2022XXXVIEDUCA ALTextocompleto

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 25

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/374421170

El marketing de influencers desde la perspectiva del análisis de redes sociales


y aprendizaje de máquinas

Conference Paper · October 2022

CITATIONS READS

0 266

2 authors:

Esteban A. Nantes Arnaldo Mario Litterio


Universidad Nacional del Sur Universidad Nacional del Sur
8 PUBLICATIONS 98 CITATIONS 6 PUBLICATIONS 80 CITATIONS

SEE PROFILE SEE PROFILE

All content following this page was uploaded by Esteban A. Nantes on 04 October 2023.

The user has requested enhancement of the downloaded file.


EL MARKETING DE INFLUENCERS DESDE LA
PERSPECTIVA DEL ANÁLISIS DE REDES
SOCIALES Y APRENDIZAJE DE MÁQUINAS

XXXVI EDUCA-AL

Área temática:

Trabajos de investigación.

Autores:

LITTERIO, Arnaldo Mario.

NANTES, Esteban Alberto.

Cátedras:

Comercialización - Comercialización LA - Seminario de Investigación de


Mercados.

Departamento de Ciencias de la Administración.

Universidad Nacional del Sur.

E-Mails:

[email protected]

[email protected]

1
RESUMEN
Las redes sociales online facilitan el diálogo social online entre personas, marcas e
instituciones, proveyendo una plataforma en la que opiniones y comportamientos de los
consumidores se ven afectados por complejas redes de influencia social y es una función
ineludible del marketing contemporáneo aportar a las organizaciones comerciales, políticas
y no gubernamentales un mapa para desarrollar su actividad en ese terreno.

El presente trabajo aborda la temática de los influencers, desde la perspectiva del análisis
de redes sociales y aprendizaje de máquinas, continuando la línea de investigación sobre
la influencia en redes sociales online que desarrolló el mismo grupo de investigación en
publicaciones anteriores y con el objetivo de lograr una aproximación más realista al valor
real de los influencers y su utilización en el marco de la mezcla de marketing.

Este trabajo está organizado de modo que en la primera parte se elabora un marco
conceptual donde se invocan conceptos de marketing y del análisis de las redes sociales,
incluyendo los procesos de influencia en la decisión de compra, el estudio y análisis de
redes sociales en general y redes sociales online en particular. Se desarrolla el concepto
de influyente, del influencer junto con la problemática actual del influencer marketing y se
introducen por último conceptos de aprendizaje automático o machine learning y el
algoritmo que se utiliza como parte del trabajo.

Seguido, se procede a introducir el caso testigo para el estudio, desarrollar la metodología


propuesta y exponer los resultados obtenidos.

Finalmente, se ofrecen las conclusiones a las que se arribó y sus limitaciones, en busca de
promover la discusión y posibles extensiones a este trabajo.

PALABRAS CLAVE
Marketing digital, análisis de redes sociales, influenciadores.

2
ÍNDICE
1. INTRODUCCIÓN
2. MARCO TEÓRICO
3. PLANTEAMIENTO DEL PROBLEMA Y OBJETIVOS
4. METODOLOGÍA
5. RESULTADOS OBTENIDOS
6. DISCUSIÓN Y CONCLUSIONES
7. BIBLIOGRAFÍA

3
1- INTRODUCCIÓN
En el mundo actual hablar de marketing y marketing digital es una tautología. El marketing
digital excedió con creces la categoría de “canal publicitario” que le atribuyó la llamada Web
1.0 y hoy es difícil encontrar organizaciones que desconozcan y no incorporen
herramientas del marketing digital en su enfoque estratégico y táctico del mercado. El
análisis del consumidor, el entorno competitivo y la gestión del conocimiento,
posicionamiento y promoción de productos y servicios en el mundo online son funciones
claves del marketing moderno.

Esto no lo hizo el marketing por sí solo sino como consecuencia del profundo cambio
cultural y social que supone un mundo digitalizado, geolocalizado e interconectado en
tiempo real a través de dispositivos móviles inteligentes. Esta tendencia no hizo más que
ser aumentada y consolidada por el impacto de la pandemia de Covid-19 que encerró a las
personas y las llevó a socializar, educarse, informarse y consumir a través de plataformas
tecnológicas.

El marketing contemporáneo debe aportar a las organizaciones comerciales, políticas y no


gubernamentales un mapa para desarrollar su actividad trazado en un terreno en el que se
entrelazan disciplinas otrora no vinculadas como el marketing tradicional, el análisis de las
redes sociales, el análisis estadístico y el aprendizaje automático.

Las redes sociales online facilitan el diálogo social online entre personas, marcas e
instituciones, proveyendo una plataforma en la que opiniones y comportamientos de los
consumidores se ven afectados por complejas redes de influencia social.

El presente trabajo continúa en la línea de investigación sobre la influencia en redes


sociales online que se inició a partir de la publicación Marketing and social networks: a
criterion for detecting opinion leaders, realizada por este mismo equipo en el European
Journal of Management and Business Economics.

En trabajos anteriores que incluyen la publicación ya mencionada, se logró demostrar que


es posible el uso del análisis de redes sociales aplicado a comunidades online para detectar
influyentes en el marco del marketing digital. El marketing tradicional se complementa con
la posibilidad de operar directamente sobre estos individuos y generar un efecto
multiplicador basado en el boca a boca digital.

Se propuso una metodología para detectar actores influyentes dentro de una red social y
en sucesivas publicaciones en las que se utilizaron métodos como la simulación basada
en agentes, la minería de texto, el análisis sobre redes bimodales, la experimentación sobre
diferentes comunidades nucleadas en redes sociales como Facebook, Twitter y
Tripadvisor, la detección automática de clusters entre otras se validó la utilidad de la
herramienta propuesta para encontrar actores en esas redes que son difusores eficientes
de información, pudiéndose detectar de manera rápida y eficiente respecto a otros
métodos.

El presente trabajo trata de los influencers, entendidos no como sinónimo de influyente tal
como se ha definido en el contexto de la investigación que hemos desarrollado hasta ahora
sino según la acepción popular y actual de la palabra, que si bien tienen muchos puntos en
común no son exactamente lo mismo.

