Tendencias Científicas
Una de las horas punta para leer Twitter y retuitear es el comienzo de la jornada laboral. Imagen: Johan Larsson. Fuente: Flickr.
¿Cuál es la mejor hora para twittear, para asegurar la participación máxima de la audiencia? Investigadores de la Escuela de Negocios Robert H. Smith de la Universidad de Maryland (EE.UU.) han demostrado que un algoritmo que tiene en cuenta la actividad pasada de cada uno de sus seguidores -y hace predicciones sobre tuiteos futuros- puede conducir a más retuits que otros métodos usados habitualmente, como publicar en momentos de máxima afluencia.
William Rand, director del Centro para la Complejidad de los Negocios de de la UMD, con co-autores de los departamentos de ciencias de la computación y física, examinó los patrones de retuiteo de 15.000 seguidores en Twitter durante dos intervalos diferentes de cinco semanas, en 2011 y 2012, de 6 de la mañana a 10 de la noche. Lo retuits son especialmente valiosos para los anunciantes, ya que ayudan a difundir el mensaje de una marca más allá de los seguidores fieles.
La mayoría de los vendedores son muy conscientes de que hay un patrón en el tráfico de Twitter. En la madrugada, no pasa casi nada. Entonces, cuenta la nota de prensa de la universidad, la gente entra a trabajar y retuitea intensamente, y hace su navegación mañanera.
El número de retuits baja a medida que avanza el día, con un leve aumento a las 5 de la tarde. Luego se recupera de nuevo "cuando la gente vuelve a sus ordenadores después de la cena, o están en un bar o restaurante usando sus teléfonos", explica Rand. De lunes a viernes se sigue más o menos ese patrón, pero sábado y domingo muestran un comportamiento marcadamente diferente, con picos mucho más pequeños por la mañana y menos declive durante el día.
El modelo "estacional" de publicación -el de la sabiduría popular- sugeriría publicar durante algún pico. Los autores compararon ese modelo con otros dos: En uno, añadieron al modelo de temporada un componente que buscaba oleadas y descensos inusuales (causados, por ejemplo, por grandes noticias de actualidad). El segundo nuevo modelo se construyó a partir de cero: Se tuvo en cuenta el comportamiento tuiteador individual de cada seguidor y predijeron su probabilidad de tuitear en los 10 minutos siguientes.
En cada período de cinco semanas de estudio, los autores utilizaron las primeras cuatro semanas para construir un modelo y la última semana para probarlo.
Los tres modelos eran razonablemente eficaces, pero el algoritmo que escribieron los autores de cero fue el más exitoso en generar retuits. Los autores han puesto el software de código abierto desarrollado para el estudio disponible en línea.
William Rand, director del Centro para la Complejidad de los Negocios de de la UMD, con co-autores de los departamentos de ciencias de la computación y física, examinó los patrones de retuiteo de 15.000 seguidores en Twitter durante dos intervalos diferentes de cinco semanas, en 2011 y 2012, de 6 de la mañana a 10 de la noche. Lo retuits son especialmente valiosos para los anunciantes, ya que ayudan a difundir el mensaje de una marca más allá de los seguidores fieles.
La mayoría de los vendedores son muy conscientes de que hay un patrón en el tráfico de Twitter. En la madrugada, no pasa casi nada. Entonces, cuenta la nota de prensa de la universidad, la gente entra a trabajar y retuitea intensamente, y hace su navegación mañanera.
El número de retuits baja a medida que avanza el día, con un leve aumento a las 5 de la tarde. Luego se recupera de nuevo "cuando la gente vuelve a sus ordenadores después de la cena, o están en un bar o restaurante usando sus teléfonos", explica Rand. De lunes a viernes se sigue más o menos ese patrón, pero sábado y domingo muestran un comportamiento marcadamente diferente, con picos mucho más pequeños por la mañana y menos declive durante el día.
El modelo "estacional" de publicación -el de la sabiduría popular- sugeriría publicar durante algún pico. Los autores compararon ese modelo con otros dos: En uno, añadieron al modelo de temporada un componente que buscaba oleadas y descensos inusuales (causados, por ejemplo, por grandes noticias de actualidad). El segundo nuevo modelo se construyó a partir de cero: Se tuvo en cuenta el comportamiento tuiteador individual de cada seguidor y predijeron su probabilidad de tuitear en los 10 minutos siguientes.
