1 s2.0 S0019850123000664 Main

Machine Translated by Google
Gestión de marketing industrial 112 (2023) 98–112
Listas de contenidos disponibles en ScienceDirect
Gerencia de Mercadeo Industrial
página de inicio de la revista: www.elsevier.com/locate/indmarman
Contenido informativo vs. emocional B2B generado por la empresa en el compromiso
de las redes sociales: análisis computarizado de contenido visual y textual
d
Guillermo Gu a , kawingchan b
, Junbum Kwon b,*, Chedia Dhaoui C, Félix Septianto
a
Ramical Animal Healthcare, Guangzhou, China
b
Escuela de Marketing, UNSW Business School, Universidad de Nueva Gales del Sur, Sydney 2052, NSW, Australia
C
Escuela de Gestión de Tecnología y Sistemas de Información, UNSW Business School, Universidad de Nueva Gales del Sur, Sydney 2052, NSW, Australia
d
Escuela de Negocios UQ, Universidad de Queensland, Colin Clark, 39 Blair Dr, Santa Lucía, QLD 4067, Australia
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
Palabras clave: Si bien el marketing en redes sociales juega un papel cada vez más importante en el contexto B2B, todavía hay investigaciones
Análisis de contenido computarizado limitadas que examinan cómo aumentar la participación en las redes sociales B2B. La necesidad de más investigación es cada vez
Multimodalidad
más apremiante dado el cambio reciente en el contenido de las redes sociales de una experiencia centrada en el texto a una
Compromiso B2B en las redes sociales
experiencia orientada a la imagen. Basándose en el modelo de probabilidad de elaboración y empleando herramientas computarizadas
de análisis visual y textual, la presente investigación investiga cómo las señales informativas y emocionales en el contenido de las
redes sociales B2B influyen en la participación del espectador. Al analizar 5362 publicaciones de una sola imagen de las cuentas de
Instagram de 10 empresas B2B en cinco industrias, esta investigación demuestra que las señales informativas son más efectivas que
las señales emocionales para impulsar la participación del espectador, y que las señales informativas son aún más efectivas cuando
se presentan en contenido visual. en comparación con el contenido textual. Los hallazgos de esta investigación contribuyen a la
literatura sobre redes sociales B2B y ofrecen implicaciones gerenciales para el marketing en redes sociales B2B.
1. Introducción ( Dwivedi , Ismagilova, Rana y Raman, 2021), como comprender la adopción y el impacto
de las redes sociales (Ancillai, Terho, Cardinali y Pascucci, 2019; Hsiao, Wang, Wang y
Las redes sociales permiten a las empresas llegar e involucrar a millones de Kao, 2020) y desarrollar estrategias efectivas de redes sociales (Swani, Brown y Milne,
consumidores, lo que genera una tendencia creciente en el uso del marketing en redes 2014; Swani, Milne, Brown, Assaf y Donthu, 2017). Sin embargo, los académicos han
sociales. En este sentido, un cuerpo de literatura establecido explora cómo mejorar la notado que la literatura en esta área se encuentra en una etapa embrionaria (Hollebeek,
participación en las redes sociales, lo que representa la participación del espectador con 2019); por lo tanto, no está claro cómo las empresas B2B pueden desarrollar contenido
el contenido de las redes sociales de una empresa, como lo indica la cantidad de Me de redes sociales efectivo (Swani, Brown y Mudambi, 2020; Tiwary, Kumar, Sarraf, Kumar
gusta y comentarios (Rietveld, van Dolen, Mazloom y Worring, 2020 ) . y Rana, 2021). De hecho, si bien las redes sociales parecen ser útiles para las empresas
Si bien la mayoría de las investigaciones en esta área han explorado el contexto B2C B2B, los especialistas en marketing B2B todavía tienen dificultades para crear
(ver De Oliveira Santini et al., 2020 para una revisión), también hay un interés creciente publicaciones de marca que estimulen la participación en las redes sociales (Content
entre las empresas B2B en usar las redes sociales como un componente de su Marketing Institute, 2021; Deng, Wang, Rod y Ji, 2021).
transformación digital (Pardo, Ivens , y Wilson, 2013). De hecho, el 95% de las empresas
B2B utilizan las redes sociales, lo que las convierte en la estrategia de marketing más
común (Dean, 2022). Por ejemplo, Maersk Line, una de las empresas de envío de Particularmente relevante para la presente investigación, estudios previos han
contenedores y carga a granel más grandes del mundo, implementó con éxito estrategias examinado el efecto de las señales informativas y emocionales en la participación en las
de contenido visual en Instagram, atrayendo a más de 22 000 seguidores de Instagram redes sociales (Lohtia, Donthu y Hershberger, 2003; Swani et al., 2014; Swani et al.,
(Brooke, 2022; Wichmann, 2013). Además, el 51% de los especialistas en marketing B2B 2017). Sin embargo, hay hallazgos mixtos con respecto a la efectividad de las señales
informan que el marketing en redes sociales aumentó las ventas (Brooks, 2022). informativas versus emocionales para las redes sociales.
compromiso (Mora Cortez, Gilliland y Johnston, 2020). Algunos estudios informan que
La literatura sobre redes sociales B2B existente ha explorado diferentes las señales informativas se usan con más frecuencia y conducen a una
* Autor correspondiente.
Direcciones de correo electrónico: will.gu@outlook.com.au (W. Gu), kawing.chan2@student.unsw.edu.au (KW Chan), junbum.kwon@unsw.edu.au (J. Kwon), c.dhaoui@unsw. edu.au (C.
Dhaoui), f.septianto@uq.edu.au (F. Septianto).
https://doi.org/10.1016/j.indmarman.2023.04.012 Recibido el
15 de enero de 2022; Recibido en forma revisada el 23 de abril de 2023; Aceptado el 25 de abril de 2023
Disponible en línea el 19 de mayo
de 2023 00198501/© 2023 Los autores. Publicado por Elsevier Inc. Este es un artículo de acceso abierto bajo la licencia CC BY (http://creativecommons.org/licenses/by/4.0/).
W. Gu et al. Gestión de marketing industrial 112 (2023) 98–112
alto compromiso (Jensen & Jepsen, 2007; Lohtia et al., 2003), mientras que otros argumentan 2. Revisión de la literatura
que las señales emocionales tienen más ventajas (Gilliland & Johnston, 1997; Swani et al., 2017).
2.1. Investigación de redes sociales B2B
Además, ha habido un cambio en el contenido de las redes sociales de una experiencia
centrada en el texto a una experiencia orientada a la imagen (Nanne et al., 2020). Si bien la investigación que examina el marketing en redes sociales B2C está más
Específicamente, estudios recientes muestran que el contenido visual impulsa significativamente establecida (p. ej., De Oliveira Santini et al., 2020), existe una literatura pequeña pero creciente
el compromiso de las redes sociales B2C (Dhaoui & Webster, 2021; Rietveld et al., 2020). que explora el marketing en redes sociales B2B (Dwivedi et al., 2021). La mayoría de los
Sin embargo, dadas las diferencias entre los contextos B2C y B2B (Iankova, Davies, Archer estudios en esta área han explorado diferentes antecedentes e impactos del uso de las redes
Brown, Marder y Yau, 2019; Swani et al., 2017), sigue sin estar claro hasta qué punto el sociales entre las empresas B2B. Por ejemplo, Bur atti, Parola y Satta (2018) estudian la
contenido visual podría influir aún más en la participación de las redes sociales B2B. . Por lo adopción de redes sociales entre empresas B2B en diferentes países y encuentran que las
tanto, sería de interés explorar cómo las señales informativas y emocionales afectan el empresas asiáticas muestran actitudes menos favorables hacia unirse a las redes sociales.
compromiso de las redes sociales B2B, especialmente si dichas señales son más influyentes Además, Michaelidou, Siamagka y Christodoulides (2011) muestran que la falta de habilidades
cuando se presentan en contenido visual versus textual. técnicas y familiaridad de los empleados son las principales barreras para la adopción de las
redes sociales. Otros estudios han encontrado que el marketing en redes sociales puede traer
La presente investigación tiene como objetivo aprovechar las herramientas de análisis de beneficios a las empresas B2B, incluida la mejora de la satisfacción del cliente y las intenciones
contenido computarizado para investigar cómo las señales informativas y emocionales de compra (Ancillai et al., 2019; Hsiao et al., 2020), construyendo relaciones con los clientes
multidimensionales en el contenido visual y textual de las redes sociales influyen en las redes sociales Bactuales
2B. (Bhattacharjya & Ellison, 2015 ; Gruner & Power, 2018), e incluso conseguir nuevos
participación de los medios. Esto es significativo porque uno de los mayores desafíos al analizar clientes (Meire, Ballings, & Van den Poel, 2017).
datos en línea es convertir la abrumadora cantidad de datos visuales y textuales no estructurados
en medidas cuantificables, y luego categorizar el gran conjunto de datos resultante de manera
eficiente y automática (Nanne et al., 2020 ; Netzer, Feldman, Goldenberg y Fresko, 2012). Particularmente relevante para nuestra investigación, existe una corriente de investigación
Empleamos Google Cloud Vision, una herramienta de análisis visual basada en aprendizaje que investiga cómo desarrollar estrategias efectivas de redes sociales B2B. Por ejemplo, Swani
profundo, para extraer contenido visual, como objetos visuales y texto incrustado. Luego, et al. (2014) analizan los datos de Twitter de las empresas B2B y B2C y encuentran que las
construimos diccionarios personalizados para tipos específicos de señales informativas y empresas B2B utilizan con mayor frecuencia las marcas corporativas, mientras que las empresas
emocionales. En este sentido, examinamos el efecto de las señales informativas específicas de B2C utilizan con mayor frecuencia las marcas de productos. De manera similar, Swani et al.
B2B para los productos de nuestras empresas B2B focales, los productos de sus proveedores (2017) demuestran que el contenido de Facebook de empresas B2B con marcas corporativas
(es decir, materias primas) y los productos de sus clientes. También utilizamos Linguistic Inquiry recibe más Me gusta. En particular, algunos estudios también han identificado el papel de las
and Word Count (LIWC; Pennebaker, Booth, Boyd y Francis, 2015) para el análisis de opiniones señales informativas y emocionales (Lohtia et al., 2003; Swani et al., 2014; Swani et al., 2017).
automatizado. En la presente investigación, nuestro objetivo es ampliar la investigación previa y examinar
cómo las señales informativas y emocionales impulsan el compromiso de las redes sociales B2B.
