta a su favor con un valor muy importante, la audiencia social: un espectador que opina y recomienda. Por primera vez, las empresas de los diferentes entornos audiovisuales son capaces de conocer el impacto real de sus contenidos digitales hasta el punto de ofrecerlos a medida de sus diversos targets: esto es la hiperpersonalización e hipersegmentación. A partir de aquí, las posibilidades que surgen son inmensas. Comentábamos en las primeras páginas de este libro que, en algunos ámbitos, la transición hacia nuevos hábitos digi tales no ha sido completada: hay flecos o, simplemente, los tiempos que se manejan son diferentes. Este es, por ejemplo, el caso del entorno legal y su ordenamiento con respecto al conglomerado de datos que se vuelcan en la red. Son

161

© Editorial UOC

Big data

muchos los nuevos conflictos que comienzan a surgir, pero quizás todos ellos rozan las cuestiones de privacidad y su consiguiente seguridad. La Ley de protección de datos1 o la Sentencia del derecho al olvido son los principales referen tes que nos van a ayudar en un entorno tecnológico de big data. Los medios de comunicación han trasladado noticias polémicas de diversa índole, por ejemplo aquellas relativas a la política de privacidad y protección de datos de las smart TV de Samgsun, según la cual, previo consentimiento del propietario, estos dispositivos grababan conversaciones para luego transferirlas a un tercero. Este tipo de noticias dejan en evidencia que, como usuarios, no siempre somos conscientes de la cantidad de datos de carácter personal que ofrecemos al universo de internet. Ahora, con el big data, estos datos particulares de hábitos o comportamientos pueden ser compartidos con otros, de manera anónima o etiquetada a nuestro nombre. Otro ejemplo interesante es la geolocalización, según la cual compartimos voluntariamente con el mundo el lugar en el que nos encontramos. Hablamos aquí de redes sociales como Foursquare o Swarm y sus famosos check-in. Pero, otras veces, dar esta información, forma parte de las condiciones de uso de una aplicación o dispositivo. Pensemos ahora en todas las acciones que se pueden acometer sabiendo dónde se encuentra una persona en un momento exacto. En general, la obtención de datos particulares sin un marco regulatorio que lo controle es un 1 Ley orgánica 15/1999, de 13 de diciembre, de protección de datos de carácter personal, y Real decreto 1720/2007, de 21 de diciembre, por el que se aprueba el reglamento de desarrollo de la Ley orgánica 15/1999, de 13 de diciembre, de protección de datos de carácter personal.

162

© Editorial UOC

Epílogo

diamante en bruto para determinados sectores. Nuevamente, el concepto de utilidad cobra fuerza. Habrá industrias que emplearán esta información en su propio beneficio, como es la predicción de fraude en la banca. Otros usarán estos datos en beneficio de la sociedad, este es el caso de la medicina. En diciembre de 2015, los miembros de la Unión Interna cional de Telecomunicaciones (UIT) aprobaron la primera norma internacional de organización de grandes volúmenes de datos, big data.2 Por primera vez se daba un marco legal a los volúmenes, capacidades y casos de uso del big data. Hoy la UIT da, entre otras cosas, coherencia a la hora de hablar de terminología relativa a gestión masiva de datos, ofreciendo una base común para el desarrollo de los servicios de big data y las normas técnicas correspondientes. Así pues, se propone definir el big data como «un paradigma para hacer posible la recopila ción, el almacenamiento, la gestión, el análisis y la visualización, potencialmente en condiciones de tiempo real, de grandes conjuntos de datos con características heterogéneas».3 A partir de aquí, cada país, en función de sus lógicas de mercado, irá estableciendo el escenario legal que ponga límites y ordene el entramado de la gestión de los datos que hacen las empresas. Fue en agosto de 1991 cuando comenzó a desarrollarse la World Wide Web con una serie de principios que hoy reco nocemos como vitales. Entre otros, que todo el mundo tenga la oportunidad de acceder a la información, y también com partirla, esto lo conocemos también como la neutralidad en la 2 Disponible en [Consulta: 10 de enero de 2016] www.itu.int/itu-t/recommenda tions/rec.aspx?rec=12584 3 Recomendación UIT-T Y.3600 «Grandes volúmenes de datos – requisitos y capacidades basados en la computación en la nube».

163

© Editorial UOC

Big data

red. Años después, su creador Tim Berners-Lee hacía público un llamamiento a la sociedad: «Por favor, compartan sus datos, súbanlos a la web»,4 y lo hacía consciente de que todavía hay un gran potencial en la web, pero también una gran frustración. La idea que emerge con fuerza parte de la base de que los datos compartidos, en un entorno de macro datos (de big data, en definitiva), puede romper mitos y también empoderar a las personas y a las organizaciones. Esto es el open data (datos abiertos) y es vital comprender tanto sus posibilidades como su trascendencia.5 La apuesta por compartir conocimiento en entornos big data encuentra un apoyo perfecto en la creación de software abierto, con virtiéndolo en un servicio (SaaS). Desde el gobierno público, muchos países apuestan por usar tecnologías de visualización SaaS de datos open source que permitan que la sociedad avance. Esto se produce por varios motivos: los datos se entienden mejor, se pueden tomar decisiones más rápidas y la sociedad puede aportar conocimiento. Las TIC, internet y el big data sugieren conceptos de parti cipación y colaboración, pero también democratización, esto es, la posibilidad de la participación de todos. Sin embargo, la realidad es que se observan brechas que interfieren en el avance de la tecnología; por ejemplo, países que no acceden a la web o que, simplemente, no tienen dispositivos.