4
Este trabajo está organizado de modo que en la primera parte se elabora un marco
conceptual donde se invocan conceptos de marketing y del análisis de las redes sociales,
incluyendo los procesos de influencia en la decisión de compra, el estudio y análisis de
redes sociales en general y redes sociales online en particular. Se desarrolla el concepto
de influyente, del influencer junto con la problemática actual del influencer marketing y se
introducen por último conceptos de aprendizaje automático o machine learning y el
algoritmo que se utiliza como parte del trabajo.

Seguido, se procede a introducir el caso testigo para el estudio, desarrollar la metodología


propuesta y exponer los resultados obtenidos.

Finalmente, se ofrecen las conclusiones a las que se arribó y sus limitaciones, en busca de
promover la discusión y posibles extensiones a este trabajo.

2- MARCO TEÓRICO
El boca a boca y el marketing online
Hasta la popularización de Internet y las redes sociales en particular, la comunicación de
las marcas con consumidores y potenciales consumidores se ha realizado en forma
unidireccional, es decir de modo que la marca comunica un mensaje (publicitario) a una
audiencia sin esperar que el receptor de ese mensaje responda. Este paradigma se reflejó
incluso en las primera iteración de Internet -que hoy se identifica como Web 1.0- en que
los sitios web de marcas brick and mortar replicaban el formato de revista o catálogo y las
redes sociales aún no existían.

En ese mundo, la interacción con el consumidor ha quedado reservada en el mejor de los


casos a la investigación e inteligencia de mercados (Bacile, Ye & Swilley, 2014; Benedetti,
2015).

A partir del surgimiento y popularización de las redes sociales online (Web 2.0),
consumidores actuales y potenciales ganan un canal de comunicación con las marcas y
entre sí.

El boca a boca o word of mouth, ha sido extensivamente estudiado y reconocido como un


factor influenciador clave en las decisiones de compra de los consumidores (Lang & Hyde,
2013; King, Racherla & Bush, 2014), y tiene un efecto positivo en la relación del consumidor
con la marca, y en otros resultados del marketing (Hudson, Huang, Roth & Madden, 2016;
Wang & Gon Kim, 2017).

Hewett y otros (Hewett, Rand, Rust & van Heerde, 2016) postulan que la naturaleza de la
comunicación de marca ha cambiado con el advenimiento de las tecnologías online, y
cuantifica su efecto en el sentimiento del consumidor y resultados de negocio.

El boca a boca electrónico o eWOM puede definirse conceptualmente como “cualquier


declaración positiva o negativa realizada por clientes potenciales, actuales o anteriores
sobre un producto o empresa, que se pone a disposición de una multitud de personas e
instituciones a través de Internet”.

5
Por lo tanto, eWOM ocurre cuando los consumidores generan e intercambian información
o contenidos en línea en forma de reseñas de productos en línea, correos electrónicos
personales y publicaciones en redes sociales.

Hoy el proceso de compra de un producto o servicio está fuertemente permeado por la


experiencia del potencial consumidor dentro del ecosistema de Internet en general y las
redes sociales en particular. A través de la web se pueden descubrir productos, analizar y
comparar alternativas, ver videos de su uso, leer opiniones y concretar la transacción.

Esta dinámica incluso excede a las transacciones que se concretan online en forma de
comercio electrónico ya que afecta además a las compras offline (Kantar para CACE,
2022).

Las redes sociales online tienen un denominador común que es que dependen del
contenido generado por los propios usuarios, el cual generalmente se encuentra
relacionado con marcas y tiene el potencial de influenciar la percepción de la marca por
parte de los consumidores (Smith, Fischer & Yongjian, 2012; Nam & Kannan, 2014).

El “apego” a los medios sociales online está relacionado positivamente con conductas de
consumo y apoyo a las marcas, lo que convierte a algunas personas en objetivos naturales
de iniciativas de marketing (VanMeter, Grisaffe & Chonko, 2015).

Varios estudios previos señalan una mayor capacidad del contenido generado por usuarios
para generar interés sobre un tópico superando los contenidos generados comercialmente
(Bickart & Schindler, 2001); el efecto del boca a boca en la confianza, lealtad e intención
de compra (Awad & Ragowsky, 2008; Ekran & Evans, 2016; Chen, Fay & Wang, 2011;
Pavlou & Ba, 2002) y recompra (Gauri, Bhatnagar & Rao, 2008. La gente común confía en
las opiniones desinteresadas publicadas online, lo que sugiere que las empresas deberían
enfocarse en los mecanismos que faciliten la dispersión del boca a boca (Duan, Gu &
Whinston, 2008).

Influyentes y líderes de opinión


El modelo de comunicación de flujo de dos pasos (Katz & Lazarsfeld, 1955), postula que
las personas siguen a los líderes de opinión quienes a su vez son influenciados por los
medios de comunicación.

Las dinámicas de influencia fueron abordadas desde diferentes enfoques y disciplinas. Los
términos influyentes, influenciadores, líderes de opinión, market mavens, hubs o alfa users,
se utilizan a menudo indistintamente para referirse a individuos que comparten un mismo
conjunto de características.

Dentro de las redes sociales se dan naturalmente figuras que toman importancia especial
porque tienen el potencial de influenciar un comportamiento de compra en sus contactos.

Las empresas deben aprovechar la fuerza de la comunicación de consumidor a


consumidor, atrayendo a grupos de usuarios que conecten con la marca y actúen
posteriormente a su favor. Este grupo no necesariamente debe ser grande, pero sí
influyente (Peters, Chen, Kaplan, Ognibeni & Pauwels, 2013; Risselada, Verhoef & Bijmolt,
2014).

6
El accionamiento sobre individuos seleccionados mediante algún criterio particular para
lograr un efecto multiplicador se conoce como sembrado o seeding y se da a través de la
interacción de dos mecanismos: expansión del mercado y aceleración del consumo (Libai,
Muller & Peres, 2013). El concepto de seeding ha sido abordado en varios trabajos. Como
contribuciones que estudian el problema de optimización desde una perspectiva
experimental se pueden mencionar a Chen, Wang & Wang (2010); Aral, Muchnik &
Sundararajan, (2013); Kempe, Kleinberg & Tardos (2015) y Aghdam & Navimipou (2016).
Para determinadas redes se han elaborado métricas derivadas de atributos y actividades
propios de los usuarios para estimar, entre otros, indicadores de popularidad e influencia
(Grossek & Holotescu, 2009).