Desarrollamos nuestros argumentos teóricos basándonos en el modelo de probabilidad de
elaboración (ELM; Petty & Cacioppo, 1986). Según ELM, la toma de decisiones de los individuos
puede verse influenciada a través de dos rutas mentales: la ruta "central" involucra el 2.2. La eficacia de las señales informativas y emocionales
pensamiento lógico y deliberado, mientras que la ruta "periférica" involucra heurísticas como las
emociones. Las ofertas asociadas al mercado B2B tienden a ser más técnicas y complejas Las señales informativas resaltan información objetiva sobre los beneficios y atributos de
(Swani et al., 2014); por lo tanto, esperamos que los espectadores evalúen el contenido de las marcas y productos (Yoo & Macinnis, 2005). Como tales, las señales informativas tienen como
redes sociales B2B a través de la ruta central de persuasión. Al analizar 5362 imágenes de objetivo cambiar las creencias de los consumidores en función de los argumentos transmitidos
redes sociales publicadas por 10 compañías B2B de Fortune 500 que abarcan cinco industrias, en el contenido del mensaje (Chandy, Tellis, Macinnis y Thaivanich, 2001). Estudios previos
descubrimos que las señales informativas son más efectivas para la interacción B2B en las sugieren que las señales informativas pueden ayudar a reducir parte de la incertidumbre
redes sociales que las señales emocionales, y más aún cuando dichas señales están presentes asociada con la compra (Stafford & Day, 1995) al proporcionar información relevante sobre el
en el contenido visual en comparación con el contenido textual. . Más específicamente, producto, incluido su uso y beneficios, lo que conduce a evaluaciones de marca más favorables
exploramos cómo las señales informativas específicas (es decir, los propios productos, marcas, (Yoo & Macinnis, 2005). ). Sin embargo, las señales informativas también pueden indicar un
producción, promoción y calidad de la empresa B2B focal; los productos y marcas de sus intento abierto de persuasión, lo que genera sospechas sobre motivos de venta ulteriores
clientes; los productos de sus proveedores) afectan la participación del espectador, según lo (Verlegh, Verkerk, Tuk y Smidts, 2004).
capturado por el número de me gusta y comentarios (Rietveld et al., 2020).
Las señales emocionales a menudo están diseñadas para provocar emociones positivas o
transmitir los beneficios hedónicos que los consumidores experimentarán al poseer o usar el
Al hacerlo, la investigación actual ofrece dos contribuciones teóricas a la literatura de redes producto (Guitart & Stremersch, 2021). Estas señales atraen la atención del consumidor (Dobele,
sociales B2B, así como una contribución metodológica e implicaciones para la práctica Lindgreen, Beverland, Vanhamme y van Wijk, 2007) y hacen que los consumidores se sientan
gerencial. Primero, ofrecemos una comprensión más matizada de la medida en que las señales positivos acerca de una marca o un producto (Goldberg y Gorn, 1987). Incluso los artículos de
informativas específicas (vs. emocionales) serán más efectivas en el contenido multimodal noticias con contenido emocional positivo tienen más probabilidades de ser compartidos (Berger,
(visual + texto). En segundo lugar, mostramos que las señales emocionales positivas tienen un 2011; Berger & Milkman, 2012). Otra investigación también demuestra que el contenido visual
efecto negativo en la participación del espectador, lo que desafía los hallazgos en el contexto que presenta señales emocionales positivas aumenta la participación del espectador (Riet veld
B2C de que las señales emocionales positivas generalmente conducen a influencias favorables et al., 2020; Tellis et al., 2019). Sin embargo, dado que las empresas diseñan intencionalmente
en la participación del espectador (Pham & Septianto, 2019; Rietveld et al., 2020 ) . ; Tellis, sus campañas de marketing con señales emocionales positivas (Dens & De Pelsmacker, 2010),
MacInnis, Tirunillai y Zhang, 2019). En términos de metodología, esta investigación aplica un los consumidores podrían considerar que dichas campañas no son genuinas y cuestionar su
análisis computarizado completamente automático para señales emocionales tanto positivas autenticidad (Colicev, Malshe, Pauwels y O'Connor, 2018; Fransen, Verlegh, Kirmani y Smit,
como negativas del contenido visual y textual dentro de las imágenes, al tiempo que propone 2015).
una forma semiautomática de construir diccionarios personalizados para señales informativas
tanto de imágenes como de texto. Esto será útil para el análisis de texto e imágenes a gran Sin embargo, aún es discutible si las señales informativas o emocionales son más efectivas
escala en futuras investigaciones. Finalmente, desde el punto de vista gerencial, los hallazgos para aumentar la participación en las redes sociales (Mora Cortez et al., 2020). Algunos
de esta investigación podrían beneficiar a las empresas B2B y a los especialistas en marketing académicos informan que las señales informativas brindan más información relacionada con el
que buscan desarrollar contenido efectivo para las redes sociales. producto y evocan una mayor credibilidad e intenciones de compra (Golden & Johnson, 1983;
Yoo & Macinnis, 2005).
Un estudio inicial de Stafford y Day (1995) también muestra que la información
99
las señales reducen la incertidumbre y mejoran las percepciones de los servicios minoristas. qué esfuerzo cognitivo se emplea a la hora de procesar un mensaje (Kitchen et al., 2014).
Por el contrario, otros académicos argumentan que las señales emocionales producen
actitudes más positivas (Goldberg & Gorn, 1987; Mattila, 1999; Taylor, Lewin y Strutton, 2011) Dependiendo de la capacidad, la motivación y los contextos situacionales de los
y recuerdan mejor que las señales informativas (Lwin & Phau, 2013; Riemer & Noel, 2021). ). individuos, su probabilidad de elaboración será alta o baja, lo que afectará la ruta a través de
Además, el trabajo anterior se ha centrado principalmente en el contenido textual (Deng et al., la cual se produce el procesamiento (Petty & Cacioppo, 1986). Por ejemplo, es más probable
2021; Lee, Hosanagar y Nair, 2018; Leek, Houghton y Canning, 2019; Tian, Tao, Hong y Tsai, que las personas con una necesidad de cognición procesen la información a través de la ruta
2021), con algunos piden más investigación sobre contenido visual (Babi´c Rosario, Sotgiu, central (Kulkarni, Kalro y Sharma, 2020; Petty y Cacioppo, 1986). Cuando el procesamiento
De Valck, & Bijmolt, 2016; King, Racherla, & Bush, 2014). Recientemente, en el contexto B2C, ocurre a través de la ruta central, las actitudes y evaluaciones formadas estarán influenciadas
el contenido visual emocional ha mostrado un efecto positivo en la participación del espectador, por la calidad del argumento y la consideración extensiva del mensaje. Por el contrario, las
mientras que los resultados del contenido visual informativo son mixtos (Rietveld et al., 2020; personas que utilizan la ruta periférica estarán más influenciadas por las heurísticas, como la
Tellis et al., 2019). Aún no se han hecho comparaciones entre el contenido visual informativo emoción y la credibilidad de la fuente (Kitchen et al., 2014; Kulkarni et al., 2020; Petty &
y emocional en el contexto B2B. Consulte la Tabla 1 para obtener un resumen de la literatura Cacioppo, 1986).
de las redes sociales sobre información o emociones.
3. Desarrollo de hipótesis
señales
En la investigación actual, desarrollamos nuestros argumentos distinguiendo factores
2.3. Modelo de elaboración de probabilidad entre el entorno B2B y B2C (Iankova et al., 2019; Swani et al., 2014; Swani et al., 2017) para
desarrollar nuestros argumentos. Específicamente, el contenido de las redes sociales B2B
La presente investigación se basa en ELM (Petty & Cacioppo, 1986) para investigar la generalmente proporciona más señales de formación de productos (Iankova et al., 2019) ya
que dicho contenido tiene como objetivo difundir información (Swani et al., 2014). Como
efectividad de las señales informativas y emocionales en el contenido de las redes sociales
resultado, el contenido de las redes sociales B2B a menudo proporciona mensajes informativos
B2B. El ELM ofrece un marco organizativo para la persuasión que se puede aplicar a varias
fuentes y destinatarios en diferentes contextos (Kitchen, Kerr, Schultz, McColl y Pals, 2014; que contienen nombres de marcas corporativas (Swani, Milne, Brown y B., 2013) y contenido
textual asociado con mensajes funcionales (Deng et al., 2021) en lugar de mensajes
Petty y Cacioppo, 1986). Más recientemente, Shahab, Ghazali y Mohtar (2021) argumentan
que el ELM todavía tiene un papel importante en el contexto de las nuevas tecnologías. El emocionales ( Lothia, Donthu y Hershberger, 2003).
argumento básico de ELM es que hay dos rutas para la persuasión: la central y la periférica
(Petty & Cacioppo, 1986). Además, las ofertas B2B son generalmente más técnicas y complejas (Swani et al., 2014;
Swani et al., 2017). Dadas tales características asociadas con B2B, los espectadores deberían
Estas rutas representan dos extremos de un continuo, lo que refleja la extensión a estar más motivados para procesar
Tabla 1
Investigación Representativa sobre Redes Sociales FGC.
Autores Recomendaciones Contexto Tipos de cue en el contenido de FGC
B2C B2B Texto Textual Visual Visual

Informativo Emocional Informativo Emocional
(Berger & Milkman, 2012) El contenido positivo es más viral que el contenido de noticias negativas.
(De Vries, Gensler y Las características de la publicación de la marca de vivacidad e interactividad
Leeflang, 2012) mejoran la cantidad de Me gusta en Facebook.
Las marcas y los sentimientos emocionales son efectivos para B2B
(Swani et al., 2013)
publicaciones de facebook
(Araujo et al., 2015) Las señales informativas son efectivas para volver a twittear.
La informatividad y la creatividad publicitaria impulsan la actitud
(Lee y Hong, 2016)
hacia la expresión de empatía.
(Puerro, Enlatado, &
El enlace incrustado es eficaz para impulsar el número de Me gusta de Twitter.
Houghton, 2016)
(Kumar, Bezawada,
La emoción de los empleados puede influir en el compromiso del cliente
Rishika, Janakiraman y
en Facebook.
Kanan, 2016)
(Rooderkerk y Pauwels, La legibilidad y la controversia del contenido impulsan el número de

2016) comentarios de LinkedIn.
Las marcas, las señales informativas y emocionales son más
(Swani et al., 2017)
efectivas para B2B que para el contenido de Facebook B2C.
(Liu, Li, Ji, Norte y Yang, La viveza y los atractivos emocionales son efectivos para eWOM

2017) en Facebook.
Los impulsos de contenido emocional y humorístico se asocian
(Lee et al., 2018)
positivamente con una mayor participación en Facebook.
La emoción positiva está significativamente relacionada con un aumento en el
(Puerro et al., 2019)
número de Me gusta en Facebook.
El contenido centrado en la información tiene un efecto significativamente
negativo en el uso compartido de YouTube, excepto en contextos de riesgo.
(Tellis et al., 2019)
Las emociones positivas de diversión, emoción, inspiración y calidez afectan
positivamente el compartir. Los
atractivos visuales, emocionales e informativos influyen en el contenido de
(Rietveld et al., 2020)
los Me gusta y los comentarios de
Instagram. El contenido informativo tiene un impacto significativo en los
(Cheng, Liu, Qi y Wan,
Me gusta y los comentarios. El contenido emocional tiene un impacto
2021)
significativo en los comentarios y compartidos en Sina Weibo.
La longitud de la publicación, las señales emocionales y las señales
(Deng et al., 2021) multimodales tienen efectos positivos, mientras que el lenguaje y la complejidad
visual tienen un impacto negativo en los Me gusta y los comentarios de Twitter.
Investigación actual
100
información (Lothia et al., 2003) y así utilizar la ruta central de persuasión, lo cual es consistente con como 3M (señal de marca), cintas y adhesivos (señales de producto) en la leyenda de texto.
