La fórmula es capaz de detectar a los usuarios más predispuestos a reproducir estos micro-mensajes.
Si envías un tuit a un extraño y le pides que lo retuitee, probablemente no te sorprenderá que te ignore por completo. Pero si envías muchos tuits de ese tipo, algunos podrían acabar siendo reenviados.
¿Por qué? ¿Qué hace que alguien retuitee la información de un extraño? Esa es la pregunta que se plantean Kyumin Lee desde la Universidad Estatal de Utah en Logan y varios colegas del centro de investigación Almaden de IBM en San José (todos, en EEUU).
El equipo asegura que mediante el estudio de las características de los usuarios de Twitter, es posible identificar a extraños con más probabilidades de transmitir tus mensajes a otros usuarios. Y gracias a ello, los investigadores señalan haber sido capaces de mejorar la tasa de retuiteo de mensajes enviados por extraños hasta en un 680%.
¿Cómo lo han hecho? La nueva técnica se basa en la idea de que algunas personas son más propensas a tuitear que otras, sobre todo con ciertos temas y en determinados momentos del día. Así que el truco es encontrar a estos individuos y dirigirse a ellos en el momento en que probablemente sean más eficaces.
El método fue bastante sencillo. La idea era estudiar a individuos en Twitter, examinar sus perfiles y su comportamiento pasado en cuanto al envío de tuits y buscar pistas que indicasen que son más propensos a retuitear ciertos tipos de información. Una vez que encuentras a estas personas, les envías tus tuits.
Esa es la teoría. En la práctica, es un poco más complicado. Lee y su equipo quisieron probar la respuesta de la gente a dos tipos de información: noticias locales (en San Francisco) y tuits sobre la gripe aviar, que era un problema importante cuando estaban llevando a cabo la investigación. Crearon varias cuentas de Twitter con unos cuantos seguidores, específicamente para transmitir este tipo de información.
A continuación, seleccionaron a las personas que recibirían sus tuits. Para los envíos de noticias locales, buscaron a usuarios de Twitter geolocalizados en el área de la Bahía: encontraron más de 34.000 y eligieron a 1.900 de forma aleatoria.
A continuación, enviaron el mismo mensaje a cada usuario del formato:
"@SFtargetuser "Un hombre murió y otros tres resultaron heridos en un tiroteo ... http://bit.ly/KOl2sC" Pfv RT esta noticia sobre seguridad"
El tuit incluía el nombre del usuario, un titular corto, un enlace a la historia y una solicitud de retuiteo.
De estas 1.900 personas, 52 retuitearon el mensaje recibido. Eso supone una tasa del 2,8%.
Para la información de la gripe aviar, los investigadores buscaron personas que ya hubieran tuiteado sobre la gripe. Encontraron 13.000 y eligieron a 1.900 al azar. De ellas, 155 retuitearon el mensaje recibido, lo que supone una tasa de retuiteo del 8,4 %.
Pero Lee y compañía encontraron una forma de mejorar significativamente estos porcentajes. Volvieron a las listas originales de usuarios de Twitter y recogieron información pública disponible sobre cada uno de ellos, como su perfil personal, el número de seguidores, la gente a la que siguen, sus 200 tuits más recientes y si retuitearon o no el mensaje que habían recibido.
A continuación, el equipo utilizó un algoritmo de aprendizaje automático para buscar correlaciones en esos datos que pudieran predecir si alguien tenía más probabilidades de retuitear. Por ejemplo, se analizó si las personas con cuentas más antiguas eran más propensas a retuitear, o cómo la proporción entre amigos y seguidores influía en la probabilidad de retuiteo, o incluso si había algún vínculo relacionado con los tipos de palabras negativas o positivas utilizadas en tuits anteriores. También analizaron en momento del día en que la gente tuiteaba de forma más activa.
El resultado fue un algoritmo de aprendizaje de máquina capaz de captar usuarios con más probabilidades de retuitear un tema en particular.
Y los resultados muestran que es sorprendentemente eficaz. Cuando el equipo envió tuits de información local a las personas identificadas por el algoritmo, el 13,3% la retuiteó, en comparación con sólo el 2,6% de las personas escogidas al azar.
Y consiguieron incluso mejores resultados cuando enviaron la solicitud en los momentos del día en los que la gente había mostrado ser más activa en el pasado. En ese caso, la tasa de retuiteo se elevó al 19,3%. Eso supone una mejora de más del 600%.
Del mismo modo, la tasa relacionada con la información sobre la gripe aviar se elevó del 8,3% con usuarios elegidos al azar a un 19,7% con usuarios elegidos por el algoritmo.
Este es un resultado significativo que despertará la envidia de responsables de marketing, políticos y organizaciones de noticias.
Una cuestión interesante es cómo hacer que esta técnica pueda aplicarse de forma más general. Plantea la posibilidad de una aplicación que permita a cualquier persona introducir un tema de interés y crear una lista de usuarios con más probabilidades de retuitear ese tema durante las próximas horas.
Lee y su equipo no han comentando ningún plan al respecto. Pero si no le sacan partido, seguramente habrá otros que sí lo hagan.
Adjunto articulo completo:
No hay comentarios:
Publicar un comentario