Eric Fischer, responsable de Mapbox, un servicio de creación y publicación cartográfico, ha elaborado un mapa con cada tuit enviado en los últimos tres años y medio en todo el planeta.
Mapbox
domingo, 7 de diciembre de 2014
El más precioso mapa de los tweets
Crean un mapa con cada tuit enviado en los últimos tres años en el mundo
Eric Fischer, responsable de Mapbox, un servicio de creación y publicación cartográfico, ha elaborado un mapa con cada tuit enviado en los últimos tres años y medio en todo el planeta.
Mapbox
Eric Fischer, responsable de Mapbox, un servicio de creación y publicación cartográfico, ha elaborado un mapa con cada tuit enviado en los últimos tres años y medio en todo el planeta.
Mapbox
jueves, 4 de diciembre de 2014
Mas evidencia experimental del poder del efecto de pares
La gente alrededor que controlan tu mente: La evidencia más reciente
Es difícil medir la presión de grupo, pero sus efectos son tal vez más poderosa de lo que pensábamos.
Por Jeff Guo - The Washington Post
Así que usted está sentado en un avión, en algún lugar de la parte de atrás. El sudor está aumentando en este guiso humana, y con horror ves que se condensa, recorriendo las gotitas por el cristal de la ventana. Cierras la persiana ciega. Agh!.
Por supuesto, el sentimiento es irracional -estás volando, por en el cielo! -pero todo lo que pasa ahora mismo lo aborreces. La aerolínea, por su tacañería. El asistente de vuelo, para verter que media una lata de Coca-Cola, a continuación, sacando la lata de nuevo. Pero más que nada, te odio sus compañeros de viaje. ¡Odias la humanidad!.
Alguien a tu lado birla su tarjeta de crédito para comprar una película en el vuelo, que a su vez le recuerda el insulto, los preocupados por la guita, de los viajes aéreos.
Y, sin embargo. Después de analizar una base de datos confidencial de pasajeros y de los registros de compra con fecha y hora, un profesor de Stanford descubrió que si a alguien a tu lado compra algo en el avión, que está 30 por ciento más propensos a comprar algo tu también.
Ese es el poder de presión de los compañeros.
En un documento de trabajo reciente, Pedro Gardete miró 65.525 transacciones a través de 1.966 vuelos y más de 257.000 pasajeros. Él analiza los datos en miles de mini-experimentos como este:
Si alguien a tu lado ordenó un aperitivo o una película, Gardete era capaz de ver si más tarde lo hizo, también. En este experimento natural, la persona que se sienta directamente en frente de usted fue objeto de control. Las compras se hicieron sobre una pantalla táctil; esa persona no hubiera sido capaz de ver nada. Si usted compró algo, y la persona delante de usted no lo hizo, la presión de grupo puede haber sido la razón.
Debido a que tenía datos de la reserva, Gardete podría excluir a las personas volando juntos, y controlado para todo tipo de otros factores tales como la elección de asiento. Esto es puramente el efecto de la elección de un extraño - no sólo eso, sino que un extraño al que usted podría estar resentido porque él está sentado a tu lado, y esto es un avión.
Mediante la adición de miles de estos pequeños experimentos, Gardete, profesor asistente de marketing de Stanford, se acercó con una estimación. En promedio, la gente compraba cosas 15 a 16 por ciento de las veces. Pero si usted vio a alguien a tu lado pide algo, sus posibilidades de comprar algo, también, subieron un 30 por ciento, o cerca de cuatro puntos porcentuales.
"Esa magnitud que realmente no esperaba", dice Gardete. "Es una locura, una locura."
La belleza de este trabajo es que se ve en las influencias sociales en una situación controlada. (Lo que es más de una trampa de un asiento de avión?) Estos experimentos naturales son difíciles de conseguir.
Los economistas y los científicos sociales han preguntado durante mucho tiempo sobre el poder de presión de los compañeros, pero es uno de los más difíciles problemas de investigación.
"Efectos sociales en el consumo son muy difíciles de medir", dice Gardete. "Sólo piensa en un supermercado. El número de cosas que suceden en un supermercado son tan grandes que es muy difícil de medir cualquier cosa ".
La investigación educativa ha sido particularmente perseguido por la cuestión de los efectos de pares. Sabemos de primera mano, por supuesto, la influencia que los amigos son. Pero, ¿la composición de un aula a hacer o deshacer el plan de la lección? Son más importantes que sus profesores tus compañeros?
Algunas de las medidas más claras provienen de los dormitorios de la universidad. Si su compañero de cuarto asignado al azar es un ratón de biblioteca, es probable que estudie más. Si son negro y usted es blanco, es probable que se convierte en más de apoyo de la acción afirmativa. Si bebiste tanto en la escuela secundaria, entonces es probable que habilita entre sí y se metan en problemas.
Los efectos de pares son mucho más difíciles de detectar en las aulas, en los que un millón de cosas están sucediendo a la vez. Recientemente, sin embargo, dos investigadores tuvieron una idea inteligente.