ELM (Petty & Cacioppo, 1986).
Debido a que los espectadores del contenido de las redes sociales B2B procesan la información a En particular, el contenido visual permite que las publicaciones en las redes sociales se destaquen
través de la ruta central, deberían estar más persuadidos por las señales de información, en del desorden, mientras que la mayoría del contenido es textual (Nanne et al., 2020). De hecho, la
comparación con las señales emocionales, y responder más favorablemente a tales señales. investigación ha establecido que las personas procesan la información visual más rápidamente que la
Como tal, a pesar de que el contenido B2B puede emplear señales tanto informativas como información textual (De Houwer, Thomas y Baeyens, 2001). Como resultado, investigaciones recientes
emocionales (Swani et al., 2014; Swani et al., 2017), las señales informativas son más efectivas que sugieren que el contenido visual juega un papel más importante que el contenido textual (Nanne et
las señales emocionales para la interacción B2B en las redes sociales. Dicho formalmente: al., 2020; Rietveld et al., 2020). De acuerdo con estos hallazgos, esperamos que el efecto de las
señales informativas y las señales emocionales sea más fuerte cuando dichas señales se presentan
en contenido visual en lugar de contenido textual. Dicho formalmente:
H1. Las señales informativas conducirán a un mayor efecto positivo que las señales emocionales en
el compromiso de las redes sociales B2B.
H2. El efecto de las señales informativas y las señales emocionales en el compromiso de las redes
Se ha producido un cambio reciente en el contenido de las redes sociales de centrado en el texto
sociales B2B será más fuerte cuando dichas señales se presenten en contenido visual que en
a la experiencia orientada a la imagen (Nanne et al., 2020). Este cambio es paralelo a las tendencias
contenido textual.
de la industria y la creciente popularidad de las aplicaciones centradas en imágenes, como Instagram
y Pinterest, que se han convertido, respectivamente, en la segunda y cuarta redes sociales más Dadas nuestras predicciones relacionadas con la influencia de las señales informativas, además
grandes de los EE. UU. (eMarketer, 2018) . Además, aunque la mayoría de las investigaciones sobre del análisis a nivel agregado, buscamos explorar la efectividad de los tipos de señales informativas
redes sociales exploran el contenido textual (Berger et al., 2020), incluso en la literatura B2B (Swani tanto en el contenido visual como en el textual. Investigaciones previas en la literatura de análisis de
et al., 2014; Swani et al., 2017), hay un cuerpo emergente de literatura que demuestra el papel de la contenido dividen las señales informativas en diferentes tipos según la información relacionada con
imagen para influir en la participación en las redes sociales (p. ej., Nanne et al., 2020; Rietveld et al., la marca, el producto y el precio (Lee et al., 2018; Resnik & Stern, 1977). Con base en esta tipología,
2020). La figura 1(a) muestra señales informativas como quitanieves (señal del producto) y deere los investigadores han medido la frecuencia de uso de tipos específicos de señales informativas (p.
(señal de la marca) en la imagen y john Deere (señal de la marca) en la leyenda del texto. La Fig. ej., Kwon & Sung, 2011). Sin embargo, se sabe poco sobre cómo los tipos específicos de señales
1(b) muestra la señal emocional (cara feliz) en la imagen y las señales informativas como informativas afectan el compromiso (Lee et al., 2018; Rietveld et al., 2020).
Fig. 1. Señales informativas y emocionales. (a):
Indicación informativa en la imagen: quitanieves (indicación del producto), deere (indicación de la marca)
Señal informativa en la leyenda de texto: johndeere (señal de marca) b):
Señal emocional en la imagen: cara feliz (señal emocional positiva)
Señal informativa en leyenda de texto: 3 m (señal de marca), cintas, adhesivos (señales de producto)
101
La presente investigación utiliza ocho tipos de señales informativas específicas de B2B: su último informe 10K. Por último, siguiendo a Kwon, Chan, Gu y Sep tianto (2022),
producto, producto del proveedor (materia prima), producto del cliente, producción, marca, elegimos empresas con cuentas de Instagram “activas”, que tienen >100 publicaciones y >
marca del cliente, promoción y calidad. Dado que la información relacionada con el producto 5 comentarios por publicación en promedio.
y las menciones de marca son las señales de información más estudiadas en el contexto
B2B (Kwon & Sung, 2011; Swani et al., 2013; Swani et al., 2014), seis tipos de señales 4.2. datos de redes sociales
informativas (es decir, producto, producto del proveedor, producto del cliente, marca, marca
del cliente, promoción) se adoptan de la literatura B2C sobre señales informativas textuales
Analizamos 5362 publicaciones de una sola imagen de 10 260 publicadas desde mayo
(Lee et al., 2018) y luego se modifican para que coincidan con el contexto B2B.
de 2011 hasta septiembre de 2021 en las cuentas de Instagram de 10 empresas B2B. Los
datos se extrajeron utilizando una API de web scraping de terceros: Phantombuster
Debido a que la información técnica sobre los productos y sus procesos de producción
(disponible en https://phantombuster.com). Como uno de los sitios de redes sociales
también es importante en el contenido B2B (Mudambi, Doyle y Wong, 1997), incluimos la
centrados en lo visual más grandes en el que muchas empresas son muy activas, los datos
producción como una pista informativa adicional.
de Instagram se han analizado en investigaciones anteriores (Li & Xie, 2020; Rietveld et al.,
Sin embargo, aunque exploramos diferentes tipos de señales informativas, no establecemos
2020). Instagram es preferible a Facebook para analizar el contenido visual en las
hipótesis direccionales para cada tipo.
publicaciones de las redes sociales porque el contenido visual es obligatorio en una
publicación de Instagram pero no obligatorio en Facebook. También notamos que Instagram
4. Herramientas de análisis de datos y contenido
tiene otros formatos visuales dinámicos, a saber, videos o carruseles que presentan varias
imágenes dentro de una publicación. Sin embargo, tales formatos visuales dinámicos que
4.1. Identificación de empresas B2B
cuentan historias visuales sobre múltiples imágenes estaban más allá del alcance de esta
investigación. Por lo tanto, analizamos las publicaciones con una sola imagen.
Identificamos 10 empresas B2B en cinco grupos industriales principales que cubren
varios sectores industriales, como equipos eléctricos, petróleo y maquinaria agrícola
A continuación, definimos cómo medimos el compromiso en las redes sociales. Dado
(consulte la Tabla 2). Las empresas de la muestra se eligieron de Fortune 500 utilizando el
que nuestro contexto de investigación fue Instagram, seguimos una investigación previa
siguiente procedimiento. Primero, las empresas que no cotizan en los EE. UU. fueron
(Rietveld et al., 2020) examinando la cantidad de Me gusta y comentarios.
excluidas de nuestra investigación porque es necesario hacer coincidir las empresas con el
Si bien tanto los Me gusta como los comentarios pueden considerarse respuestas directas
informe 10K para nuestro procedimiento posterior. En segundo lugar, combinando los
a una publicación, argumentamos que estas medidas son distintas en al menos dos formas
enfoques descritos por investigaciones anteriores (Iankova et al., 2019; Liu, Foscht,
significativas. Primero, comentar requiere niveles más altos de esfuerzo cognitivo y
Eisingerich y Tsai, 2018), clasificamos el modelo comercial de una empresa como B2B o no
conductual que gustar. Por lo tanto, escribir comentarios puede considerarse más
B2B (es decir, B2C, B2B2C) en función de la información descriptiva presentada en su
"compromiso profundo" que hacer clic en el botón "Me gusta" (Yoon et al., 2018).
último informe 10K. Estos informes brindan información sobre el entorno competitivo, los
En segundo lugar, mientras que el “me gusta” es más privado ya que afirma directamente la
factores de riesgo, los segmentos operativos y el desempeño financiero de una empresa.
publicación, comentar es más visible socialmente (Buechel & Berger, 2018; Nanne et al.,
En los casos en que un modelo de negocio incorporaba aspectos tanto B2B como no B2B, 2020) y puede considerarse una forma de boca a boca (Kwon et al. , 2022). En la Tabla 3,
la empresa se clasificaba según si los segmentos operativos orientados a B2B o no la correlación entre los recuentos de Me gusta y comentarios varía de 0,48 a 0,83 en
orientados a B2B aportaban más de dos tercios de sus ingresos totales (Liu et al., 2018) . ).
diferentes empresas, lo que sugiere que ambos compromisos no siempre tienen correlaciones
Si ninguna de las dos opciones superaba el umbral de los dos tercios, la empresa se
altas. Siguiendo el enfoque de modelado separado utilizado en investigaciones anteriores
clasificaba como mixta. Las empresas clasificadas como no B2B o mixtas fueron luego
(Li & Xie, 2020; Swani et al., 2017), tratamos los me gusta y los comentarios como medidas
excluidas de nuestra investigación. En tercer lugar, dado que el contenido relacionado con
de participación en las redes sociales correlacionadas pero distintas y las modelamos por
el producto se ha identificado como un tipo clave de señal informativa, siguiendo la
separado. Debido a que compartir no está disponible en Instagram, la participación de los
descripción de McCarthy y Winer (2019), elegimos empresas orientadas al producto, cuyos
espectadores con cada publicación se midió utilizando la cantidad de Me gusta y comentarios
productos físicos contribuyeron con más de dos tercios de sus ingresos totales en
(Li y Xie, 2020; Simester, Timoshenko y Zoumpoulis, 2020).
4.3. Herramientas de análisis de contenido
Tabla 2
Empresas B2B. Con la ayuda de herramientas de análisis automático, el contenido visual y textual de
las redes sociales se puede procesar de manera efectiva. Para el texto, el LIWC puede
Sin compañía Grupo industrial principal *SIC
extraer más de 80 características lingüísticas vinculadas a procesos psicológicos y se ha
Código
utilizado en más de 100 estudios empíricos (Pennebaker et al., 2015).
1 exxonmobil Refinación de petróleo e industrias relacionadas 2911
Esta herramienta de análisis de texto automatizado ha sido utilizada y validada en
2 Cheurón Refinación de petróleo e industrias relacionadas 2911
General
investigaciones de mercado (Ludwig et al., 2013). Por ejemplo, Winkler, Rieger y Engelen
Equipos electrónicos y otros equipos eléctricos y
3 3600
Eléctrico Componentes, Excepto Equipos de Cómputo (2020) aplican LIWC para extraer información sobre las personalidades de los directores
4 Boeing Equipo de transporte 3721 de marketing (CMO) en función de sus cuentas de Twitter.
Lockheed
5 Equipo de transporte 3760 El análisis computarizado también se puede aplicar al contenido visual. Dado
Martín
Maquinaria industrial y comercial y
6 Oruga 3531
Equipo de computadora Tabla 3
Maquinaria industrial y comercial y La correlación entre Me gusta y Comentarios.
