1. Social Network Analysis
22/07/2011
Spanish Company
(distribution of Social-3)
Joseluis.lopez@infoima.com
Javier.arteaga@infoima.com
T: + 34 911393240
www.infoima.com
Commercial brand
name
www.social-3.com

2. Porqué Analizar las redes sociales con (SNA)?
Data Mining Tradicional Con SNA
Segmentación de clientes La segmentación está en la red social
Cada persona tiene el mismo nivel de influencia Se identifican seguidores e influenciadores
No hay variables de interacción social Se obtiene el factor de centralidad
Es complejo predecir el “boca a boca” Permite campañas de marketing viral
 SNA puede tomar como datos de partida la información existente desde la
base de datos de marketing, complementándolos con los de la red social.
 SNA aporta la oportunidad de ser más proactivo, permitiendo analizar el
comportamiento de los consumidores y con ello poder direccionar de una forma
más eficiente las acciones de marketing.
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

3. RN1: Analizando 500K seguidores -> Social Network Analysis
Centralidad Definición # nodos calculados por
unidad de tiempo
Centralidad = propiedad de cada nodo
Eigenvector Importancia 10000 que indica su importancia
Closeness Proximidad 10
Betweenness Intermedio 1
Degree # Enlaces directos 50000
In-Degree # Enlances entrantes 50000
Out-Degree # Enlances salientes 50000
Cluster Agrupación 5000
Coefficient
PageRank Autoridad 10000
SenderRank Variante de PageRank 10000
(gráfico fuente ‘Computational Social Network Analysis’)
sin correlación = cada Centralidad demuestra algo distinto
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

4. RN2: Segmentación de seguidores
Enfoque:
Enla parte superior 1000-10000 seguidores
comprometidos (activos), determinar su puntuación de
influencia. Influencia, alcance y la relevancia se calculan
utilizando las centralidades y la actividad en las redes
sociales
Líderes de
Espectador Actor opinión (pos / Embajadores
neg)
Resultado:
Lista de personas influyentes segmentada.
Optimizar la campaña de marketing viral, mejorar la
participación.
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

5. RN3: Análisis de competidores
Solución: Obtener una visión de la lealtad, la confianza y hacer un análisis de la
competencia.
Enfoque: Analizar el perfil de los fans (Facebook, Tuenti) para comprobar si son
también seguidores en las páginas de la competencia. Para Twitter ver si influyentes envian mensajes de
Telepizza y/o los competidores .
1. ¿Cuántos influenciadores publican solo para Telepizza?
2. ¿Cuántos influenciadores publican solo para el competidor?
3. ¿Cuántos influenciadores publican para Telepizza y para el competidor?
4. Análisis de sentimiento (para Twitter)
Resultado: La inteligencia de
cómo sus competidores actúan
en los medios de comunicación
social, los cambios como una
campaña de marketing que se
hace y que personas son
influyentes para el objetivo.
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

6. RN4: Análisis basado en localidad
Debido a que una campaña de marketing está a menudo ligada a una
determinada localidad, se necesita el conocimiento de la ubicación de
los seguidores.
Facebook ID Assigned city Score Real city
1034192263 Alcorcón 0.577 Madrid
100002027986316 Alcorcón 0.531 Alcorcón Enfoque: Para una parte de los seguidores la
100000439919104 Alicante 0.333 Alicante localidad se puede recuperar desde el perfil. Sin
535512185 Alicante 0.235 Madrid
embargo, para la mayoría, no se proporciona
100000589926818 Alicante 0.234 Alicante
100001898758064 Alicante 0.218 Las Palmas de Gran Canaria
información sobre la localidad.
500257309 Madrid 0.943 Madrid Utilizando el análisis de enlaces que le asignará
1200362265 Madrid 0.931 Madrid
una localidad a los seguidores para aquellos
1616145624 Madrid 0.918 Madrid
100000563709324 Madrid 0.853 Madrid
cuya localidad no se sabe (esto se basa en la
100001129056702 Madrid 0.847 Madrid suposición de que tus amigos viven en la misma
1246455264 Madrid 0.846 Madrid
localidad y el hecho de que si usted tiene
100000672866309 Madrid 0.785 Huelva
1039175585 Madrid 0.784 Madrid
muchos amigos en la misma localidad, lo más
523172084 Madrid 0.779 Madrid probable que también vive en esa localidad)
533907915 Madrid 0.682 Madrid
787144282 Madrid 0.681 Madrid
716773561 Madrid 0.681 Madrid
Resultado: Una visión clara en la localidad de sus seguidores (y personas
influyentes) lear insight in the locality of your fans (and influencers)
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

7. RN5: Reputación de la marca
Resultado:
Palabra(s) clave: • Sentimiento actual vs meses previos
• Alerta sobre anomalías en la distribución normal
Sentiment chart per month
50%
45%
40%
35%
30%
25%
20% Month 1
15%
Month 2
10%
5%
0%
1 2 3 4 5 6 7 8 9 10
Análisis de Sentiment Value (1=bad;10=good)
Sentimiento
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

8. RN8: Medición del valor de los seguidores
(rentabilidad de los fans)
Determinar el ratio entre CLV y CCLV
“Customer lifetime value” (CLV)
Concepto de marketing relacional muy importante. Es el
valor presente de los flujos netos de efectivo (de todas las
compras) que una organización espera recibir de un cliente
por su / "toda la vida."
“Connected customer lifetime value” (CCLV)
CCLV incluye no sólo el valor presente de los flujos de efectivo
neto de las compras de los clientes a través del tiempo, sino
también el valor presente de los flujos de efectivo neto de las
compras de otros que fueron influenciados (de compra) por el
que el cliente a través de medios de comunicación social.
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

9. RN9: Análisis de campañas
Enfoque:
• See RN1. Monitorizar los cambios en el volumen y el compromiso antes y después de una
campaña
•El uso de similares con grupos de control sin campaña
•Entrega de los resultados en (casi) tiempo real
Resultado:
Cálculo más preciso del impacto de la campaña
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).

10. Otro: Región de viralidad and efectividad BaB
• Calcular la viralidad de una región y dan un valor
único para mejorar un parámetro (por ejemplo, cuota
de mercado, oportunidades de ventas cruzadas, ...)
• Calcular la eficacia del boca a boca (BaB)
Región Viralidad Cuota de Acción
mercado actual
Madrid Alta Alta
Cantabria Alta Baja Campaña viral
Asturias Media Alta
Alicante Media Baja Campaña viral
Salamanca Baja Alta
Huelva Baja Baja
.. .. .. ..

11. Social-3 producto: SNAEngine
• Características
– Librería de algoritmos:
• Pre-proceso
• Calculos de Red (Centralidades) ->
Campañas de Marketing
• Algoritmos de difusión -> Predicción de
Bajas
• Estadísticos
• Extensible conexión con sus algoritmos
– Optimización del modelo
– Crear, Modificar, y Monitorizar Workflows via GUI
– Multi-Servidor para la distribución de carga
– Procesa grandes ficheros con millones de nodos
y relaciones.
– Integration con los procesos de negocio
existentes y con BI, ERP, CRM
• Reto
– Locallizar los nodos infuyentes más importantes
de su Red Social sin importar lo grande que sea
su red social.
• Características gráfico
– Librería de algoritmos de visualización
(incluido Spring-Embedder,Harel-
Koren, Fruchtermann-
Reingold, Sinusoide, Círculo, ...)
(2011) Confidential (may not be copied/distributed without prior approval from NimzoSTAT).