https://doi.org/10.37815/rt=
e.v33n2.839
Artículos originales
Plataforma
para Análisis de Mercado a través de Datos de Redes Sociales=
Platform for Market Analysis through Social Network Data<=
span
lang=3DEN-US style=3D'font-size:10.0pt;mso-ansi-language:EN-US'>
Ángel Patricio Fajardo
Cárdenas
1 =
Facultad de Ingeniería=
, Universidad
de Cuenca, Cuenca,
Ecuador
patricio.fajardo96@ucuenca.edu.ec
2 Facultad de Ingeniería,
Universidad de Cuenca, Cuenca,
Ecuador
3 Facul=
tad de
Ingeniería, Departamento de Ciencias de la Computación, Universidad de Cuen=
ca,
Cuenca, Ecuador=
andres.auquilla@ucuenca.edu.ec
<=
span
lang=3DES style=3D'font-size:10.0pt;font-family:"Courier New";mso-fareast-f=
ont-family:
"Courier New";color:#1155CC;mso-ansi-language:ES'>
4 Facul= tad de Ciencias Químicas, Departamento de Espacio y Población, Universidad de Cuen= ca, Cuenca, Ecuador=
Enviado: <=
/span>2021/07/11
Aceptado: 2021/09/28
Publicado: 2021/11/30 <=
span
class=3Deop>
Resumen
En la actualidad, en especial en tiempos de
pandemia, el comercio electrónico se convierte en la manera predominante de
comercializar productos y servicios en el mundo. Un estudio realizado por la
Cámara Ecuatoriana de Comercio Electrónico, en el año 2020, demuestra que l=
as
compras y ventas a través de canales digitales se han incrementado al menos=
15
veces desde el inicio de la pandemia. Por lo tanto, para realizar estudios =
de
mercado las empresas deben buscar nuevas formas de extraer información para
luego desarrollar un análisis de la misma y así obtener una ventaja
competitiva. La extracción de datos es un proceso complejo y poco escalable=
, de
manera que, esta investigación presenta una metodología para la extracción =
de
información de un sector industrial determinado. La metodología consiste en=
dos
pasos fundamentales, primero se realiza un ranking de las principales fuent=
es
de información disponibles y más utilizadas en un determinado sector de la
industria, se consideran varias características y opinión de expertos. Segu=
ndo,
se propone una plataforma, la cual integra las fuentes de información mejor
rankeadas y realiza la extracción de datos. Finalmente, estos datos se
presentan en un Dashboard con la disponibilidad de poder descargar y hacer =
uso
en estudios posteriores. Se concluye que las 4 plataformas que mayor benefi=
cio
ofrecen para esta investigación son: Google Trends, Facebook, YouTube y
Twitter. También existen fuentes de información que al aplicar el análisis
propuesto tienen una calificación alta, sin embargo, la extracción de los d=
atos
es difícil debido a sus políticas de seguridad.
Palabras clave: API, Dashboard, Comercio
Electrónico, Metodología de extracción de datos, MiPymes.
Abstract
Nowadays, and more with the pandemic, e-commerc=
e is
becoming the predominant way of marketing products and services in the worl=
d. A
study conducted by the Ecuadorian Chamber of Electronic Commerce in 2020 sh=
ows
that purchases and sales through digital channels has increased at least 15
times since the beginning of the pandemic. Therefore, to conduct market
research companies must seek new ways to extract information and then then
carry out its analysis and thus obtain competitive advantage. Data extracti=
on
is a complex and not very scalable process; therefore, this research presen=
ts a
methodology for the extraction of information from a given industrial secto=
r.
The methodology consists of two fundamental steps, first, a ranking of the =
main
sources of information available and most used in the country in a given
industry sector is made, several characteristics and expert opinion are
considered. Second, a platform is proposed that integrates the best ranked =
information
sources and performs data extraction. Finally, these data are presented in a
Dashboard with the availability to be downloaded and used in subsequent stu=
dies
It is concluded that the 4 platforms that offer the greatest benefit for th=
is
research are: Google Trends, Facebook, YouTube and Twitter. There are also
sources of information that have a high rating when applying the proposed
analysis, however, data extraction is difficult due to their security polic=
ies.
Introducción<=
/span>
Hoy en día, el estudi=
o de
mercado es una herramienta de vital importancia antes de comenzar un proyec=
to
de estrategia comercial de cualquier empresa. Además, contribuye en la
evaluación de la rentabilidad del proyecto=
y
aumenta la probabilidad de éxito, permite conocer mejor a los potenciales
clientes, a la competencia, también puede ayudar a detectar nichos de merca=
do y
obtener así una ventaja competitiva en las empresas (Barrientos Felipa, 201=
7).