Leonardo Bursztyn, profesor asistente en la UCLA, y Robert Jensen profesor de la Universidad de Pennsylvania, repartieron volantes alentando a los chicos del 11º grado a inscribirse a una clase gratuita SAT. El truco: Algunos de los volantes, decía que todos en la clase sabrían quien se había registrado. Algunos de los volantes decían que estas decisiones se mantenían en privado.
En las aulas con altas calificaciones (honours), los niños fueron 25 por ciento más propensos a inscribirse si sabían que sus compañeros los estarían juzgando. En salones de clases sin honores, los niños fueron un 25 por ciento menos propensos a inscribirse.
Los niños en las clases no-honores estaban preocupados por lo que sus amigos pensarían. Así que eran niños en las clases de honor.
Todo esto debe ser un recordatorio de que todas las personas en su vida que la influencia - incluso si es el chico que le dio un codazo sneezy fuera el reposabrazos en su vuelo de regreso de Acción de Gracias.
Es difícil medir la presión de grupo, pero sus efectos son tal vez más poderosa de lo que pensábamos.
Por Jeff Guo - The Washington Post
Así que usted está sentado en un avión, en algún lugar de la parte de atrás. El sudor está aumentando en este guiso humana, y con horror ves que se condensa, recorriendo las gotitas por el cristal de la ventana. Cierras la persiana ciega. Agh!.
Por supuesto, el sentimiento es irracional -estás volando, por en el cielo! -pero todo lo que pasa ahora mismo lo aborreces. La aerolínea, por su tacañería. El asistente de vuelo, para verter que media una lata de Coca-Cola, a continuación, sacando la lata de nuevo. Pero más que nada, te odio sus compañeros de viaje. ¡Odias la humanidad!.
Alguien a tu lado birla su tarjeta de crédito para comprar una película en el vuelo, que a su vez le recuerda el insulto, los preocupados por la guita, de los viajes aéreos.
Y, sin embargo. Después de analizar una base de datos confidencial de pasajeros y de los registros de compra con fecha y hora, un profesor de Stanford descubrió que si a alguien a tu lado compra algo en el avión, que está 30 por ciento más propensos a comprar algo tu también.
Ese es el poder de presión de los compañeros.
En un documento de trabajo reciente, Pedro Gardete miró 65.525 transacciones a través de 1.966 vuelos y más de 257.000 pasajeros. Él analiza los datos en miles de mini-experimentos como este:
Si alguien a tu lado ordenó un aperitivo o una película, Gardete era capaz de ver si más tarde lo hizo, también. En este experimento natural, la persona que se sienta directamente en frente de usted fue objeto de control. Las compras se hicieron sobre una pantalla táctil; esa persona no hubiera sido capaz de ver nada. Si usted compró algo, y la persona delante de usted no lo hizo, la presión de grupo puede haber sido la razón.
Debido a que tenía datos de la reserva, Gardete podría excluir a las personas volando juntos, y controlado para todo tipo de otros factores tales como la elección de asiento. Esto es puramente el efecto de la elección de un extraño - no sólo eso, sino que un extraño al que usted podría estar resentido porque él está sentado a tu lado, y esto es un avión.
Mediante la adición de miles de estos pequeños experimentos, Gardete, profesor asistente de marketing de Stanford, se acercó con una estimación. En promedio, la gente compraba cosas 15 a 16 por ciento de las veces. Pero si usted vio a alguien a tu lado pide algo, sus posibilidades de comprar algo, también, subieron un 30 por ciento, o cerca de cuatro puntos porcentuales.
"Esa magnitud que realmente no esperaba", dice Gardete. "Es una locura, una locura."
La belleza de este trabajo es que se ve en las influencias sociales en una situación controlada. (Lo que es más de una trampa de un asiento de avión?) Estos experimentos naturales son difíciles de conseguir.
Los economistas y los científicos sociales han preguntado durante mucho tiempo sobre el poder de presión de los compañeros, pero es uno de los más difíciles problemas de investigación.
"Efectos sociales en el consumo son muy difíciles de medir", dice Gardete. "Sólo piensa en un supermercado. El número de cosas que suceden en un supermercado son tan grandes que es muy difícil de medir cualquier cosa ".
La investigación educativa ha sido particularmente perseguido por la cuestión de los efectos de pares. Sabemos de primera mano, por supuesto, la influencia que los amigos son. Pero, ¿la composición de un aula a hacer o deshacer el plan de la lección? Son más importantes que sus profesores tus compañeros?
Algunas de las medidas más claras provienen de los dormitorios de la universidad. Si su compañero de cuarto asignado al azar es un ratón de biblioteca, es probable que estudie más. Si son negro y usted es blanco, es probable que se convierte en más de apoyo de la acción afirmativa. Si bebiste tanto en la escuela secundaria, entonces es probable que habilita entre sí y se metan en problemas.