4 Tim Berners-Lee manifiesta sus puntos de vista en diversas presentaciones disponibles en la plataforma TED.com y en su proyecto de open data. [Fecha de consulta: 1 de marzo de 2016]. 5 Fernández, Eva Patricia (2014). «Datos: pastilla azul o roja» [en línea]. Innovación Audiovisual. [Fecha de consulta: 1 de marzo de 2016].

164

© Editorial UOC

Epílogo

¿Cuánta población no accede a internet y, por lo tanto, se encuentra fuera del big data? A lo largo de estas reflexiones y conclusiones finales, con un matiz personal y también crítico, se ponen de manifiesto diferentes connotaciones y aproximaciones que cuestionan el tema de este libro, el big data. Aplicar conceptos tecnológicos a una estructura industrial como la audiovisual nos obliga a tener perspectiva y entender bien los procesos actuales para poder dar los siguientes pasos. Como decíamos, tenemos mucha suerte de vivir este tiempo de revolución tecnológica.

165

© Editorial UOC

Glosario

Glosario

algoritmo m Secuencia de instrucciones que permite obtener un conjunto de datos de salida a partir de un conjunto de datos de entrada. En matemáticas, la entrada de un algoritmo son los datos iniciales de un problema, mientras que la salida es la solución al mismo. API m Véase application programming interface. application programming interface m Lenguaje que hablan unos plataformas/softwares con otros para compartir datos y entenderse. sigla API BI f Véase business intelligence. big data m Término empleado para referirse a toda aquella cantidad ingente de datos que, debido a sus características, no pueden ser siempre procesados por los sistemas informáticos actuales. business intelligence f Inteligencia de negocio basada en datos que tiene como objetivo tomar la mejor decisión en el menor tiempo posible. sigla BI cookies f pl Archivos de texto ubicados en el directorio del navegador. A través de ellos, el usuario puede ser reconocido. CRM m Véase customer relationship management. customer relationship management m Modelo de gestión de las empresas basado en el conocimiento del cliente y orientado a su satisfacción.

167

© Editorial UOC

Big data

sigla CRM data warehouse m Almacén de datos. ETL m y f Véase extract, transform and load. extract, transform and load m y f Procesos de que, en español, se conocen como extracción, transformación y carga. sigla ETL grafo m Representación en la que los elementos de un conjunto (nodos) se unen por mediante enlaces (aristas). granularidad f Número de categorías en las que podemos clasificar nuestros contactos y/o contenidos. Una red con alta granularidad permite, por ejemplo, establecer una jerarquía en nuestra lista de contactos de manera que controlemos con exactitud qué información llega a los usuarios en cada nivel de la misma. inferencia de redes f Análisis estadístico de los datos obtenidos de una red, incluyendo la información relativa a su estructura y actividad. machine learning f Rama de la inteligencia artificial que establece técnicas por las que las máquinas puedan «aprender» a partir de los datos que dispone. malware m Software malicioso. Ejemplos destacados son los virus informáticos, o los llamados «troyanos», fragmentos de código que posibilitan el acceso remoto de adversarios en un sistema informático. modelo de control de acceso m Conjunto de criterios que el administrador de un sistema utiliza para delimitar los derechos y permisos de los usuarios del mismo. raw data f Información o datos sin procesar ni analizar. En español se denominan «datos en crudo». return of investment m Retorno económico sobre la inversión. sigla ROI ROI m Véase return of investment.

168

© Editorial UOC

Glosario

segunda pantalla f Referido al consumo social de la televisión. Son los dispositivos portátiles, tabletas o smartphones. Se usan en paralelo y permiten la interactuación con los contenidos televisivos. streaming f Distribución digital de contenidos en tiempo paralelo a la descarga. El contenido no queda alojado ni descargado en el ordenador. tags/tagging f pl Etiquetas o categorizaciones. Acción de etiquetar contenidos para su posterior búsqueda. timeline m Espacio de una red social dedicado a la interacción entre sus usuarios. transmedia m Lenguaje narrativo que cumple tres características: 1.º, creación de un universo narrativo profundo; 2.º, utilización de diferentes canales o plataformas para su manifestación; 3.º, participación activa del público en la creación o consumo del contenido. video on demand m Acceso a contenidos televisivos de manera personalizada. Es el consumo bajo demanda. sigla VOD VOD m Véase video on demand. wearables m pl Dispositivos llevables en el cuerpo, tales como relojes o pulseras, capaces de acceder a información vital del ser humano y generar big data.

169

Big Data Eje Estratégico en La Industria Audiovisual

Recommend Documents