En la actualidad, y debido a la pandemia, las ventas y compras se han
trasladado mayormente a la modalidad online mediante internet. En Ecuador,
2020, el comercio electrónico alcanza un volumen de negocio de $ 2.300
millones; un crecimiento de $ 700 millones (43,75%) respecto a 2019; esto s=
egún
informe de la Cámara Ecuatoriana de Comercio Electrónico. Según (Barrientos Felipa, 2017), el inte=
rnet
se ha convertido en un insumo intangible de toda estrategia comercial para
llegar al cliente; es, a su vez, un medio que puede ser utilizado tanto por
grandes y pequeñas empresas.
Estudios como el de l=
a Cámara
de Comercio Electrónico del Ecuador 2019-2020 muestran que, a raíz de la
pandemia, las compras por canales digitales aumentaron al menos en 15 veces=
en
el país desde el inicio del distanciamiento social. Según esta misma investigación, la pand=
emia
ha impulsado a ese 34% de usuarios que usaban las plataformas digitales como
medio de compra secundario (Ecommerceday, 2017) a usar constantemente; así
también los usuarios que las usaban esporádicamente o nunca ahora son usuar=
ios
de este medio para evitar salir de casa. La COVID-19 ha generado un futuro
incierto en varias industrias, pero en el caso del comercio electrónico, la=
s ha
impulsado grandemente (E-commerce, 2020).
El comportamiento del=
mercado
ha cambiado en los últimos años, ahora debido a la pandemia las empresas
mayormente realizan sus ventas mediante plataformas digitales como redes
sociales y páginas de E-Commerce permitiendo así a los clientes tener un me=
dio
para expresar su opiniones positivas o negativas sobre un producto. Por este
motivo, la industria ha reconocido la importancia de las redes sociales y el
contenido generado por el usuario para poder realizar análisis como estudio=
s de
mercado (Tripathi & S, 2015). Entonces es necesario implementar nuevos
métodos para la recolección de información de las diferentes plataformas de
manera efectiva. Esta recolección o adquisición de grandes cantidades de
información digital se puede realizar de diferentes maneras, por ejemplo, W=
eb
Scrapping, Web Crawler, pero principalmente se utiliza el método de las API
(Applications Program Interface) de cada plataforma (Perriam et al., 2020).=
Para
iniciar con el empleo de este método es necesario realizar un análisis de l=
as
limitaciones de cada API, debido a que muchas plataformas están continuamen=
te
cambiando sus políticas de seguridad de acceso a los datos. En algunos caso=
s,
estos cambios de políticas son más restrictivas por lo que -en este trabajo=
- se
propone una metodología que permita evaluar y rankear las plataformas
disponibles considerando varias características con el fin de elegir la
plataforma más adecuada para la extracción de datos, y además permitir que =
este
proceso sea escalable.
Las API permiten a te=
rceros
la capacidad de consultar y obtener acceso a porciones de información a par=
tir
de los datos de usuarios creados al usar y experimentar plataformas digital=
es.
Cada API especifica las reglas mediante las cuales el software se comunica
entre sí, articulando qué elementos se pueden consultar, con qué frecuencia=
y
cómo aparecen los resultados (Acker & Kreisberg, 2020). Los desarrollad=
ores
e investigadores pueden acceder a las API mediante scripts para recuperar,
almacenar y manipular rastros digitales dejados por los usuarios para su
respectivo análisis. Parte del atractivo de la investigación basada en las =
API
es que la recopilación, organización, limpieza, preservación, y análisis de=
los
datos se pueden automatizar, logrando que las API sean una herramienta de
investigación altamente eficiente (Lomborg & Bechmann, 2014).
Investigaciones como =
las de
(Aakash & Aggarwal, 2020; Amarouche et al., 2015; Nguyen et al., 2019)
presentan algunos estudios relacionados a plataformas digitales y que son de
utilidad para el análisis de mercado, es el caso de la detección de Hot Top=
ics
y Análisis de sentimientos. Para alimentar los modelos se realiza una extra=
cción
de datos a través de las API de las diferentes plataformas; sin embargo, es=
tos
estudios no se enfocan en la extracción de datos, sino en otros tipos de
análisis. Otras investigaciones como (Kim et al., 2016) realizan una extrac=
ción
de datos de redes sociales para encontrar el conocimiento del mercado
comparando las opiniones de los consumidores con el desempeño de ventas de =
una
empresa, donde se demuestra que los datos de las redes sociales contienen
conocimiento valioso para obtener una ventaja competitiva. Por último, un
estudio presentado en (Xue et al., 2018) utiliza datos extraídos de YouTube
para encontrar posibles competidores de IBM y así obtener una ventaja
competitiva. Todos estos estudios presentados tienen en común que la extrac=
ción
de datos es mediante las API y como resultado final, se obtiene conocimiento
para hacer un estudio de mercado. No obstante, la extracción de datos se ma=
neja
de una manera secundaria y no se cuenta con una metodología o proceso para
priorizar las distintas fuentes de información, de forma que ayuden a tomar
decisiones más informadas.