Los efectos de pares son mucho más difíciles de detectar en las aulas, en los que un millón de cosas están sucediendo a la vez. Recientemente, sin embargo, dos investigadores tuvieron una idea inteligente.
Leonardo Bursztyn, profesor asistente en la UCLA, y Robert Jensen profesor de la Universidad de Pennsylvania, repartieron volantes alentando a los chicos del 11º grado a inscribirse a una clase gratuita SAT. El truco: Algunos de los volantes, decía que todos en la clase sabrían quien se había registrado. Algunos de los volantes decían que estas decisiones se mantenían en privado.
En las aulas con altas calificaciones (honours), los niños fueron 25 por ciento más propensos a inscribirse si sabían que sus compañeros los estarían juzgando. En salones de clases sin honores, los niños fueron un 25 por ciento menos propensos a inscribirse.
Los niños en las clases no-honores estaban preocupados por lo que sus amigos pensarían. Así que eran niños en las clases de honor.
Todo esto debe ser un recordatorio de que todas las personas en su vida que la influencia - incluso si es el chico que le dio un codazo sneezy fuera el reposabrazos en su vuelo de regreso de Acción de Gracias.
miércoles, 3 de diciembre de 2014
ARS: Cómo detectar comunidades
Cómo detectar comunidades usando Análisis de Redes Sociales
Rob Parkin - Face Group
Y lo que es especial acerca de los datos sociales, especialmente en Twitter, es que con las plataformas de análisis suficientemente avanzados (Pulsar!) Que no sólo recoge el mensaje, sino también los metadatos de ese mensaje y su autor. Esto proporciona la información necesaria para analizar cómo se comparte ese mensaje a través de las redes sociales - o, alternativamente, la red de quién sigue a quién. El resultado: la investigación social adecuada que parte de la premisa de que las personas se conectan, no los individuos sólo atomizadas.
En la primera parte de esta serie de blogs presentamos algunas de las posibles aplicaciones para el análisis de redes de investigación de mercado, que revela cómo la visualización de datos de red puede permitir a usted para identificar factores de influencia que tienen en el mundo real que significa en el contexto de los grupos sociales en los que pertenecen .
También hablé de cómo existe influencia en diferentes "subredes" o "grupos sociales", y si hemos de comprender verdaderamente la estructura de estas relaciones entonces es esencial para tomar esto en consideración. Es este punto que el segundo blog en la serie será ampliar. Aquí Voy a mirar a las comunidades: todos sabemos cuáles son, pero ¿qué significan en términos de análisis de redes sociales? ¿Y qué se puede aprender de la identificación de ellos?
Al investigar el papel de los factores de influencia destacamos investigaciones previas llevadas a cabo a la cara de Francesco D'Orazio y Jess Owens: el proyecto How Stuff Spreads. En esta investigación hemos descubierto cómo las comunidades son vitales para impulsar la difusión de la información. Los más comunidades existen en la audiencia, los diferenciales de contenidos virales más lenta, ya que toma tiempo para difundir entre los diferentes grupos.
Así que esa es una de las razones para entender las comunidades de medios sociales - si usted está tratando de difundir una campaña de marca o de un fragmento de contenido, es necesario comprender las audiencias que viaja a través. Diferentes grupos bien pueden beneficiarse de diferentes mensajes dirigidos específicamente a sus necesidades e intereses - no una talla para todos.
La comprensión de las comunidades también es importante para asegurar que su influyente programa es integral: ¿tiene influencia en todos los grupos sociales que usted desea apuntar?
Una comunidad es más a menudo se define como un grupo de individuos que viven en la misma ubicación geográfica. También puede ser usado para describir un grupo de personas con una característica común o interés compartido: la comunidad de investigación, por ejemplo dentro de las ciencias sociales, también existe el enfoque que considera a las comunidades como algo socialmente construido y simbólicamente, que descansa sobre una comprensión compartida "Yo soy parte de esta comunidad junto a estas otras personas". El politólogo Prof. Benedict Anderson definió el Estado-nación como una "comunidad imaginada" (1983).
Utilizando el análisis de redes sociales que definimos las comunidades de manera diferente - al ver cómo las personas se conectan entre sí, y la agrupación de éstos en grupos similares.
Por lo tanto, es una medida estadística de la conexión, y no se basa directamente en si estas personas reconocerían a sí mismos como parte de la misma comunidad. Sin embargo, lo que es tan fascinante de detección comunidad en red es que las comunidades que identifica muy a menudo lo hacen tienen significado importante en el mundo real, y pueden ayudarnos a explorar qué es lo que es la definición de las comunidades.
¿Cómo identificar a las comunidades? El uso de un programa de análisis de redes sociales tales como Gephi, podemos utilizar un algoritmo de agrupamiento llamado "modularidad" para detectar patrones ocultos en la red. La modularidad busca grupos de personas que están más densamente conectadas entre sí que sería de esperar si estuvieran conectados por casualidad. . Una red con alta modularidad tiene conexiones densas entre nodos dentro de los grupos, pero las conexiones entre los nodos dispersos en diferentes grupos. Como resultado todos los nodos individuales (personas) en una red pueden ser atribuidos a un grupo específico, como se determina por el algoritmo de la modularidad.
