Las redes sociales son sistemas de comunicación cuya característica central es su complejidad. Un fenómeno complejo es aquel que es resultado emergente de un conjunto de interacciones deslocalizadas, espontáneas y descentralizadas, esto es, que las características de un sistema complejo no se deducen de las características de sus partes. En el contexto de interacciones entre usuarios, este rasgo supone que los patrones que vemos en redes sociales, ya sea la existencia de influencers, viralización de contenido o memes, no pueden explicarse ni deducirse de las intenciones o intereses de esos influencers o de cada usuario. Por muchos seguidores que una cuenta acumule, ningún usuario en redes sociales ejerce un control real sobre lo que pasa en ellas.

Lo anterior nos podría hacer pensar que técnicas como el Social Listening no tienen mayor sentido, dado que el comportamiento caótico en redes podría hacer imposible extraer información útil para la toma de decisiones ¿Para qué invertir en conocer un sistema que cambia constantemente? ¿Por qué escuchar a actores que no pueden controlar lo que pasa en el escenario? La respuesta es que precisamente por su carácter descentralizado es que estas redes poseen regularidades observables a nivel colectivo, que nos proveen de caminos para la optimización del Social Listening y la captación de insights relevantes. Un buen análisis debe ser capaz de ver el bosque y los árboles.

Para mostrar cómo funcionan algunas de estas regularidades, en esta entrada utilizaremos los datos de quienes mencionaron “Chile” en Twitter desde el 18 de octubre del 2019 hasta el 15 de diciembre del mismo año. Previamente al análisis, hemos eliminado a todos los usuarios que utilizaban “Chile” en referencia a comidas picantes, o bien, como reemplazo de “Chill” en inglés, muy utilizado entre la comunidad afroamericana. Estos datos arrojan un total de 838.388 publicaciones, 373.214 usuarios y 12.444.204 interacciones (likes, comentarios y retweets).

Para efectos de la visualización, hemos eliminado a todos aquellos usuarios que no recibieron interacciones en ninguna de sus publicaciones, lo que representa el 51,4% de las cuentas. Luego, hemos reunido las cuentas en deciles en función de la cantidad de interacciones, sumando el total de interacciones de cada decil. Se generaron 10 grupos de 18.126 cuentas cada uno. La primera gráfica muestra la distribución de interacciones por decil, y observamos que el 92% de las interacciones las acumulan sólo las cuentas del décimo decil. Esto coincide con el principio 90-9-1, que establece que el 10% de los usuarios estimulan el 95% de la generación de contenido. Más aún, establece que el 1% concentrará aproximadamente el 50%. En nuestros datos, el 1% de los usuarios concentra el 72%, como se puede ver en la segunda gráfica.

Existen diversas explicaciones a este patrón, aunque el mecanismo genérico es denominado “enlazamiento preferencial” o “preferential-attachment”. Planteado por el físico Albert-László Barabási, es un proceso en el cual la probabilidad de que un enlace (interacción) se añada a un nodo (usuario) es proporcional a la cantidad de enlaces que el nodo tiene. Es decir, una publicación será más probablemente compartida o comentada, si ya acumula muchos comentarios y retweets, generando avalanchas comunicacionales.  Por esta razón es que este mecanismo también es llamado “los ricos se vuelven más ricos” (the rich get richer).

Intuitivamente, se tiende a pensar que la capacidad de generar avalanchas comunicacionales es en función de los seguidores que una cuenta posee. Y si bien es cierto que una cuenta sin seguidores es incapaz de acumular interacciones, los casos intermedios son demasiados como para pensar que se trata de una relación lineal. Como podemos ver en la tercera gráfica, la correlación lineal entre acumulación de interacciones y seguidores es débil (0.1). Esto significa que la mayoría de las avalanchas son generadas por usuarios que no concentran una cantidad significativa de seguidores. Como ejemplo, en esta muestra hay cuentas reales (no bots) con menos de 70 seguidores y más de 14.000 interacciones.

La ausencia de correlación entre una propiedad individual como la cantidad de seguidores, y un efecto grupal como la viralización de un mensaje, nos permite comprender que la analogía entre avalanchas comunicacionales y de nieve aporta una idea central de la complejidad: el copo y el usuario que desatan una avalancha no necesariamente poseen características especiales. En rigor, cualquier copo es capaz de comenzar una avalancha.

Sin embargo, la diferencia entre un copo de nieve en una avalancha y un usuario en una crisis comunicacional, es que los usuarios aprenden de cada crisis mediante sesgos, imitación y presión colectiva, lo que los lleva paulatinamente a estabilizar sus interacciones. Esto implica que en RRSS, como en la vida cotidiana, las personas no interactúan azarosamente, sino que tienden a tener grupos de interacción regulares donde desarrollan lazos de intercambio de información y confianza. Los usuarios tenderán a formar comunidades con dinámicas propias, especializadas en conjuntos de temáticas, compartiendo aprendizaje colectivo y generando niveles de cohesión interna que les permiten balancear la necesidad de estabilidad de su discurso y prácticas, con la adaptabilidad que merece un contexto cambiante.

La ciencia de redes y sistemas complejos ha desarrollado diversas herramientas matemáticas para identificar estas comunidades, y las ciencias sociales han aportado un enorme bagaje conceptual para estudiarlas en su dinámica interna. Sabemos, por ejemplo, que las comunidades no son homogéneas, sino que presentan una diversidad interna tanto a nivel discursivo como de estatus. Cada comunidad tiene consensos, disensos y una jerarquía emergente e inestable, y mediante estas propiedades podemos anticipar escenarios donde crecerán o colapsarán. Debido a ello, las metodologías habituales de Social Listening, como identificar los usuarios con más seguidores o las publicaciones más viralizadas, o los cálculos de engagement, son insuficientes para caracterizar y comprender apropiadamente el contexto que se busca escuchar. Pero una vez que se complementa esta información con el know-how de la ciencia de redes y sistemas complejos, y el conocimiento acumulado en ciencias sociales, es posible dar cuenta tanto de regularidades sociofísicas, como de propiedades comunitarias que anticipan la capacidad de un grupo, o un tema, de generar acciones colectivas como procesos de viralización, posicionamiento de hashtags o generación masiva de contenido, además de comprender los distintos contextos de enunciación y acción a los que se enfrenta cada usuario, y cómo dicho contexto afecta o favorece a una organización particular.