En cada período de cinco semanas de estudio, los autores utilizaron las primeras cuatro semanas para construir un modelo y la última semana para probarlo.
Los tres modelos eran razonablemente eficaces, pero el algoritmo que escribieron los autores de cero fue el más exitoso en generar retuits. Los autores han puesto el software de código abierto desarrollado para el estudio disponible en línea.
En Facebook
En una línea parecida, investigadores de la Universidad de Chapman (Orange, California) han utilizado Facebook para identificar grupos sociales y líderes de opinión y determinar matemáticamente la mejor manera de difundir información, utilizando información sanitaria en este caso. Lo que encontraron es que contar con los grupos sociales es igual de importante que contar con los líderes.
"En los términos sencillos, nos preguntamos: ¿Podemos determinar matemáticamente si algo va a ser viral en Facebook?", explica Daniele Struppa, rector de la Universidad, en la nota de prensa.
"Este trabajo desafía a lo que se pensaba hasta ahora", explica el profesor Kerk Kee. "Los métodos de difusión comunes sugieren que emplear a un líder de opinión es la mejor manera de difundir la información; sin embargo, esta investigación sugiere que una persona de un grupo social puede difundir información a otras personas en Facebook con la misma eficacia o más bajo ciertas configuraciones de red".
"Se puede argumentar que Facebook se ha convertido en una parte integral de la comunicación de muchas personas; pero la gente sigue siendo sociales con sus grupos de amigos", dice la profesora Lisa Sparks. "Chatean en línea con amigos y se mantienen al día de sus vidas a través de sus páginas de Facebook".
En una línea parecida, investigadores de la Universidad de Chapman (Orange, California) han utilizado Facebook para identificar grupos sociales y líderes de opinión y determinar matemáticamente la mejor manera de difundir información, utilizando información sanitaria en este caso. Lo que encontraron es que contar con los grupos sociales es igual de importante que contar con los líderes.
"En los términos sencillos, nos preguntamos: ¿Podemos determinar matemáticamente si algo va a ser viral en Facebook?", explica Daniele Struppa, rector de la Universidad, en la nota de prensa.
"Este trabajo desafía a lo que se pensaba hasta ahora", explica el profesor Kerk Kee. "Los métodos de difusión comunes sugieren que emplear a un líder de opinión es la mejor manera de difundir la información; sin embargo, esta investigación sugiere que una persona de un grupo social puede difundir información a otras personas en Facebook con la misma eficacia o más bajo ciertas configuraciones de red".
"Se puede argumentar que Facebook se ha convertido en una parte integral de la comunicación de muchas personas; pero la gente sigue siendo sociales con sus grupos de amigos", dice la profesora Lisa Sparks. "Chatean en línea con amigos y se mantienen al día de sus vidas a través de sus páginas de Facebook".
Referencias bibliográficas:
Jimpei Harada, David Darmon, Michelle Girvan, William M. Rand. Forecasting High Tide: Predicting Times of Elevated Activity in Online Social Media. SSRN Electronic Journal (2015). DOI: 10.2139/ssrn.2589568
Kerk F. Kee, Lisa Sparks, Daniele C. Struppa, Mirco A. Mannucci, Alberto Damiano: Information diffusion, Facebook clusters, and the simplicial model of social aggregation: a computational simulation of simplicial diffusers for community health interventions. Health Communication (2015). DOI: 10.1080/10410236.2014.960061
Jimpei Harada, David Darmon, Michelle Girvan, William M. Rand. Forecasting High Tide: Predicting Times of Elevated Activity in Online Social Media. SSRN Electronic Journal (2015). DOI: 10.2139/ssrn.2589568
Kerk F. Kee, Lisa Sparks, Daniele C. Struppa, Mirco A. Mannucci, Alberto Damiano: Information diffusion, Facebook clusters, and the simplicial model of social aggregation: a computational simulation of simplicial diffusers for community health interventions. Health Communication (2015). DOI: 10.1080/10410236.2014.960061
Inicio
Enviar a un amigo
Versión para imprimir
Compartir
El Internet de las Cosas se propaga rápidamente 
CIENCIA ON LINE