Vamos a empezar por revisar la red ego de mi gráfico de Facebook que hemos investigado en el blog anterior. En la identificación de personas influyentes en el gráfico que he mencionado que es vital para las personas puntiformes que los conectores clave entre diferentes subredes en el gráfico. Tuve la oportunidad de proporcionar un contexto del mundo real a los datos debido a mi conocimiento personal de todos los individuos en la red. Pero incluso en un pequeño conjunto de datos como este, modularidad nos permite desarrollar una comprensión aún más granular de las relaciones.
Aquí nodos se reparten por la modularidad, con cada nodo que pertenece a un grupo aparte o en la comunidad, y se colorean en consecuencia. Para muchos de los grupos separados y muy distintos en los bordes de la red, no debería ser una sorpresa que estas personas pertenecen a su propia comunidad.
Lo que es interesante es en el componente principal, donde sin el color de codificación que es difícil ver cualquier partición claramente divididas. Pero ahora, ahora tenemos cuatro comunidades diferentes (azul, marrón, púrpura y marrón-ish). Así que la pregunta es, ¿estos 4 grupos diferentes sólo ficciones estadísticas de la estructura de la red? ¿O es que se refieren a nada real sobre las relaciones entre las personas involucradas?
Este es un gran ejemplo de cómo podemos físicas de los segmentos por diferencias muy sutiles, simplemente mediante el análisis de la estructura de las conexiones que compartir.
Pero, ¿cómo podría una red de "conocer" estas cosas acerca de mis amigos? Bueno, todo está basado en las conexiones que tienen entre sí. Las personas que estaban en la misma yeargroup en la escuela son más propensos a conocer unos a otros, y por lo tanto ser amigos en Facebook - así que eso es lo que conecta el mundo real a la relación de la red.
Pero el análisis de redes se hace aún más potente cuando el análisis se escala hasta un nivel en el que el análisis manual es imposible. Utilizando Pulsar para reunir nuestros datos significa que podemos utilizar el análisis de redes para investigar las relaciones en las redes de miles o incluso millones de personas, donde la obtención de una comprensión de las relaciones del mundo real que conforman las comunidades no es ni de lejos tan sencillo.
Volviendo de nuevo a la investigación anterior de FACE en Cómo Videos Go Viral, se puede ver que la modularidad y la partición se ha aplicado en las audiencias de la misma forma en que se aplicó a mi gráfico de Facebook. A continuación se aplica el modelado estadístico de los datos demográficos de cada grupo a entender que estaba en cada uno.
Así que para la paloma real belleza Bocetos vídeo (arriba a la derecha), podemos ver que hay una comunidad con un promedio de 32 años de edad, las mujeres blancas, en los EE.UU. / Nueva York, trabajando en marketing - y otro de chicas adolescentes en Los Ángeles que pueden ser blanco o hispanos, y que estamos en la música pop y la telerrealidad. Y, en efecto, es que la apelación a un público diverso que hizo el anuncio de la paloma tan exitoso y el más visto-en YouTube.
Mientras que las comunicaciones de marketing directo es a menudo personalizados por segmento, históricamente no ha sido algo marcas han hecho en la vida social. Pero, utilizando análisis de redes sociales y también Twitter y Facebook orientación de los anuncios, es posible enviar mensajes específicos a grupos específicos de personas.
Desarrollado por Pulsar TRAC éstas podrían ser las personas que participan en una conversación específica, las personas que comparten una pieza de contenido en línea, o los seguidores de una cuenta en Twitter. Cualquier grupo de personas, en esencia, siempre que podemos definir que la audiencia a través de alguna propiedad de su comportamiento en los medios sociales - como palabra clave, bio usuario, o la ubicación.
Análisis de la comunidad permite a las marcas a entender realmente el comportamiento de su público de una manera que no pueden replicar con fuera de línea, los datos no sociales.
Se permite a las marcas para obtener el máximo beneficio de su alcance influyente y siembra contenido, asegurando que tienen contactos en cada sub-comunidad de su audiencia.
Y una vez que se han identificado las comunidades, no hay margen para un análisis más profundo de cómo cada comunidad interactúa con marcas, el lenguaje que utilizan, y el tema. Esto puede permitir la comercialización totalmente personalizada, permitiendo que las marcas a entender el comportamiento de los medios de comunicación social de cada grupo, y la mejor manera de comunicarse con ellos.
Análisis de red son también grandes herramientas de comunicación - cada vez que ponemos una en la pantalla en una conferencia, las cámaras salen y la gente comienza a tomar fotos. Nos encantaría ver a más empresas a bolsa en su análisis de la red, y que ilustra su público a sus seguidores. Como dijimos antes, la comunidad no es sólo acerca de los intereses compartidos sino un imaginario, un reconocimiento compartido compartida de que "Somos parte de un mismo grupo." Compartiendo las visualizaciones de la comunidad podría ser una herramienta para una marca para crear una verdadera "comunidad de clientes" - ir más allá de los compradores individuales hacia el posicionamiento de su marca como una fuente de sentido e identidad.
