<aside> ℹ️

Cómo citar estos materiales:

Varela-Rodríguez, M. y Gómez González, F.J. (2025) Tema 3 - Parte 2 - Datos online y redes sociales en el estudio del consumo. En Varela-Rodríguez, M. y Gómez González, F.J. (2025), Comportamiento del Consumidor. Universidad de Valladolid.

</aside>

Parte del Tema 3 - Métodos y Técnicas de Investigación del Comportamiento del Consumidor

Contenidos

¿Por qué hablar de datos online y redes sociales en consumo?

El uso de tecnologías digitales compartidas es una parte fundamental de la Sociedad de Consumo. Hoy en día, resulta imposible comprender nuestros hábitos de compra sin considerar cómo consumimos a través de medios digitales.

En la cultura popular y la publicidad actual, es común encontrar representaciones de la sociedad, especialmente de los jóvenes, como esclavos de los dispositivos móviles y las redes sociales. Adoptamos una visión pesimista, advertimos sobre los peligros de compartir demasiada información y nos quejamos de que los jóvenes no prestan atención "porque están todo el día en el móvil". De algún modo, casi culpamos a las personas por usar los dispositivos que la propia sociedad de consumo ha puesto a su disposición. Pero más allá de esta crítica, surge una pregunta clave: ¿qué impacto tienen las redes sociales en la sociedad de consumo?

En este contexto, los datos digitales se han convertido en una herramienta central para analizar comportamientos. Han desplazado rápidamente métodos tradicionales como encuestas e entrevistas, que aunque siguen siendo útiles, ya no ofrecen la misma rapidez ni capacidad de actualización que los datos digitales, especialmente en lo que respecta a la realidad conectada a internet. Así, los datos se han convertido en un mercado gigantesco que mueve miles de millones de euros.

1. ¿Qué es el Big Data?

A mediados de la década de 1990, surgió el término Big Data para describir la gran cantidad de datos generados y recopilados mediante ordenadores. Aunque los orígenes exactos del término son discutibles y poco relevantes en este contexto, desde 2003, Big Data se ha convertido en un término común en la ciencia de datos, y gradualmente ha encontrado su lugar en la estadística—y en el estudio del consumo.

La mayoría de las definiciones de Big Data hacen referencia a un artículo del año 2001, escrito por Doug Laney para la empresa Gartner y que ya no se encuentra publicado (Diebold, 2012). En él, se refería a los tres componentes del Big Data, a menudo conocido como las “tres Vs”: volumen, velocidad y variedad.

• Volumen: los Big Data hacen referencia a cantidades masivas de datos, millones y millones de puntos de datos prácticamente imposibles de analizar de uno en uno. Por ejemplo, una empresa de comercio electrónico puede generar terabytes de datos cada día a partir de las transacciones de sus clientes, datos de inventario, registros de clics, datos de redes sociales y mucho más.
• Velocidad: los datos del Big Data se producen a una velocidad difícil de asimilar, pero también cambian constantemente, creando y rompiendo conexiones entre sí. Por ejemplo, un solo usuario puede generar miles de tweets, y cada tweet puede contener una gran cantidad de información, como el texto del tweet, la hora en que se publicó, la ubicación del usuario que lo publicó y los hashtags utilizados.
• Variedad: los Big Data no vienen de una sola fuente, sino de muchas, y tienen multitud de formatos: imágenes, textos, vídeos, audios, datos de sensores, registros de transacciones, etc. Por ejemplo, una empresa de fabricación puede generar datos de sensores de sus máquinas, datos de producción de sus sistemas de gestión de inventario, datos de ventas de su sistema de planificación de recursos empresariales y datos de redes sociales de sus clientes.

Estos tres componentes o tres Vs hacen que los Big Data no se puedan trabajar a mano. No sería eficiente, y tendría poco sentido, tener a una analista mirando un millón de puntos de datos y haciendo anotaciones sobre ellos.

En lugar de eso, los Big Data se procesan de forma conjunta, en “paquetes” de datos que comparten características.

<aside> 💡

Por ejemplo, podemos crear paquetes de datos que comparten una variable, como la ubicación: todos los datos generados en las inmediaciones del supermercado de la Calle Don Sancho; todos los datos generados en el gimnasio de la Calle Labradores. O agrupados por edad: todos los datos generados por usuarios de 22 años. O agrupados por red social: todos los datos generados en Instagram. O, mejor aún, agrupados por varias variables: todos los datos generados en el gimnasio de la calle Don Sancho Fit por usuarios de 22 años en la red social Instagram.

</aside>

2. ¿De dónde salen los Big Data?

Prácticamente todo lo que hacemos hoy puede convertirse en una fuente de datos, porque es raro que lo hagamos sin un teléfono en el bolsillo o conectados a algún otro dispositivo. En general, los datos se recogen a través de pequeños archivos que conocemos como cookies: las cookies recogen información sobre nosotros a cambio de hacernos la vida un poco más fácil. Pero no son la única herramienta. Los artículos suelen desglosar las fuentes de datos en tres tipos: generados por el usuario, generados por máquinas, y generados en las transacciones (Bladé, s. f.; Kaplan, s. f.; Vasilopoulou et al., 2023).

2.1. Datos sociales y generados por el usuario:

Se trata de los datos que generan los y las usuarias de forma intencionada. Son los posts en las redes sociales, los “me gusta” y otras actividades que pueden seguirse. Este tipo de datos pueden revelar comportamientos (información sobre dónde pasamos las vacaciones, por ejemplo), pero son especialmente útiles para recoger opiniones y significados. Algunos ejemplos: