Desde que comencé a trabajar en Tweet Binder me he centrado en el aspecto cuantitativo de la información en Twitter, especialmente en cómo presentar esa información y qué nuevas métricas poder aportar a los informes de Twitter que creamos en Tweet Binder. En este sentido la cosa ya casi va sola, la plataforma crece cada día a un ritmo que ni yo mismo pude imaginar y el equipo la hace más grande si cabe. Por esa razón hemos empezado a trabajar en una nueva línea de negocio que son los informes cualitativos de información en Twitter, se trata básicamente de interpretar los datos de los informes de Tweet Binder, ponerlos en un documento, redactar unas conclusiones y buscar qué soluciones pueden darse si es caso. Pues bien, acabo de descubrir un mundo alucinante, después de varios años estudiando métricas en Twitter, ahora puedo aplicar ese conocimiento a casos reales y ayudar a nuestros clientes a interpretar los datos de sus informes. Está siendo una aventura genial.
Antes de nada es importante recalcar que este modelo no es escalable, suena muy bonito pero los informes cualitativos paralizan a quien los hace durante horas o incluso días y el mantra en Tweet Binder siempre ha sido que el cliente ha de hacer todo sin interacción de uno de nuestros agentes. Pero estos informes cualitativos son algo tremendamente entretenido y casi los realizo por diversión además de que son algo que nos ayuda a mejorar la plataforma una barbaridad ya que usas tu producto con los ojos de un cliente.
Los informes cualitativos en Twitter son muy diferentes unos de otros y no tienen que seguir el mismo patrón. Por ejemplo: hace poco analizamos para un cliente el impacto de una crisis de reputación grave que tuvo en 2016 y vimos como los medios de comunicación habían tenido un papel fundamental en ella. Ante ello, dedicamos un tiempo específico en analizar qué medios y qué noticias de esos medios habían sido compartidas y qué impacto habían tenido. Luego comparamos esas noticias con otras noticias de casos similares compartidas por esos medios y estudiamos su impacto para poder comparar con el nuestro, apasionante (de verdad). Es decir, uno puede empezar a analizar e investigar y cuando encuentra algo interesante puede tirar de la manta y llegar a lugares ocultos con un valor incalculable.
La parte semántica la hemos trabajado últimamente más y es algo que nos piden muchísimo los clientes. Soy muy reacio a insertar por defecto el motor semántico en los informes cuantitativos estándar de Tweet Binder porque sólo nos funciona para español y medianamente inglés, y en Tweet Binder se analizan términos en gran cantidad de idiomas todos los días, así que no valdría. Sin embargo, para informes cualitativos está muy bien si bien requiere cierto trabajo manual por parte del agente para limpiar información no relevante. La semántica automática en Twitter funciona de aquella manera pero si un humano le echa un cable, los resultados son muy aceptables. Lo raro es que, a pesar de que no ofrecemos análisis semántico en Tweet Binder de principio, si busco en Google analisis semantico twitter (sin tildes, a lo loco), el segundo resultado es un artículo sobre Tweet Binder:
Nos estamos encontrando con que estos informes están teniendo una muy buena acogida y la venta es sencilla. Por otro lado el resultado es muy valorado por los clientes si bien no es nuestro core de negocio. Como he dicho anteriormente, estos informes nos están haciendo usar la plataforma de manera muy heavy y nos están ayudando a mejorar muchísimo, pero no son algo escalable, Tweet Binder no es una consultora. A nivel personal, el hecho de poder hacer estos informes es algo apasionante, espero no cansarme y ser capaz de hacer muchos más.
Javier Abrego's Blog 