Rob Parkin - Face Group
Introducción
La investigación de medios sociales no es sólo la investigación de mercado cualitativo o cuantitativo traducido en un conjunto de datos diferentes - que tiene sus propios métodos. En este blog somos grandes creyentes en el uso de las propiedades únicas de datos de medios sociales para responder a las preguntas que otros métodos de investigación no pueden conseguir en.Y lo que es especial acerca de los datos sociales, especialmente en Twitter, es que con las plataformas de análisis suficientemente avanzados (Pulsar!) Que no sólo recoge el mensaje, sino también los metadatos de ese mensaje y su autor. Esto proporciona la información necesaria para analizar cómo se comparte ese mensaje a través de las redes sociales - o, alternativamente, la red de quién sigue a quién. El resultado: la investigación social adecuada que parte de la premisa de que las personas se conectan, no los individuos sólo atomizadas.
En la primera parte de esta serie de blogs presentamos algunas de las posibles aplicaciones para el análisis de redes de investigación de mercado, que revela cómo la visualización de datos de red puede permitir a usted para identificar factores de influencia que tienen en el mundo real que significa en el contexto de los grupos sociales en los que pertenecen .
También hablé de cómo existe influencia en diferentes "subredes" o "grupos sociales", y si hemos de comprender verdaderamente la estructura de estas relaciones entonces es esencial para tomar esto en consideración. Es este punto que el segundo blog en la serie será ampliar. Aquí Voy a mirar a las comunidades: todos sabemos cuáles son, pero ¿qué significan en términos de análisis de redes sociales? ¿Y qué se puede aprender de la identificación de ellos?
¿Por qué buscar comunidades?
Al investigar el papel de los factores de influencia destacamos investigaciones previas llevadas a cabo a la cara de Francesco D'Orazio y Jess Owens: el proyecto How Stuff Spreads. En esta investigación hemos descubierto cómo las comunidades son vitales para impulsar la difusión de la información. Los más comunidades existen en la audiencia, los diferenciales de contenidos virales más lenta, ya que toma tiempo para difundir entre los diferentes grupos.
Así que esa es una de las razones para entender las comunidades de medios sociales - si usted está tratando de difundir una campaña de marca o de un fragmento de contenido, es necesario comprender las audiencias que viaja a través. Diferentes grupos bien pueden beneficiarse de diferentes mensajes dirigidos específicamente a sus necesidades e intereses - no una talla para todos.
La comprensión de las comunidades también es importante para asegurar que su influyente programa es integral: ¿tiene influencia en todos los grupos sociales que usted desea apuntar?
¿Cómo estamos definiendo las comunidades?
Una comunidad es más a menudo se define como un grupo de individuos que viven en la misma ubicación geográfica. También puede ser usado para describir un grupo de personas con una característica común o interés compartido: la comunidad de investigación, por ejemplo dentro de las ciencias sociales, también existe el enfoque que considera a las comunidades como algo socialmente construido y simbólicamente, que descansa sobre una comprensión compartida "Yo soy parte de esta comunidad junto a estas otras personas". El politólogo Prof. Benedict Anderson definió el Estado-nación como una "comunidad imaginada" (1983).
Utilizando el análisis de redes sociales que definimos las comunidades de manera diferente - al ver cómo las personas se conectan entre sí, y la agrupación de éstos en grupos similares.
Por lo tanto, es una medida estadística de la conexión, y no se basa directamente en si estas personas reconocerían a sí mismos como parte de la misma comunidad. Sin embargo, lo que es tan fascinante de detección comunidad en red es que las comunidades que identifica muy a menudo lo hacen tienen significado importante en el mundo real, y pueden ayudarnos a explorar qué es lo que es la definición de las comunidades.
¿Cómo identificar a las comunidades? El uso de un programa de análisis de redes sociales tales como Gephi, podemos utilizar un algoritmo de agrupamiento llamado "modularidad" para detectar patrones ocultos en la red. La modularidad busca grupos de personas que están más densamente conectadas entre sí que sería de esperar si estuvieran conectados por casualidad. . Una red con alta modularidad tiene conexiones densas entre nodos dentro de los grupos, pero las conexiones entre los nodos dispersos en diferentes grupos. Como resultado todos los nodos individuales (personas) en una red pueden ser atribuidos a un grupo específico, como se determina por el algoritmo de la modularidad.
Un ejemplo del mundo real: mi gráfico social Facebook
Vamos a empezar por revisar la red ego de mi gráfico de Facebook que hemos investigado en el blog anterior. En la identificación de personas influyentes en el gráfico que he mencionado que es vital para las personas puntiformes que los conectores clave entre diferentes subredes en el gráfico. Tuve la oportunidad de proporcionar un contexto del mundo real a los datos debido a mi conocimiento personal de todos los individuos en la red. Pero incluso en un pequeño conjunto de datos como este, modularidad nos permite desarrollar una comprensión aún más granular de las relaciones.
