Slideshare: Monitoramento de Mídias Sociais – Inteligência de Mercado (parte 2/4), de Tarcízio Silva

Esta é a segunda parte de uma série de quatro postagens que trarão à cena o material do curso “Monitoramento de Mídias Sociais – Inteligência de Mercado”, ministrado por Tarcízio Silva para a Faculdade Cásper Líbero. No primeiro “capítulo”, aprendemos um pouco sobre o conceito de monitoramento de mídias sociais e inteligência de mercado, pensando principalmente como essas duas coisas podem se entrelaçar e se ajudar. No post sobre a primeira parte do material (disponível online e gratuitamente no Slideshare), também foi apresentada uma introdução sobre o processo de estruturação do trabalho de monitoramento de mídias sociais – apresentando, inicialmente, as etapas de briefing, demanda de informação e exploração inicial.

Já sabemos, portanto, quais são e como devem ser dados os primeiros passos para um projeto de monitoramento – pensando principalmente questões anteriores a qualquer experiência prática do trabalho em si. Tendo o contexto do projeto (histórias da marca, concorrentes, objetivos principais e específicos), o escopo e as necessidades do trabalho (qual é a demanda e a que será atendida), e uma ilustração superficial (através da exploração inicial) do que encontraremos pela frente, podemos então tentar compreender quais são as possibilidades de busca nas ferramentas de monitoramento. Embora a pesquisa por comentários ou menções seja a mais comum, o foco pode ser outro – analisar mais à fundo, por exemplo, tipos de usuários X (jogadores de LOL no Rio de Janeiro). Tarcízio apresenta, no material, os seguintes tipos de busca: keywords, canais, usuários, metadados, imagens.

• BUSCA NO MONITORAMENTO: KEYWORDS

A busca por keywords é a mais comum – até porque é uma das funções mais básicas de qualquer ferramenta de monitoramento na internet (o próprio Twitter, por exemplo, permite essa busca simples por termos específicos). Pode-se pesquisar o nome da sua empresa/marca, o nome de um produto específico, a hashtag de uma campanha, produtos concorrentes e muito mais. Um desafio a ser enfrentado é o fato da pluralidade de muitas palavras da língua portuguesa – no material, por exemplo, atentamos para a ambiguidade da palavra “Centauro”. É uma dificuldade comum a ser encontrada e a solução para o problema está em saber combinar o termo com comportamentos/funções/categorias que garantam maior precisão na busca pela marca referida. Ainda assim, é importante ficar atento para erros comuns: redundância, língua, combinação muito restrita, termo muito amplo (conforme apresentado no material).

Slide 13: “Monitoramento de Midias Sociais – Casper Libero – 07/2015 – parte 02”, de Tarcízio Silva

• BUSCA NO MONITORAMENTO: CANAIS

Outro projeto bastante comum no trabalho de monitoramento em mídias sociais para marcas/empresas é o monitoramento de canais específicos – são eles, por exemplo, páginas do Facebook, perfis do Twitter, Reclame Aqui, blog, etc. Esse acompanhamento permite analisar a reação ao conteúdo produzido dentro de canais próprios, identificando a mobilização de usuários e conversações entre eles. No contexto dos tipos de buscas, significa (em contraponto ao primeiro) não analisar algo, mas um “determinado local”. Tendo esse espaço bem delimitado, pode-se trabalhar em cima dele para o desenvolvimento dos próximos passos no processo.

• BUSCA NO MONITORAMENTO: USUÁRIOS

É possível também, em vez de olhar para algo ou algum lugar, olhar para alguém (ou alguéns). Neste caso, a proposta se assemelha (de certa forma) à famigerada prática comum na internet de “stalkear” – de uma maneira mais profissional, é claro. Dentro as utilidades, o material cita: compreender melhor os consumidores da marca; checar atuação de porta-vozes e figuras chave na organização; realizar estudos sobre segmentos de consumidores e seus comportamentos. Alguns desafios, assim como em todos os outros, podem (e provavelmente irão) ser encontrados, como, por exemplo, a simples impossibilidade de tratar perfis privados (Twitter ou Instagram) e em plataformas mais fechadas (avessas à disponibilização de dados), com o próprio Facebook.

