Qué es un influencer
Youtuber, instagramer, influencer, micro-influencer… Son palabras que nos asaltan continuamente haciendo referencia a personas con uno o varios perfiles digitales que tienen una cantidad sustancial de seguidores – o conexiones – en redes sociales y/o medios digitales.
Habitualmente tendemos a pensar que más es mejor o, lo que es lo mismo, un mayor número de conexiones (seguidores, amigos, fans …) se traduce en un mayor impacto a la hora de transmitir un mensaje, una idea o al publicitar una determinada marca.
Un influencer es una persona con presencia en los medios digitales, credibilidad sobre un tema y muchas conexiones, pero, ¿ser influencer es siempre sinónimo de tener influencia?
Imaginad que somos una marca y tenemos un presupuesto para publicidad. Queremos utilizar este presupuesto para identificar a posibles influencers que nos ayuden a darnos a conocer y a tener mayor penetración de mercado pero queremos evitar a aquellos que son falsos influencers.
Un método puede ser elegir a aquellas cuentas con mayor número de conexiones. El problema es que esas conexiones no necesariamente tienen porqué compartir nuestro mensaje con sus contactos (retweet en Twitter, por ejemplo), no ser parte de nuestro principal target o, incluso, ser usuarios con poca relevancia, entendiendo relevancia como importancia relativa dentro de la red. Lo ideal sería detectar a aquellas personas con muchas conexiones, que dichas conexiones tengan a su vez otras muchas conexiones, que seguidores sean afines a nuestra marca y valores y que, además, dichos influencers cubran la mayor parte de la red con sus conexiones.
Entonces, ¿existe alguna manera para detectar individuos con mayor potencial influencia que otros?
Centralidad: ¿Eres – potencialmente – influyente?
La teoría de grafos es una rama de las matemáticas que nos permite estudiar las relaciones entre elementos dentro de un conjunto (usuarios de una red social, grupos de amigos en una ciudad, personajes en una serie de televisión …).
Un grafo es, en esencia, un conjunto de vértices (o nodos) conectados entre si mediante aristas. Para entenderlo mejor, si quisiésemos representar a los usuarios de una red social – como Facebook – en un grafo cada nodo se correspondería con un usuario de la plataforma mientras que los enlaces representarían las conexiones entre ellos.
Al igual que en Facebook hay usuarios con mayor número de conexiones que otros, en el grafo habrá nodos más conectados que el resto. En función del número y la estructura de las conexiones entre nodos podemos medir la relevancia de cada individuo según interacciona con el resto de individuos de la red. Esto se conoce como centralidad y existen multitud de maneras de calcularla.
¿Cómo medir la centralidad?
Para medir la centralidad o potencial de influencia de una persona podemos usar las siguientes métricas.
Degree (Grado)
Número de enlaces que tiene un nodo con los demás. Útil para detectar individuos conectados con muchos otros individuos.
Closeness (Cercanía)
Se basa en la cercanía de un nodo con respecto al resto de nodos, comparado con los demás. Útil en la detección de nodos puente entre distintas comunidades de individuos en una red. Si representamos nuestra red de contactos de LinkedIn como un grafo, los nodos de los recruiters tendrían un closeness mayor que el resto de nodos al estar, en principio, conectados con personas de diferentes empresas y sectores en mayor proporción que otros profesionales.
Betweeness (Intermediación)
Número de veces que un nodo se encuentra en el camino de mínima distancia entre otros nodos. Útil cuando se quiere encontrar a individuos mejor posicionados que otros en la red para influir más rápidamente al resto.
Eigencentrality (Autovector)
Similar al degree pero, además de tener en cuenta el número de conexiones del nodo, considera a su vez el degree de sus vecinos y, así, sucesivamente a lo largo de la red. Tremendamente útil en el análisis de redes sociales humanas o de ordenadores detectando nodos con capacidad de influencia sobre el total de la red y no solo sobre sus vecinos. En el caso de una red de ordenadores permite identificar el punto en el cual, si se quiere infectar la red con un virus, el ataque es más efectivo.
Algunos resultados
La teoría siempre es interesante – o así se intenta – conocerla, ¿no? Pero es cierto que con ejemplos es mucho más fácil asimilar los conceptos.
En el próximo post veremos con ejemplos prácticos la detección de comunidades y de influencers en redes de individuos reales. En particular, analizaremos el potencial de influencia de los personajes de una de las series más aclamadas por el público recientemente: Juego de Tronos.
¡No te lo pierdas!
Para mantenerte al día con LUCA, visita nuestra página web, suscríbete a LUCA Data Speaks o síguenos en Twitter, LinkedIn o YouTube.
