DIGITAL METRICS IN THE POST-TRUTH POLITICS

ERA, IMPOSSIBLE RECIPES?

MÉTRICAS DIGITALES
EN LA ERA DE LA
POSVERDAD,
¿RECETAS IMPOSIBLES?
Montse Fernández

Resumen Abstract

El análisis de una campaña electoral en redes sociales nunca fue
sencillo. Y su evolución debe ir acorde con el desarrollo de campañas
más evolucionadas y complejas en términos de estrategias tecnoló-
gicas, a menudo nada deseadas como la compra de seguidores o de
The analysis of an electoral campaign in social networks was never
easy. And its evolution must be in line with the development of more
evolved and complex campaigns in terms of technological strategies,
often unwanted as the purchase of followers or likes, or the use of
MÁS PDDER LOCAL.

likes, o el uso de bots. Desenmascarar fraudes y manipulaciones se
ha convertido en un desafío para el que las recetas analíticas estáti-
cas son en gran medida insuficientes.
Palabras clave: métrica; redes sociales; campaña electoral; bot; ma-
nipulación.
bots. Unmasking frauds and manipulations has become a challenge
for which the static analytical recipes are completely inadequate.
Keywords: social metrics; social networks; electoral campaign; bot;
manipulation

Fecha de recepción: 22/12/2017 :: Fecha de aceptación: 08/01/2018 15

 Imagine que es el propietario de un pequeño comer-
cio que ofrece productos X en un local situado en una
calle de su ciudad. En el escaparate de su local usted
se esmera para atraer clientes mostrando un producto
A de la manera más atractiva posible. Por su calle pa-
sean a diario miles de personas pero son pocas las que
se detienen a mirar, muchas menos las que entran en
su comercio a preguntar y escasas las que finalmen-
te se deciden a comprar. Si trasladamos el ejemplo a
nuestra actividad comercial en una red social (Face-
book o Twitter, por ejemplo), la correspondencia sería
la siguiente:
»» Personas que pasean por nuestra calle = Alcance
o impresiones.
»» Personas que miran nuestro escaparate = (Difícil
de medir, salvo en casos como la reproducción de
vídeos por un tiempo determinado).
»» Personas que entran en nuestro comercio = Inte-
racciones (clics varios).
»» Personas que compran = Conversión (interacción
deseada).
Fijémonos en la primera métrica, alcance o impresio-
nes. Si usted se ha desempeñado en alguna ocasión
como Community Manager de alguna marca o insti-
tución, se habrá dado cuenta de que la principal uni-
dad de métrica que las propias redes sociales en las
que intenta destacar su producto le muestran como
dato más relevante de resultados conseguidos es esta:
Alcance o impresiones, número personas o perfiles
únicos por cuyo “muro” su producto se ha deslizado
(Valdez, nd). Y si usted se queda en ese dato, se esta-
rá equivocando, estrepitosamente. Aquí debería em-
pezar usted a hacer cálculos de tasas de interacción/
conversión de cada una de sus acciones (publicacio-
nes o publicidad), y además, llevar a cabo el análisis
cualitativo de todas ellas para ver que funcionó o dejó
de hacerlo y lo más complicado de resolver, concluir el
por qué (fue la foto, el texto, el hashtag, las menciones
a terceros, la hora de publicación, el tema, la oportuni-
dad, etc.) (Patel, 12/09/2016).
En el ejemplo anterior usted es el único que vende el
MÁS PDDER LOCAL. EN PORTADA
producto A en su barrio. Para complicarlo más, su-
pongamos que en la misma calle el resto de comer-
cios vecinos al suyo ofrecen el mismo producto y por
tanto, ahora, además de sus métricas está obligado a
conocer el detalle de las de su competencia. Si trasla-
damos este segundo ejemplo a las redes sociales, los
informes comparados que en Internet se ofrecen sólo
le informarán de tendencias y/o posicionamientos en
términos globales, con datos generados por terceros
16 Más Poder Local. ISSN: 2172-0223. Número 34, Enero 2018, pp. 15-17
El entorno de las redes sociales puede
ser fácilmente manipulable y las
herramientas que generan informes
gráficos quedan a merced de
irrealidades numéricas.
siguiendo unos algoritmos fijos poco capaces de ajus-
tarse al vaivén impredecible de la actividad cambiante
en un periodo electoral. Y aún este escenario físico de
nuestro ejemplo puede complicarse aún más si el caso
fuera que nuestro producto A debe competir y ganar
en los escasos días de competencia conjunta en una
contienda electoral.
Según mi experiencia en métrica política y, más con-
cretamente, en campañas electorales me atrevo a
aconsejarle lo siguiente: olvídese de los informes ul-
traligeros que le ofrecen las webs de social metrics,
incluso aquellas que alcanzaron buena reputación en
este área. Si pretende medir con eficacia y veracidad
una campaña electoral en redes sociales no le queda
otro camino que controlar su propio big data. Las
empresas que le ofrecen métricas enlatadas en Inter-
net están pensadas para el marketing de ventas puro
y duro, midiendo reacciones impulsivas que poco o
nada tiene que ver con el acto de ir a votar.
Y mi experiencia no es la única capaz de afirmar. El
