Este documento describe cómo los medios pueden usar datos masivos (big data) para mejorar el contenido y las experiencias de los usuarios. Explica cómo analizar grandes cantidades de datos de usuarios, redes sociales y contenido puede ayudar a los medios a comprender mejor a sus audiencias, recomendar contenido personalizado y mejorar los ingresos a través de publicidad más efectiva. También destaca desafíos como la fragmentación de datos y la necesidad de equilibrar el análisis cuantitativo con el juicio editorial cualitativo.

1. BIG DATA
PARA MEDIOS
@fpiccato
fopea 2014

2. CEREBRO MUNDIAL

3. INTENCIONES HUMANAS
Flu Trends: Predecir la gripe
Translate: Traducir miles de millones de
secuencias palabras a través de algoritmos
correlativos

4. CONEXIONES SOCIALES
Capaz de predecir quiénes iniciarán
relaciones sentimentales

5. TWITTER
Capaz de anticipar movimientos
sociales o revoluciones
#PrimaveraÁrabe (Estudio MIT, 2014)

6. WIKIPEDIA
Base de datos del conocimiento humano

7. DATOS = PODER
PARA CONOCER
EL MUNDO
(además, socialmente relevante
y comercialmente rentable)

8. DATA1,2
zettabytes
2010
Almacenamiento
digital superó la
capacidad
analógica
2002
1,8
zettabytes
2013
94% de toda la
información
digital del
mundo en
formato digital
2007
4,8
zettabytes
2015
Fuentes: Gobierno de EEUU, Cisco, IDC

9. CADA DOS DÍAS
GENERAMOS TODA LA
INFORMACIÓN HASTA 2003
CADA DOS AÑOS
SE DUPLICA TODA LA
INFORMACIÓN DEL MUNDO
IDC, JUNIO 2011

10. CONCEPTO PARAGUAS
VOLUMEN: es interminable
VELOCIDAD: en tiempo real
VARIEDAD: de información del consumidor
VISUALIZACIÓN: comprensible

11. NUBE
CLOUD COMPUTING: la información está en la nube
INFRAESTRUCTURA: capacidad de almacenamiento

12. TRENDING TOPIC
MERCADO IT: U$S 32.4 billones en 2017
IDC, diciembre 2013

13. BANCOS

14. TURISMO

15. BIG DATA: cantidad masiva de 1010100110
SMART DATA: visualizable y accionable
IDENTITY DATA: datos personales
PEOPLE DATA: experiencia personal

16. USUARIOS ANÓNIMOS

17. No los conocemos
Datos dispersos y dispares
Analítica limitada a pocas variables
Conocimiento fragmentado de la audiencia
Ad targeting pobre

18. BIG
DATA
HUB
Audiencias
desconocidas
+ conocidas
Conocimiento y
reportes
Segmentación
publicitaria
Nuestro
contenido
C

19. ANÁLISIS SEMÁNTICO
ENTENDER el contenido usando análisis
semántico para categorizar los artículos.

20. INTERESES
ENTENDER los intereses de los usuarios, basado
en los contenidos que está leyendo,
compartiendo, comentando.

21. MODELIZACIÓN
Modelización predictica demográfica usando los
datos de los usuarios conocidos (Ej: encuestas,
registraciones, etc.) y prediciendo a partir de esto.

22. UNIR
El contenido con las preferencias del usuario.
Diferenciarse con contenido personalizado.
Reducir el ruido: no mostrar noticias ya vista o
que tienen bajo interés para el usuario.
Mapear el flujo de usuarios entre plataformas.

23. Servicios
personalizados
Contenido
personalizado
Publicidad
personalizada
Interacción,
descubrimiento
y relevancia
Métricas y
performance
Tasas de
conversión y
suscripción
USUARIO
CÉNTRICO

24. SOLUCIONES
Entregar el contenido correcto.
Mayor rendimiento al contenido oculto.
Mayor tiempo de visita.
Mayor engament de los usuarios.
Entregar avisos efectivos.
Generar acciones y promociones cruzadas.
Obtener info a tiempo real para customizar.
Convertir lectores en suscriptores.
Incrementar CTR para promociones de contenido pagas.

25. INGRESOS

26. FUENTES
RECOLECCIÓN
ANÁLISIS
DECISIONES

27. INDIVIDUOS
MULTITUDES
MÁQUINAS
PONER A TRABAJAR a los algoritmos al servicio de los
contenidos y de una mejor experiencia del usuario.

28. LOS DATOS SON
EL NUEVO PETRÓLEO
ADQUIEREN un valor estratégico para las empresas
UNA NUEVA clase de activo

29. loading...

30. PREGUNTAS CLAVE
¿Quién sos?
¿Qué te gusta?
¿Nos vamos a ver de nuevo?

31. DATOS RECOLECTADOS
Historial de navegación (behavior)
Análisis semántico del contenido
Encuestas (demográficas)
Datos de registración
INFORMACIÓN VALIOSA
Temas que más te interesan: ecología, salud
Personas mencionadas en artículos: Madonna
Noticias más leídas en días de lluvia (?)
Intereses personales en Facebook
Demografía de tu audiencia (ej. edad, género)

32. INFORMACIÓN VALIOSA

34. 80% del tráfico
99% del
contenido

35. MASHABLE
PREDICE noticias que se están viralizando

36. NEW YORK TIMES
Conocer sobre el contenido que produce
La forma en que se consume y navega
Chris Wiggins

37. NEW YORK TIMES
Incidencia de
Twitter en el
tráfico de
artículos

38. BLOOMBERG
Análisis de sentimiento sobre comentarios en Twitter
Nuevo servicio para sus clientes

39. EL PAÍS
Recomendaciones personales automatizadas

40. ZITE
Recomendaciones personales automatizadas

41. TROVE
App de curadoría desarrollada por el Washington Post

43. EVOLUCIÓN
Contenidos para todos
Ventas masivas
Generación de leads
Archivos de logs
Tracking manual
Clientes insatisfechos
Cobro manual
Datos básicos
Contenidos relevantes
Ventas segmentadas
Recomendaciones
Inteligencia de datos
Tracking automático
Mayor conocimiento
Cobro automatizado
Datos inteligentes

44. BENEFICIOS
Mayor CTR del contenido editorial
Tasa de conversión para el
contenido pago
Ingresos por publicidad display
Inventario editorial disponible
Tamaño de la audiencia
Tiempo de navegación en el sitio

45. DESAFÍOS
Demasiados silos: bases dispersas
Tiempo para analizar los datos
La gente especializada
Los gerentes no lo ven estratégico
Los datos no están estructurados
Alto costo para almacenar y
analizar los datos

46. EQUILIBRIO
Análisis de datos
Cuantitativo
Ciencia
A demanda
Juicio editorial
Cualitativo
Arte
Sorpresa

47. Humanizar
los datos
Big data
Good data

48. Franco Piccato
@fpiccato
#CongresoFopea
Córdoba, 2014