A base de lo menciona=
do, este
artículo tiene dos objetivos, i) proponer una metodología para obtener dato=
s de
plataformas digitales que sean de utilidad para un estudio de mercado de un
sector determinado que analice qué fuentes de información son relevantes y
especifique parámetros que ayuden a crear un ranking de fuentes de informac=
ión;
y, ii) crear una plataforma en la cual las empresas puedan extraer fácilmen=
te
información como comentarios, publicaciones, entre otros, de las fuentes de
datos que se han determinado en la primera fase. El resto del artículo está
organizado de la siguiente manera: en la sección 2 se describe la metodolog=
ía
propuesta para la creación de un ranking de las fuentes de información y la
extracción de la información, además de un caso de estudio en el sector tex=
til,
y, por último, en esta sección también se explica detalladamente los pasos =
para
la implementación del prototipo realizado. Finalmente, la sección 3 sinteti=
za
las principales conclusiones y trabajos futuros.
M
Para la implementació=
n de una
plataforma digital de extracción de datos de un sector definido se realizó =
dos pasos:
i) selección y generación de un ranking de fuentes de información para el
sector determinado y, ii) extracción de datos a las fuentes de información
mejor rankeadas. En la Figura 1=
se esboza la metodología propuesta, la cual se divide en dos parte=
s:
Ranking de fuentes de información y Extracción de datos. A continuación, se
explica cada parte de la metodología con su respectivo proceso.
Figura <=
/span>1<=
/span>
Metodología utilizada para la extracci=
ón de
información
![3D"Diagrama
Descripción](3D"839-FINAL-GALERADA_archivos/image003.jpg")
En el análisis y sele=
cción de
fuentes de información se eligió el sector a estudiar. Posteriormente, se e=
fectuó
una selección de fuentes de información utilizando: i) investigaciones relacionadas y ii)
análisis estadísticos digitales de empresas que presentan estudios como:
plataformas más visitadas en el país, medios digitales mayormente utilizado=
s en
un sector, páginas propias de empresas más visitadas, etc. Luego de esta
primera selección se realizó una clasificación de fuentes de información en
redes sociales, sitios Web de comercio electrónico y otras fuentes adiciona=
les.
Posteriormente, se desarrolló el análisis con mayor profundidad sobre cada
fuente de información considerando los siguientes parámetros: i) si tuvo di=
sponibilidad
de una API; ii) el impacto/uso en el sector analizado; iii) caso de uso de
análisis de mercado; y iv) la cantidad de información disponible de las
empresas involucradas en el proyecto. Por último, se generó un score
(calificación) final para cada plataforma donde cada parámetro considerado =
tuvo
un peso de acuerdo a la importancia en este estudio para finalmente obtener=
la
tabla con un ranking de las fuentes de información seleccionadas.
El segundo paso fue la
extracción de datos de las fuentes de información seleccionadas siguiendo l=
os
siguientes pasos: i) se realizó la obtención de las claves de desarrollador=
o
token de acceso de cada API a utilizar; ii) luego se implementó un programa=
utilizando
las claves y se procedió a la obtención de los datos; y por último iii) se
derivó a integrar todos los datos extraídos en una plataforma.
Caso de estudio
La aplicación de la
metodología para la extracción de información se realiza con dos empresas
MiPymes del sector textil pertenecientes al proyecto “Incorporating
sustainability concepts to management models of textile Micro, Small and Me=
dium
Enterprises (SUMA)”. Según Karen Lucero en la Revista Gestión menciona que =
el
sector textil es muy importante para el país debido a que representa 5,9% d=
el
sector industrial y aporta cerca de un punto porcentual al PIB (0,8%), pero
debido a la pandemia este sector disminuyó sus ventas al menos un 36% en 20=
20
(Karen Lucero, 2021), motivo por el cual se selecciona este sector para
analizar en este caso de estudio.
Análisis y Selección de Fuentes de Inf= ormación.
Primero, se seleccion=
an las
principales fuentes de información de acuerdo a investigaciones y/o análisis
estadísticos para este sector dentro del contexto ecuatoriano. Participan
estudios realizados por Similar Web, SemRush, Kepios y también la Cámara
Ecuatoriana de Comercio Electrónico. Como resultado de este análisis se obt=
iene
que las redes sociales más visitadas en Ecuador son Facebook, Instagram,
Twitter y YouTube; los sitios web E-Commerce más visitadas en Ecuador son
Mercado Libre y OLX, y se determina que el buscador preferido es Google.
Segundo, se toma en c=
uenta
cuatro investigaciones en distintas provincias de Ecuador, y una investigac=
ión
de Bogotá-Colombia, donde en cada uno se muestra la importancia de cada
plataforma digital para el sector textil en el análisis de mercado.