Marketing de influencers
El marketing de influencers es el nombre coloquial de una forma de marketing digital que
se da cuando las marcas reclutan usuarios de redes sociales particulares para promocionar
sus productos o servicios y afectar las decisiones de compra de terceros. El influencer no
es necesariamente una persona célebre, sino una persona que genera contenidos
regularmente con cierto nivel de expertise en un área y ha generado a partir de ello una
base importante de seguidores (de valor para las marcas). El hecho de que el influencer
no sea una celebridad y además la interactividad que facilita la red social ayuda a que los
seguidores se sientan conectados con el influencer y se identifiquen con él/ella, lo que lleva
a que la promoción de un producto sea más natural que en una publicidad tradicional
(Taylor, 2020).

Esto opera a favor de las marcas. Según Lou y Yuan (2019) el valor informativo del
contenido generado por los influencers y la credibilidad del influencer pueden afectar
positivamente la confianza de un seguidor en un contenido que contiene un sponsoreo de
una marca y afectar su percepción de marca o brand awareness e intención de compra.

Esta forma de marketing implica generalmente que las marcas colaboren con el influencer,
no solamente a través de una retribución sino además a través de asesoramiento y
recursos para profesionalizar la gestión de su canal y desarrollar su audiencia.

El fenómeno de los influencers ha tenido un enorme crecimiento en los últimos años


fundamentalmente en plataformas sociales como Instagram, YouTube, Facebook y Twitter.
Según varias fuentes la participación del presupuesto de marketing de influencers ha
crecido sin pausa en marcas de todo tipo y tamaño. El crecimiento del marketing de
influencers se ha visto favorecido porque las marcas pueden alcanzar audiencias con un
alto nivel de segmentación a un costo por contacto inferior al de otros medios digitales.

Hay varias áreas de análisis que no han sido debidamente investigadas como la medición
de la efectividad, métricas relevantes, saturación de influencers, impacto de normativas y
segmentación en el uso de influencers por parte de las marcas (Taylor, 2020)

Existen varias métricas que se utilizan habitualmente en la industria para ponderar el


atractivo de un influencer. El número de seguidores, la relación entre seguidores y seguidos
del influencer y el tipo de producto son métricas importantes para analizar un influencer
(De Veirman, Cauberghe & Hudders, 2017).

La cantidad de seguidores o followers es sencillamente el número total de perfiles que


“siguen” o están suscritos al canal del influencer. Se trata de una métrica que nunca se

7
utiliza sola ya que muchos perfiles de redes sociales corresponden a bots o
automatizaciones, se encuentran inactivos o son directamente perfiles falsos o fakes.

Los seguidores comprometidos interactúan con influencers y marcas a través de diferentes


acciones que varían según la red social. El engagement rate (tasa de participación) es una
métrica que mide cuán activamente involucrada está la base de seguidores de un influencer
con sus publicaciones y se mide como la cantidad total de interacciones (como "me gusta"
o compartir) sobre el total de seguidores.

Esta métrica funciona como una medida de la intensidad del boca a boca o eWOM que
genera el influencer. Ya no importa solo la cantidad de seguidores de una cuenta sino el
engagement de la audiencia con el contenido. Por la forma en que se calcula esa métrica
es deseable para los influencers hacer crecer su base de seguidores siempre que los
nuevos usuarios generen interacciones ya que de otra manera aumentan los seguidores
pero disminuye el engagement rate.

Los potenciales anunciantes utilizan a menudo esa métrica como un proxy de la eficacia
de las campañas de redes sociales, bajo el supuesto que las personas que pasan tiempo
interactuando con vídeos, actualizaciones y blogs donde se promocionan las marcas tienen
más probabilidades de convertirse en clientes.

Además de estas métricas las marcas utilizan variables cualitativas para asegurar que el
influencer y su audiencia estén lo más alineados posible con el target del producto o
servicio como el perfil demográfico de la audiencia y análisis de los hashtags más utilizados
por el influencer entre otras.

Análisis de redes sociales


Las redes sociales online son en sí mismas entidades sociales que funcionan como un
agregado de las conductas de sus componentes indivisos. Las redes son analizables
principalmente en cuanto a su morfología (Smith, Rainie, Himelboim & Shneiderman,
2014), y a su vez cada uno de los integrantes de la red puede analizarse a partir de métricas
que describen su posición dentro de la estructura de relaciones de la red (Hansen,
Schneiderman & Smith, 2011).

El análisis de redes sociales se sirve de la teoría de grafos para analizar la topología de la


red social, el modelado estructural, la fuerza de los lazos, la detección de comunidades,
cohesión de grupos y cálculo de métricas (Alamsyah & Rahardjo, 2021).

Estudios previos sugieren que el análisis de la situación estructural de un actor dentro de


una red es un buen indicador de liderazgo de opinión (Van der Merwe & van Heerden,
2009).

En Marketing and social networks: a criterion for detecting opinion leaders (Litterio, Nantes,
Larrosa & Gómez, 2017) se propone una metodología para detectar actores influyentes
dentro de redes sociales basado en la combinación de centralidad de intermediación y de
autovector para clasificar los actores de una red social en cuanto a su nivel de influencia
que permite mapear los individuos que componen una red y de acuerdo con un criterio
relevante para determinar los cortes, clasificarlos en cuatro segmentos con características
de difusión diferenciadas.

8
Los líderes no necesariamente deben estar en el medio de cada red importante ya que esto
sería a costa de una posición marginal en otra red. Existe un trade off en la construcción
de este capital social (Balkundi & Kilduff, 2006).

El aprendizaje de máquinas y el algoritmo APRIORI


El aprendizaje automático, aprendizaje de máquinas o machine learning forma parte de un
conjunto de disciplinas que abordan el desafío de la inteligencia artificial desde la
implementación computacional de métodos estadísticos y matemáticos. El objetivo es
encontrar patrones y elaborar modelos que permitan hacer generalizaciones y predicciones
sobre sistemas de grandes volúmenes de datos a través de algoritmos específicos.

Figura 1.- Machine learning en el contexto de la inteligencia artificial. Elaboración propia.

Si bien la clasificación que se propone a continuación no es taxativa ni exhaustiva, se


acepta comúnmente que existen tres tipos de aprendizaje automático según el enfoque, la
naturaleza del problema, la solución buscada y la información disponible entre otros
factores:

Aprendizaje supervisado: Utiliza datos previamente clasificados o valorizados para


producir un modelo predictivo que es en términos generales una función que mapea
diferentes estados del sistema a un valor esperado de la variable objetivo. Se conoce como
aprendizaje “supervisado” porque se le da al algoritmo un sistema completo de
observaciones con las respuestas correctas para que devuelva un modelo generalista. Se
aplica comunmente a problemas de clasificación y de regresión.