Aquí nodos se reparten por la modularidad, con cada nodo que pertenece a un grupo aparte o en la comunidad, y se colorean en consecuencia. Para muchos de los grupos separados y muy distintos en los bordes de la red, no debería ser una sorpresa que estas personas pertenecen a su propia comunidad.
Lo que es interesante es en el componente principal, donde sin el color de codificación que es difícil ver cualquier partición claramente divididas. Pero ahora, ahora tenemos cuatro comunidades diferentes (azul, marrón, púrpura y marrón-ish). Así que la pregunta es, ¿estos 4 grupos diferentes sólo ficciones estadísticas de la estructura de la red? ¿O es que se refieren a nada real sobre las relaciones entre las personas involucradas?
- La comunidad azul se compone de personas que conocí en la escuela, todo alrededor de mi edad (17% de la red).
- La comunidad marrón es gente con la que fui a la escuela, sino que también vivía cerca de donde crecí (9% de la red).
- La comunidad granate también fue a la escuela conmigo, pero todos, al menos, un año mayor que yo (7% de la red).
- La comunidad púrpura es la gente que asistió a la universidad con directamente después de terminar la escuela (también el 17% de la red).
Este es un gran ejemplo de cómo podemos físicas de los segmentos por diferencias muy sutiles, simplemente mediante el análisis de la estructura de las conexiones que compartir.
Pero, ¿cómo podría una red de "conocer" estas cosas acerca de mis amigos? Bueno, todo está basado en las conexiones que tienen entre sí. Las personas que estaban en la misma yeargroup en la escuela son más propensos a conocer unos a otros, y por lo tanto ser amigos en Facebook - así que eso es lo que conecta el mundo real a la relación de la red.
Análisis de redes a gran escala
En rigor que podría haber analizado mi gráfico social Facebook manualmente - Sé que mis amigos son amigos de, después de todo, así que podría haber llegado a la red de forma manual (aunque habría llevado mucho tiempo).Pero el análisis de redes se hace aún más potente cuando el análisis se escala hasta un nivel en el que el análisis manual es imposible. Utilizando Pulsar para reunir nuestros datos significa que podemos utilizar el análisis de redes para investigar las relaciones en las redes de miles o incluso millones de personas, donde la obtención de una comprensión de las relaciones del mundo real que conforman las comunidades no es ni de lejos tan sencillo.
Volviendo de nuevo a la investigación anterior de FACE en Cómo Videos Go Viral, se puede ver que la modularidad y la partición se ha aplicado en las audiencias de la misma forma en que se aplicó a mi gráfico de Facebook. A continuación se aplica el modelado estadístico de los datos demográficos de cada grupo a entender que estaba en cada uno.
Así que para la paloma real belleza Bocetos vídeo (arriba a la derecha), podemos ver que hay una comunidad con un promedio de 32 años de edad, las mujeres blancas, en los EE.UU. / Nueva York, trabajando en marketing - y otro de chicas adolescentes en Los Ángeles que pueden ser blanco o hispanos, y que estamos en la música pop y la telerrealidad. Y, en efecto, es que la apelación a un público diverso que hizo el anuncio de la paloma tan exitoso y el más visto-en YouTube.
¿Cómo le puede servir esto?
Piense en las comunidades como muy similar a los segmentos identificados en el modelo de segmentación de clientes de la marca. (Con el análisis de los datos demográficos en capas sobre, incluso se podría encontrar que son lo mismo.)Mientras que las comunicaciones de marketing directo es a menudo personalizados por segmento, históricamente no ha sido algo marcas han hecho en la vida social. Pero, utilizando análisis de redes sociales y también Twitter y Facebook orientación de los anuncios, es posible enviar mensajes específicos a grupos específicos de personas.
Desarrollado por Pulsar TRAC éstas podrían ser las personas que participan en una conversación específica, las personas que comparten una pieza de contenido en línea, o los seguidores de una cuenta en Twitter. Cualquier grupo de personas, en esencia, siempre que podemos definir que la audiencia a través de alguna propiedad de su comportamiento en los medios sociales - como palabra clave, bio usuario, o la ubicación.
Análisis de la comunidad permite a las marcas a entender realmente el comportamiento de su público de una manera que no pueden replicar con fuera de línea, los datos no sociales.
Se permite a las marcas para obtener el máximo beneficio de su alcance influyente y siembra contenido, asegurando que tienen contactos en cada sub-comunidad de su audiencia.
Y una vez que se han identificado las comunidades, no hay margen para un análisis más profundo de cómo cada comunidad interactúa con marcas, el lenguaje que utilizan, y el tema. Esto puede permitir la comercialización totalmente personalizada, permitiendo que las marcas a entender el comportamiento de los medios de comunicación social de cada grupo, y la mejor manera de comunicarse con ellos.
