Inteligencia Artificial

Monitorización del valor de la marca

A la hora de monitorizar una marca tenemos que plantearnos 3 cosas: que hace única a esa marca, que le aporta valor, que beneficios vamos a obtener y que herramientas tenemos disponibles.

Qué es valor de una marca

El valor de marca es el valor adicional que la reputación de una compañía le otorga a sus productos. La percepción de una marca hace que esta sea respetable, influyente y tenga un mayor valor de mercado.

El valor de una marca surge directamente de la percepción de los clientes y es muy valiosa cuando está sólidamente establecida, sin embargo, el valor de una marca puede desplomarse a partir de un incidente como puede ser el incidente de CrowdStrike o decaer con el tiempo (¿alguien se acuerda de Amena?).

Por ello es importante monitorizar el valor de marca, ya que nos permite detectar tanto cambios bruscos como cambios ligeros en la percepción de los clientes sobre la marca y nos posibilita tomar acciones preventivas.

Beneficios de la monitorización de la marca

Monitorizar el valor de una marca tiene muchos beneficios, por ello queremos destacar los siguientes:

• Conocer el valor real de tu marca a tiempo real: Habilita detectar instantáneamente cualquier desviación entre la realidad y el plan de mejora de valor de marca.
• Analizar el efecto de campañas e incidentes: Permite evaluar si las campañas en marcha aumentan el valor de la marca y el efecto que los posibles incidentes en los que la empresa se vea involucrados.
• Poder tomar acciones preventivas y correctivas: Permite tomar acciones preventivas o correctivas para mejorar el valor de marca de manera rápida y urgente con el fin de evitar un desplome del valor de marca.

Relevancia del PLN y la IA en la monitorización de marca

La mayor parte de las veces los usuarios presentan sus opiniones y valoraciones de una marca a través de reseñas o redes sociales. La mayor parte de las plataformas que admiten reseñas y las redes sociales tienen una cosa en común: la mayor parte de la información se representa como texto plano.

Este tipo de datos es el único requisito indispensable para aplicar las técnicas de procesamiento del lenguaje natural (PLN) avanzadas. Estas técnicas permiten analizar los textos de manera automática a diferentes niveles de detalle y crear informes de manera sencilla que nos indiquen el valor de marca, permitiendo así un proceso de monitorización continua.

Si quieres más detalles acerca de qué es el PLN y cómo funciona te recomendamos nuestro artículo Procesamiento de Lenguaje Natural: Qué es y cómo funciona.

Herramientas de IA y PLN para la monitorización

Para poder monitorizar el valor de marca es necesario realizar dos pasos:

• Recuperar la información generada por los usuarios. Para esta fase se aplican técnicas de scraping.

• Aplicar técnicas de IA para analizar la información recuperada. En este artículo abordaremos tres tareas diferentes:

  • Análisis de sentimiento.
  • Reconocimiento de entidades nombradas (NER).
  • Categorización de publicaciones.

Si quieres conocer estas y otras técnicas de PLN te recomendamos nuestro Curso de introducción al PLN donde podrás aprender en detalle cada una de estas técnicas.

Monitoreo de redes sociales

El primer paso para monitorear redes sociales es ser capaces de recopilar automáticamente las últimas publicaciones que cumplan con una serie de características definidas por nosotros mismos. Esa tarea se llama scraping.

Existen múltiples maneras de realizar scraping. La más sencilla es utilizar las APIs oficiales que provee cada plataforma, por ejemplo, X proporciona una API para desarrolladores propia. Sin embargo, la opción gratuita de uso tiene un gran número de restricciones. De manera similar Meta ofrece una API para interactuar con Instagram, pero su uso requiere de la aprobación previa de Meta.

Debido a estas dificultades la comunidad open-source ha creado alternativas para realizar tareas de scraping. Por ejemplo:

• Instaloader: es una librería de Python que nos permite interactuar con Instagram.
• Nitter scraper: es una librería de Python que nos permite interactuar con Twitter.

Análisis de sentimiento

El análisis de sentimiento es una técnica de procesamiento de lenguaje natural que permite determinar la actitud, opinión o emoción expresada en un fragmento de texto. Esta técnica nos facilita el proceso de automatización de análisis de las opiniones de los clientes, permitiéndonos así analizar la percepción que tienen los usuarios sobre la marca.

Existen múltiples herramientas para llevar a cabo dicha tarea:

• Hugging Face: es una plataforma open source de ciencia de datos y machine learning. Se puede acceder mediante su librería de Python y ofrece diversas herramientas para llevar a cabo tareas de procesamiento del lenguaje natural.
• Azure AI Language: es el servicio que ofrece Microsoft para llevar a cabo tareas de PLN.

Análisis de reseñas y comentarios

Una de las tareas de PLN que nos permite analizar el contenido de reseñas y comentarios es NER (Named Entity Recognition). Esta tarea permite identificar entidades presentes en un texto (lugares, personas, ubicaciones, fechas, etc.). Conocer qué entidades aparecen en un texto es de especial interés para determinar de qué producto o aspecto concreto de un producto se está hablando en una reseña o comentario.

