Ogni minuto inviamo 204 milioni di email, condividiamo 2,5 milioni di contenuti su Facebook, inviamo 500.000 tweet, pubblichiamo 216.000 foto su Instagram e guardiamo 700.000 ore di video su YouTube.
Con ogni click, condivisione, like e swipe, la società sta creando social big data. I social media erano nati come luogo in cui interagire principalmente con amici e familiari, ma grazie ai dati, si stanno trasformando in piattaforme di marketing e in veri e propri media. Pensate come Instagram e Facebook si siano evoluti in questo senso, consentendo persino ai consumatori di effettuare un acquisto senza uscire dalla piattaforma social. A differenza dei dati storici memorizzati nel crm, i dati social sono per loro natura in tempo reale aggiornati e offrono una panoramica degli interessi dei consumatori, consentendo di creare prodotti e servizi che soddisfino al meglio i loro bisogni.
Ma vediamo quali informazioni “smart” si nascondono nei social big data, cominciando con distinguerli in due macro categorie: contenuti testuali (come per esempio, post su Facebook e tweet) e interazioni (like, reaction, love). Mentre i contenuti testuali sono molto utili per identificare il sentiment verso determinati brand, prodotti o servizi, le interazioni consentono di identificare abitudini e interessi dei consumatori, informazioni fondamentali per arricchire la profilazione dei propri clienti.
Come sappiamo, dare un senso a miliardi di data point può essere time consuming e molto difficile senza una potente tecnologia a supporto, in particolare quando questi dati non sono strutturati, come nel caso dei social big data. Se il mio obiettivo è quello di personalizzare l’esperienza di loyalty per aumentare engagement e retention dei clienti (per esempio creando un catalogo premi dinamico che si personalizza sulla base degli interessi del cliente), allora devo dotarmi di una soluzione tecnologica che consenta di trasformare l’infinità di data point presenti nel grafo sociale di un utente (big data non azionabili) in categorie di interesse, smart data azionabili in tempo reale.
Guardando invece ai contenuti testuali, il primo passo è cercare un determinato topic all’interno di questi dati, ma sapere quante volte è stata menzionata una parola è poco significativo. Per ottenere smart data dobbiamo andare oltre, aggiungendo una serie di filtri (come timeframe, fonti, paese di provenienza) e una componente di advanced analytics.
Sapere che il tuo marchio è stato menzionato 2 milioni di volte nell’ultimo mese non è irrilevante, ma sapere che il tuo marchio è stato menzionato 2 milioni di volte e un quarto di quelle menzioni proviene da “uomini localizzati negli Stati Uniti che hanno usato Twitter la sera del 1 maggio a causa di un articolo pubblicato sul New York Times” è infinitamente più informativo.
Ogni livello di filtro e analisi fornisce insight significativi sui dati social, ma ogni volta che ci si spinge oltre, i dati diventano sempre più intelligenti.