7 John Deere 3523
Equipo de computadora
Compañía Número de publicaciones Correlación entre me gusta y comentarios
Medir, analizar y controlar
Northrop
8 instrumentos; Fotografía, Medicina y 3812 exxonmobil 177 0,63
grumman
productos ópticos; Relojes y Relojes Cheurón 255 0,68
Medir, analizar y controlar Energia General 912 0.53
9 3M instrumentos; Fotografía, Medicina y 3841 395 0.83
Boeing
productos ópticos; Relojes y Relojes Lockheed Martin 357 0.82
Medir, analizar y controlar Oruga 746 0,68
10 Raytheon instrumentos; Fotografía, Medicina y 3812 John Deere 583 0,48
productos ópticos; Relojes y Relojes Northrop Grumman 1302 0,83
*SIC se refiere a la Clasificación Industrial Uniforme. 3M 567 0.74

Raytheon 68 0,55
*Un grupo industrial importante comprende varios códigos SIC.
102
la ubicuidad de las imágenes en las redes sociales, estudios recientes han analizado activamente enfoque descrito por Araujo et al. (2015), construimos diccionarios para cada clave informativa.
la eficacia del contenido de las imágenes (Marder, Erz, Angell y Plangger, 2021; Yazdani y
Manovich, 2015). Se está utilizando un número creciente de API de aprendizaje automático Para construir un diccionario para una clave informativa, necesitamos decidir (1) qué parte
preentrenadas (interfaces de programación de aplicaciones) para automatizar el proceso de de la muestra usar y (2) el nivel de especificidad (p. ej., específico de la empresa o de la industria,
extracción de contenido de imágenes en marketing (Nanne et al., 2020). Según lo recomendado o generalizado en todas las industrias). Para construir los diccionarios, dado que la cantidad de
por Wedel y Kannan (2016), Google Vision es más preciso para la detección de objetos en datos (5362 publicaciones en 10 cuentas de Instagram) en nuestro estudio tenía un tamaño
comparación con YOLOV2 y Clarifai (Nanne et al., 2020) y su precisión se ha aplicado y validado manejable, usamos todas las 5362 publicaciones en lugar de una muestra.
en investigaciones de marketing anteriores (Klostermann, Plu meyer, Boger , & Decker, 2018; Li
& Xie, 2020; Nanne et al., 2020). Por ejemplo, Simester et al. (2020) combinan Google Vision A continuación, después de examinar algunas publicaciones en cada una de las 10 cuentas
¨
con la codificación
manual para caracterizar rostros humanos y medir el ajuste de imagen y texto de la empresa, decidimos hacer un diccionario común para la clave de calidad, un diccionario
en el contenido de imágenes de las redes sociales en su estudio del efecto del contenido de la específico de la industria para la clave de producción y diccionarios específicos de la empresa
imagen en la participación en las redes sociales. para el producto, el producto del proveedor, la producción del cliente. cct, marca, marca del
cliente y señales de promoción, respectivamente. Las señales de información como mejor, más
rápido y seguro se usan comúnmente en diferentes industrias. También hay señales informativas
A menudo, varias características de contenido se pueden clasificar en la misma señal de específicas de la industria, ya que las empresas en diferentes industrias tienden a tener diferentes
contenido. En este caso, las palabras o los objetos visuales extraídos automáticamente se pueden medios de producción.
usar para crear diccionarios personalizados para tipos específicos de señales informativas y Por ejemplo, si bien las imágenes de la perforación en alta mar pertenecen a la información de
emocionales. Por ejemplo, Araujo, Neijens y Vlie genthart (2015) aplican un procedimiento de "producción" en las industrias del sector petrolero como Exxon Mobil y Chevron, no se ajustan a
análisis textual semiautomático para construir un diccionario personalizado de señales de ningún tipo de señal informativa para la mayoría de las otras industrias.
productos mediante la determinación de las combinaciones de palabras más frecuentes que Además, cada empresa tendrá productos diferentes, marcas (o logotipos) diferentes y una
comienzan con el nombre de la marca de la empresa focal (p. ej., “Nissan Leaf ”). promoción diferente. Por ejemplo, mientras que las imágenes de grúas no pertenecen a ningún
tipo de señal informativa para 3M, sí pertenecen al tipo de "producto" para John Deere.
4.4. Análisis computarizado completamente automático para señales emocionales Ahora, describimos los pasos para hacer un diccionario. Se creó un diccionario de objetos
visuales para cada empresa utilizando los siguientes procedimientos. Primero, utilizamos los
Nuestro objetivo fue utilizar el análisis de contenido computarizado para investigar los efectos servicios de "detección de objetos", "detección de etiquetas", "detección de entidades web",
de las señales informativas y emocionales transmitidas en el contenido de las publicaciones de "detección de logotipos" y "detección de rostros" de Google Vision para obtener una lista agregada
Instagram, que incluyen contenido visual y textual dentro de las imágenes y contenido textual en de objetos visuales para cada publicación, aprovechando sus capacidades como un herramienta
los subtítulos, en los comportamientos de participación de los espectadores en las redes sociales. de análisis visual automatizada para detectar y extraer una variedad de objetos visuales, incluidos
Esto requiere convertir grandes conjuntos de datos no estructurados en medidas cuantificables y productos, logotipos de marcas y rostros humanos. En segundo lugar, identificamos objetos
categorizarlos de forma automática y eficiente. visuales únicos y los ordenamos por frecuencia. Había 5242 objetos visuales únicos en las 5362
publicaciones de las 10 empresas. Excluimos los objetos visuales que se muestran en una sola
Las señales emocionales visuales (textuales) en una publicación corresponden a señales publicación en la cuenta de cada empresa porque los objetos visuales que aparecen con poca
visuales (textuales) que pueden provocar emociones en la audiencia (Kim, Kim y Kim, 2019). frecuencia pueden ser menos relevantes para la empresa focal. Después de esto, quedaron 3247
Para las señales emocionales visuales, identificamos tres tipos de tales señales: cara positiva y objetos visuales. Consulte la Tabla 3 para conocer el número de objetos visuales detectados y
texto positivo y negativo dentro de la imagen, de la literatura (Dhaoui & Webster, 2021; Kim et al., filtrados por empresa. Tenga en cuenta que todas las tareas se han realizado automáticamente
2019; Li & Xie, 2020) . También agregamos una cara negativa para comparar. El rostro positivo hasta este punto.
(p. ej., feliz) y el rostro negativo (p. ej., triste) se detectan automáticamente mediante el servicio
de detección de emociones faciales de Google Vision porque dichas señales emocionales no son En tercer lugar, los dos codificadores asignaron estos 3247 objetos visuales a los ocho tipos
específicas de ciertas empresas o industrias y no requieren personalización. Para el texto dentro de claves informativas. Cada objeto visual podría pertenecer a ningún tipo oa más de un tipo. Los
de la imagen, primero extrajimos el texto dentro de la imagen usando el servicio OCR codificadores debían leer el último informe 10K de la empresa y demostrar un conocimiento
(reconocimiento óptico de caracteres) de Google Vision y luego identificamos el texto positivo y adecuado de la empresa para poder realizar la codificación. Seguimos el enfoque que usaron
negativo usando LIWC. Resnik y Stern (1977) para evaluar cada objeto visual.
Para las señales emocionales textuales en una leyenda de texto separada, identificamos texto Se preguntó a los codificadores: "¿Este objeto visual se relaciona con alguno de los siguientes
positivo y negativo usando LIWC. De esta manera, se identificaron automáticamente todas las tipos de señales para [nombre de la empresa]?" Se lograron niveles sustanciales de concordancia
señales emocionales a través de contenidos visuales y textuales. entre los codificadores (0,80 < α < 0,97)
Dado que uno de nuestros objetivos era comparar la eficacia de las señales visuales y textuales,
al igual que con las señales informativas, convertimos las variables de las señales emocionales
en binarias. Tabla 4
Los objetos visuales detectados y filtrados.
4.5. Diccionarios personalizados semiautomáticos para pistas informativas Compañía Todos los objetos Objetos visuales Objetos visuales asignados
visuales detectados detectados en al menos a la señal informativa
Las señales informativas visuales (textuales) en una publicación corresponden a señales dos publicaciones
visuales (textuales) que transmiten información significativa relacionada con la empresa a la exxonmobil 391 210 50

audiencia. Como se describió anteriormente, identificamos ocho tipos de dichas señales: producto, Cheurón 426 253 56
General 671 464 30
producto del proveedor (materia prima), producto del cliente, producción, marca, marca del
Eléctrico
cliente, promoción y calidad. A cada tipo se le asignó una medida binaria correspondiente que 381 225 96
Boeing
indica si el contenido visual (textual) de una publicación contiene esa señal. Lockheed 460 254 51
Martín
Oruga 634 398 35
Como también se discutió, las señales emocionales en el contenido visual y textual se
John Deere 461 281 47
pueden identificar automáticamente usando Google Vision (servicio de "detección de emociones
Northrop 811 570 54
faciales" y "OCR") y LIWC ya que las señales emocionales (por ejemplo, cara feliz, palabras grumman
positivas) son menos contextuales. dependiente. Sin embargo, las señales informativas suelen 3M 759 475 35
ser específicas de la empresa o la industria. En respuesta a este desafío e inspirado por el Raytheon 248 117 37
Total 5242 3247 491
diccionario semiautomático basado en
103
(Krippendorff, 2013). Cualquier desacuerdo se resolvió mediante discusión. Al final, se Tabla 5
identificaron 491 objetos visuales como pistas informativas. Consulte la Tabla 4 para conocer la Ejemplos de entradas de diccionario.
cantidad de objetos visuales detectados y asignados a las señales informativas por parte de las
Categoría Tipo Ejemplo de objeto visual Ejemplo de token de texto
empresas. Después de que los codificadores terminaron de asignar los objetos visuales, creamos
Producto informativo “avión de combate” para “f35” para Lockheed
cinco diccionarios específicos de la industria para las señales de producción (consulte los grupos
Lockheed Martin Martín
de la industria en la Tabla 2) y un diccionario común para las señales de calidad mediante la del proveedor “metal” para Chevron “lutita” para Chevron
agregación de señales de este tipo en todas las empresas. Producto
Clientela “alimentos naturales” para “maíz” para John Deere
Producto John Deere
Tenga en cuenta que el método de codificación en esta investigación difiere de la codificación
Producción “perforación en alta mar” para “fábrica” de
humana típica realizada sin la ayuda de la detección automática de objetos visuales. En la
Refinación de petróleo e Transporte
codificación humana típica, los codificadores verifican las 5362 imágenes para ver si alguna de industrias relacionadas Equipo “gato”
las ocho señales informativas está presente. El número de tareas es de 5362 (imágenes) x 8 Marca "oruga inc." para para Caterpillar
tipos. Tenga en cuenta que cada imagen puede contener varios objetos visuales, lo que facilita Caterpillar
Clientela “marina de los estados “#usnavy” para
el trabajo de los programadores. Además, esta tarea implica mucho trabajo redundante porque
Marca unidos” para Raytheon
los mismos objetos visuales suelen estar presentes en varias publicaciones. En nuestro enfoque, Promoción Raytheon “educación de “#jovencientífico” para
sin embargo, los codificadores necesitan verificar el mismo objeto visual solo una vez porque descubrimiento 3 m 3M
solo se presentan a los codificadores objetos visuales únicos. Por lo tanto, el número de tareas joven científico desafío”
Calidad para 3 M "lo último"
es de 3247 (objetos visuales) x 8 tipos, por lo que requiere mucho menos tiempo de codificación.