• BUSCA NO MONITORAMENTO: METADADOS

Slide 19: “Monitoramento de Midias Sociais – Casper Libero – 07/2015 – parte 02”, de Tarcízio Silva

Esta talvez seja uma das buscas mais interessantes. Quem entende/conhece o básico sobre qualquer linguagem de código para web (HTML, JavaScript, etc.) sabe que há muito mais informação numa página do que aparece no navegador (a imagem do slide acima ilustra isso muito bem). Isso permite, por exemplo, identificar qual foi a língua utilizada naquela página ou de onde saiu a produção daquela imagem/texto. Profissionais de monitoramento têm aproveitado essa oportunidade para fazer pesquisas baseadas em geotags, por exemplo, analisando a produção de conteúdo que sai de algum lugar específico – principalmente no Instagram, mas também no Twitter.

No material, Tarcízio apresenta o trabalho realizado pela agência Thinking Insight para a primeira edição do Festival Tomorrowland no Brasil. O estudo feito com a ferramenta Geofeedia analisou mais de 20 mil publicações durante seis dias de monitoramento em cinco plataformas diferentes (Instagram, Flickr, Twitter, YouTube e Facebook). Desta forma, foi possível identificar alguns comportamentos peculiares do público e compreender qual relação era mantida com as marcas e produtos no festival. Com esse levantamento de produtos e experiências em evidências, marcas interessadas podem se preparar para possíveis ações futuras que garantam uma relação direta com o público baseado no que ele já teve a dizer anteriormente. Vale a pena conferir o trabalho:

• BUSCA NO MONITORAMENTO: IMAGENS

Há, até então, duas formas possíveis para o monitoramento de imagens: a primeira, mais simples, utiliza-se das hashtags e/ou textos descritivos para localizar (e coletar) o conteúdo; a segunda, mais avançada, é feita por apenas algumas ferramentas especializadas que trabalham com uma tecnologia semelhante à de reconhecimento facial para localizar as marcas dentro das fotos compartilhadas (confira uma demonstração nesta apresentação). É um monitoramento utilizado geralmente por marcas de grande porte no mercado, uma vez que o processamento visual é custoso e ainda muito impreciso – algumas ferramentas que fazem esse tipo de busca são a Ditto e Gazemetrix. O estudo abaixo foi feito pela Social Figures, utilizando o primeiro tipo de busca, para tentar compreender um pouco da relação do paulistano com a cidade e também com o Instagram. Foram analisadas mais de 13 mil fotos contendo hashtags comuns à cidade de São Paulo para chegar ao resultado:

Vale a pena também dar uma olhada na apresentação abaixo feita pela Ditto para apresentar um estudo sobre análise de clustering com marcas compartilhadas nos sites de redes sociais. É possível ter uma ideia de como a ferramenta trabalha para a identificação das marcas e do que, para além disso, ela é capaz de fazer pelas empresas. Novamente, como se trata de uma tecnologia bastante desenvolvida, o preço é alto e só grandes marcas conseguem bancá-lo – mais vai que um dia chega a sua vez, né? Confira:

Após compreender como podem ocorrer as buscas no projeto de monitoramento de mídias sociais e antes de partimos para as ferramentas capazes de coletar os dados, Tarcízio chama a atenção para uma reflexão importante – anterior à execução do trabalho. Num dos posts mais populares do seu blog, ele traz a Pirâmide de Maslow (“uma sistematização da hierarquia de necessidades proposta pelo psicólogo Abraham Maslow em 1943”) para o contexto do monitoramento em rede. Desta forma, ele explica que “quanto mais camadas simbólicas um produto, serviço ou atividade apresenta, mais frequentes tendem a ser as expressões e mais ricos serão os insights gerados”. Em outras palavras, parte-se da compreensão popular de que nem tudo é compartilhado no Facebook (nem, muito menos, no Instagram).

A publicidade e o marketing passaram anos trabalhando para que as marcas criassem para si uma valorização simbólica que diferencia um simples smartphone de um iPhone; ou de um simples fone de ouvido para um Beats1. Isso significa que o capital social (leia mais neste post) desenvolvido através do compartilhamento dos últimos é bem mais valorizado do que os dos primeiros. Quando se tratam de produtos mais inferiores na pirâmide, relacionados a aspectos fisiológicos e de segurança, a conversação em rede costuma ser ainda mais escassa – basta analisar quais páginas de marcas são mais populares em sites como Facebook para compreender quais permitem uma conversação maior ao seu redor. Tarcízio explica que isso facilita a compreensão prioritária do analista de monitoramento e permite, antes da busca exploratória, imaginar um escopo coerente para o projeto.