Tres de las herramientas más comunes para desarrollar tareas de NER son las siguientes:

• spaCy: es una biblioteca de procesamiento de lenguaje natural moderna para Python que incluye herramientas para NER. Está especialmente enfocada a usos industriales y se caracteriza por ofrecer tanto técnicas tradicionales como soporte para usar modelos punteros creados en PyTorch o Tensorflow.
• NLTK (Natural Language Toolkit): asl igual que spaCy es una librería de python enfocada en PLN. Sin embargo, la curva de aprendizaje de NLTK es menor que la curva de aprendizaje de spaCy. Además, es un proyecto enfocado en mayor medida a tareas de investigación.
• Hugging Face: Hugging Face también provee de herramientas para llevar a cabo tareas de NER mediante modelos de deep learning.

Categorización de publicaciones

La categorización de publicaciones es una tarea que consiste en asignar una etiqueta o categoría a un texto en función de su contenido. Esta tarea es especialmente útil para clasificar publicaciones en redes sociales, reseñas de productos o artículos de noticias en categorías predefinidas.

Existe múltiples opciones para llevar a cabo esta tarea:

• Hugging Face: ofrece modelos de clasificación de texto preentrenados que pueden ser utilizados para la categorización de publicaciones. Estos modelos están disponibles en la biblioteca de Python de Hugging Face y pueden ser entrenados y personalizados para adaptarse a las necesidades específicas del proyecto.
• OpenAI: OpenAI posee GPT, un modelo de lenguaje grande y avanzado que puede ser utilizado para la clasificación de publicaciones. GPT es capaz de aprender patrones y relaciones en el lenguaje y puede ser utilizado para clasificar textos en categorías con alta precisión. Sin embargo, es importante tener en cuenta que GPT es un modelo de pago y requiere una suscripción para acceder a sus funcionalidades.

Si ahora que conoces algunas herramientas para llevar a cabo tareas de PLN quieres profundizar más y conocer una gran variedad de herramientas de inteligencia artificial te recomendamos nuestra Ruta de especialización en inteligencia artificial.

Cómo utilizar estas herramientas

Conocer las mejores herramientas únicamente es el primer paso para abordar retos de forma exitosa. A continuación, vamos a repasar todos los pasos previos y las implementaciones necesarias para abordar con éxito el análisis de valor de una marca.

Identificación de necesidades

En función de la marca que se desee monitorizar se deben identificar una serie de puntos claves que aportan valor a la marca. En función del caso de uso concreto se miden diferentes factores, pero los tres factores más comunes son:

• Experiencia del cliente: cada vez que una persona interactúa con la marca su percepción varía, ya sea para bien o para mal. Por esto es importante monitorizar la experiencia de los clientes para poder detectar si en algún momento estas experiencias no son satisfactorias.
• Calidad de la marca: los usuarios relacionan una marca de calidad con una serie de servicios que van más allá del producto que oferta la empresa. Generalmente se espera que una marca de calidad ofrezca ventajas en fiabilidad, reconocimiento, seguridad, etc. Por esto es importante monitorizar estos aspectos para detectar aspectos a mejorar en los productos de nuestra marca.
• Preferencia del cliente: en la actualidad es imposible que una marca ofrezca un producto para el que no exista competencia, por ello se debe analizar las preferencias de clientes y ver porqué en nuestro caso concreto los clientes prefieren un producto de nuestra marca o de la competencia.

Estos tres factores se pueden medir combinando técnicas de análisis de sentimiento y NER.

Para nuestro ejemplo vamos a utilizar el hashtag #Larian sobre la red social X.

Larian es un estudio de desarrollo de videojuegos. Para esta marca además de los tres factores principales también resulta interesante medir factores como el engagement de los usuarios o la tendencia de los usuarios a hacerse con merchandising físico.

Estos dos factores los mediremos mediante técnicas de clasificación de publicaciones.

Selección de herramientas adecuadas

Una de las tareas más importante para llevar a cabo con éxito cualquier tarea es elegir que herramientas vamos a utilizar. Para monitorizar correctamente el valor de marca hay dos elecciones principales:

• Elección del scraper: Debemos elegir un scraper acorde a la red social que queramos analizar. A continuación, realizaremos un ejemplo de análisis de marca sobre la red social X. Por lo tanto, elegiremos el scraper Nitter scrape.
• Elección de modelos open-source o privados: Es necesario elegir si vamos a utilizar modelos privados proporcionados por empresas como OpenAI o Microsoft o si vamos a utilizar modelos open-source a través de plataformas como Hugging Face.

Implementación y ajuste continuo

El primer paso en cualquier proyecto en el que utilicemos Python es instalar las librerías necesarias, en este proyecto utilizaremos la librería transformers de Hugging Face para interactuar con los modelos de inteligencia artificial que utilizaremos y Nitter scraper para realizar el scraping sobre X.

