As marcas e os profissionais que trabalham com marketing e comunicação estão sempre à procura de informações, estatísticas e outras maneiras de mensurar qual é o impacto que suas campanhas e eventos estão gerando no público. Considerando o momento atual, em que cada vez mais se utilizam redes sociais e praticamente toda esquina tem alguém falando sobre Big Data, novas ideias para a coleta e a análise de como o público está reagindo ao que lhe é apresentado vêm sendo encaradas como tendências para guiar futuros investimentos e decisões relacionadas ao posicionamento estratégico de marcas.

Uma tendência que atualmente vem sendo muito explorada por quem trabalha com monitoramento de redes sociais é a análise de sentimentos. Em termos simples, essa análise emprega técnicas já conhecidas de mineração de dados e processamento de linguagem natural para classificar tweets, posts no Facebook ou Google+, mensagens em fóruns, comentários e até mesmo o conteúdo ligado a imagens do Instagram. O objetivo é verificar como anda a percepção do público por meio da captura e da classificação do conteúdo circulado nas redes sociais através do agrupamento dessas interações em sentimentos positivos ou negativos. De fato, muitas empresas grandes, como a IBM, vêm apostando forte em recursos para esse tipo de análise.

Entretanto, classificar os sentimentos é apenas o passo inicial e é possível ir muito além disso. Um dos princípios importantes apresentados logo no início da formação de novos publicitários, jornalistas, profissionais de marketing e comunicação é que as pessoas possuem uma chance maior de se engajar com histórias, experiências e narrativas do que com fatos, dados, estatísticas e informações puras. Há até regras e técnicas para atingir o engajamento e fazer com que o público se relacione de forma emocional, já que esse tipo de conteúdo possui maior probabilidade de ser lembrado e comentado.

Até recentemente, a tarefa de montar uma história ou narrativa a partir de dados e fatos ficava exclusivamente nas mãos de profissionais especializados, tais como jornalistas. Porém, com a quantidade, volume e velocidade de dados relacionados a marcas e eventos presentes em redes sociais, tal tarefa vem se tornando cada vez mais difícil. Ou seja, não dá mais para deixá-la apenas na mão do estagiário de mídias sócias: é preciso que a coleta e a análise sejam automatizadas. Afinal de contas, é humanamente impossível extrair experiências e histórias relevantes quando 10 milhões de tweets são gerados durante um jogo da copa do mundo, por exemplo.

Hoje, existem diversas técnicas e estudos que vão além da mineração de sentimentos. Uma rápida pesquisa em repositórios acadêmicos mostra que muitos trabalhos (veja no quadro “leia mais”) já conseguem minerar experiências, problemas, soluções, dicas e insatisfações. Em alguns casos, já é até possível prever quando o consumidor vai causar “aquele” barraco, acreditando que “fazer mimimi” nas redes sociais vai fazer com que seu problema chegue até os responsáveis, ou que a imagem da marca seja arranhada de alguma forma.

Uma definição formal de mineração de experiência é a seguinte: a mineração de experiências visa a coletar automaticamente ocorrências de experiências pessoais, bem como opiniões de grandes quantidades de conteúdo gerado pelo usuário, tais como blogs e fórum, e armazená-las em um banco de dados de experiência com índices semanticamente ricos. Colocando dessa, maneira a mineração de experiências pode parecer seca e impalatável, mas quem trabalha com dados e informações reconhece que essa técnica equivale a descobrir verdadeiras minas de ouro.

Um exemplo clássico é a análise de histórias e experiência em eventos. Suponha que uma marca vai patrocinar um evento presencial como um show. Como as marcas geralmente não fazem nada para ser pequeno, ou seja, elas procuram alcançar a maior quantidade possível de pessoas, é razoável esperar que um público grande se locomova até o local físico do show, possivelmente gerando problemas com estacionamento, filas, falta de organização, preços etc.

Uma análise de experiências pode ajudar a detectar, por exemplo, congestionamento de avenidas e ruas e ir além: descobrir quem postou um atalho em uma rede social para evitar o tráfego, ou até identificar dicas de outras pessoas sobre estacionamentos lotados, locais com muitos flanelinhas, ou a barraca de lanches com o melhor sanduíche. De posse dessas dicas e recomendações, a conta oficial do Twitter do evento pode ajudar a informar pessoas que ainda nem saíram de casa ou que ainda estão se direcionando para o local. Ou talvez a assessoria de imprensa do evento possa montar um infográfico interativo com estes dados. Ou quem sabe montar um aplicativo mobile para o evento com as dicas e recomendações mineradas.

Essas informações importantes são classificadas como utilitárias. Algo mais interessante é a captura de experiências pessoais e que potencialmente podem impactar outras pessoas quando divulgadas. Por exemplo, que tal descobrir automaticamente a história de uma pessoa que está indo a esse show porque seus pais sempre foram fãs da banda e juntaram dinheiro para o ingresso fazendo hora extra no trabalho? Ou quem sabe identificar aquele fã que ficou na fila dias antes de o portão abrir e levou uma camiseta do filho que ainda não nasceu para ser autografada porque o bebê foi concebido enquanto a música da banda estava tocando de fundo?

Essas histórias e experiências são interessantes para serem divulgadas quando o organizador do evento estiver em uma coletiva de imprensa ou fornecendo uma entrevista para um jornalista, uma vez que se destacam de fatos estatísticos e têm potencial para que as pessoas se relacionem com as histórias dos outros. Sem contar a possibilidade de tal narrativa viralizar e atingir proporções épicas em termos de divulgação.

Leia mais:

• Solution mining for specific contextualised problems: towards an approach for experience mining
• Experience Mining: Building a Large-Scale Database of Personal Experiences and Opinions from Web Documents
• Mining and visualizing local experiences from blog entries
• Tip information from social media based on topic detection

***

Artigo publicado na Revista iMasters, na seção “Dados”. Você pode assinar a Revista e receber as edições impressas em casa, saiba mais.