Sentiment Analytics: La Clave para Evaluar e Interpretar las Emociones de los Clientes

Sentiment Analytics (Análisis de Sentimientos) es el proceso de identificar y categorizar las opiniones expresadas por parte de usuarios para determinar sus actitudes y emociones sobre un tema, un producto o servicio en particular. Utiliza técnicas de Procesamiento de Lenguaje Natural (NLP, por sus siglas en inglés) y Minería de Texto para extraer información subjetiva de los datos extraídos. Es una poderosa herramienta que ayuda a las empresas a mejorar sus productos y servicios, en base al análisis de las reseñas y comentarios de sus clientes.

En un mundo donde los datos crecen exponencialmente, el análisis de sentimientos permite a las organizaciones entender mejor las percepciones y emociones de sus clientes, empleados y público en general. Esta comprensión es crucial para tomar decisiones informadas y estratégicas a tiempo.

Diferencia entre Análisis de Sentimientos, Análisis de Opinión y Análisis Semántico:

El Análisis de Sentimientos se centra en la identificación y cuantificación de las emociones y actitudes expresadas en un texto, determinando si son positivas, negativas o neutrales. Su objetivo es entender el tono emocional general del texto. Permite a las empresas y organizaciones entender las emociones y actitudes del público hacia sus productos, servicios o temas específicos. Es crucial para medir el tono general de los comentarios, reseñas y menciones en redes sociales. Se utiliza en Marketing, servicio al cliente, monitoreo de marca, estudios de mercado.

El Análisis de Opiniones se enfoca en la evaluación y clasificación de opiniones o juicios sobre entidades específicas (como productos o servicios), determinando si las opiniones son buenas, malas o neutrales. Proporciona una evaluación detallada de las opiniones específicas sobre productos o servicios. Ayuda a las empresas a entender la calidad percibida y la aceptación de sus ofertas, permitiendo realizar mejoras basadas en el feedback de los usuarios. Se usa en Reseñas de productos, encuestas de satisfacción, desarrollo de productos y estrategia de ventas.

El Análisis Semántico se centra en la interpretación profunda del significado y contexto de las palabras y frases en un texto, identificando temas, relaciones, conceptos y la intención detrás del texto. Su objetivo es comprender la estructura y el contenido del texto de manera más detallada. Se utiliza en Motores de búsqueda, chatbots y resúmenes automáticos de texto.

Análisis de Sentimientos: Positivo, ya que las palabras "increíblemente rápido" y "cámara fantástica" indican emociones positivas, aunque "batería se agota rápidamente" introduce una emoción negativa leve.

Análisis de Opinión: La opinión general es positiva respecto a la velocidad y la cámara del teléfono, pero negativa respecto a la duración de la batería.

Análisis Semántico: Identifica que el texto habla sobre un "teléfono de marca X", destacando características específicas ("rápido", "cámara fantástica") y problemas ("batería se agota rápidamente"). Además, podría reconocer relaciones entre estos conceptos (por ejemplo, el rendimiento del teléfono frente a la duración de la batería).

Entender estas diferencias es crucial para aplicar la técnica adecuada en función del objetivo de análisis. Mientras que el análisis de sentimientos da una visión general del tono emocional, el análisis de opiniones profundiza en las valoraciones específicas, y el análisis semántico ofrece una comprensión más profunda del contenido y el contexto. Esta diferenciación permite a las organizaciones tomar decisiones más informadas y estratégicas basadas en los datos extraídos.

Existen beneficios importantes en la aplicación de Sentiment Analytics y asimismo algunos desafíos, que seguramente se irán superando con el avance de la tecnología y el uso masivo y cotidiano de ésta técnica.

• Proporcionar información objetiva: Se pueden evitar sesgos personales por parte de los analistas mediante el uso de estas herramientas y obtener resultados coherentes y objetivos al analizar las opiniones de los usuarios. Por ejemplo, “Me encantó la calidad del producto, pero me pareció un poco caro.” Los analistas podrían descartar la parte desalentadora del precio y tener un sesgo positivo hacia la calidad del producto.

Creación de Mejores Productos y Servicios: Las empresas pueden utilizar el análisis de opiniones para identificar las características más valoradas por los clientes y mejorar sus productos y servicios en consecuencia. Por ejemplo, si los clientes mencionan repetidamente la duración de la batería como un problema en las reseñas de un teléfono inteligente, los fabricantes pueden centrarse en mejorar la vida útil de la batería en la próxima versión del producto.