Aprendizaje no Supervisado: A diferencia del anterior, el sistema de datos no tiene una


variable objetivo a aprender. El algoritmo debe buscar relaciones en un cuerpo de datos y
generar elementos que los describen como agrupaciones o conjuntos de reglas. Un caso
típico de este tipo de aprendizaje es la detección automática de clusters, o grupos dentro
de los datos que tienen afinidad.

9
Aprendizaje por refuerzo o reinforcement learning: Es una forma de aprendizaje en la
que no se dispone de un sistema de datos como en los dos casos anteriores, sino que se
dispone de un entorno en que una entidad (agente) debe tomar diferentes decisiones
(acciones). El conjunto de acciones que puede tomar el agente determina una recompensa
variable que el agente debe maximizar. Este enfoque es el que se utiliza en los vehículos
que se autoconducen, los juegos de computadora y aspiradoras automáticas.

APRIORI es el nombre de un algoritmo utilizado en aprendizaje de máquinas que permite


encontrar reglas de asociación que describen "conjuntos de ítems frecuentes". Se trata de
un método no supervisado ya que la información que se da al algoritmo no se encuentra
rotulada y el mismo algoritmo se encarga de devolver reglas que describen los datos como
resultado.

En particular este método genera reglas de asociación entre conjuntos diferentes de


elementos o ítems a partir de la repetición de elementos en esos conjuntos. Se utiliza por
ejemplo en la industria del retail para analizar carros de compras de diferentes clientes y
encontrar asociaciones habituales entre diferentes productos. Un ejemplo sencillo de una
regla puede ser “Si el cliente compra el producto A es altamente probable que compre
también el producto B”.

Estas reglas tienen dos atributos principales:

SOPORTE: El soporte se refiere a la popularidad de un elemento y se puede calcular


encontrando el número de transacciones que contienen los artículos incluidos en la regla
dividido por el número total de transacciones. Por ejemplo el soporte de una regla que
involucre A y B es el número de transacciones que contienen simultáneamente A y B sobre
el total de transacciones analizadas.

CONFIANZA: La confianza se refiere a la probabilidad de que un artículo B exista en una


transacción si existe el artículo A. Se puede calcular encontrando el número de
transacciones en las que A y B se compran juntos, dividido por el número total de
transacciones en las que se compra A.

Este algoritmo se ha aplicado con éxito en la industria del retail al problema conocido como
análisis de la canasta (Annie & Kumar, 2012). Su utilización facilita a negocios de este tipo
definir y automatizar estrategias de venta cruzada (cross selling) y tomar definiciones de
localización óptima de productos en las tiendas. Se utiliza también en problemas de
predicción y en motores de recomendación para ecommerce. No existen casos de
aplicación en conjunto con análisis de redes sociales para una aplicación de marketing.

10
3- PLANTEAMIENTO DEL PROBLEMA Y OBJETIVO
El fenómeno de los influencers y su utilización en la mezcla de marketing plantea varias
cuestiones que no pueden ser respondidas desde la investigación existente. las métricas
que ofrece hoy la análitica de marketing de influencers:

● ¿Alcanzan estas métricas como guía para que el área de marketing de una empresa
pueda ponderar diferentes influencers y decidir un curso de acción?
● ¿Capturan suficientemente estas métricas la relación entre diferentes influencers y
sus respectivas comunidades tales como efectos que pueden ser deseables (o no)
como solapamiento o co-ocurrencia?
● ¿Permiten estas métricas medir la alineación de un influencer y su comunidad con
la audiencia de interés y público objetivo o target para la marca? Por ejemplo,
¿Cómo puede asegurarse un fabricante de cerveza de que quienes siguen e
interactúan con el inlfluecer que está analizando contratar son realmente el target
definido para su producto más allá de un análisis de los hashtags que utiliza el
influencer?

El objetivo del trabajo es responder a todas estas cuestiones no triviales para el marketing
de influencers y lograr una aproximación más realista al valor real de los influencers y su
utilización en el marco de la mezcla de marketing.

11
4- METODOLOGÍA
Se propone para el abordaje de los cuestionamientos planteados la utilización de técnicas
de análisis de redes sociales (ARS) y de aprendizaje de máquinas y su demostración
mediante el desarrollo de un caso.

Elección de un caso
Para demostrar el uso como caso de estudio el análisis de varias redes homólogas de
influencers de la red social Instagram relacionadas con el mundo de la cocina en casa.

Instagram es una red social online para compartir fotos y videos fundada en 2010, adquirida
luego por Facebook Inc., ahora conocida como Meta Platforms. La aplicación permite a los
usuarios cargar, editar y compartir contenidos visuales y audiovisuales y etiquetarlos a
través de hashtags y etiquetas geográficas. Las publicaciones se pueden compartir
públicamente o con seguidores. Los usuarios pueden explorar el contenido de otros
usuarios por etiqueta y ubicación, convertirse en seguidores e interactuar con los creadores
de contenido y otros usuarios a través de likes y comentarios.

El uso de redes sociales se encuentra encima de un 80% del total de la población de países
industrializados (58,4% promedio mundial) y el uso de Instagram en particular e Instagram
es la 2da red social en cuanto a favoritismo a nivel mundial. A nivel mundial el 22.6% de
usuarios de internet declara seguir influencers en redes sociales, dato que supera el 30%
en países como Argentina, Colombia, México, Brasil (WeAreSocial, 2022).

La pandemia de Covid-19 aceleró el desarrollo de algunos sectores del marketing de


influencers. La situación de incertidumbre y aislamiento influyó en la elección, la compra y
la preparación de los alimentos. Las redes sociales y las redes sociales son fuentes de
entretenimiento y aprendizaje, con vastos recursos para las habilidades culinarias, lo que
puede estimular la cocina casera (Uggioni et al. 2020; Grunert et al. 2022). La imposibilidad
de salir a comer, el hastío del aislamiento y el exceso de tiempo libre tuvieron como un
subproducto generar un interés nuevo por la preparación de comida y a la vez de uso de
redes sociales. En ese contexto surgieron y tomaron relevancia personalidades que
ofrecían contenidos con foco en temas como fitness, cocina, hobbies y autoayuda (Taylor,
2020)..