· =
El primer estudio considerado se presenta en (Dí=
az,
2018), donde se realiza un análisis para determinar qué tanto utilizan las
redes sociales las microempresas del sector textil. En este estudio se real=
izan
entrevistas a 29 microempresas del sector textil en la ciudad de Quito, don=
de
se determina que las fuentes de información más usadas por las microempresas
son: Facebook, Google, Twitter, YouTube e Instagram, en ese orden. Por su p=
arte
en (Árcos;Valverde, 2016) se realiza una investigación para analizar la
incidencia del uso de redes sociales aplicado en el sector textil en la ciu=
dad
de Guayaquil en 2016. En este estudio se realizan entrevistas a 385 clientes
del sector textil, donde se dispone que las fuentes de información más usad=
as
por los clientes son Facebook y Twitter.
· =
El segundo estudio considerado se presenta en (M=
uñoz
Bustos, 2019), donde se realiza una investigación de una empresa del sector
textil de la provincia de Tungurahua, la cual ofrece ropa interior masculin=
a y
femenina. Para este estudio los autores realizan una encuesta a 168 persona=
s de
diferentes ciudades como son Quito y Guayaquil, donde el objetivo principal=
es
determinar los medios eficaces para realizar publicidad y encontrar posibles
clientes. Después de implementar las encuestas y tabular los resultados se =
encuentra
que las principales fuentes de información para los clientes son las redes
sociales Facebook, YouTube, Instagram y Twitter, en ese orden. Además, se
destaca que el medio preferido por las personas para comunicarse es Faceboo=
k.
- El tercer
estudio considerado se presenta en (Avila, 2019), aquí se realiza un
estudio sobre la comercialización de productos haciendo uso del comerc=
io
electrónico y su incidencia en las Pymes del sector textil de Atuntaqui
provincia de Imbabura. Para este estudio se toma una muestra de 163
pequeñas y medianas empresas de la ciudad, a las cuales se le implemen=
ta una
encuesta sobre la utilización de herramientas de comercio electrónico.=
En
este estudio se concluye que las Pymes que tienen presencia en redes
sociales consideran que sus productos son vendidos en un nivel bajo
alcanzando un 55,3% y en nivel medio =
en
42,16% por lo que consideran que las redes sociales son de gran utilid=
ad
para las empresas. Además, efectúa una prueba de chi-cuadrado y se
determina que existe una relación entre las ventas de redes sociales y=
un
nivel bajo de interactividad (nivel I, etapa II del modelo eMICA -Exte=
nded
Model of Internet Commerce Adoption-), por lo tanto, al implementar es=
tas
plataformas las ventas aumentaron. Del mismo modo se realizan con la
página de E-Commerce y determinan que las Pymes que tienen implementado
página de E-Commerce generan más ventas y por lo tanto están dispuesta=
s a
seguir invirtiendo en esta tecnología. Por último, este estudio mencio=
na la
importancia de las redes sociales, pero no dice cuáles son las más
importantes, lo mismo sucede con el E-Commerce.
- El cuarto
estudio se presenta en (Neira, 2017), donde se realiza un análisis de =
la
confianza e intención de compra en consumidores a través de redes soci=
ales
y comercio electrónico en el sector textil en Bogotá - Colombia. Se
desarrolla una encuesta a 384 personas, donde el 32,6% de los encuesta=
dos
usan con más frecuencia Instagram, 30,2% Facebook, 27,1% YouTube y 7,8%
Twitter.
- Y el último estudio considerado se presenta=
en
(Yánes, 2017), donde se presenta una estrategia de marketing digital p=
ara
la empresa textil Andelas Cía. Ltda.
de la provincia del Tungurahua.
En este estudio se toma una muestra de 137 clientes potenciales
conformado por distribuidores y confeccionistas al por mayor y menor, a
los cuales se aplica una encuesta la que tiene como objetivo conocer
hábitos, comportamientos, gustos y preferencias dentro del entorno
digital. Como resultados respecto a la importancia y el uso que le dan=
a
las redes sociales son: Facebook con una calificación de 32,8, YouTube=
con
27, y Twitter con el 14,6 sobre 35.
Tercero, se realiza un
análisis de las API de cada fuente de información seleccionados considerand=
o:
i) la información disponible que se puede extraer de cada fuente y la
personalización de la información obtenida, ii) las restricciones/limitacio=
nes
de la API ofrecida por la empresa, iii) las características adicionales de =
la
API, por ejemplo, es necesario el uso del token de desarrollador y cuál es =
el
proceso para obtenerlo.
Cuarto y última
característica considerada es la información disponible de las empresas
involucradas en las diferentes plataformas, donde se realiza una investigac=
ión
de la cantidad de información disponible de cada empresa en las fuentes de
información seleccionadas, se toma en cuenta si la empresa posee o no una
cuenta en las distintas redes sociales y sí tiene presencia o no en páginas=
de
comercio electrónico o buscadores como Google.
