El estudio revela que un 86% de los miembros de LinkedIn que respondieron a la encuesta no formaban parte de otros paneles de encuestas online, y la mayor parte de los que respondieron a la encuesta (66%) tenía el poder de toma de decisiones o influencias sobre las decisiones de compra de su empresa. Estos mismos miembros también eran más activos en LinkedIn y tenían la mayor parte de `conexiones´. Esto muestra que los investigadores de mercado tienen el potencial para llegar de modo eficiente a la fuente más rica de opiniones cualificadas, al mismo tiempo que llegan también a los `influenciadores´ del grupo.
Empleando la minería de datos y texto del software SPSS Predictive Analytics, Anderson Analytics también pudo identificar cuatro categorías diferentes de `networkers´ entre los más de 30 millones de miembros de LinkedIn. Estos segmentos `Miembros Entendidos´, `Ejecutivos Senior´, `Miembros Tardíos´ y `Exploración de Opciones´- ilustra cómo los investigadores de mercado pueden identificar grupos dispares y luego comunicarse de la mejor forma posible con estos individuos, basándose en sus niveles de participación en la web de contactos.
La popularidad y la cada vez mayor importancia de la Web 2.0 y los servicios de redes sociales (SNS) tiene a los investigadores de mercado tratando de comprender cómo beneficiarse de esta información bruta ilimitada y lograr acceso directo a los suscriptores.
Los servicios de redes sociales, como LinkedIn, está cambiando el modo en que las empresas comprenden y responden- a las necesidades de los clientes, sus comportamientos y sus preferencias. Estas redes representan una gran oportunidad para los investigadores de mercado de comunicarse con segmentos difíciles de alcanzar a través de anuncios localizados. Y la naturaleza conectada de los SNS también hace especialmente atractivo el marketing de boca-oreja.
Tom H.C. Anderson, socio de Anderson Analytics, afirmó que «nuestros descubrimientos prueban que los servicios de redes sociales ofrecen a los investigadores de mercado una población de respuesta más enfocada y que está deseando participar en encuestas y ofrecer un feedback honesto sobre sus preferencias, motivaciones e intenciones. El uso de los SNS es también más económico, más sencillo y una forma eficiente de alcanzar a millones de clientes que no podrían ser encontrados en focus groups o paneles de investigación».
El uso del software Analítica Predictiva de SPSS de minería de datos y minería de texto permite a los investigadores de mercado explorar información desestructurada dentro de las SNS para extraer conceptos clave y sentimientos, como respuestas emocionales, preferencias y opiniones, así como obtener unas conclusiones más fiables de los comportamientos y actitudes de los clientes por segmentos particulares.
Olivier Jouve, vicepresidente de desarrollo corporativo en SPSS, afirmó que «el software de SPSS Predictive Analytics ofrece a los investigadores de mercado la capacidad de capturar de forma sencilla el feedback, analizar los datos de la ³voz del consumidor², segmentar diferentes grupos de individuos, y finalmente desplegar estos resultados para optimizar los esfuerzos de marketing que reducen el abandono de clientes, mejoran la satisfacción o incrementan los ingresos».
Las cuatro categorías de usuario de redes de contactos se diferenciaron mediante el análisis de los datos de actitudes y comportamientos tales como el número de conexiones, logins, estilo de uso e intereses de contactos. Se definen como:
Usuarios entendidos (9 millones): es probable que hayan empezado a usar las redes sociales antes que los demás, tienen mayores conocimientos tecnológicos, y es más probable que estén activos en otros sitios SNS, como Facebook. Los Usuarios Entendidos tienen el mayor número de conexiones (una media de 61) y es más probable que empleen LinkedIn para cualquier propósito salvo la búsqueda de trabajo. Los Usuarios Entendidos ocupan el segundo lugar en los mayores ingresos personales (93.500 dólares) y normalmente tienen el cargo de Consultor en la descripción de su trabajo.
Los Ejecutivos Senior (8,4 millones) son de cierto modo menos expertos y emplean LinkedIn para conectarse a sus redes corporativas existentes. Tienen trabajos de poder en los que se sienten contentos, y es probable que hayan sido invitados por un colega, después se hayan dado cuenta de cuántos contactos clave había en el web site y comenzaron a crear conexiones (una media de 329). Los Ejecutivos Senior tienen el mayor nivel de ingresos personales (104.000 dólares) y tienen cargos como Dueño, Partner, Ejecutivo o Asociado.
Los usuarios tardíos (6,6 millones) es probable que hayan recibido numerosas peticiones de amigos y compañeros antes de unirse a la red. Son en cierto modo menos expertos en tecnologías y tienen mucho cuidado sobre cómo emplean LinkedIn, tendiendo a conectarse sólo con amigos cercanos y colegas y tienen el menor número de conexiones (23 de media). Los usuarios tardíos tienen el nivel de ingresos medio más bajo (88.000 dólares) y tienen cargos como Profesor, profesional de la medicina, abogado o la palabra `Account´ o `Assistant´ en la descripción de su puesto.
Los Exploradores de otras opciones (6,1 millones) pueden estar trabajando, pero están abiertos y buscan otras opciones de trabajo a menudo en Careerbuilder.com, posiblemente en parte porque tienen el nivel de ingresos más bajo (87.500 dólares). Saben bastante de tecnología, y emplean las SNS tanto para intereses corporativos como personales.
Metodología del estudio
El estudio se condujo mediante la minería de texto y de datos de 65.873 perfiles de LinkedIn (logrando estadísticas generales con una precisión de +/-0.39%). Las herramientas de visualización de datos se emplearon para comprender cómo 1.000 perfiles estadounidenses y 1.000 internacionales estaban conectados con sus 51.873 conexiones de primer nivel.
Adicionalmente, 793 miembros de LinkedIn respondieron a una encuesta de 10 minutos (la muestra de la encuesta ofreció unas estadísticas con un intervalo de confianza de +/-3.48%). El análisis fue llevado a cabo por Anderson Analytics empleando la minería de datos y de texto de SPSS Predictive Analytics.