• Análisis a escala: La extracción constante de información de una gran cantidad de fuentes de datos no estructurados, como encuestas, e-mails, transcripciones de chatbots, registros de gestión de atención al cliente y reseñas sobre servicios y productos. Las herramientas de Sentiment Analyctis basadas en la nube permiten a las empresas escalar el proceso de identificar las emociones de los usuarios en los datos costo coherente y accesible.

• Resultados en tiempo real: Permite rápidamente reaccionar a las posibles crisis o tendencias del mercado en el contexto actual que cambia constante y rápidamente. Los analistas se basan en ésta técnica de análisis para saber qué piensan los usuarios sobre la marca, los productos y servicios en tiempo real y tomar acciones inmediatas en virtud de sus hallazgos. Se pueden configurar alertas que se envíen automáticamente cuando se detecten comentarios negativos para palabras clave específicas.

A pesar de los avances de la tecnología actual, aún existen ciertas limitaciones respecto a la interpretación de las sutilezas del lenguaje humano.

Continúa siendo un desafiío para la comprensión por parte del software el Sarcasmo o la Ironía , como por ejemplo: "Buenísmo, recibí mi comida fría otra vez".

El modelo etiquetará la reseña como positiva en función de la palabra "buenísimo" a pesar de que el tono general es negativo y llevaría a una clasificación incorrecta de la opinión.

La negación es un desafío común, ya que puede cambiar por completo el significado de una oración. Por ejemplo, la oración "No me gustó el producto" tiene un tono negativo, a pesar de que la palabra "gustó" es positiva. Los algoritmos deben ser capaces de detectar y manejar correctamente las negaciones para interpretar con precisión el tono emocional del texto. Algunas técnicas para abordar la negación incluyen el uso de algoritmos de aprendizaje automático que pueden identificar patrones lingüísticos y contextuales asociados con la negación, así como la incorporación de reglas específicas para tratar con expresiones negativas.

La multipolaridad es otra complejidad parecido a la ironía, ya que las opiniones pueden contener múltiples emociones y actitudes en un solo texto. Por ejemplo, la oración "El servicio al cliente fue excelente, pero el producto llegó tarde" contiene tanto una emoción positiva como una negativa. Los algoritmos deben ser capaces de identificar y clasificar correctamente las diferentes emociones presentes en el texto para proporcionar una evaluación precisa del tono emocional general. Algunas estrategias para abordar la multipolaridad incluyen el uso de modelos de aprendizaje automático que pueden detectar y clasificar múltiples emociones en un texto, así como la implementación de técnicas de procesamiento de lenguaje natural que pueden identificar y analizar las emociones en contextos complejos.

Otro desafío es la ambigüedad en el lenguaje, donde una palabra o frase puede tener múltiples significados o interpretaciones. Por ejemplo, la palabra "interesante" puede ser positiva o negativa dependiendo del contexto en el que se utilice. Los algoritmos de análisis de sentimientos pueden tener dificultades para interpretar correctamente estas ambigüedades y asignar la polaridad correcta a las palabras.

Además, la variabilidad en la expresión emocional de las personas puede dificultar la interpretación de los resultados. Las personas pueden expresar sus emociones de manera diferente y utilizar palabras o frases que no siguen patrones claros. Esto puede llevar a errores en la clasificación de las opiniones y a una interpretación incorrecta de los sentimientos.

A pesar de estos desafíos, éste tipo de análisis es una herramienta confiable y poderosa para las empresas y organizaciones que desean comprender mejor a sus clientes, y con seguridad, el continuo avance de la tecnología permitirá superar estos obstáculos y mejorar la precisión y eficacia de los resultados.

Éste análisis se basa en la aplicación de tecnologías de Procesamiento de Lenguaje Natural y algoritmos que se entrenan para que puedan evaluar el tono emocional de un texto de manera parecida a como lo hacemos las personas.

Para realizar un modelo de análisis eficiente, primero se debe realizar un Procesamiento Previo de la Información y un Análisis de Palabras Clave:

Tokenización: Un Token es una unidad básica de procesamiento de texto en el Análisis de Lenguaje Natural. Puede ser una palabra, un número o un signo de puntuación, que se extrae de una oración o un documento. La tokenización es el proceso de dividir el texto en estos componentes fundamentales para facilitar su análisis y manipulación. Por ejemplo, la oración "El análisis de datos es útil." se tokeniza en ["El", "análisis", "de", "datos", "es", "útil", "."]. Esto permite que los algoritmos de NLP trabajen con partes manejables del texto para las tareas de análisis o la clasificación de texto.