Con todas estas características menciona=
das se
procede a calcular un score (calificación a una fuente de información) fina=
l para
realizar el ranking. Cabe mencionar que para el caso de Google se logra
identificar una herramienta llamada Google Trends, la cual muestra las búsq=
uedas
más frecuentes que se han realizado, y al contar con una API que se puede
integrar fácilmente a cualquier plataforma, se la considera en este estudio=
. Se
detectan plataformas en las cuales su API no proporciona información de
utilidad, es el caso de OLX. El sc=
ore
dado a cada plataforma se presenta en la Tabla 1.
Tabla 1<=
/span>
Cálculo del Score de la Calidad/R= elevancia de las Fuentes de Información
|
PLATAFORMA |
IMPACTO/USO EN EL SECTOR
TEXTIL (SOBRE 40) |
CASOS DE USO DE ANÁLISIS =
DE
MERCADO (SOBRE 20) |
CANTIDAD DE INFORMACIÓN DE
LAS EMPRESAS DEL PROYECTO (SOBRE 10) |
ACCESIBILIDAD DE LOS DATOS
MEDIANTE API (SOBRE 30) |
=
SCORE
FINAL (SOBRE 100) |
=
SCORE
FINAL (SIN TOMAR EN CUENTA ACCESIBILIDAD DE LOS DATOS MEDIANTE API) |
||||
|
CALIFICACIÓN |
PESO |
CALIFICACIÓN |
PESO |
CALIFICACIÓN |
PESO |
CALIFICACIÓN |
PESO |
|||
|
Facebook |
9,75 |
4 |
7,5 |
2 |
10 |
1 |
5 |
3 |
79 |
91,43 |
|
Instagram |
6,75 |
4 |
6,25 |
2 |
8,25 |
1 |
5 |
3 |
62,75 |
68,21 |
|
Twitter |
7 |
4 |
8,75 |
2 |
0 |
1 |
8,75 |
3 |
71,75 |
65 |
|
YouTube |
7,75 |
4 |
6,25 |
2 |
0 |
1 |
10 |
3 |
73,5 |
62,14 |
|
Mercado Libre |
0 |
4 |
6,25 |
2 |
0 |
1 |
6,25 |
3 |
31,25 |
17,86 |
|
Google Trends |
8 |
4 |
10 |
2 |
10 |
1 |
7,5 |
3 |
84,5 |
88,57 |
Para el cálculo del s=
core,
cada parámetro tiene una escala de 0 a 10 puntos y con un grupo de expertos=
se
asigna un peso a cada característica seleccionada de acuerdo a la importanc=
ia
en este estudio, donde la suma total da un valor de 100. La metodología uti=
lizada
para cada uno fue la siguiente:
<=
![if !supportLists]>· =
Para el cálculo del “Impacto/uso en el sector te=
xtil”
se toman en cuenta investigaciones realizadas en Ecuador sobre el uso de
fuentes de información en el sector textil. En cada estudio se tiene un sco=
re
máximo de 10 y para obtener el score final se realiza un promedio de los 5
estudios por fuente de información, donde se toma en cuenta el orden de
importancia de cada fuente de información que presenta cada estudio. El pri=
mer
lugar obtiene el máximo puntaje, el segundo lugar se penaliza 1.25 puntos, =
el
tercer lugar 2.5 puntos y así sucesivamente. Para el caso de Google que sol=
o se
menciona en un estudio, se realiza una penalización de 0.1875 puntos por ca=
da
estudio en el que no se encuentra.
<=
![if !supportLists]>· =
Para el cálculo del segundo parámetro “Caso de u=
so de
análisis de mercado”, de igual manera que el cálculo del “Impacto/uso en el
sector textil”, se ordena de acuerdo al número de estudios encontrados que =
se
tomen en cuenta en el análisis de mercado. La plataforma que está en el pri=
mer
lugar es la que mayor puntaje tiene, el segundo lugar se penaliza con un va=
lor
de 1.25 que es el mismo del primer parámetro, el tercer lugar se penaliza c=
on
2.5 y así sucesivamente.
<=
![if !supportLists]>· =
El parámetro “cantidad de información” considera=
la
disponibilidad de información que hay de las empresas involucradas en la fu=
ente
de datos, y de acuerdo al número de seguidores y “me gusta” en las redes
sociales se asigna un valor. También se toma en cuenta una penalización de =
1.25
proporcional al resto de parámetros. Cabe mencionar que con respecto a Goog=
le
se toma un valor de 10 puntos sí tiene presencia caso contrario se toma un
valor igual a 0.
·&nb= sp; Con respect= o a la “accesibilidad de los datos mediante API” se toma en cuenta la información disponible, restricciones/limitaciones, características de la API, personalización que se puede realizar y con un grupo de expertos se determi= na cuan fácil es el acceso a los datos de cada fuente de información. De igual forma, se toma como máximo puntaje a la plataforma que es más fácil el acce= so a los datos y al resto se penaliza con un valor de 1.25 como en los casos anteriores.