entorno de las redes sociales puede ser fácilmente ma-
nipulable y las herramientas que generan informes
gráficos basados en datos globales (con foco en cuanti
básico y poco capaces en cuali) quedan a merced de
irrealidades numéricas obtenidas aplicando fórmulas
particulares con un rigor científico cuestionable:
“Based on this, we performed experiments and analysis of
two systems for ranking influence: Klout and Twitalyzer.
We created simple robots capable of interacting by means
of Twitter accounts, and we measured how influent they
were. Our results show that it is possible to become influ-
ential through simple strategies. This suggests that the
systems do not have ideal means to measure and classify
influence.” (Messias, 2013).
Fíjese en la cita anterior que incluye el término “ro-
bot” (bot). Si la métrica en un entorno referido a políti-
ca, democracia, movilización social, elección, etc. ya
resultaba compleja en sus inicios, ahora lo es en grado
más desmedido debido al empleo de estas estrategias
de manipulación que buscan mayor “visibilidad” (de
una persona, de un acto, de una idea, etc.), sencillas
y complejas, y en cualquier caso difíciles de detectar
y rastrear (Gold, 2016). Otra razón más para que se
olvide de los informes ad hoc a los que se suscribió.
Gráfico 1. Grafo difusión de mensajes en Elecciones Cataluña 2017
Fuente: Cortesía de Mariluz Congosto, @congosto.
Porque tendrá que ser capaz de detectar este fraude
social:
“The paper explains how an IoT botnet conducts social
network manipulation and illustrates that the fraud is
driven by OSN users, mainly entertainers, small online
shops and private users. It also illustrates that OSN stra-
tegy to suspend fake accounts only cleans the networks a
posteriori of the fraud and does not deter the crime – the
botnet – or the fraud – SMF – from happening. Several
solutions to deter the fraud are provided.” (Paquet-Clous-
ton et al., 2017).
Si al llegar aquí ya se ha convencido de realizar su
propio análisis de big data, prepárese para una ardua,
aunque no imposible, tarea. No sólo se enfrenta a mi-
les de datos propios, de la competencia, de tenden-
cias, de relaciones, de comunidades, de conversacio-
nes, de influyentes, de populares, etc. Un año 2017 en
el que las fack news se conviertieron en trending topic,
sofisticadas técnicas de manipulación en democra-
cia y movimientos sociales quedaron al descubierto.
Desde Filipinas hasta Turquía pasando por Venezuela,
Inglaterra (Brexit), Estados Unidos y la misma Cata-
luña (Declaración Unilateral de Independencia), más
de 30 gobiernos detectados: “Not only is this manipula-
tion difficult to detect, it is more difficult to combat than
other types of censorship, such as website blocking, because
it’s dispersed and because of the sheer number of people and
bots deployed to do it.” (The Guardian, 14/11/2017).
Más Poder Local. ISSN: 2172-0223. Número 34, Enero 2018, pp. 15-17
En un entorno que puede servirse de técnicas de ma-
nipulación difícilmente detectables y en el que los
datos son heterogéneos, dispersos y variables, prepá-
rese para cocinar los ingredientes de su propio análi-
sis. Los informes genéricos aplicados al marketing de
ventas ya no pueden ayudarle. ¡Ánimo!
.................................................................
REFERENCIAS BIBLIOGRÁFICAS
Gold, T. (2016): "Political turbulence. How social media shape collective ac-
tion". Helen Margetts, Peter John, Scott Hale y Taha Yasseri, Princeton Uni-
versity Press, Nueva Jersey, 2016, 279 páginas. Revista POSTData: Revista
de Reflexión y Análisis Político, [en linea] 21(1), pp.311-313. Disponible en:
http://www.redalyc.org/articulo.oa?id=52247505009
Paquet-Clouston, M. C.; Bilodeau, O. y Décary-Hétu, D. (2017): "Can We
Trust Social Media Data?: Social Network Manipulation by an IoT Botnet".
In Proceedings of the 8th International Conference on Social Media & So-
ciety (#SMSociety17). ACM, New York, NY, USA, Article 15, 9 pages.
Messias, J. et al (2013): "You followed my bot! Transforming robots into
influential users in Twitter". First Monday, [S.l.], june 2013. Disponible en:
http://www.ojphi.org/ojs/index.php/fm/article/view/4217.
Patel, N. (12/09/2016): "How Frequently You Should Post on Social Media
According to the Pros". Disponible en: http://bit.ly/2CHwPL3
The Guardian (14/11/2017): "Thirty countries use ‘armies of opinion shapers’
to manipulate democracy" Report. Disponible en: https://www.theguardian.
MÁS PDDER LOCAL. EN PORTADA
com/technology/2017/nov/14/social-media-influence-election-countries-
armies-of-opinion-shapers-manipulate-democracy-fake-news
Valdez, Alan. (nd): "CPC, CTR, CPA, CPM, CPL… ¿Qué significa todo eso?"
Disponible en: https://yopagoporclick.com/cpc-ctr-cpa-cpm-cpl/
.................................................................
Montse Fernández
Consultora asociada en COMPOL.
montse.fernandez.crespo@gmail.com
.................................................................
17