Análisis de red son también grandes herramientas de comunicación - cada vez que ponemos una en la pantalla en una conferencia, las cámaras salen y la gente comienza a tomar fotos. Nos encantaría ver a más empresas a bolsa en su análisis de la red, y que ilustra su público a sus seguidores. Como dijimos antes, la comunidad no es sólo acerca de los intereses compartidos sino un imaginario, un reconocimiento compartido compartida de que "Somos parte de un mismo grupo." Compartiendo las visualizaciones de la comunidad podría ser una herramienta para una marca para crear una verdadera "comunidad de clientes" - ir más allá de los compradores individuales hacia el posicionamiento de su marca como una fuente de sentido e identidad.
lunes, 1 de diciembre de 2014
.jpg)
domingo, 30 de noviembre de 2014
viernes, 28 de noviembre de 2014
jueves, 27 de noviembre de 2014
Muchedumbres políticamente polarizadas en Twitter por el caso Ferguson
Vea cómo twitteros azules y rojos se ignoran mutuamente sobre el caso Ferguson
Por Emma Pierson
Statistician, blogger at Obsession with Regression.
Reproducido por Quartz
Después el fiscal Robert McCulloch anunció la decisión el Ferguson gran jurado no procesar Oficial Darren Wilson para el rodaje de Michael Brown, una noche de enfrentamientos entre la policía y los manifestantes produjeron la quema de coches de policía, bloquearon carreteras y se dispararon armas automáticas. En medio de toda la agitación, ¿es posible obtener un panorama claro sobre algunas de las tensiones raciales y políticas que subyacen al conflicto Ferguson?
Estudié esta pregunta utilizando una plataforma que ha ha jugado un papel importante a lo largo de los acontecimientos en Ferguson: Twitter. Twitter se ha utilizado para difundir información en vivo (ya veces inexacta) sobre Ferguson, organizar protestas, e incluso a los ciberataques el KKK. En los días previos a la decisión de no acusación (inocencia presunta), he recogido una muestra de más de 200 mil tuits relacionados con Ferguson, y pintó un cuadro sombrío de cómo las personas estaban divididas.
En la imagen en la parte superior, cada punto es uno de los tuiteros más habladores, y dos puntos están conectados si uno menciona la otra: en esencia, la imagen representa la red social de quién habla con quién. Muestra dos grupos claramente divididos [1].
¿Quiénes son estos grupos? La pertenencia al grupo está fuertemente conectado con el partido político: tweeters que se describen como "conservador" (o el uso de adjetivos similares) son desproporcionadamente probable que sea en el grupo rojo, y tweeters que se describen como "liberal" son desproporcionadamente probable que sea en el azul grupo. La pertenencia a grupos también está conectado con la raza: tweeters cuyos perfiles contener adjetivos "afroamericanos", o similares, son mucho más propensos a estar en el grupo azul.
Así que, cuando se trata de Ferguson, dos grupos con muy diferentes orígenes políticos y raciales se ignoran mutuamente. Esto parece probable que cause problemas, y de hecho lo hace. Por un lado, los dos grupos piensan drásticamente diferentes cosas. Estas son las cosas más comunes retweeted por cada grupo:
El grupo rojo dice que se sentirían más seguros juntándose con Darren Wilson (el policíaa agresor) que con Michael Brown (el agredido que terminó asesinado), y dice que Brown estaba armado cuando le dispararon; el grupo azul contrasta con sarcasmo a Darren Wilson con el desarmado Michael Brown. El grupo rojo habla de la justicia popular y el cebo racial; el grupo azul habla de romper el sistema. El grupo rojo culpa a Obama de exacerbar las tensiones y obligando al gobernador de Missouri en la que se declara el estado de emergencia; el grupo azul dice que el estado de emergencia no debe ser utilizado para violar los derechos humanos.
Así que tal vez si todo el mundo acaba de hablar el uno al otro que se llevarían bien? No necesariamente: cuando el grupo rojo y azul hizo hablar, a menudo no era bastante. Tenga en cuenta las cosas dichas por los miembros del grupo rojo a uno de los miembros más influyentes del grupo azul - DeRay Mckesson, un administrador de la escuela que ha jugado un papel central en la organización de protestas. Lo describieron como un "muchacho comunista" que difunden el odio (como los "demócratas, los negros, y la izquierda ... el nuevo Ku Klux Klan"), vio "valor en tonterías racistas", estaba armado con "armas y bombas molotov", y deben recibir sus "medicamentos ajustados".
Así que tenemos dos grupos de personas que raramente se comunican, tienen orígenes muy diferentes, pensar drásticamente diferentes cosas, ya menudo rociar vitriolo el uno al otro cuando ellos hablan. Estudios anteriores de Twitter han encontrado cámaras de eco similares, el conflicto Israel-Palestina ofreciendo un ejemplo representativo. No está claro en qué medida Twitter simplemente refleja las divisiones sociales en oposición a causa de ellos; Me parece poco probable que Mckesson y los tweeters rojos serían amigos si cumplen más de cervezas. Pero incluso este análisis preliminar no augura nada bueno para la posibilidad de la reconciliación.