Des=
pués de
realizar el análisis se obtiene el siguiente resultado ver Figura 2<=
/span>,=
se
determina que las 4 plataformas que mayor beneficio ofrecen a este estudio =
son:
Google Trends, Facebook, YouTube y Twitter. Adicionalmente, se realiza otro
análisis sin tomar en cuenta el parámetro “Accesibilidad de los datos media=
nte
API” debido a que se puede acceder a los datos mediante otras técnicas como=
Web
Scraping. A base de este análisis se determina que las 4 plataformas que ma=
yor
beneficio ofrecen son: Facebook, Google, Instagram y Twitter. Con respecto a
las limitaciones de las API, la de Twitter tiene una limitación en el númer=
o de
consultas por día y se pueden extraer datos de los últimos 7 días únicament=
e.
De ser necesario más datos, se tiene que realizar un pago. Así también, la =
API
de YouTube tiene una limitación en el número de consultas por día que puede
recibir, aunque para la mayoría de aplicaciones, este límite es casi imposi=
ble
de superar.
Figura <=
/span>2<=
/span>
Ranking de las plataformas digita= les
![3D"Gráfico,](3D"839-FINAL-GALERADA_archivos/image005.png")
![3D"Gráfico,](3D"839-FINAL-GALERADA_archivos/image007.png")
Desarrollo de la Plataforma
Figura <=
/span>3<=
/span>
Arquitectura de la Aplicación
![3D"Diagrama
Descripción](3D"839-FINAL-GALERADA_archivos/image009.jpg")
Para presentar de manera visual la información extraí=
da: total de registros, número de datos extraídos=
de
cada plataforma, se procede a implementa=
r una aplicación web tipo dashboard de nombre Dashboard SUMA. Esta aplicaci=
ón se
desarrolla con el Framework Django y se utiliza la librería Chart.js para l=
os
gráficos. La plataforma cuenta con varios subsistemas, donde cada uno extrae
datos de una plataforma digital. La arquitectura implementada se presenta e=
n la
Figura 3.=
En la Figura 4 =
se
presenta la estructura de la aplicación de Django y en la Tabla 2 =
se
presenta una descripción de los componentes de la aplicación.
Estructura de la Aplicación Djang= o
![3D"Diagrama
Descripción](3D"839-FINAL-GALERADA_archivos/image011.jpg")
Descripción de las Partes de la E= structura de la Aplicación
|
COMPONENTE |
DESCRIPCIÓN |
|
HttpServer |
Es el servidor que escucha las peticio=
nes.
Entre los más conocidos están nginx, apache, iis. |
|
WSGI |
Modelo de interacc=
ión
entre servidores web y aplicaciones. |
|
Middleware |
Software python de=
ntro
de django, definido en settings y que permite alterar la request y/o la
response. |
|
Routing |
Módulo de django q=
ue usa
las definiciones en el fichero urls.py, para seleccionar la vista. |
|
View |
Código python que =
recibe
la request y la procesa y usando las templates genera la respuesta. |
|
Model |
La vista usa las c=
lases
que representan el modelo de datos. |
|
Template |
En conjunción con =
la
vista, describe la salida, que será principalmente html. Usará datos
proporcionados por la vista, que vendrán de la base de datos y las consul=
ta a
la API. |
Finalmente, se presen=
ta una
vista para cada fuente de información donde el usuario puede ingresar su te=
ma
de interés y ejecutar la aplicación, en ese momento se realiza la extracció=
n de
datos mediante API y se muestra en una tabla con la disponibilidad para pod=
er
descargar los datos en formato csv. En las Figura 5 se muestra la página principal de la aplicación=
con
métricas como el número de datos extraídos por cada plataforma, el número t=
otal
de datos extraídos y un historial de las búsquedas que se han realizado, en=
la Figura 6 se muestra la interfaz para extraer datos de Tw=
itter
y en la Figura 7 se presentan la interfaz con los datos extraído=
s. De
la misma manera que las interfaces de Twitter son para las otras fuentes de
información.