Lematización: Una vez que el texto ha sido tokenizado, se aplica la lematización para normalizar las palabras. La lematización es una técnica en procesamiento de NLP que convierte palabras en su forma base o lema. A diferencia de la stemming, que simplemente corta los sufijos de las palabras, la lematización tiene en cuenta el contexto gramatical y el significado de las palabras para convertirlas en su forma raíz correcta. Por ejemplo, las palabras "corriendo", "corre" y "corrí" se convierten en "correr". Esto se logra utilizando diccionarios y reglas lingüísticas para asegurar que la forma base sea un término válido en el idioma. La lematización ayuda a reducir la variabilidad en el análisis de texto, facilitando tareas como la búsqueda y el análisis de sentimientos.

Eliminación de Palabras Vacías: Se utiliza una lista predefinida de palabras vacías, que puede variar según el idioma del texto analizado. Estas listas están disponibles en muchas bibliotecas de procesamiento de lenguaje natural, como NLTK en Python.

Cada Token originado en el proceso previo de Tokenizacion, se compara con ésta lista de palabras vacías, y aquellas que coincidan son eliminadas del análisis.

El texto resultante contiene solo las palabras significativas, lo que reduce el ruido y mejora la eficiencia y precisión de los algoritmos. ya que disminuye el volumen de datos irrelevantes. Éste proceso mejora la precisión ya que ayuda a los algoritmos de análisis a centrarse en los términos más relevantes y significativos, mejorando asi la eficacia de tareas como el análisis, la clasificación de textos y la extracción de información de ellos. También, al disminuir la cantidad de datos que los algoritmos deben procesar, mejora significativamente el rendimiento y los tiempos de cálculo.

Una vez realizado el preprocesamiento, se procede a la etapa de Análisis de Palabras Clave, donde se busca identificar las palabras más relevantes del texto, y se asigna un valor de polaridad a cada una de ellas. Este valor puede ser positivo, negativo o neutro, y se utiliza para determinar el tono emocional del texto. Por ejemplo, en una reseña de un producto, las palabras "excelente", "rápido" y "eficiente" tendrían una polaridad positiva, mientras que "lento", "defectuoso" y "malo" tendrían una polaridad negativa. Estos valores se suman y se promedian para obtener una puntuación general de sentimiento, que puede ser utilizada para clasificar el texto como positivo, negativo o neutral.

Existen distintos enfoques para éste análisis, dependiendo de la complejidad y el nivel de detalle que se requiera en la interpretación de las emociones en el texto. Algunos de los enfoques más comunes son: :

Este enfoque utiliza un conjunto predefinido de reglas lingüísticas y gramaticales para identificar sentimientos en el texto. Las reglas pueden incluir diccionarios de palabras con emociones asociadas y patrones sintácticos que indican sentimientos específicos.

Este enfoque emplea técnicas de Machine Learning y algoritmos de clasificación de opiniones, como redes neuronales y aprendizaje profundo. Se enseña a los programas de computación a identificar sentimientos emocionales a partir del texto mediante la creación y el entrenamiento de un modelo con datos conocidos, para que pueda predecir con precisión la opinión sobre datos desconocidos.

Este enfoque combina técnicas basadas en reglas y aprendizaje automático para mejorar la precisión y cobertura del análisis.

A su vez existen varios tipos de análisis detallados:

El análisis detallado de opiniones categoriza la intención del texto en varios niveles de emoción. Típicamente, se califica la opinión del usuario en una escala de 0 a 100, donde cada segmento representa emociones como muy positivo, positivo, neutral, negativo y muy negativo. Las tiendas de comercio electrónico utilizan un sistema de calificación de 5 estrellas para evaluar la experiencia de compra.

El análisis basado en aspectos se enfoca en características específicas de un producto o servicio. Por ejemplo, los fabricantes de laptops encuestan a los clientes sobre su experiencia con el sonido, los gráficos, el teclado y el panel táctil. Utilizan herramientas de análisis de opinión para conectar la intención del cliente con palabras clave relacionadas con el hardware.