Relevamiento preliminar de información


Se relevaron en una primera instancia los perfiles de potenciales influencers de Instagram
relacionados con la cocina según medios públicos de difusión y otras fuentes secundarias
como sitios dedicados al marketing de influencers como StarNgage.com o Inlfuencity.com.

Se consolidaron todos los perfiles en una única base, se eliminaron duplicados y luego se
hizo una extracción de datos preliminares de Instagram según se detalla más abajo con el
objetivo de verificar la existencia de los perfiles y afinidad con el objetivo de estudio de este
trabajo.

El método de webscraping e implementación en Python


El web scraping es una técnica de recolección de datos de páginas web a través de una
automatización (bot) que emula una consulta hecha por un humano desde un navegador
de modo que requiere páginas a un servidor web, las descarga, y reexpresa la información

12
requerida en un formato útil. Se trata de un método muy flexible que requiere una
programación específica para cada sitio web.

El proceso de web scraping finaliza cuando los datos se encuentran ya estructurados en el


formato deseado. Es importante aclarar que la gran mayoría de los sitios web tratan de
evitar consultas vía web scraping implementando medidas para detectar e impedir la
operación de bots. No obstante eso, en muchas ocasiones es la única forma de recabar
los datos que de otro modo sería imposible o prohibitivo en tiempo y costo.

En este caso todas las extracciones de datos se realizaron en el lenguaje de programación


Python 3.8 (Van Rossum & Drake Jr, 1995), haciendo uso extensivo del módulo Instaloader
(Graf & Koch-Kramer, 2022).

Se desarrollaron diferentes extracciones según las necesidades de información para cada


etapa del análisis en términos generales según el orden lógico que se muestra a
continuación. Acceder a información de perfil de usuarios de instagram requiere registrarse
o loguearse con un perfil de la red social, por lo que se creó un usuario ficticio que se utilizó
para ese fin. Vale aclarar que cada extracción debió optimizarse para recuperar únicamente
la información detallada de las estructuras de datos que conforman Instagram (perfiles,
posteos, comentarios, etc) de modo de poder extraer toda la información necesaria sin
exponer al usuario ficticio a bloqueos de Instagram por actividad sospechosa.

E1.- Extracción de datos preliminares: Descarga de datos de los perfiles de


potenciales influencers: 'Profile', 'User ID', 'Media count', 'Followers', 'Followees',
'Biography' para el total de publicaciones de cada perfil (desde su creación hasta el
31 de julio de 2022).

E2.- Extracción de datos acerca de los posteos realizados de cada perfil


seleccionado, detalle de cada post realizado, link al post, fecha del post y número
de likes 'Profile', 'Post_Shortcode', 'Post_Date', 'Post_Likes' para toda la historia de
publicaciones de cada perfil.

E3.- Extracción de de datos de cada perfil seleccionado, detalle de cada post


realizado junto con todos los comentarios hechos por terceros y el contenido de
esos comentarios 'Profile(Post)', 'Post_Shortcode', 'Post_Date',
‘Comment.owner.username’, 'Comment text' para el período del 1 de julio de 2022
al 31 de julio de 2022 inclusive (desde su creación hasta el 31 de julio de 2022).

Procesamiento de la información, cálculo de métricas, visualización y aprendizaje de


máquinas
Se exportó la infomación desde Python en formato de archivo separado por comas (csv)
para hacer análisis estadísticos exploratorios y tratamientos necesarios en planillas de
cálculo, luego de lo cual se exportó la información para hacer análisis de redes sociales
específico y visualización mediante Gephi (Bastian M., Heymann S. & Jacomy M. 2009).

Se utilizó el módulo de Python Apiyori (Mochizuki, 2019) para la implementación del


algoritmo APRIORI.

13
5- RESULTADOS OBTENIDOS
Extracción de datos y análisis preliminares
Se elaboró un primer listado con 159 perfiles de Instagram de potenciales influencers según
el método indicado arriba. Los resultados de las extracciones E1 y E2 permitieron depurar
este listado a través de los procesamientos que se describen a continuación:

● Se eliminaron 37 usuarios del listado original dado que el detalle de su biografía


permite inferir sin equívocos que no pertenecen a perfiles relativos a la temática de
interés. En caso de duda se accedió directamente al perfil y se analizó su contenido
para definir su permanencia o no en el listado..
● Se analizaron los últimos 3 meses en particular (mayo a julio 2022) obtenidos en
E2 y se conservaron en el listado de potenciales perfiles los que cumplen alguna
de las dos condiciones que se detallan abajo. El objetivo de este filtro es descartar
perfiles con bajo nivel de engagement absoluto (pocos likes), pero conservar
perfiles que aún con pocos likes tienen una alta tasa de respuesta de su audiencia
por cada post. Los criterios de corte en ambos casos fueron definidos
arbitrariamente en función de la información obtenida en pasos anteriores.
● Cuenta de likes promedio por mes superior a 7.500 (percentil 0,25 de los
usuarios analizados)
● Cumplen la relación likes.promedio/post > 7.000 * n.posts.promedio -
22.000. El vector indicado arriba representa aproximadamente la regresión
entre valor likes promedio por post y número de posts promedio para todos
los potenciales influencers analizados.
Como resultado de lo detallado arriba se obtuvo un listado final de 100 perfiles de instagram
conformado por personalidades y chefs reconocidos con trayectoria en televisión pero
también desconocidos o marcas (en cuyo caso el perfil es de la marca y el contenido es
generado por un gestor anónimo). La clave común es que todos los perfiles generan
contenido e interactúan con su audiencia..

El análisis de la cantidad de posts o publicaciones promedio que han realizado estos


perfiles por mes en el período mayo-julio 2022 sigue una moda de 15 (o sea una publicación
cada dos días) como se ve en la figura 2.

Figura 2.- Publicaciones promedio por mes (mayo-julio 2022)

14
Según la metodología indicada para la tercera extracción, se realizó sobre el listado la
extracción de comentarios para el período 01/07/2022 a 31/07/2022 (E3). Se muestran a
continuación métricas para entender el volumen de datos recabado y disponible para los
análisis propuestos:

● 6.464 posts (64,64 posts por influencer o 21,5 promedio por mes).
● 382.228 comentarios (59,1 promedio por posteo) con el detalle del texto comentado.
● 42.408.136 Likes totales (6.561 likes promedio por post).
● 154.092 usuarios diferentes que hicieron al menos algun comentario en cualquiera
de los posts obtenidos.