!pip install -q transformers 
!pip install -q ntscraper

Una vez que hemos instalado las librerías necesarias procederemos a importarlas. Además de las librerías instaladas importaremos la clase Counter de la librería estándar collections para facilitar el proceso de agrupar resultados.

from transformers import pipeline
from ntscraper import Nitter
from collections import Counter

A continuación, llevaremos a cabo el proceso de scraping. En este caso recuperaremos únicamente 5 publicaciones que contengan el hashtag #Larian. Solamente recuperamos 5 publicaciones para que el proceso sea breve, pero tú puedes aumentar este número y recuperar tantas publicaciones como quieras.

scraper = Nitter(log_level=1, skip_instance_check=False)  

tweets_dict = scraper.get_tweets("Larian", mode='hashtag', number=5)
tweets = [x["text"] for x in tweets_dict["tweets"]]

Una vez recuperadas las publicaciones mostraremos por pantalla el texto de las publicaciones recuperadas con el fin de ver que el proceso se ha llevado a cabo satisfactoriamente.

tweets[:5]

Una vez recuperadas las publicaciones vamos a llevar a cabo los tres análisis expuestos previamente. Para llevar a cabo los análisis de forma sencilla vamos a utilizar las pipelines proporcionadas por Hugging Face. Una pipeline es un envoltorio sobre los modelos de inteligencia artificial que nos permite utilizar dichos modelos de manera sencilla y eficaz. Concretamente una pipeline realiza las siguientes tareas:

• Descarga del modelo adecuado.
• Preprocesamiento de los datos de entrada.
• Inferencia de la respuesta.

La primera tarea que vamos a llevar a cabo es analizar la polaridad presente en las publicaciones recuperadas. Esto lo realizaremos con la pipeline de análisis de sentimientos.

sentiment_pipeline = pipeline("sentiment-analysis")
sentiments = sentiment_pipeline(tweets)
polarity = [x["label"] for x in sentiments]

Una vez analizadas todas las publicaciones procederemos a presentar los resultados obtenidos.

print("--Polaridad de los tweets--")
c = dict(Counter(polarity))
for y in c:
  print(f"Polaridad: {y}. Cantidad: {c[y]}")

La siguiente tarea a realizar será NER.

token_classifier = pipeline("ner")
tokens = token_classifier(tweets)
entidades = [y["entity"] for x in tokens for y in x]

Para representar de forma adecuada los resultados fruto del análisis transformaremos la salida del modelo a una salida más sencilla y mostraremos los resultados.

traduccion_etiquetas = {
    "I-LOC": "Localización",
    "I-ORG": "Organización",
    "I-PER": "Persona",
    "I-MISC": "Miscelánea"
}
print("--Entidades presentes en los tweets")
c = dict(Counter(entidades))
for y in c:
  print(f"{traduccion_etiquetas[y]}. Cantidad: {c[y]}")

La última tarea a realizar es la clasificación de las publicaciones. Para ellos utilizaremos la pipeline zero-shot classification que nos permitirá proporcionar un conjunto de etiquetas y el modelo nos indicará a que categoría pertenece la publicación. Para este tipo de publicaciones recuperadas hemos definido cuatro categorías:

• Videogame: incluye las publicaciones que hablen de un videojuego desarrollado por Larian.
• Physical merchandising: aglutina las publicaciones que hacen referencia a material físico creado por Larian.
• Rewiews: comprende las publicaciones que reseñen algún producto de Larian.
• Fanarts: agrupa las publicaciones que incluyan piezas de arte creadas por fans acerca de la obra de Larian.

oracle = pipeline("zero-shot-classification")
theme = oracle(
    tweets,
    candidate_labels=["videogame", "Physical merchandising", "Rewiews", "Fanarts"],
)
highest_labels = [item['labels'][item['scores'].index(max(item['scores']))] for item in theme]

print("--Principal tema presente en los tweets--")
c = dict(Counter(highest_labels))
for y in c:
  print(f"Tema: {y}. Cantidad: {c[y]}")

Conclusiones

Mientras existan empresas que ofrezcan sus servicios a la sociedad existirá la necesidad de monitorizar el valor de marca. Y gracias a la inteligencia artificial cada vez podemos hacerlo de manera más sencilla. Los avances más recientes provenientes de los grandes modelos de lenguaje nos permiten clasificar automáticamente publicaciones, detectar que aspectos de un producto se realzan o se critican e incluso poder analizar de manera automática de qué producto se está hablando.

Poco a poco vamos a ver como más proveedores de servicios de inteligencia artificial como Microsoft o AWS van a lanzar al mercado nuevos productos que permitan monitorizar el valor de marca en mayor profundidad y de manera más sencilla, cada vez requiriendo menos código y permitiendo a los expertos en marketing conocer en mayor profundidad como sus campañas afectan a la percepción global de la marca.

¿Quieres ver cómo crece tu marca? Monitorízala.