Emocional Positivo “acrobacias aéreas” “cara feliz” *N / A
Esta eficiencia resulta de que todos los objetos visuales se extraen y guardan automáticamente. Rostro
Más importante aún, mientras que con la codificación humana, el tiempo de codificación Negativo "cara triste" *N / A
generalmente aumenta con el tamaño de la muestra, esto es diferente con nuestro enfoque de Rostro
Positivo *N / A "Te amo"
diccionario propuesto. Cuando hay muchas imágenes, se pueden usar submuestras para
Texto
construir el diccionario. Luego, el resto de la muestra se puede codificar automáticamente
Negativo *N / A “inseguridad alimentaria”
utilizando el diccionario. Así es como se aplica LIWC a los nuevos datos de texto. Texto
*NA: No aplicable.
A continuación, extrajimos ocho pistas informativas del contenido del texto. Tenga en cuenta
ej., agradecido, agradecido por, agradecido por todo). La Tabla 6 muestra la información y las
que hay dos tipos de texto: dentro de la imagen y en el título. Una vez que se extrajo el texto de
señales emocionales detectadas en la Fig. 2 por nuestro enfoque de diccionario personalizado
la imagen utilizando el servicio Google Vision OCR, los pasos restantes del análisis fueron los
semiautomático propuesto. De acuerdo con la evaluación del codificador humano, se detectaron
siguientes. Primero, eliminamos la puntuación y generamos frases de unigrama (simple), bigrama
dos tipos de señales informativas (producto, marca) y un tipo de señal emocional (cara feliz) en
(dos palabras) y trigrama (tres palabras) del título de cada publicación. Agregamos las
su contenido visual y tres tipos de señales informativas (marca, promoción, calidad) y un tipo de
agrupaciones de bigramas y trigramas porque una frase con sentido probablemente se percibirá
señal señal emocional (texto de sentimiento positivo) en su contenido textual.
como sin sentido cuando se evalúa como palabras separadas. Por ejemplo, mientras que "united
airlines" representa la marca de un cliente para Boeing, "united" y "airlines" por sí solos no son
Consulte la Tabla 7 para obtener estadísticas resumidas. Consulte la Fig. 3 para conocer el
señales informativas significativas. En segundo lugar, identificamos frases únicas de unigrama,
procedimiento de captura de señales informativas y emocionales.
bigrama y trigrama y las ordenamos por frecuencia. Luego, excluimos los tokens de texto si se
muestran en una sola publicación en cada cuenta de empresa. Tenga en cuenta que todas las
4.6. Validación
tareas se llevaron a cabo automáticamente hasta este punto. En tercer lugar, al igual que con el
proceso de evaluación de objetos visuales, cada token de texto (no la descripción completa en
el título) se evaluó preguntando a los dos codificadores: "¿Este token de texto se relaciona con No validamos las variables de sentimiento de texto positivo y negativo de LIWC porque ya
alguno de los siguientes tipos de señales para [nombre de la empresa]? ” para los ocho tipos de han sido validadas en más de 100 estudios empíricos (Pennebaker et al., 2015). Para las
claves informativas. Se logró un acuerdo sustancial entre los codificadores (0,97 < α < 1,00) señales emocionales visuales, validamos los resultados (es decir, rostro positivo o negativo,
(Krippendorff, 2013). Los desacuerdos fueron resueltos mediante una discusión. Las listas de palabras positivas y negativas en la imagen) de Google Vision ( Hartmann, Heitmann, Schamp y
tokens de texto asignados a los tipos de señal de "producción" y "calidad" para cada empresa Netzer, 2021; Lee, 2021) utilizando una muestra aleatoria de 100
fueron reemplazadas por diccionarios específicos de la industria y un diccionario común,
respectivamente. Consulte la Tabla 5 para ver ejemplos de entradas de diccionario. Tenga en
cuenta que, al igual que con el proceso de evaluación de objetos visuales, la codificación en Tabla 6
nuestro enfoque propuesto sería más eficiente que la codificación humana típica porque los Señales detectadas en el ejemplo de publicación de Instagram de Caterpillar (Fig. 2).
humanos pueden evaluar las frases cortas (es decir, unigrama, bigrama y trigrama) generadas Categoría Tipo Visual Textual

automáticamente mucho más rápido que los párrafos largos. Finalmente, en este paso de
Visual Texto Ficha de texto
nuestro método, las señales informativas del texto dentro de la imagen se combinan con las de Simbólico
Objeto
la parte visual de la imagen. Tenga en cuenta que las áreas de título de imagen y texto están
vehículo
separadas en las redes sociales. Suponemos que los espectadores mantienen el modo de
Producto motor
procesamiento de imágenes cuando procesan texto dentro de la imagen. Algunos textos dentro vehículo
de las imágenes parecen imágenes visuales. Por ejemplo, algunas empresas muestran sus del proveedor
Producto
nombres de marca como el logotipo de su marca con un bonito diseño visual.
Clientela
Producto
Informativo
Producción
@wearecaterpillar oruga
Marca gato
Clientela
Una vez configurado cada diccionario, las tareas restantes se realizan automáticamente. Al
Marca
compararlos con estos diccionarios personalizados, los objetos visuales y los tokens de texto
Promoción #letdothework
extraídos del contenido de una publicación ahora se pueden usar para calcular medidas binarias Calidad seguridad eficiencia
que indican si la publicación contiene tipos específicos de señales informativas y emocionales. Cara positiva cara feliz *N / A *N / A
Emocional
Texto positivo *NA disfruté agradecido
El uso de medidas binarias (en lugar de conteos) ayuda a evitar el conteo doble (p.
*NA: No aplicable.
104
fiabilidad de las claves informativas. Consulte la Tabla 8 para ver los resultados completos.
5. modelo
Para examinar si las señales informativas conducen a un mayor efecto positivo en el
compromiso de las redes sociales B2B que las señales emocionales (H1), modelamos la
cantidad de Me gusta y comentarios recibidos por las publicaciones de la empresa B2B como
una función de las señales informativas y las señales emocionales, donde los dos binarios las
medidas se calculan a nivel agregado combinando todos los tipos de señales informativas y
luego todos los tipos de señales emocionales. La función incluye varias variables de control,
incluida la longitud del texto, los efectos fijos de la empresa y los efectos fijos del tiempo de
publicación. Controlamos los efectos fijos firmes porque puede haber diferentes cantidades de
participación en sus cuentas de Instagram. También controlamos los efectos fijos del tiempo de
publicación. Esto se debe a que el tiempo de publicación puede influir en la cantidad de Me
gusta y comentarios: las publicaciones anteriores tienen una exposición más prolongada que
las publicaciones posteriores.
Además, puede haber días u horas del día más populares para el uso de las redes sociales.
Para abordar esto, incluimos un amplio conjunto de variables ficticias de tiempo para el año, el
mes del año, el día de la semana y la hora del día. Siguiendo a Kanuri, Chen y Sridhar (2018),
incluimos dummies para la hora del día como noche (12–5:59 a. m.), mañana (6–11:59 a. m.),
tarde (12–5:59 p. m.) y tarde (6–11:59 p. m.).
Recuento de me gusta o comentarios = β0 + β1I + β2E + β3TLV + β4TLT + μi + τt
(Modelo 1)
Dónde:
• β1, β2 son los coeficientes centrales para la presencia de señales informativas y emocionales,
respectivamente;
• I es 1 si hay presente una clave informativa, 0 en caso contrario; • E es
1 si hay presente una señal emocional, 0 en caso contrario; • β3, β4
son los coeficientes para la longitud del texto de (1) texto incrustado dentro de la imagen y (2)
leyenda de texto (TLV y TLC), respectivamente;
• β0 es un intercepto; • μi:
dummies para las empresas analizadas; • τt:
dummies por año, mes del año, día de la semana, hora del día de
Fig. 2. Una publicación de Instagram de Caterpillar. tiempo de publicación.
publicaciones
Con respecto a H2, para examinar qué tipo de características de contenido (visual versus
Para las señales informativas, validamos los diccionarios de señales informativas utilizando textual) para las señales informativas y emocionales, respectivamente, tienen un mayor efecto
los siguientes dos pasos (Ludwig et al. 2021). Primero, dos codificadores construyeron en la participación del espectador en las redes sociales B2B, formulamos el Modelo 2 de la
siguiente manera.
diccionarios de forma independiente. Luego verificamos la confiabilidad entre codificadores
(0.80 < α < 0.97 para características visuales, 0.97 < α < 1.00 para características textuales)
Número de Me Gusta o Comentarios =β0 + β1IV + β2IT + β3EV + β4ET + β5TLV
(Krippendorff, 2013). En segundo lugar, le pedimos a otros dos asistentes de investigación que
+ β6TLT + μi + τt
codificaran las señales informativas y emocionales. Luego, comparamos los resultados de
(Modelo 2)
codificadores humanos con nuestro enfoque de diccionario semiautomático. Específicamente,
dos codificadores adicionales codificaron manualmente una submuestra aleatoria de 100 Dónde:
publicaciones. Estos codificadores también habían leído el último informe 10K de cada empresa
y demostraron un conocimiento adecuado de la empresa. Para cada publicación, a los • β1, β2, β3, β2 son los coeficientes centrales para la presencia de señales informativas y
codificadores se les proporcionaron 18 afirmaciones, como "La imagen de la publicación se emocionales en el contenido visual y textual, respectivamente; • IV es 1 si una señal
relaciona con los propios productos de la empresa" y "El título de la publicación se relaciona informativa está presente en el contenido visual,
con los propios productos de la empresa", y se les pidió que indicaran su acuerdo (sí/no) con 0 en caso contrario;
cada • IT es 1 si hay una señal informativa en el contenido textual,
declaración.
0 en caso contrario;
Luego, comparamos las evaluaciones de los dos codificadores con las evaluaciones de • EV es 1 si hay una señal emocional presente en el contenido visual, 0 en caso contrario; •
nuestro enfoque de diccionario. Se lograron niveles sustanciales de concordancia entre los dos ET es 1 si hay una señal emocional presente en el contenido textual, 0 en caso contrario; • El
codificadores suplementarios (0,80 < α < 1,00 para características visuales, 0,84 < α < 1,00 resto de coeficientes y variables son los mismos que en
para características textuales) (Krippendorff, 2013). En aquellos casos en los que los modelo 1
codificadores estuvieron de acuerdo, también se lograron niveles sustanciales de acuerdo con
las evaluaciones utilizando nuestro enfoque de diccionario (0,74 < α < 0,94 para características A continuación, examinamos qué señales informativas y emocionales específicas en el
visuales, 0,72 < α < 0,94 para características textuales) (Krippendorff, 2013). contenido visual y textual aumentan la participación del espectador. Usando las mismas
variables de control del Modelo 1, el número de Me gusta y comentarios, respectivamente,
Siguiendo a Berger et al. (2020), calculamos la precisión, el recuerdo y la medida F1, que recibidos por las publicaciones de empresas B2B se modelaron como una función de ocho tipos
es la media armónica de la precisión y el recuerdo. de señales informativas visuales y ocho tipos de señales informativas textuales, junto con cuatro
En general, nuestros resultados demostraron la precisión y el intercodificador tipos de señales visuales. emocional
105
Tabla 7
Estadísticas resumidas.
