A medida que las redes sociales en línea (RSL) evolucionan en la agroindustria, es posible identificar los diversos sitios y plataformas utilizados, siendo el más popular, si no el más representativo, el Twitter.
Los datos de las redes sociales se recopilan principalmente utilizando Twitter como fuente, ya que es la más utilizada por los investigadores. La técnica de análisis más utilizada en agricultura es la técnica de aprendizaje automático en análisis de sentimientos, que se utiliza en la mitad de los estudios seleccionados; sin embargo, encontramos una actividad creciente tanto en técnicas basadas en el tiempo como en estadísticas, siendo la precisión, el recuerdo y la puntuación de exactitud, las métricas de evaluación más utilizadas por los estudios seleccionados para evaluar sus experimentos. Después de analizar los estudios seleccionados, identificamos algunas lagunas de investigación que es importante investigar. A partir de los resultados de un mapeo sistemático de literatura (MSL), fue posible concluir que los datos recopilados de la plataforma Twitter son el conjunto de datos más utilizado en un análisis de redes sociales (ARS) y análisis de medios sociales (AMS) aplicados a la agroindustria en comparación con otras plataformas de redes sociales.
Esta preferencia por Twitter se debe principalmente a la facilidad de acceso; sin embargo, con el crecimiento en importancia de otras redes sociales y mecanismos para extraer información sobre diferentes tipos de medios, como fotos y videos, es necesario avanzar en la investigación. Esta deficiencia limita la generalización de los resultados obtenidos a través de los análisis. Por lo tanto, analizar otras RSL importantes como Instagram, YouTube y TikTok podría aportar información importante para el marketing de agronegocios. Este mapeo promueve estrategias basadas en nuevas técnicas de adquisición de conocimientos para aprovechar los agronegocios, además, los resultados de MSL también pueden ayudar a los investigadores a comprender mejor las direcciones de investigación relacionadas con el uso de técnicas de ARS y AMS aplicadas a la agroindustria.
También se deben investigar las siguientes técnicas: i) el uso de múltiples RSL, combinando de alguna manera sus resultados, ii) el uso de técnicas inteligentes de análisis de datos, haciendo énfasis en técnicas como el análisis semántico y estructural, dada la estructura de una RSL, iii) mecanismos de visualización adecuados para apalancar la comercialización de productos específicos; así como también Machine Learning. Analizar la interacción entre usuarios en múltiples RSL contribuye a identificar consumidores con características similares en diferentes RSL, utilizando técnicas de ARS y AMS que permitirá identificar demandas de productos específicos y los consumidores a los que se debe llegar; más específicamente, con técnicas como el análisis de sentimientos sobre las publicaciones extraídas de las RSL, combinadas con otros análisis, como la detección de comunidades, podemos identificar productos buscados por comunidades específicas, lo que puede ayudar con estrategias para futuros lanzamientos y/o cierre de otros productos, pudiéndose estratificar a los usuarios, considerando género y generación, permitiendo identificar perfiles de usuarios que hablan de un producto específico, como millennials que hablan de productos veganos, por ejemplo (Aamer et al., 2020).
Referencias:
Aamer, L., Eka, Y. y Priyatna, A. (2020). Data analytics in the supply chain management: Review of machine learning applications in demand forecasting. Operations Supply Chain Management Int. J., 1-13. https://acortar.link/bkMi4e