Podemos prosseguir, então, para a apresentação das ferramentas de coleta de dados. Elas podem ser manual/semi-manual (Topsy e o próprio Microsoft Excel) ou plenas comerciais (BrandCare, Seekr, Scup, Radian6, Livebuzz, dentre outras). Há também as “soluções próprias” que exigem maior conhecimento de programação para lidar com as linguagens R ou python – recomendada para analistas mais de exatas. Por fim, conforme apresentado no material, há ainda softwares acadêmicos/experimentais como o NodeXL ou a Netlytic, geralmente mais acessíveis ao público e com mais possibilidade de manuseio dos dados. Essa última foi apresentada por Tarcízio num post recente do blog do IBPAD (Instituo Brasileiro de Pesquisa e Análise de Dados) – para conhecimento de todos.

Slide 39: “Monitoramento de Midias Sociais – Casper Libero – 07/2015 – parte 02”, de Tarcízio Silva

CLASSIFICAÇÃO E POLARIZAÇÃO: Definição dos modos de análise e codificação dos dados

Retomando o processo de monitoramento iniciado ainda na parte 1, pelo qual já passamos por: briefing, demanda de informação, exploração inicial e ferramenta e configuração – discutimos agora o momento de classificação e polarização. Esta é, sem dúvidas, uma das etapas mais valiosas para o profissional de monitoramento; é aqui onde os dados começam a deixar de serem apenas dados para se tornarem informação (e, em seguida, conhecimento). Embora as fases iniciais de briefing e exploração inicial permitam uma idealização do que e como pode ser categorizado no trabalho, é aqui que essas configurações primordiais são ajustadas e aprimoradas para o contexto real de pesquisa. Como apresentado no primeiro post sobre o curso, através dos relatórios da WaveMetrix, uma classificação inteligente permite que os insights surjam com mais facilidade

• A classificação permite segmentar canais, conteúdos e mensagens em diversas variáveis;
• Sentimento, Categorias Qualitativas e Métricas são as mais frequentes para o monitoramento de mídias sociais;
• O cruzamento de dados classificados através de categorias qualitativas, sentimento e métricas vai gerar as informações essenciais para a análise.

A análise de sentimento também se encaixa nesta fase do processo. Ainda que seja uma das classificações mais comuns no mercado, ainda há desafios a serem superados caso a caso. Tendo em mente a complexidade da língua portuguesa e da possibilidade de interpretação humana, muitas vezes há dificuldade em estabelecer o valor positivo/negativo de um comentário um pouco mais ambíguo. Pensando nisso, Tarcízio propõe algumas soluções iniciais para a problemática: estabelecer critérios para o que é considerado positivo, neutro ou negativo; atentar para os casos particulares que podem envolver ambiguidade; criar plano de polarização com exemplos (confira no slide 63); realizar a polarização da amostra ou universo selecionados.

Há também o dilema sobre a análise automática (feita pelas próprias ferramentas e/ou através de machine learning) ou manual (feita pelos profissionais de monitoramento). Recomendo a leitura de dois textos, “Why automated sentiment analysis is broken and how to fix it” e “5 Key Challenges in Sentiment Analysis” para quem tiver interesse em discutir mais à fundo sobre o assunto. No entanto, o consenso geral é de que o cenário “ideal” é a automatização básica (regras automatizadas definidas pelos analistas e baseadas em keywords) + classificação (ou revisão) manual. Estatisticamente falando, ainda há outras possibilidades como o já referido aprendizado de máquina e modelagem de tópicos, mas as metodologias vão variar a depender do contexto do trabalho.

• CLASSIFICAÇÃO: classificar é organizar

Slide 68: “Monitoramento de Midias Sociais – Casper Libero – 07/2015 – parte 02”, de Tarcízio Silva

• O processo de classificação dos dados envolve adicionar mais camadas de informação ao organizar os dados;
• O importante é a inventividade, com rigor, para extrair o máximo dos dados;
• Esta fase do processo permitirá a organização e análise do conteúdo de acordo com os objetivos buscados;
• Deve-se criar categorias, através de níveis de categorias/tags. O conteúdo coletado sobre a marca será marcado com estas tags.