Análisis de redes sociales


Una vez obtenida y procesada toda la información es factible representar la red conformada
por los diferentes usuarios y los comentarios a través de un grafo que los representa a
través de círculos y líneas que los unen respectivamente. La visualización se produjo en el
software Gephi y se puede ver en figura 3. En esta figura el tamaño de cada usuario se
encuentra mapeado a la centralidad de autovector propio, métrica que también se calculó
en Gephi.

Para simplificar la visualización, en esta figura no se muestran los 154.192 usuarios que
conforman la red completa sino que se aplicó un filtro de modo que solo se ven aquellos
con una centralidad superior a 0,007. En el grafo se encuentran además rotulados cada
uno de los actores con la identificación de usuario de Instagram.

Esta imagen es poderosa ya que permite identificar en una visualización amigable, la


comunidad completa y los influencers más importantes (con mayor engagement) en función
de su centralidad. Permite además hacer una primera aproximación a las subcomunidades
que existen dentro del mundo de influencers de cocina ya que la disposición o layout
utilizado para crear el grafo sitúa los nodos más cerca o más lejos según la cantidad de
enlaces (comentarios hechos desde diferentes perfiles) que tengan en común. Expresado
de otro modo, la distancia entre los diferentes nodos se relaciona directamente con la
proporción de audiencia compartida. Podemos decir por ejemplo que osvaldo_gross y
chocolinasok tienen audiencias grandes y muy similares, mientras que cucinareok tiene
una audiencia también grande, pero no afín a la de osvaldo_gross y cucinareok.

15
Figura 3.- Visualización de la red obtenida (grafo) con filtro de centralidad mínima y tamaño
mapeado a la misma métrica. Elaboración propia con software Gephi.

Una segunda visualización de la red (figura 4) permite ver la red completa, esta vez con el
total de los usuarios que conforman la red y donde se suma además un agrupamiento o
clusterización automatizado representado por diferentes colores, calculado por el mismo
software según un algoritmo que calcula la modularidad (Blondel, Guillaume, Lambiotte &
Lefebvre, 2008).

La modularidad es una medida de la estructura de las redes que mide la fuerza de la


división de una red en módulos (también llamados grupos, clusters o comunidades). En la
red que se está analizando en particular estos grupos contendrán los usuarios que
comparten la característica común de que tienen enlaces (en este caso comentarios) hacia
los mismos influencers.

16
Figura 4.- Visualización de la red obtenida (grafo) completa con tamaño de nodo mapeado a
centralidad de autovector y color al agrupamiento según cálculo de modularidad.

La implementación de este algoritmo en Gephi requiere un único parámetro que se


denomina resolución y determina la sensibilidad para detectar grupos dentro de la red. Al
correr el análisis de modularidad con una alta resolución, este detectará más grupos dentro
de una red mientras que una resolución baja detectará menos agrupaciones. En este caso
se ejecutó el análisis con una resolución igual a 5 y detectó 12 comunidades diferentes. En
la figura 5 puede verse el reporte de modularidad que provee Gephi luego de la corrida con
la parametrización utilizada, el número de módulos detectado y la distribución de nodos por
módulo.

17
Figura 5.- Reporte de aplicación de algoritmo de modularidad en Gephi con distribución de
nodos por módulo.

Una vez detectados los grupos o módulos, un análisis de la biografía y los comentarios de
los influencers y seguidores que resultaron asociados a cada módulo permite encontrar
asociaciones interesantes. Tal como se puede ver en figura 6, a partir de la modularidad
calculada únicamente a partir de los enlaces que determinan los comentarios se pueden
identificar subcomunidades que se encuentran dentro del mismo universo de la
gastronomía, pero tienen una orientación completamente diferente. Por ejemplo el grupo 0
nuclea a los influencers y audiencia que sigue contenidos de pastelería y comida casera
tradicional, mientras que un grupo como el 6 agrupa influencers y seguidores con interés
en temas relacionados con la cocina al fuego.

Figura 6.- Detalle de métricas y descriptores de algunos de los grupos detectados por
modularidad.
El algoritmo es computacionalmente muy eficiente y corre en pocos segundos aún para
una red grande como la que se analizó, esto permite la experimentación con diferentes
valores de resolución para ajustar la sensibilidad y los resultados a las necesidades del
investigador.

Es importante aclarar que todos los perfiles, tanto los de influencers como los de
comentadores se encuentran identificados en las extracciones a través de su identificación
única (id) de usuario.

18
Reglas de asociación
Los datos se prepararon para ser procesados mediante la aplicación del algoritmo
APRIORI indicada más arriba, a tal efecto se generó una tabla en la que cada registro es
el conjunto de influencers a los que cada uno de los 154.092 perfiles realizó al menos un
comentario en el período de tres meses analizado.

La aplicación del algoritmo devolvió una serie de 1183 reglas caracterizadas por su soporte
y confianza (atributos que se explicaron más arriba). A modo ilustrativo, si se visualizan
ambos atributos en un diagrama de dispersión para las reglas obtenidas se puede ver que
existen un gran número de reglas de alto soporte (lo cual indica reglas populares) con
diferentes niveles de confianza.

Figura 7.- Diagrama de dispersión que representa la relación de confianza/soporte de 1.183


reglas obtenidas por APRIORI. Cada punto representa una regla de asociación diferente.

En figura 8 se muestra un extracto de reglas que involucran a los influencers a los que el
algoritmo de modularidad asignó grupo 6 (ver figura 6).

Figura 8.- Extracto de reglas de asociación que involucran a influencers de módulo 6.


En esta imagen puede verse el formato de una regla de asociación. Tomando las dos
primeras reglas como referencia se puede ver que involucran a los influencers
elclub_delasado y salvalacocina. A ambos les han realizado comentarios 128 de los
154.092 perfiles (soporte 0,083%), número que es igual para las dos reglas. A su vez se
puede ver en la primera regla que los perfiles que han comentado en algún post del
elclub_delasado comentan en salvalacocina con un 6,4% de confianza, mientras que la
relación inversa tiene una confianza del 2,0%. Claramente salvalacocina es un influencer

19
más popular que el club_delasado. El algoritmo puede generar reglas de más de dos ítems
por regla. Es decir, es perfectamente factible mostrar una regla que indique la relación entre
la audiencia de los tres influencers de este grupo y representarla como un diagrama de tipo
Venn para mostrar el tamaño y solapamientos de cada audiencia.