El análisis basado en la intención ayuda a comprender la opinión del cliente durante estudios de mercado. Los responsables de marketing utilizan la minería de opiniones para entender la posición de un grupo específico de clientes en el ciclo de compra. Ejecutan campañas dirigidas a los clientes interesados en comprar, basándose en palabras clave como descuentos, ofertas y reseñas en las conversaciones monitoreadas.

La detección emocional analiza el estado psicológico de una persona al escribir el texto. Este enfoque es más complejo que la simple clasificación por categorías, ya que los modelos de análisis de opiniones intentan interpretar diversas emociones, como la alegría, la ira, la tristeza y el arrepentimiento, a través de las palabras elegidas por una persona.

El seguimiento de sentimientos es una técnica que se utiliza para monitorear y analizar las opiniones y emociones de los usuarios a lo largo del tiempo. Permite a las empresas y organizaciones rastrear la evolución de las percepciones y actitudes de los clientes hacia sus productos, servicios o temas específicos. Es útil para identificar tendencias, patrones y cambios en el sentimiento del público, lo que puede ayudar a tomar decisiones informadas y estratégicas en función de los datos recopilados. El seguimiento de sentimientos se puede realizar en diferentes plataformas y canales, como redes sociales, sitios web, foros y encuestas, para obtener una visión completa y actualizada de la opinión pública.

Cada enfoque tiene sus propias ventajas y desventajas, y la elección del método adecuado depende de los objetivos y requisitos específicos. Los enfoques basados en reglas son más fáciles de implementar y entender, pero pueden ser menos precisos en comparación con los enfoques de aprendizaje automático, que requieren más datos y recursos computacionales. Los enfoques híbridos combinan lo mejor de ambos mundos para lograr un resultado más preciso y completo.

Los usos y aplicaciones son variados y abarcan diferentes áreas y sectores. Han mejorado la toma de decisiones y la comprensión de las necesidades y preferencias de los clientes. Algunos de los usos y aplicaciones más comunes incluyen:

Marketing y Publicidad:

Las empresas utilizan éste análisis para evaluar la efectividad de sus campañas de marketing y publicidad. Pueden medir la reacción del público a los anuncios, identificar las tendencias emergentes y ajustar sus estrategias en consecuencia. Éste análisis ayuda a comprender cómo se perciben los mensajes de marketing y a optimizarlos para maximizar su impacto en la audiencia.

Atención al Cliente:

También se utiliza para monitorear y analizar las interacciones con los clientes en tiempo real. Pueden identificar problemas y quejas de los clientes, evaluar la satisfacción del cliente y responder de manera proactiva a las necesidades y preocupaciones de los clientes.

Desarrollo de Productos:

Para recopilar y analizar comentarios de los clientes sobre sus productos y servicios. Pueden identificar las características más valoradas por los clientes, detectar problemas y áreas de mejora, y desarrollar productos y servicios que se ajusten mejor a las necesidades y preferencias de los clientes.

Reputación de la Marca: Las empresas utilizan el análisis para monitorear y gestionar la reputación de la marca en línea. Pueden identificar y abordar comentarios negativos, evaluar la percepción del público sobre la marca y sus productos y tomar medidas para mejorar la imagen de la marca.

Estudio de Mercado:

Las organizaciones realizan estudios de mercado para comprender las necesidades y preferencias de los clientes. Pueden identificar tendencias emergentes, evaluar la competencia y tomar decisiones informadas sobre la estrategia de marketing y el desarrollo de productos. El análisis de sentimientos ayuda a las empresas a comprender mejor el mercado y a adaptarse a los cambios en las preferencias y comportamientos de los clientes.

Monitoreo de Redes Sociales:

Las empresas pueden monitorear y analizar las conversaciones en las redes sociales. Logran identificar temas y tendencias relevantes, evaluar la percepción del público sobre la marca y sus productos y responder de manera proactiva a los comentarios y quejas de los clientes. Ésta herramienta ayuda a las empresas a gestionar su presencia en línea y a fortalecer la relación con los clientes en las redes sociales.

Investigación de Opinión Pública:

Los gobiernos lo utilizan para realizar investigaciones de opinión pública y evaluar la percepción del público sobre temas específicos. Pueden identificar las preocupaciones y preferencias de los ciudadanos, evaluar la eficacia de las políticas y programas gubernamentales y tomar decisiones informadas sobre la formulación de políticas. La técnica de análisis de sentimientos ayuda a los gobiernos y organizaciones a comprender mejor a la sociedad y a responder a sus necesidades y preocupaciones.

