Estás leyendo la publicación: Entrevista: Beth Schneider, directora de investigación de MyHealthTeam, sobre el uso de la API de carga de datos de Brandwatch para analizar 250 000 puntos de datos
MyHealthTeams crea redes sociales para comunidades de personas que enfrentan enfermedades crónicas, como autismo, cáncer de mama, esclerosis múltiple y más.
Hay 37 de estas redes que abarcan 13 países. El objetivo es conectar a personas con condiciones similares para compartir consejos, obtener referencias y, en última instancia, mejorar los resultados de salud.
Beth Schneider ha estado en investigación de mercado por más de 35 años. Se unió a MyHealthTeams en San Francisco hace cuatro años, donde ahora se enfoca tanto en la investigación de encuestas como en el análisis de escucha social.
Los datos a los que tiene acceso son fascinantes. Las redes sociales de MyHealthTeams generan una gran cantidad de datos de los que el equipo puede aprender, pero llegar a esos conocimientos fue un desafío.
Antes de usar Brandwatch, Beth dedicaba mucho tiempo a realizar análisis manuales para tratar de identificar temas de conversación. Para profundizar, encontrar las incógnitas y ahorrar un tiempo valioso, el equipo quería una nueva tecnología.
Encontrar la solución adecuada
“La clave que buscábamos era un nuevo enfoque para descubrir fácilmente información práctica y cuantificar el sentimiento entre las miles de conversaciones que tienen lugar a diario en nuestra red social”, dice Beth.
El equipo eligió una solución que ahora vive en Brandwatch Consumer Research, conocida como API de carga de datos. Las redes de MyHealthTeams están cerradas, por lo que las plataformas de escucha social no pueden analizar los datos como estándar; en cambio, el equipo cargó los datos que querían analizar. Con la API de carga de datos, los usuarios pueden importar cualquier dato basado en texto que tengan permiso para analizar, como correos electrónicos de soporte, registros de chat, comentarios de clientes y encuestas. Estos datos se pueden almacenar de forma segura y privada en su cuenta de Brandwatch.
Beth subió 250 000 menciones textuales anonimizadas y pudo comenzar a analizar los datos rápidamente, encontrando todo tipo de información.
“Al analizar los datos que cargamos en la plataforma, pudimos descubrir rápidamente tendencias inesperadas, información respaldada por datos e incluso personas influyentes. Las visualizaciones son asombrosas. Son fáciles de generar, fáciles de entender y, lo que es más importante, facilitan el descubrimiento de nuevos “a-has” y áreas para una mayor exploración. Y son una forma sucinta de resumir tendencias importantes”. – Beth Schneider, directora de investigación, MyHealthTeams
lo que no sabemos
Los informes que el equipo de Beth pudo generar les permitieron confirmar suposiciones clave: ahora estaban respaldados con conexiones claras respaldadas por datos.
Pero el equipo también estaba interesado en descubrir lo que no sabían sobre las conversaciones que tenían lugar en sus redes. Con tantas menciones, hacer este tipo de investigación manualmente es increíblemente difícil.
A Beth le encantó cómo el análisis de texto impulsado por IA de la plataforma le dio al equipo una “vista de pájaro” en todas las menciones, para que pudieran encontrar temas, picos de conversación y áreas para explorar más a fondo. Esto les permitió descubrir nuevos temas que no habían anticipado e identificar figuras influyentes como médicos de los que hablaban miembros de la comunidad.
“La plataforma es como un faro”, dice Beth. “No te da las respuestas, pero indica dónde debe mirar un investigador”.
sentimiento inteligente
La capacidad de filtrar por sentimiento es realmente importante para el equipo y, debido a la alta especificidad de las conversaciones en las redes de MyHealthTeams, es algo que requiere una herramienta flexible para hacerlo bien. No son solo las palabras clave las que pueden connotar un sentimiento en particular, sino el contexto en el que aparecen. La tecnología de aprendizaje automático de Brandwatch fue fundamental para segmentar los datos de esta manera.
Beth es una investigadora experimentada y pasó el tiempo “enseñando” a la plataforma a reconocer cómo las menciones caían en categorías de sentimientos particulares. Una vez que se entrenaron los datos, su equipo pudo monitorear las tendencias cambiantes a lo largo del tiempo.
“¡La herramienta es inteligente y nos hizo sentir inteligentes!” Beth dice. “Aprendió rápidamente y, finalmente, pudimos automatizar el análisis de sentimientos con mucha precisión”.
Emoción en el equipo
Beth dice que había una verdadera sensación de entusiasmo entre el equipo con respecto al poder de la herramienta para descubrir conocimientos profundos y significativos.
“La API de carga de datos tuvo un gran impacto en nuestro trabajo”, dice.