Figura =
Página Principal de la Aplicación=
![3D"Una](3D"839-FINAL-GALERADA_archivos/image013.png")
Figura
Página para Consulta de Datos de =
Twitter
![3D"Captura](3D"839-FINAL-GALERADA_archivos/image015.png")
Figura
Página de Datos Obt=
enidos
de Twitter![3D"Una](3D"839-FINAL-GALERADA_archivos/image017.png")
Discusión
A base del análisis que se realiza en esta
investigación, se puede determinar que en la actualidad las principales fue=
ntes
de información para el sector textil en el contexto de análisis de mercado =
son
las redes sociales. Estas fuentes de información son muy importantes para el
análisis de mercado debido a que en dichas plataformas los usuarios pueden
expresar comentarios tantos positivos como negativos de un determinado
producto. Así, las empresas pueden realizar sus análisis utilizando datos
generados por el usuario para luego obtener resultados más cercanos a la
realidad sobre éxito o fracaso de sus productos. Sin embargo, debido a
problemáticas recientes por mal uso de datos de estas plataformas, cada vez=
se
vuelve más complicado extraer dichos datos ya que las empresas están obliga=
das
a proteger la información y los usuarios confían en ellas. Por lo tanto, el
presente estudio presenta un análisis para calificar y priorizar las fuente=
s de
información disponibles considerando la limitante mencionada y también sin
tomar en cuenta dicha limitante para que así el lector pueda diferenciar las
fuentes de información importantes para el sector. Todas =
las
investigaciones revisadas se centran en el análisis de los datos de una
determinada plataforma y que previamente se debe realizar una investigación
para la selección de las mismas, pero en cada estudio revisado no presentan=
el
método utilizado por lo tanto esta metodología presentada ayuda a las empre=
sas
en esta selección de plataformas debido a que permite seleccionar una fuent=
e de
información considerando varios parámetros de acuerdo al sector a analizar.=
Por último, es importante mencionar que el método =
de
las API es una manera de extracción de datos, pero en la actualidad existen
muchas otras técnicas que pueden ser implementadas y analizadas en estudios
posteriores.
La metodología propue= sta para generar el ranking de fuentes de información ayuda a obtener las plataformas más informativas para la extracción de datos regionales y provee datos de calidad para que las empresas puedan realizar un análisis con los mismos.
El ranking realizado, en el caso de estu=
dio se
determina que las 4 plataformas que mayor beneficio ofrecen para esta
investigación son: Google Trends, Facebook, YouTube y Twitter. Adicionalmen=
te, se
realiza otro análisis sin tomar en cuenta el parámetro “Accesibilidad de los
datos mediante API” debido a que se puede acceder a los datos mediante otras
técnicas como Web Scraping por lo que también es una alternativa para obten=
ción
de datos. A base de este análisis, se determina que las 4 plataformas que m=
ayor
beneficio ofrecen son: Facebook, Google, Instagram y Twitter.
Las redes sociales Fa=
cebook e
Instagram tienen un ranking alto pero debido a la implementación de sus nue=
vas
políticas de acceso a la información altamente restrictivas no puede realiz=
ar
la extracción de datos. Únicamente se puede obtener datos propios de la cue=
nta
del usuario o página administrada como publicaciones, comentarios de la
publicación y reacciones de la publicación. En las plataformas que tienen A=
PI y
no tienen grandes limitaciones en sus políticas de acceso a la información,=
se realiza
la extracción de datos sin ningún inconveniente. Inclusive, se logra extraer
información adicional en forma de metadatos que pueden ser de interés para
estudios futuros como la determinación de lugares donde existen problemas c=
omo
los productos, lugares determinados donde existen algunas necesidades, entre
otros.
Como trabajo futuro, =
se
plantea la necesidad de automatizar el proceso para la valoración de los pe=
sos
para cada característica y, de esta manera, facilitar la aplicación de esta
metodología a cualquier sector. Así
también, analizar a profundidad las API de otras plataformas, por ejemplo,
Pinterest para determinar qué tipo de información se puede extraer y luego
determinar su utilidad para el sector de estudio. Finalmente, considerando =
las
limitaciones de acceso a Facebook e Instagram, se plantea explorar otras
opciones para poder extraer datos de dichas plataformas, ya que son estas l=
as
que más se utilizan en la región.
Agradecimientos
Este estudio se enmar=
ca en el
proyecto de investigación “Incorporating Sustainability concepts to managem=
ent
models of textile Micro, Small and Medium Enterprises (SUMA)”, apoyado por =
el
Consejo Interuniversitario Flamenco (VLIR) y el Vicerrectorado de Investiga=
ción
de la Universidad de Cuenca (DIUC).
Referencias
Aakash, & Aggarwal, A. G. (2020). An
Analysis of EWOM Text that Contribute to EWOM Helpfulness. In Lecture Notes in Electrical Engineerin=
g
(Vol. 601, pp. 893–900). Springer. https://doi.org/10.1007/978-981-15-1420-3_97
Acker, A., & Kreisberg, A. (2020). Social media data archives in=
an
API-driven world. Archival Science<=
/i>, 20(2), 105–123. https://doi.org/10.1007/s10502-019-09325-9=
Amarouche, K., Benbrahim, H., & Kassou, I. (2015). Product Opini=
on
Mining for Competitive Intelligence. Procedia Computer=
Science, 73, 358–365. https://doi.org/=
10.1016/j.procs.2015.12.004
Árcos;Valverde, D. A.
(2016). “Incidencia del uso de redes
sociales aplicado en las estrategias de marketing en el sector textil de la
ciudad de guayaquil año 2016.” http://ds=
pace.ups.edu.ec/handle/123456789/14886
Avila Fuentes, L. F.