Seguimiento de la Competencia:

Se utiliza para monitorear y analizar la percepción del público sobre la competencia. Se puede identificar fortalezas y debilidades de los competidores, evaluar la eficacia de sus estrategias de marketing y tomar decisiones informadas sobre cómo diferenciarse en el mercado. Ayuda a las empresas a comprender mejor a la competencia y a desarrollar estrategias efectivas para ganar cuota de mercado.

Prevención de Crisis:

Las empresas lo utilizan para detectar y prevenir crisis de reputación. Pueden identificar comentarios negativos y quejas de los clientes, evaluar la gravedad de la situación y tomar medidas proactivas para abordar los problemas antes de que se conviertan en crisis.

Personalización de Contenidos:

Los comercios utilizan el análisis de sentimientos para personalizar el contenido y las recomendaciones para los clientes. Pueden identificar las preferencias y intereses de los clientes, evaluar la efectividad de las campañas de marketing y ofrecer contenido relevante y atractivo a los clientes. El análisis de sentimientos ayuda a las empresas a mejorar la experiencia del cliente y a aumentar la participación y la fidelidad de los clientes.

Optimización de la Experiencia del Cliente:

Es utilizado también para optimizar la experiencia del cliente en todos los puntos de contacto. Se pueden identificar problemas y oportunidades de mejora, evaluar la satisfacción del cliente y tomar medidas proactivas para mejorar la experiencia del cliente.

Un aspecto fundamental en el análisis de sentimientos es la evaluación de la efectividad y la precisión de los modelos utilizados. Existen varias métricas y técnicas que se pueden utilizar para medir el desempeño de los modelos y garantizar que produzcan resultados precisos y confiables.

• Precisión (Accuracy): La precisión mide la proporción de predicciones correctas sobre el total de predicciones realizadas. Es una métrica general que indica qué tan bien el modelo está clasificando los sentimientos correctamente.

  • Precisión = Predicciones Correctas / Total de Predicciones

• Precisión Positiva (Precision): La precisión positiva mide la proporción de verdaderos positivos sobre el total de predicciones positivas realizadas por el modelo. Es especialmente útil cuando las clases están desbalanceadas.

  • Precisión Positiva = Verdaderos Positivos / (Verdaderos Positivos + Falsos Positivos)

• Sensibilidad o Recall (Recall): La sensibilidad mide la proporción de verdaderos positivos que el modelo identifica correctamente sobre el total de verdaderos positivos reales. Es crucial para entender cuán bien el modelo detecta sentimientos positivos o negativos.

  • Sensibilidad = Verdaderos Positivos / (Verdaderos Positivos + Falsos Negativos)

• F1-Score: El F1-Score es la media armónica entre la precisión y la sensibilidad. Proporciona un equilibrio entre ambas métricas, siendo especialmente útil cuando se necesita un balance entre la precisión y la capacidad de detección del modelo.

  • F1-Score = 2 × (Precisión × Sensibilidad) / (Precisión + Sensibilidad)

• Matriz de Confusión: Una matriz de confusión es una herramienta visual que muestra las predicciones correctas e incorrectas del modelo. Divide las predicciones en verdaderos positivos, falsos positivos, verdaderos negativos y falsos negativos, permitiendo una evaluación detallada del desempeño del modelo.
• AUC-ROC: El área bajo la curva de la característica operativa del receptor (AUC-ROC) es una métrica que mide la capacidad del modelo para distinguir entre clases positivas y negativas. Un valor más alto indica un mejor desempeño del modelo.
• Cross-Validation: La validación cruzada es una técnica que divide los datos en múltiples subconjuntos y entrena y evalúa el modelo en diferentes combinaciones de estos subconjuntos. Ayuda a garantizar que el modelo generaliza bien y no está sobreajustado a los datos de entrenamiento.

Estas métricas y técnicas son fundamentales para evaluar y comparar la efectividad y precisión de los modelos de análisis de sentimientos (y otros tipos de análisis también). Permiten identificar áreas de mejora, ajustar los modelos y garantizar que produzcan resultados confiables y precisos en la clasificación de sentimientos en el texto.