[1] Cabe señalar que uno pueda grupos abajo siempre dividir aún más y el número apropiado de grupos a menudo se debate. En este caso, cuando nos separamos más grupos, el grupo rojo sigue siendo un solo grupo pero el grupo azul, que es más grande, se divide en varios grupos.
Por Emma Pierson
Statistician, blogger at Obsession with Regression.
Reproducido por Quartz
Después el fiscal Robert McCulloch anunció la decisión el Ferguson gran jurado no procesar Oficial Darren Wilson para el rodaje de Michael Brown, una noche de enfrentamientos entre la policía y los manifestantes produjeron la quema de coches de policía, bloquearon carreteras y se dispararon armas automáticas. En medio de toda la agitación, ¿es posible obtener un panorama claro sobre algunas de las tensiones raciales y políticas que subyacen al conflicto Ferguson?
Estudié esta pregunta utilizando una plataforma que ha ha jugado un papel importante a lo largo de los acontecimientos en Ferguson: Twitter. Twitter se ha utilizado para difundir información en vivo (ya veces inexacta) sobre Ferguson, organizar protestas, e incluso a los ciberataques el KKK. En los días previos a la decisión de no acusación (inocencia presunta), he recogido una muestra de más de 200 mil tuits relacionados con Ferguson, y pintó un cuadro sombrío de cómo las personas estaban divididas.
En la imagen en la parte superior, cada punto es uno de los tuiteros más habladores, y dos puntos están conectados si uno menciona la otra: en esencia, la imagen representa la red social de quién habla con quién. Muestra dos grupos claramente divididos [1].
¿Quiénes son estos grupos? La pertenencia al grupo está fuertemente conectado con el partido político: tweeters que se describen como "conservador" (o el uso de adjetivos similares) son desproporcionadamente probable que sea en el grupo rojo, y tweeters que se describen como "liberal" son desproporcionadamente probable que sea en el azul grupo. La pertenencia a grupos también está conectado con la raza: tweeters cuyos perfiles contener adjetivos "afroamericanos", o similares, son mucho más propensos a estar en el grupo azul.
Así que, cuando se trata de Ferguson, dos grupos con muy diferentes orígenes políticos y raciales se ignoran mutuamente. Esto parece probable que cause problemas, y de hecho lo hace. Por un lado, los dos grupos piensan drásticamente diferentes cosas. Estas son las cosas más comunes retweeted por cada grupo:
El grupo rojo dice que se sentirían más seguros juntándose con Darren Wilson (el policíaa agresor) que con Michael Brown (el agredido que terminó asesinado), y dice que Brown estaba armado cuando le dispararon; el grupo azul contrasta con sarcasmo a Darren Wilson con el desarmado Michael Brown. El grupo rojo habla de la justicia popular y el cebo racial; el grupo azul habla de romper el sistema. El grupo rojo culpa a Obama de exacerbar las tensiones y obligando al gobernador de Missouri en la que se declara el estado de emergencia; el grupo azul dice que el estado de emergencia no debe ser utilizado para violar los derechos humanos.
Así que tal vez si todo el mundo acaba de hablar el uno al otro que se llevarían bien? No necesariamente: cuando el grupo rojo y azul hizo hablar, a menudo no era bastante. Tenga en cuenta las cosas dichas por los miembros del grupo rojo a uno de los miembros más influyentes del grupo azul - DeRay Mckesson, un administrador de la escuela que ha jugado un papel central en la organización de protestas. Lo describieron como un "muchacho comunista" que difunden el odio (como los "demócratas, los negros, y la izquierda ... el nuevo Ku Klux Klan"), vio "valor en tonterías racistas", estaba armado con "armas y bombas molotov", y deben recibir sus "medicamentos ajustados".
Así que tenemos dos grupos de personas que raramente se comunican, tienen orígenes muy diferentes, pensar drásticamente diferentes cosas, ya menudo rociar vitriolo el uno al otro cuando ellos hablan. Estudios anteriores de Twitter han encontrado cámaras de eco similares, el conflicto Israel-Palestina ofreciendo un ejemplo representativo. No está claro en qué medida Twitter simplemente refleja las divisiones sociales en oposición a causa de ellos; Me parece poco probable que Mckesson y los tweeters rojos serían amigos si cumplen más de cervezas. Pero incluso este análisis preliminar no augura nada bueno para la posibilidad de la reconciliación.
[1] Cabe señalar que uno pueda grupos abajo siempre dividir aún más y el número apropiado de grupos a menudo se debate. En este caso, cuando nos separamos más grupos, el grupo rojo sigue siendo un solo grupo pero el grupo azul, que es más grande, se divide en varios grupos.
Suscribirse a:
Entradas (Atom)