(2019). ARTICULO CIENTÍFICO:
Comercialización de productos mediante el uso de herramientas de comercio
electrónico y su incidencia en las PYMES del sector textil de Atuntaqui
provincia de Imbabura. http://18=
1.39.139.68:8080/handle/123456789/249
Barrientos Felipa, P.
(2017). Marketing + internet =3D e-commerce: oportunidades y desafíos. Revista Finanzas y Política Económica<=
/i>, 9(1), 41–56. https://doi.org/10.14718/revfinanzpolitecon.2017.9.1.3
Diaz Agila, Y. M. (20=
18). “Análisis De Las Estrategias De Market=
ing
Digital Aplicadas Por Las Microempresas En El Sector Textil De La Provincia=
De
Pichincha.” http://dspace.ups.edu.ec/handle/123456789/15305
E-commerce. (2020). DC0-Información pública E-Commerce en
Ecuador. =
https://www.pwc.ec/es/publicaciones/assets/e-commerce-ecuador.pdf
Ecommerceday. (2017).=
Estudio de Comercio Electrónico en el =
País
durante el eCommerce Day Ecuador 2017. 2–4. http://www.ecommerceday.ec/2018/2017/11/09/se-presento-el-primer-estu=
dio-de-comercio-electronico-en-el-pais-durante-el-ecommerce-day-ecuador-201=
7/
Karen Lucero. (2021, =
May
2). El sector textil, un puntal de la industria que busca levantarse | Gest=
ión.
Economia y Finanzas. https://www.revistagestion.ec/economia-y-finanzas-analisis/el-sector-=
textil-un-puntal-de-la-industria-que-busca-levantarse
Kim, Y., Dwivedi, R., Zhang, J., & Jeong, S. R. (2016). Competit=
ive
intelligence in social media Twitter: IPhone 6 vs. Galaxy S5. Online Information Review, 40(1), 42–61. https://doi.org/10.1108/OIR-03-2015-0068
Lomborg, S., & Bechmann, A. (2014). Using APIs for Data Collecti=
on
on Social Media. Information Society, 30(4), 256–265. https://d=
oi.org/10.1080/01972243.2014.915276
Muñoz Bustos, D. A. (=
2019).
Sistema organizacional aplicado al
marketing digital en el sector textil de ropa interior de la provincia de
Tungurahua. <=
span
style=3D'font-size:10.0pt;color:windowtext;text-decoration:none;text-underl=
ine:
none'>https://repositorio.uta.edu.ec:8443/jspui/handle/123456789/29960
Neira, D. A. (2017). =
Las redes sociales y la confianza del
consumidor como factores en la intención de compra a través de canales de
comercio electrónico en el sector moda colombiano. https://repositorio.unal.edu.co/handle/unal/60094
Nguyen, S., Ngo, B., =
Vo,
C., & Cao, T. (2019). Hot Topic Detection on Twitter Data Streams with
Incremental Clustering Using Named Entities and Central Centroids. 2019 IEEE-RIVF International Conferenc=
e on
Computing and Communication Technologies (RIVF), 1–6. https://doi.org/10.1109/RIVF.2019.8713730<=
/a>
Perriam, J., Birkbak, A., & Freeman, A. (2020). Digital methods =
in a
post-API environment. International
Journal of Social Research Methodology, 23(3),
277–290. <=
span
lang=3DEN-US style=3D'font-size:10.0pt;color:windowtext;mso-ansi-language:E=
N-US;
text-decoration:none;text-underline:none'>https://doi.org/10.1080/13645579.=
2019.1682840
Tripathi, G., & S, N. (2015). Feature Selection and Classificati=
on
Approach for Sentiment Analysis. Ma=
chine
Learning and Applications: An International Journal, 2(2), 01–16. https://doi.org/10.5121/mlaij.2015.2201
Xue, Y., Zhou, Y., & Dasgupta, S. (2018). Mining competitive
intelligence from social media: A case study of IBM. Proceedings of the 22nd Pacific Asia Conference on Information Syst=
ems
- Opportunities and Challenges for the Digitized Society: Are We Ready?, PA=
CIS
2018. https://pennstate.pure.elsevier.com/en/publications/mining-competitiv=
e-intelligence-from-social-media-a-case-study-of
Yánes González, R. M.
(2017). “Marketing digital para el =
sector
textil de la provincia de Tungurahua: Caso Andelas CIA. LTDA. [Universi=
dad
Técnica de Ambato. Facultad de Ciencias Administrativas. Carrera de Marketi=
ng y
Gestión de Negocios.]. <=
span
style=3D'font-size:10.0pt;color:windowtext;text-decoration:none;text-underl=
ine:
none'>https://repositorio.uta.edu.ec:8443/jspui/handle/123456789/26922