Variable Significar Dakota del Sur mínimo máx.
Número de Me gusta 3880.257 8181.351 4 255,140

Número de comentarios 24.932 40.373 0 485
yo: informativo 0,920 0,271 0 1
ES: Emocional 0,293 0,455 0 1
IV: Informativo en Visual 0.589 0.492 0 1
TI: Informativo en Textual 0.817 0.387 0 1
EV: Emocional en Visual 0.137 0.344 0 1
ET: Emocional en Textual 0.210 0.407 0 1
VP: Producto 0.399 0.490 0 1
SPV: Producto del proveedor 0.003 0,055 0 1
CPV: Producto del Cliente 0.098 0,297 0 1
PRODV: Producción 0.045 0.207 0 1
Visual
BV: Marca 0.213 0.409 0 1
CBV: Marca del Cliente 0.011 0.106 0 1
PROMV: Promoción 0.047 0.212 0 1
QV: Calidad 0.016 0.126 0 1
Informativo
PT: Producto 0,449 0,497 0 1
SPT: Producto del proveedor 0,012 0,109 0 1
CPT: Producto del Cliente 0.069 0.253 0 1
PRODUCTO: Producción 0.139 0.346 0 1
Textual
BT: Marca 0.577 0.494 0 1
CBT: marca del cliente 0.081 0.273 0 1
PROMOCIÓN: Promoción 0.288 0.453 0 1
QT: Calidad 0.162 0,369 0 1
PFV: cara positiva 0.121 0,327 0 1
NFV: cara negativa 0.000 0.019 0 1
Visual
PETV: Texto positivo 0.015 0.120 0 1
Emocional
NETV: Texto Negativo 0.007 0.081 0 1
PETT: texto positivo 0.193 0.394 0 1
Textual
NETT: texto negativo 0.024 0.154 0 1
Visual TLV: longitud del texto 5.445 16.432 0 363
Variables de control
Textual TLT: longitud del texto 38.442 32.096 0 366
El número de observaciones es 5362.
Fig. 3. Procedimiento de captura de claves informativas y emocionales.
claves y dos tipos de claves emocionales textuales. El compromiso (Recuento de Me gusta y • β13 a β20 son coeficientes para la presencia de los 8 tipos de claves informativas textuales;
Recuento de comentarios, respectivamente) se modeló de la siguiente manera. • β21 a β22 son los
coeficientes para la presencia de emociones textuales
Número de Me Gusta o Comentarios =β0 + β1PV + β2SPV + β3CPV + β4PRODV
señales;
+ β5BV + β6CBV + β7PROMV + β8QV + β9PFV • β23, β24 son coeficientes para la longitud del texto incrustado en la imagen y el título,
+ β10NFV + β11PETV + β12NETV + β13PT + respectivamente;
β14SPT + β15CPT + β16PRODT + β17BT + • β0 es un intercepto; • μi:
β18CBT + β19PROMT + β20QT + β21PETT + dummies para las empresas analizadas; • τt:
dummies por año, mes del año, día de la semana, hora del día de
β22NETT + β 23TLV + β24TLT
tiempo de publicación.
+ μi + τt
(Modelo 3)
Dado que la cantidad de me gusta y comentarios son números enteros no negativos y
Dónde: están demasiado dispersos, además de OLS, ejecutamos modelos binomiales negativos y de
Poisson para me gusta y comentarios para tener en cuenta estas características. Además,
• El compromiso es tanto el número de Me gusta como el número de ejecutamos modelos de Poisson inflados con ceros y binomiales negativos inflados con ceros
comentarios. • β1 a β8 son coeficientes para la presencia de los 8 tipos de señales para los comentarios debido al exceso de ceros en los comentarios. Según el AIC (Criterio de
informativas visuales; • información de Akaike) y el BIC (Criterio de información bayesiano), como se muestra en la
PV, SPV, CPV, PRODV, BV, CBV, PROMV, QV, PFV, NFV, PETV, NETV, PT, SPT, CPT, Tabla 9, el modelo binomial negativo y el modelo binomial negativo inflado con ceros
PRODT, BT, CBT, PROMT, QT, PFT, NFT, PETT y NETT: Consulte la Tabla 6 para ver funcionaron mejor para los Me gusta y los comentarios, respectivamente, para los Modelos 1–
el nombre completo y ejemplos. • β9 a β12 son coeficientes para la 3 .
presencia de los 4 tipos de señales emocionales visuales; Por lo tanto, modelamos el número de me gusta con el modelo binomial negativo usando la
función μl en la ecuación. (1) y el número de comentarios con el modelo binomial negativo
inflado por cero usando la función μc en la ecuación. (2). El
106
Tabla 8
Alfa, precisión, recuperación y medida F de Krippendorff.
Categoría Fuente Tipo α de Krippendorff entre α de Krippendorff entre codificadores y medición automatizada Precisión Recordar F

codificadores Medida
Producto 0,92 0.85 0,96 0.90 0.93
del proveedor
0.80 0.80 0,67 1.00 0.80
Producto
Producto del cliente 0,96 0.89 0.88 0.93 0.90
Visual Producción 0.88 0.80 1.00 0,69 0.82
Marca 1.00 0.81 0,96 0.78 0.86
Marca del cliente 0.90 0.88 1.00 0.80 0.89
Promoción 0,94 0.86 1.00 0.78 0.88
Calidad 0,82 0,74 1,00 0,60 0,75

Informativo
Producto 0,94 0,87 0,96 0,93 0,95
del proveedor
0.90 0.90 0.83 1.00 0.91
Producto
Producto del cliente 0.84 0.72 0.82 0,69 0.75
Textual Producción 0.88 0.75 0.80 0.80 0.80
Marca 1.00 0,92 0.97 0.97 0.97
Marca del cliente 0,93 0,92 1.00 0,88 0,93
Promoción 0,98 0,89 1.00 0,87 0,93
Calidad 0.93 0.75 0,92 0.74 0.82

cara positiva 0.93 0.74 1.00 0,68 0.81
Emocional Visual
cara negativa *N / A *N / A *N / A *N / A *N / A
Significar 0,92 0.85 0.93 0.85 0.88
*NA: Ninguna de las publicaciones seleccionadas al azar muestra una cara negativa.
Nota: La precisión (positivos verdaderos / (positivos verdaderos + positivos falsos)) es el recuento de predicciones de clase correctas realizadas por los procedimientos automatizados que en realidad pertenecen a la
clase positiva (correcto es lo que acordaron los codificadores humanos), recuperación (positivos verdaderos / (verdaderos positivos + falsos negativos)) cuantifica el número de predicciones de clase positivas realizadas
por el procedimiento automatizado de todas las clasificaciones positivas realizadas por los codificadores humanos, y la Medida F1 es la media armónica de los niveles de recuperación y precisión (2 * Precisión *
Recuperación) / (Precisión + Recuperación).
Tabla 9
Comparación de modelos.
Modelo VD Métrico MCO veneno NBD Poisson inflado a cero NBD inflado a cero
AIC 109.492,10 9.614.367,07 88.415,48 *N / A *N / A

Gustos
BIC 109.781,94 9.614.656,90 88.711,90 *N / A *N / A
1
AIC 523.72,68 108.617,88 106.588,50 40.128,96 40.128,18
Comentarios
BIC 52.662,51 108.907,71 106.878,34 40.425,38 40.418,01
AIC 109.463,40 9.373.872,49 88.178,94 *N / A *N / A
Gustos
BIC 109.766,40 9.374.175,50 88.488,53 *NA *NA
2
AIC 52.327,04 106.774,03 104.879,70 40.011,74 40.010,64
Comentarios
BIC 52.630,04 107.077,04 105.182,71 40.321,33 40.313,64
AIC 109.435,27 9.090.802,26 87.894,06 *NA *NA
Gustos
BIC 109.856,84 9.091.223,84 88.322,22 *NA *NA
3
AIC 52.255,70 104.595,52 102.906,82 39.846,40 39.845,54
Comentarios
BIC 52.677,28 105.017,09 103,32 8.39 40.274,56 40.267,11
*NA: No aplicable.
− − 1
probabilidades respectivas de que el número de me gusta y comentarios sea igual a j 1 • rl y RC son los parámetros de forma que cuantifican la cantidad de
son sobredispersión en me gusta y comentarios
• es la función de enlace logístico del parámetro cero inflado de
Γl(j + rl) rl comentarios
Pr(Número de Me gusta = j) = (1)
Γl(rl)Γl(j + 1) ( rl μrl )rl
l + ( 1 − μl + rl )j • μl y μc son la media de me gusta y comentarios, respectivamente.
+ (1 − ) ( rc
μc + rc )rc para j =
Pr(Número de comentarios = j) = (2)

Γc(j + rc) rc
(1 − )
j > 0 Γc(rc)Γc(j + 1( rc
) μc + rc )rc( 1
0 −μc + rc )j para
dónde 6. Resultados
• Γl y Γc son las distribuciones gamma correspondientes para likes y Primero, la Tabla 10 informa los resultados del Modelo 1. Si bien las señales informativas
comentarios, respectivamente mostraron efectos positivos significativos tanto en el número de Me gusta (β =
107
Tabla 10 0,007). Siguiendo a Cumming (2009), las diferencias en los efectos de las señales
Resultado Empírico del Modelo 1. informativas entre el contenido visual y el textual en los me gusta (p = 0,004) y en el
Variable Gustos Comentarios recuento de comentarios (p < 0,001) fueron significativas, lo que sugiere que las señales
informativas en el contenido visual aumentan la participación más que aquellas. en el
coef firma SE coef SIG SE
contenido textual. Por el contrario, las señales emocionales tanto en el contenido visual
Informativo 0.198 *** 0,038 0,198 *** 0.051
como en el textual mostraron un efecto significativamente negativo en el conteo de Me
Emocional − 0,190 *** 0,021 − 0,079 ** 0.028
gusta (visual: β = − 0,284, p < 0,001; textual β = − 0,071, p = 0,002). Para el recuento de
Longitud del texto
− 0,004 *** 0,000 − 0,003 *** 0,001
Control en la imagen
comentarios, el coeficiente de señales emocionales fue significativo y negativo (β = −
Variables Longitud del texto 0,167, p < 0,001) solo en contenido visual, pero no en contenido textual (β = 0,002, p =
− 0,005 *** 0,000 − 0,002 *** 0,000
en el pie de foto 0,937). La diferencia en los efectos de las señales emocionales entre el contenido visual
Firme Sí Sí
y textual en me gusta (p < 0,001) y el recuento de comentarios (p = 0,001) fue
Año Sí Sí
Mes de significativa, lo que sugiere que las señales emocionales en el contenido visual tienen un
Sí Sí
Fijado Año mayor impacto en la participación (es decir, disminuyen la participación más). ) que los
Efectos Día de de las claves textuales. En resumen, estos resultados muestran que el efecto de las
Sí Sí
Semana
señales informativas y emocionales sobre el compromiso se amplifica con el contenido
Tiempo de
Sí Sí visual (vs. textual), lo que respalda H2. Este efecto de amplificación puede explicarse
Día
AIC 88.415,48 40.128,18 por hallazgos anteriores que muestran que el contenido visual puede procesarse de
BIC 88.711,90 40.418,01 manera más rápida y concreta que el contenido textual (Bruce, Becker y Reinartz, 2020).