6- DISCUSIÓN Y CONCLUSIONES
El marketing de influencers se encuentra en un momento en el que el nivel de interés va
muy por delante de la investigación en la materia. La práctica de marketing de influencers
(en cuanto a cómo prospectan y eligen la mezcla de influencers los departamentos de
marketing) no tiene una metodología clara. Si bien no hemos analizado ese proceso (es
una limitante de el trabajo y una oportunidad de ampliación) las métricas que se utilizan
para el análisis de influencers en agencias y sitios especializados son muy básicas y no
permiten análisis de convivencia o solapamiento entre las comunidades que giran en torno
a diferentes influencers, en definitiva los receptores del mensaje publicitario para optimizar
la mezcla de influencers.

Más aún, en una primera etapa en la que se recabaron todos los perfiles posibles de
influencers se encontraron muchas inconsistencias (perfiles que claramente no tenían que
ver con el tema en cuestión por un lado, y notables ausencias de influencers reconocidos
por otro).

Un objetivo planteado para este trabajo fue lograr una aproximación más realista al valor
real de los influencers y su utilización en el marco de la mezcla de marketing.

Los resultados mostrados en este trabajo permiten analizar los influencers desde una
perspectiva que supera el estado del arte actual, con herramientas gratuitas y de libre
disponibilidad. Disponiendo de información como la mostrada es fácil ver cómo un
responsable de marketing podría prospectar y analizar el entorno de influencers y utilizar
estas herramientas para optimizar su mezcla de marketing.

En este trabajo se utilizaron diferentes técnicas para analizar a los influencers siguiendo el
método del caso, partiendo de la extracción de las redes sociales desde la fuente
(Instagram) hasta la aplicación de técnicas de análisis de redes sociales y de aprendizaje
automatizado. Estos enfoques son novedosos ya que no existe a la fecha literatura que
vincule estos métodos con el influencer marketing. Mejor aún, creemos que los resultados
expuestos presentan resultados interesantes y promisorios.

El trabajo no carece de limitaciones y oportunidades de mejora. Este fenómeno es


incipiente y muy dinámico. Existen muchas decisiones que se tomaron al definir e
implementar la metodología propuesta que son objetables, discutibles y mejorables. Se
extrajo además información (contenido del texto de los comentarios) que no se utilizó pero
indudablemente puede permitir análisis de gran valor a través de la utilización de técnicas
de minería de texto.

Podría llegar a ser interesante además incorporar influencers con otros perfiles al mismo
análisis (buscando asociaciones con otras categorías).

En cualquier caso, queda claramente expuesto que con esta conjunción de conocimientos
teóricos y herramientas computacionales es posible capturar la complejidad de la dinámica

20
de una red social y agregar valor a la práctica de marketing digital. Esta claridad en la
descripción y análisis, creemos, no es posible encontrarla utilizando otras herramientas
más tradicionales.

7- BIBLIOGRAFÍA
Aghdam S. M. & Navimipou N. J. (2016) Opinion leaders selection in the social networks
based on trust relationships propagation. Karbala International Journal of Modern Science
2, 2016 88-97. DOI: 10.1016/j.kijoms.2016.02.002

Alamsyah, A. & Rahardjo, B. (2021) Social Network Analysis Taxonomy Based on Graph
Representation. arXiv preprint arXiv:2102.08888.
DOI: 10.48550/arXiv.2102.08888

Annie, L. C. M., & Kumar, A. D. (2012). Market basket analysis for a supermarket based on
frequent itemset mining. International Journal of Computer Science Issues (IJCSI), 9(5),
257.

Aral, S., Muchnik, L. & Sundararajan A. (2013) Engineering social contagions: Optimal
network seeding in the presence of homophily. Network Science, 1, pp 125-153
DOI: 10.1017/nws.2013.6

Awad N. & Ragowsky A. (2008) Establishing Trust in Electronic Commerce through Online
Word of Mouth: An Examination across Genders. Journal of Management Information
Systems, Vol. 24, No. 4, pp. 101-121
Stable URL: http://www.jstor.org/stable/40398913

Bacile T., Ye C. & Swilley E. (2014) From firm-controlled to consumer-contributed:


consumer co-production of personal media marketing communication. Journal of Interactive
Marketing Volume 28, Issue 2, May 2014, Pages 117–133 - DOI:
10.1016/j.intmar.2013.12.001

Balkundi, P. & Kilduff, M. (2006) The ties that lead: A social approach to leadership. The
Leadership Quarterly 17 (2016) 419-439 - DOI: 10.1016/j.leaqua.2005.09.004

Bastian M., Heymann S., Jacomy M. (2009). Gephi: an open source software for exploring
and manipulating networks. International AAAI Conference on Weblogs and Social Media.

Benedetti, A. (2015) Marketing en redes sociales: Detrás de escena. Buenos Aires: Ed


AMDIA

Bickart B. & Schindler R. (2001) Internet forums as influential sources of consumer


information. Journal of Interactive Marketing Volume 15, Issue 3 Pages 31–40
DOI: 10.1002/dir.1014

Blondel, V. D., Guillaume, J. L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of
communities in large networks. Journal of statistical mechanics: theory and experiment,
2008(10), P10008.

21
Chen W., C. Wang, & Y. Wang (2010) Scalable Influence Maximization for Prevalent Viral
Marketing in Large-Scale Social Networks. Proceedings KDD’10. DOI:
10.1145/1835804.1835934

Chen Y., Fay S. & Wang Q. (2011) The Role of Marketing in Social Media: How Online
Consumer Reviews Evolve. Journal of Interactive Marketing Volume 25, pp 85–94
DOI: 10.1016/j.intmar.2011.01.003

De Veirman, M., Cauberghe, V., & Hudders, L. (2017). Marketing through Instagram
influencers: the impact of number of followers and product divergence on brand attitude.
International journal of advertising, 36(5), 798-828.