Existen diversas herramientas y plataformas de software que facilitan la implementación de éste análisis en diferentes contextos y aplicaciones. Algunas de las opciones más populares incluyen:

Bibliotecas de Programación

Python:

• NLTK (Natural Language Toolkit): Biblioteca potente para tareas de procesamiento de lenguaje natural.
• TextBlob: Simple de usar para análisis de sentimientos y otras tareas NLP.
• VADER (Valence Aware Dictionary and sEntiment Reasoner): Especialmente adecuado para análisis de sentimientos en medios sociales.
• spaCy: Biblioteca avanzada de NLP con capacidades de análisis de sentimientos mediante complementos.
• Transformers de Hugging Face: Modelos preentrenados como BERT, RoBERTa, etc., que se pueden usar para análisis de sentimientos.

R:

• tidytext: Biblioteca para procesamiento de texto y análisis de sentimientos.
• syuzhet: Implementa varios métodos de análisis de sentimientos, incluyendo VADER y NRC.

Plataformas y Herramientas de Software

• IBM Watson Natural Language Understanding: Esta herramienta ofrece un conjunto completo de análisis de texto, que incluye análisis de sentimientos, categorización de temas y extracción de entidades. Es conocida por su precisión y flexibilidad, permitiendo personalizar modelos según las necesidades específicas de las empresas.
• Google Cloud Natural Language API: La API de Google proporciona capacidades avanzadas de análisis de sentimientos, análisis de entidades y categorización de contenido. Es una opción popular debido a su integración fácil con otros servicios de Google y su escalabilidad.
• Amazon Comprehend: Parte de AWS, Amazon Comprehend utiliza machine learning para encontrar insights y relaciones en textos. Su análisis de sentimientos puede identificar sentimientos positivos, negativos, mixtos y neutrales, y es utilizado por muchas empresas para análisis de clientes y retroalimentación.
• Microsoft Azure Text Analytics: Esta herramienta proporciona análisis de sentimientos, detección de entidades, y análisis de opiniones. Es valorada por su facilidad de integración con otros servicios de Azure y su capacidad de manejar grandes volúmenes de datos.
• Hootsuite Insights: Enfocada en redes sociales, Hootsuite Insights ofrece capacidades de análisis de sentimientos para ayudar a las empresas a comprender mejor las percepciones de sus marcas en plataformas sociales.
• Lexalytics: Proporciona análisis de sentimientos y análisis de textos personalizados para diferentes industrias, incluyendo salud, finanzas y marketing. Su motor de procesamiento de lenguaje natural es conocido por su alta precisión y capacidad de personalización.
• MonkeyLearn: Es una plataforma de análisis de texto fácil de usar que permite a las empresas crear y entrenar modelos de machine learning para el análisis de sentimientos y otros tipos de análisis de texto.

Software de Business Intelligence

• Power BI: Con la integración de modelos de NLP y Sentiment Analytics. mediante servicios cognitivos.
• Tableau: Puede integrar R o Python para realizar éste análisis.

Orange: Plataforma open source para visualización y análisis de datos que incluye, entre otros, herramientas para análisis de texto y aprendizaje automático. Ofrece preprocesamiento de texto, análisis de sentimientos y visualización de resultados.

Estas herramientas y plataformas ofrecen diversas capacidades y pueden ser seleccionadas en función de tus necesidades específicas y tu nivel de experiencia con programación y análisis de datos.

Hace un par de décadas era difícil imaginar el nivel de interacción masiva por parte de los individuos de todo el mundo a través de todas la plataformas y redes sociales existentes que brindan una potente voz a todos los ciudadanos de países libres, y como esto derivo en una mayor democratización de la información y la opinión.

Éstas redes y plataformas han permitido a las personas expresar sus opiniones y emociones de manera instantánea y global, lo que ha generado una verdadera revolución en la forma que los lideres ejercen ese liderazgo, no solo a nivel empresarial y comercial, sino que ha tenido injerencia total en la forma de hacer política, de entender mejor a la sociedad en general. El análisis de sentimientos ha afectado elecciones presidenciales, ha generado cambios en políticas de empresas y ha permitido a los gobiernos y organizaciones no gubernamentales reaccionar a tiempo a las demandas de la sociedad.

Poder capturar y analizar la información que fluye de manera constante y en tiempo real constituye una verdadera revolución en la forma de hacer negocios y de entender la sociedad en la que vivimos. Es una práctica esencial en el mundo actual, donde la información y la opinión se comparten y difunden a una velocidad sin precedentes.