Big data para la segmentación de mercados en redes sociales en accesorios de moda emergente
Resumen
El objetivo principal de esta investigación es analizar el Big Data para la segmentación de mercados en redes sociales en accesorios de moda emergente. La investigación se desarrolló en torno a la variable Big Data según las teorías de Zikopoulos y otros (2012), Provost y Fawcett (2013) y en cuanto a la segmentación en redes sociales, se consideró el enfoque de Lamb, Hair y McDaniel (2011), Kotler y Keller (2014). El tipo de investigación fue descriptiva, con un diseño no experimental, transeccional, de campo. Para la recolección de datos se trabajó con tres unidades informantes: clientes reales y potenciales de las marcas de accesorios de moda emergente, Community Managers de comunidades online de Facebook orientadas a la gestión de redes, ambas poblaciones infinitas para las cuales se tomó una muestra de 384 sujetos y una última población finita de expertos en computación compuesta por tres profesores de la Universidad Rafael Urdaneta. La técnica de recolección de datos fue la encuesta, se diseñaron dos instrumentos que poseen uno y dos cuestionarios que fueron validados por 6 expertos en mercadeo y computación. El primero, de escala tipo Likert de 9 ítems de 4 alternativas, el segundo de selección simple y consta de 23 ítems; el otro cuestionario es de tipo Likert y consta de 25 ítems con 5 opciones. Al realizar la prueba piloto se obtuvo la confiabilidad de 0,89 de Alfa de Cronbach; 0,83 en el segundo instrumento por medio del coeficiente de interclase mediante la prueba de test-retest, obteniendo una alta confiabilidad. Luego se desarrolló un programa para la extracción de datos de Instagram, analizando 3017 cuentas de usuarios. Concluyendo que existen tres segmentos offline: cautelosos-dinamicos, explorador-experimentador y practico-equilibrado mientras que online existen cuatro: Sociables muy influyentes, Sociables altamente influyentes, Sociables de poca actividad y Sociables activos.
Descargas
Citas
Aimia. (2015). Aimia. Documento en línea. Disponible en: http://www.aimia.com Consulta: 3/07/2015.
Arias, F. (2012). Proyecto de investigación: Introducción a la investigación científica. México. Editorial Episteme.
Bernal, C. (2010). Metodología de la investigación. México. Editorial Pearson.
Dannah, B. y Ellison, N. (2007). Social Network Sites: Definition, History, and Scholarship. Documento en línea. Disponible en: http://www.danah.org/papers/JCMCIntro.pdf. Consulta: 10/07/2015.
Feinleib, D. (2014). Big Data. Bootcamp. Estados Unidos. Editorial Apress.
FORBES. (2016) How Facebook Turned its Gratest weakness into its Greatest Strength. Documento en línea. Disponible en: http://www.forbes.com/sites/briansolomon/2016/01/28/how-facebook-turned-its-greatest-weakness-into-its-greatest-strength/#458cc97c4a06. Consulta: 15/05/2017.
Gettler, M. Bottou, L. Goldfarb, B. Murtagh, F. Pardoux, C. y Touati, M. (2010). Statistical learning and Data Science. United States. Chapman & Hall/CRC.
Hootsuite, (2016). Hootsuite. Documento en línea. Disponible en: http://hotsuite.com. Consulta: 26/10/2016.
Haupt, M. (2006). Data is the new Oil. Documento en línea. Disponible en: https://medium.com/twenty-one-hundred/data-is-the-new-oil-a-ludicrous-proposition-1d91bba4f294 Cosulta: 06/11/2014.
Kotler, P. Keller, K (2012). Dirección de marketing. Edición 14, (Pp. 212-239).
Lamb, C. Hair, J. y McDaniel, C. (2011). Marketing. 11va ed. México.
Mullins, J. Walker, O. Boyd, H. y Larréché, J. (2007). Administración de marketing. México. Editorial McGraw-Hill.
Neumann, K. (2011). Social Media als Marketing-Instrument für Unternehmen. Master en gerencia de la información. Hannover, Fachhochschule
ONTSI (2011). Las redes sociales en internet. Documento en línea. Disponible en: http://www.osimga.gal/export/sites/osimga/gl/documentos/d/20111201_ontsi_redes_sociais.pdf. Consulta: 2/07/2015.
Provost, F. y Fawcett, T. (2013) Data Science for Business. Estados Unidos. Editorial O’Reilly.
Zikopoulos, P. deRoos, D. Eaton, C. Lapis, G. Deustsch, T. (2012) Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data. United States. McGraw-Hill.