Observaciones 5362 5362
Las variables dependientes son el número de Me gusta y el número de comentarios. En tercer lugar, los resultados del Modelo 3 (Tabla 12) mostraron que las señales
La unidad de observación es el puesto firme. informativas, como los productos y marcas propios de la empresa B2B focal y los
El número de observaciones es 5362. productos y marcas de sus clientes, aumentan efectivamente la participación de los espectadores.
.p < 0,1; *p < 0,05; ** p < 0,01; *** p < 0,001. †Los coeficientes En particular, la información relacionada con los productos propios de la empresa B2B
ficticios de intercepción, firma y tiempo de publicación (año, mes del año, día de la semana, hora del día) no focal aumentó los me gusta y los comentarios tanto en contenido visual como textual
se informan por razones de brevedad.
(como: β = 0.346, p < 0.001; comentario: β = 0.331, p < 0.001 para visual; como: β =
0,187, p < 0,001; comentario: β = 0,163, p < 0,001 para textual). Los efectos de la
información del producto fueron aproximadamente el doble de grandes en el contenido
Tabla 11
visual que en el textual, lo que respalda H2. Las marcas propias de la empresa B2B
Resultado Empírico del Modelo 2.
focal también fueron eficaces para aumentar los comentarios tanto en contenido visual
Variable Gustos Comentarios
como textual (β = 0,152, p < 0,001 para visual; β = 0,074, p = 0,007 para textual), en
coef firma SE coef SIG SE consonancia con investigaciones anteriores (Swani et al., 2014; Swani et al., 2017). Esto
Información visual 0,257 *** 0,020 0,294 0,158 *** 0,026 *** 0,028 0,035 tiene sentido ya que incluir la información relacionada con el producto y la marca de
**
Informativo textual 0,096 − 0,284 *** − 0,071 0,027 una empresa B2B en las publicaciones de las redes sociales tiende a facilitar las rutas
visual emocional − 0,167 *** 0,038 0,023 0,002 centrales de procesamiento de información de los espectadores (Deng et al., 2021).
emocional textual ** 0.031
Longitud del texto
− 0,004 *** 0,000 − 0,004 *** 0,001 También encontramos que los productos de clientes de las empresas B2B focales
Control en la imagen
Variables Longitud del texto fueron efectivos en contenido visual (como: β = 0.149, p < 0.001; comentario: β = 0.104,
− 0,004 *** 0,000 − 0,002 *** 0,000
en el pie de foto p < 0.05) pero no en contenido textual. Además, las marcas de clientes de las empresas
Firme Sí Sí
B2B focales fueron efectivas en contenido textual (como: β = 0,183, p < 0,001;
Año Sí Sí
comentario: β = 0,097, p < 0,05), pero no en contenido visual. Si bien estos resultados
Mes de
Sí Sí
Fijado Año se alinean con hallazgos anteriores que sugieren que presentar jugadores externos o
Efectos Día de sus productos puede aumentar el compromiso de las redes sociales B2B (Lee, Chan,
Sí Sí
Semana
Chong y Thadani, 2019), las diferencias en el tipo de contenido efectivo para los clientes
Tiempo de
Sí Sí de empresas B2B fueron evidentes. Una explicación de los resultados del contenido
Día
AIC visual es que los espectadores de las redes sociales B2B pueden asociar las imágenes
88.178,94 40.010,64
BIC 88.488,53 40.313,64 del producto de la empresa B2B focal con las imágenes del producto de su cliente, dado
Observaciones 5362 5362 que el producto de la empresa B2B a menudo es parte del producto de su cliente.
Las variables dependientes son el número de Me gusta y el número de comentarios. La unidad de observación
Curiosamente, el patrón es el opuesto para el contenido textual, quizás porque los
es el puesto firme. nombres de los productos son menos familiares para los espectadores que las marcas.
El número de observaciones es 5362. .p < 0,1; *p < 0,05; ** p < 0,01; *** p < 0,001. †Los coeficientes ficticios
de intercepción, En cuarto lugar, algunas señales informativas mostraron efectos negativos en la
firma y tiempo de publicación (año, mes del año, día de la semana, hora del día) no se informan por razones participación del espectador. La información de promoción tanto en contenido visual
de brevedad. como textual mostró efectos significativos y negativos en los me gusta (β = − 0.237, p <
0.001 para visual; β = − 0.113, p < 0.001 para textual) y comentarios (β = − 0.363, p <
0,198, p < 0,001) y el número de comentarios (β = 0,198, p < 0,01), las señales 0.001 para visual; β = − 0,277, p < 0,001 para textual). La información de calidad en el
emocionales mostraron efectos negativos significativos tanto en el número de Me gusta contenido visual también tuvo un efecto negativo en los me gusta (β = − 0,310, p <
(β = − 0,190, p < 0,001) como en el número de comentarios (β = − 0,079). , p < 0,001). 0,001) y los comentarios (β = − 0,368, p < 0,01). Esto es consistente con hallazgos
Estos resultados sugieren que las señales informativas aumentan la participación del previos (Neslin & Shoemaker, 1989; Zhou, Du, & Cutright, 2022) de que a los
espectador en las redes sociales B2B más que las señales emocionales, lo que respalda espectadores de los anuncios no les gusta que la marca se elogie a sí misma. Dado que
H1. Tenga en cuenta que el efecto negativo de las señales emocionales en el contexto la información de calidad y promoción a menudo incluye afirmaciones subjetivas, dicha
B2B es consistente con los hallazgos informados por Swani et al. (2017) y Deng et al. información tiende a ser percibida como más autopromoción, lo que hace que los
(2021). espectadores la perciban de manera menos favorable en el contexto B2B (Swani et al.,
En segundo lugar, la Tabla 11 muestra los resultados del Modelo 2, con señales 2014), especialmente cuando los hechos reales contradicen dichas afirmaciones. Por
informativas tanto en el contenido visual como en el textual que tienen un efecto ejemplo, mientras Exxon Mobil promueve regularmente su eslogan "#nadie se lastima"
significativamente positivo en los me gusta (visual: β = 0,257, p < 0,001; textual β = para enfatizar su entorno de trabajo seguro, dos trabajadores lesionados por la explosión
0,158, p < 0,001) y el recuento de comentarios. (visual: β = 0,294, p < 0,001; textual β = 0,096, p =su refinería en Baytown recientemente presentaron una demanda.
de
108
Tabla 12
Resultado Empírico del Modelo 3.
Variable Gustos Comentarios
coef firma SE coef firma SE
Producto 0,346 *** 0.021 0,331 *** 0.030

Producto del proveedor − 0,182 0.157 − 0,321 0.230
Producto del cliente 0.149 *** 0.035 0.104 * 0.047
Producción − 0,059 0.051 0.042 0.067
Visual ***
Marca 0.032 0.026 0.152 0.036
Marca del cliente 0.066 0.084 0.024 0.117
Promoción − 0,237 *** 0.054 − 0,363 *** 0.079
− 0,310 *** 0.074 − 0,368 *** 0.110
Calidad
Informativo *** ***
Producto 0,187 0.021 0,163 0.029
Producto del proveedor − 0,007 0.081 − 0,024 0.108
Producto del cliente 0.022 0.036 − 0,032 0.050
Producción 0.043 0.028 0.015 0.039
Textual *** **
Marca 0.085 0.020 0.074 0.027
Marca del cliente 0.183 *** 0.035 0.097 * 0.048
Promoción − 0,113 *** 0.027 − 0,277 *** 0.036
Calidad − 0,026 0.025 0,065 . 0.035
cara positiva − 0,192 *** 0.029 − 0,125 ** 0.040
− 1.342 *** 0.319 0.739 0.736
cara negativa
Visual **
Texto positivo − 0,223 0.076 − 0,068 0.108
Emocional
Texto negativo − 0,122 0.115 − 0,296 . 0.160
Texto positivo − 0,031 0.023 0.015 0.032
Textual *
Texto negativo − 0,116 0.058 − 0,002 0.080
Visual − 0,002 *** 0.001 − 0,002 * 0.001
Longitud del texto
Variables de control *** ***
Textual Longitud del texto − 0,005 0.000 − 0,003 0.000
Firme Sí Sí
Año Sí Sí
Efectos fijos mes del año Sí Sí
Día de la semana Sí Sí
Hora del día Sí Sí
AIC 87.894,06 39.845,54
BIC 88.322,22 40.267,11
Observaciones 5362 5362
Las variables dependientes son el número de Me gusta y el número de comentarios.
La unidad de observación es el puesto firme.
El número de observaciones es 5362. .p < 0,1; *p
< 0,05; ** p < 0,01; *** p < 0,001. †Los coeficientes ficticios de
intercepción, firma y tiempo de publicación (año, mes del año, día de la semana, hora del día) no se informan por razones de brevedad.
demanda contra la empresa (Vásquez, 2021). cuentas de 10 empresas B2B, la presente investigación encuentra que las señales informativas
Por último, todos menos uno de los 12 coeficientes de señales emocionales a través del son más efectivas para el compromiso B2B en las redes sociales que las señales emocionales,
contenido visual y textual y el recuento de me gusta y comentarios fueron negativos. y que estos efectos se amplifican en el contenido visual (vs. textual). Exploramos más a fondo la
En particular, las caras positivas disminuyeron significativamente tanto los me gusta (β = − 0.192, efectividad de cada tipo específico de señal informativa visual y textual sobre la participación del
p < 0.001) como los comentarios (β = − 0.125, p = 0.002). El texto positivo dentro de la imagen espectador.
también disminuyó significativamente como el conteo (β = − 0.223, p = 0.004). Además, la cara La presente investigación hace dos aportes teóricos y
negativa (β = − 1,342, p < 0,001) y el texto negativo en el título (β = − 0,116, p = 0,045) Implicaciones metodológicas para el análisis de contenido. En primer lugar, en respuesta a la
disminuyeron como conteo. Estos resultados que muestran que las señales emocionales tienen reciente convocatoria de investigación para explorar "las intrincadas clasificaciones de los
un efecto negativo en la participación del espectador en el contexto B2B, independientemente de atractivos emocionales y funcionales de las redes sociales en el contexto B2B".
la valencia del sentimiento y el tipo (visual o textual) de contenido, son consistentes con el efecto (Tiwary et al., 2021, p. 135), esta investigación diferencia la influencia de las señales informativas
negativo de las señales emocionales en la participación del espectador en las redes sociales y emocionales tanto en el contenido visual como en el textual. Los hallazgos demuestran que las
B2B. medios que se muestran en el modelo 1. señales informativas son más efectivas que las señales emocionales en contenido multimodal
(visual + texto). Esto es significativo porque la mayoría de las investigaciones de redes sociales
B2B analizan solo contenido textual (Deng et al., 2021; Swani et al., 2014; Swani et al., 2017).