Duan, W., Gu, B., & Whinston, A.B. (2008). Do online reviews matter?—An empirical
investigation of panel data. Decision Support Systems, 45(3), 1007–1016
DOI: 10.1016/j.dss.2008.04.001

Ekran I. & Evans C. (2016) The influence of eWOM in social media on consumers’ purchase
intentions: An extended approach to information adoption. Computers in Human Behavior.
61, pp 47-55. DOI: 10.1016/j.chb.2016.03.003

Gauri D., Bhatnagar A., & Rao R. (2008) Role of word of mouth in online store loyalty.
Communications of the ACM Vol 51 Issue 3 pp 89-91 .
DOI: 10.1145/1325555.1325572

Graf, Alexander & Koch-Kramer André (2022) Instaloader. https://github.com/instaloader

Mochizuki, Yu (2019) Apyori. A simple implementation of Apriori algorithm by Python.


https://github.com/ymoch/apyori

Grunert, K. G., Janssen, M., Christensen, R. N., Teunissen, L., Cuykx, I., Decorte, P., &
Reisch, L. A. (2022). Corona Cooking: The interrelation between emotional response to the
first lockdown during the COVID-19 pandemic and cooking attitudes and behaviour in
Denmark. Food Quality and Preference, 96, 104425.

Hansen D., Shneiderman B., & Smith M. (2011). Analyzing Social Media Networks with
NodeXL: Insights from a Connected World. Ed. Morgan Kauffman.

Hewett K., Rand W., Rust R. & van Heerde H. (2016) Brand Buzz in the Echoverse. Journal
of Marketing: May 2016, Vol. 80, No. 3, pp. 1-24.
DOI: 10.1509/jm.15.0033

Hudson S., Huang L., Roth M. S. & Madden T. (2015) The influence of social media
interactions on consumer–brand relationships: A three-country study of brand perceptions
and marketing behaviors. International Journal of Research in Marketing V33
DOI: 10.1016/j.ijresmar.2015.06.004

Kantar para Cace (2022) Estudio Anual de Comercio Electrónico 2021. Recuperado de
https://cace.org.ar/wp-content/uploads/2022/06/cace-estudio-anual-2021-resumen.pdf

Katz, E. & Lazarsfeld, P.F. (1955) Personal influence: The part played by people in the flow
of mass communications, New York: The Free Press.

22
Kempe D., Kleinberg J. & Tardos E. (2015) Maximizing the Spread of Influence through a
Social Network. Theory of Computing Journal Volume 11, Article 4 pp. 105-147. DOI:
10.4086/toc.2015.v011a004

King R., Racherla P. & Bush, V (2014) What We Know and Don't Know About Online Word-
of-Mouth: A Review and Synthesis of the Literature, Journal of Interactive Marketing DOI:
10.1016/j.intmar.2014.02.001

Lang, B. & Hyde K.(2013). Word of mouth: what we know and what we have yet to learn.
Journal of consumer satisfaction, dissatisfaction and complaining behavior 26: 1–18.

Libai B., Muller E. & Peres R. (2013) Decomposing the Value of Word-of-Mouth Seeding
Programs: Acceleration Versus Expansion. Journal of Marketing Research: April 2013, Vol.
50, No. 2, pp. 161-176. DOI: 10.1509/jmr.11.0305

Litterio A. M., Nantes, E. A., Larrosa, J. M. & Gómez, L. J. (2017) Marketing and social
networks: a criterion for detecting opinion leaders. European Journal of Management and
Business Economics, Vol. 26 Issue: 3, pp.347-366. DOI: 10.1108/EJMBE-10-2017-020

Lou, C., & Yuan, S. (2019). Influencer marketing: how message value and credibility affect
consumer trust of branded content on social media. Journal of Interactive Advertising, 19(1),
58-73.

Nam H., & Kannan P. (2014) The Informational Value of Social Tagging Networks. Journal
of Marketing: July 2014, Vol. 78, No. 4, pp. 21-40. DOI: 10.1509/jm.12.0151

Pavlou, P. & Ba, S. (2002) Evidence of the Effect of Trust Building Technology in Electronic
Markets: Price Premium and Buyer Behavior. MIS Quarterly 26, 3, pp 243-268.
DOI: 10.2307/4132332

Peters K., Chen Y., Kaplan A., Ognibeni B. & Pauwels K. (2013) Social media metrics - A
framework and guidelines for managing social media. Journal of Interactive Marketing Vol
27 pp 281-298. DOI: 10.1016/j.intmar.2013.09.007

Risselada H., Verhoef P., & Bijmolt T. (2014) Dynamic Effects of Social Influence and Direct
Marketing on the Adoption of High-Technology Products. Journal of Marketing: March 2014,
Vol. 78, No. 2, pp. 52-68. DOI: 10.1509/jm.11.0592

Smith, A.N., E. Fischer & C. Yongjian (2012) How Does Brand-related User-generated
Content Differ across YouTube, Facebook, and Twitter?. Journal of Interactive Marketing
26. pp 102–113. DOI: 10.1016/j.intmar.2012.01.002

Smith, M., L. Rainie, I. Himelboim & B. Shneiderman (2014), Mapping Twitter Topic
Networks: From Polarized Crowds to Community Clusters. Pew Research Center.

Taylor, C. (2020). Is COVID making marketing influencers more influential?. Forbes.


https://www.forbes.com/sites/charlesrtaylor/2020/07/30/is-covid-making-marketing-
influencers-more-influential.

Taylor, C. (2020). The urgent need for more research on influencer marketing. International
Journal of Advertising, 39(7), 889-891.

23
Uggioni, P. L., Elpo, C. M. F., Geraldo, A. P. G., Fernandes, A. C., Mazzonetto, A. C., &
Bernardo, G. L. (2020). Cooking skills during the Covid-19 pandemic. Revista de Nutrição,
33.

Van der Merwe R. & van Heerden G. (2009) Finding and utilizing opinion leaders: Social
networks and the power of relationships. South African Journal of Business Management,
Vol. 40, pp 65-76.

VanMeter R., Grisaffe D. & Chonko L. (2015) Of “Likes” and “Pins”: The Effects of
Consumers' Attachment to Social Media. Journal of Interactive Marketing 32, pp 70-88. DOI:
10.1016/j.intmar.2015.09.001

Van Rossum, G., & Drake Jr, F. L. (1995). Python reference manual. Centrum voor
Wiskunde en Informatica Amsterdam.

Wang Z. & Gon Kim H. (2017) Can Social Media Marketing Improve Customer Relationship
Capabilities and Firm Performance? Dynamic Capability Perspective. Journal of Interactive
Marketing. Volume 39, August 2017, Pages 15–26. DOI: 10.1016/j.intmar.2017.02.004

WeAreSocial (2022) Digital 2022 Global Digital Overview, recuperado de


https://wearesocial.com/es/blog/2022/01/digital-2022/

24

View publication stats

También podría gustarte