Tarcízio apresenta, no material, quatro modos básicos para montar um plano de classificação no trabalho de monitoramento: decompor as etapas e aspectos de consumo do serviço/produto em categorias; transformar a demanda de informação em categorias; descobrir oportunidades de gerar informação a partir das conversações; aplicar categorias e frameworks de outros contextos explicativos. Vale ratificar que esse é um dos processos mais importantes para o profissional de monitoramento, uma vez que aqui ele já está iniciando o tratamento dos dados que deverão se aprofundar cada vez mais para que seja possível extrair inteligência desse conteúdo. Com a criação de tags, categorias e códigos é possível definir uma categorização que direcione todo o escopo do projeto.

• DECOMPOR: FOCO NO PRODUTO

Para gerar informação sobre a relação dos consumidores com o produto, analisar a composição de suas partes; conhecer a fundo o produto/marca; listar os aspectos componentes; monitorar e classificar com os aspectos.

Com esse “destrinchamento”, é possível observar o que o consumidor está falando da nova embalagem de um suco de caixinha e, ao mesmo tempo, do gosto da bebida em si. São duas opiniões que podem ser distintas e ter isso dividido facilita a compreensão final dos dados. Novamente, o relatório da WaveMetrix para o iPad explora isso muito bem quando apresenta o que tem sido falado sobre o novo design, a campanha de marketing e a usabilidade do até então novo produto da Apple. Vale conferir no material, dos slides 74 a 79, alguns exemplos demonstrados.

Slide 78: “Monitoramento de Midias Sociais – Casper Libero – 07/2015 – parte 02”, de Tarcízio Silva

• RESPONDER: FOCO NA ORGANIZAÇÃO

Transformar briefing e conversas com o cliente em perguntas a serem respondidas; entender demandas implícitas e explícitas de informação; transformar em perguntas diretas as demandas de informação; monitorar para responder as perguntas.

Esse tipo de tática para categorização já foi abordado na primeira parte do curso, quando falávamos ainda sobre briefing e exploração inicial. É de extrema importância que fique claro tanto para o cliente quanto para o analista a que ou a quem aquele trabalho de monitoramento responde. Quais perguntas precisam ser respondidas ao final do projeto? O que o cliente quer saber? Isso não significa ter perguntas (ou respostas) prontas para serem respondidas já na etapa de tratamento dos dados, mas ter metodologias capazes de responder os questionamentos com a análise final que será elaborada.

• DESCOBRIR: FOCO NAS MENÇÕES

Gerar novas hipóteses a serem confirmadas ou refutadas com o tempo; analisar, sem noções preconcebidas, as menções; desenvolver hipóteses sobre os dados e informações; monitorar para identificar se existe um padrão.

Essa tática já é colocada em prática na fase de exploração inicial, bem antes de começar o trabalho de monitoramento “em campo”. É o básico do que aprendemos até então: ouvir para aprender e aprender para melhorar. Ou seja, observar as menções e comportamentos dos próprios usuários para compor hipóteses que possam ser sustentadas a partir de padrões de comportamentos ou outros dados monitorados.

Aqui é importante ressaltar que todo cuidado é pouco. Muitas vezes fazemos uma pesquisa com algo em mente e tentamos aplicar a nossa teoria no que encontramos ali. A proposta aqui é monitorar para que possamos gerar hipóteses baseadas nessa busca inicial para então colocar isso em teste através de uma classificação responsável. Caso o padrão seja alcançado e a hipótese sustentada, podemos sugerir uma informação acionável.

• IMPLEMENTAR: TRANSPOR METODOLOGIAS

Implementar sistemas e esquemas classificatórios a partir de teorias e estudos; mapear pesquisadores, grupos de pesquisa e instituições que já escreveram sobre o tema; procurar por sistemas classificatórios que tragam mais insights; aplicar as categorias e cruzar com as outras métricas e indicadores.

Embora todas as táticas sejam semelhantes a processos que encontramos na academia, esta provavelmente é a que mais faz referência ao modelo acadêmico de pesquisa. A proposta aqui é utilizar-se de esquemas, frameworks, sistemas e classificações já elaboradas por pesquisadores de diferentes áreas para criar uma classificação própria que tenha um fundamento teórico responsável. Apesar de ser uma prática aparentemente incomum ao mercado, é critério básico da academia e poderia (deveria) ser implementado também no contexto de trabalho do analista de monitoramento, uma vez que pode ser muito útil em todos os sentidos – acrescentando à pesquisa ou simplesmente poupando tempo.

Esta foi a segunda parte do curso. Em breve volto com a terceira e penúltima parte!