6.1. Comprobaciones de robustez
Además, mientras que la investigación previa investiga principalmente las señales
emocionales e informativas como una sola dimensión, exploramos múltiples dimensiones (es
Estimamos el factor de inflación de la varianza (VIF) de cada variable independiente en los decir, señales informativas y emocionales específicas). En particular, encontramos que las
modelos 1 a 3 para detectar problemas de multicolinealidad. Los VIF oscilaron entre 1,01 y 1,82, señales informativas visuales que representan los productos de la empresa B2B o de sus clientes
ninguno >10. El problema de la multicolinealidad, por lo tanto, no es una preocupación en son efectivas, mientras que las imágenes relacionadas con la promoción o la calidad no aumentan
nuestros datos. Más importante aún, los resultados principales son sólidos en todas las la participación del espectador. Este hallazgo es significativo dado que las señales de promoción
especificaciones que usamos para la comparación de modelos. y calidad a menudo son efectivas en el contexto B2C (Lee et al., 2018; Resnik & Stern, 1977), lo
que sugiere que las empresas no pueden simplemente comparar las estrategias de redes
7. Discusión general sociales B2C para el contexto B2B (Iankova et al. , 2019). Como tal, ofrecemos una comprensión
más matizada de la influencia diferencial de las señales informativas (vs. emocionales) en
7.1. Implicaciones para la investigación términos de tipos de señales específicas.
Al examinar tanto el contenido visual como el textual de Instagram
109
En segundo lugar, nuestros hallazgos también desafían la premisa general en el contexto señales como caras felices y palabras positivas en el contenido B2B pueden disminuir la
B2C de que las señales emocionales positivas tienden a aumentar las respuestas favorables participación del espectador. Además, identificamos claves informativas específicas que
de los espectadores, incluida su atención (Pham & Septianto, 2019) y compromiso (Araujo et podrían ser útiles de emplear. Entre ocho señales informativas, la imagen del producto de una
al., 2015; Rietveld et al., 2020; Tellis et al., 2019). En el caso de la investigación de redes empresa B2B demostró ser la más efectiva para el compromiso, y las imágenes que presentaban
sociales B2B, hay resultados mixtos, como Swani et al. (2017) y Deng et al. (2021) encuentran la marca de la empresa B2B también funcionaron bien. Mencionar el producto o la marca de
que algunas señales textuales emocionales tienen un efecto negativo significativo en la una empresa B2B en un área de subtítulos textuales también puede aumentar la participación
participación del espectador, mientras que otras señales textuales emocionales tienen efectos del espectador, aunque esto es menos efectivo que presentarlos en el contenido visual.
positivos.
Nuestra investigación muestra que las caras positivas (por ejemplo, felices) y el texto positivo Sin embargo, nuestros resultados también sugieren que las publicaciones que presentan a
tienen un efecto negativo en la participación de los espectadores. Este hallazgo puede haber los proveedores tienen menos impacto en la participación de los espectadores que las que
surgido porque las ofertas B2B tienden a ser más técnicas y complejas (Swani et al., 2014; presentan a los clientes de la empresa. Por lo tanto, se alienta a los especialistas en marketing
Swani et al., 2017), lo que hace que los espectadores usen la ruta central de persuasión, lo B2B a centrarse en las partes interesadas posteriores mostrando los productos de sus clientes
cual es consistente con ELM (Petty & Cacioppo, 1986). ). Por lo tanto, en general, los hallazgos en lugar de los productos de sus proveedores (por ejemplo, materias primas). Además,
enriquecen nuestra comprensión de las diferencias entre los contextos B2B y B2C (Iankova et nuestros resultados sugieren que los especialistas en marketing B2B deben mostrar el producto
al., 2019; Swani et al., 2014) al basarse en ELM (Petty & Cacioppo, 1986). de un cliente en contenido visual y la marca de un cliente en leyendas de texto. Además de las
señales emocionales, los especialistas en marketing B2B deben evitar el uso de señales de
Metodológicamente, llevamos a cabo un análisis computarizado completamente automático promoción y calidad en el contenido visual y textual porque esto también puede disminuir la
de las señales emocionales positivas y negativas del contenido visual y textual dentro de la participación de los espectadores.
imagen. Detectamos caras positivas y negativas utilizando el servicio de "detección de Finalmente, nuestra investigación demuestra el potencial de las herramientas de detección
emociones faciales" de Google Vision. Además, extrajimos "texto dentro de la imagen" usando de objetos visuales como Google Vision y herramientas textuales como LIWC.
el servicio Google Vision OCR y luego aplicamos LIWC (Pennebaker et al., 2015) para obtener Estas herramientas se pueden usar para evaluar el contenido visual y textual en las redes
emociones de texto positivas y negativas. Esto es importante porque investigaciones anteriores sociales existentes para ayudar a identificar estrategias de contenido efectivas antes de diseñar
han analizado principalmente la valencia del contenido textual (Berger & Milkman, 2012; Ludwig contenido nuevo y para predecir los niveles de participación de los espectadores en el diseño
et al., 2013) utilizando herramientas de análisis de texto como LIWC, mientras que los de contenido para seleccionar el diseño de mejor rendimiento. Los especialistas en marketing
investigadores han empleado codificadores humanos para evaluar el contenido visual emocional pueden identificar y medir automáticamente las emociones positivas y negativas de las
(Tellis et al . al., 2019). Nuestro enfoque se puede aplicar para analizar otros datos de imágenes imágenes y el texto utilizando el enfoque desarrollado en esta investigación. También pueden
para detectar el sentimiento de la imagen a partir de señales visuales y textuales dentro de la usar nuestro diccionario si son uno de los cinco grupos industriales incluidos en nuestro estudio
imagen. (ver Tabla 2). Además, cuando los especialistas en marketing necesitan medir un nuevo tipo de
señales informativas, pueden ahorrar tiempo al adoptar nuestro enfoque semiautomático para
También ofrecemos una forma semiautomática de crear diccionarios personalizados para personalizar un diccionario.
pistas informativas tanto de imágenes como de texto. Las señales informativas suelen ser
específicas de la empresa (por ejemplo, nombres de productos), por lo que es importante crear 7.3. Limitaciones e investigación futura
un diccionario personalizado de manera eficiente. Nuestro método consiste en detectar
automáticamente todas las señales visuales y textuales utilizando una variedad de servicios de La investigación actual está sujeta a algunas limitaciones. Primero, recopilamos y
Google Vision y luego proporcionar nombres únicos para objetos visuales y texto corto (hasta analizamos datos de Instagram. Por lo tanto, se recomienda precaución al generalizar los
3 palabras) a codificadores humanos en lugar de la imagen en sí y los párrafos largos, lo que hallazgos a otras plataformas de redes sociales en línea, como Twitter o Facebook, u otros
aumenta velocidad de codificación. contextos, como la publicidad televisiva. Se podrían realizar estudios de seguimiento para
Además, una vez que se construye el diccionario usando una submuestra (muestra de analizar el contenido visual y validar los hallazgos actuales en estos diferentes contextos.
entrenamiento), el resto de la muestra (nueva muestra de prueba) se puede codificar
automáticamente usando el diccionario. Esto es posible porque todos los objetos visuales se En segundo lugar, aunque desarrollamos nuestro argumento teórico utilizando ELM, no
extraen y guardan automáticamente. Por el contrario, el tiempo de codificación manual sigue medimos directamente los procesos psicológicos (p. ej., el procesamiento de la información) a
aumentando con el tamaño de la muestra en un enfoque de codificación humano típico. nivel individual. Por lo tanto, valdría la pena realizar un estudio experimental para establecer la
causalidad e investigar más a fondo el mecanismo subyacente. En tercer lugar, la investigación
actual no consideró los efectos de prominencia. Por ejemplo, la imagen de un producto grande
7.2. Implicaciones para la Practica podría atraer más atención que varios productos pequeños. Sin embargo, medir el tamaño de
un objeto visual no es una tarea trivial. No obstante, se podrían realizar investigaciones futuras
Desde el punto de vista gerencial, el estudio tiene implicaciones importantes para los para dar cuenta de tales efectos de prominencia.
especialistas en marketing B2B que buscan involucrar a varias partes interesadas en las redes
sociales pero tienen dificultades para crear publicaciones de marca atractivas ( Content Cuarto, al analizar las señales emocionales, consideramos la valencia pero no la excitación.
Marketing Institute, 2021; Deng et al., 2021; J¨ arvinen & Taiminen, 2016) ). Dado que las El trabajo futuro podría arrojar luz sobre el papel de las emociones de alta y baja excitación en
publicaciones en las redes sociales pueden provocar que se deje de seguir y disminuir las el impulso del compromiso en las redes sociales (Berger, 2011). En quinto lugar, la cantidad de
ventas a largo plazo (Wang, Greenwood y Pavlou, 2020), los especialistas en marketing deben Me gusta y comentarios en una publicación puede verse afectada por la cantidad de seguidores
comprender el contenido atractivo y no atractivo. Esta investigación ofrece orientación para el de la cuenta de la empresa cuando se realizó la publicación. El recuento de seguidores variable
diseño de contenido de redes sociales B2B que estimula la participación del espectador, es en el tiempo no está fácilmente disponible.
decir, me gusta y comentarios. En particular, comprender las señales informativas en el Aunque nuestra investigación controla las diferencias entre empresas mediante efectos fijos en
contenido visual y textual de las redes sociales B2B es crucial para lograr una participación la cuenta, sería genial si se pudiera incluir la cantidad de seguidores que cambia con el tiempo
exitosa de los espectadores en Instagram. en trabajos futuros. Sexto, este estudio trató el “texto dentro de la imagen” como parte de la
imagen. Sin embargo, alguien puede ver el "texto dentro de la imagen" de manera diferente a
Los hallazgos de esta investigación demuestran que las estrategias utilizadas con éxito en otras señales visuales. Lo dejamos como futura investigación. Por último, los datos de
el contenido de las redes sociales B2C pueden no ser aplicables al contenido de las redes participación en las redes sociales no pueden distinguir a los posibles clientes B2B del público.
sociales B2B. Por lo tanto, los especialistas en marketing B2B deben diseñar su contenido de Por lo tanto, valdría la pena explorar los efectos del contenido de las redes sociales en las
redes sociales de manera diferente. Por ejemplo, la mayor parte de la literatura sobre redes ventas B2B más allá de la participación en las redes sociales.
sociales B2C destaca los beneficios de las señales emocionales (Berger & Milkman, 2012;
Rietveld et al., 2020; Tellis et al., 2019), mientras que recomendamos que los especialistas en
marketing B2B muestren señales informativas en lugar de emocionales, en particular en
contenido visual. Nuestros resultados demuestran que las emociones
110
comercializador electrónico. (2018). Usuarios de redes sociales de EE. UU.: estimaciones de eMarketer para
Declaración de interés en competencia
2018–2022. https://www.emarketer.com/Report/USSocialNetworkUserseMarketers
Estimates20182022/2002222 . _
Ninguno. Fransen, ML, Verlegh, PWJ, Kirmani, A. y Smit, EG (2015). Una tipología de las estrategias de los
consumidores para resistir la publicidad y una revisión de los mecanismos para contrarrestarlas.
Revista Internacional de Publicidad, 34(1), 6–16. https://doi.org/ 10.1080/02650487.2014.995284 Gilliland,
Referencias
DI y Johnston, WJ (1997). Hacia un
modelo de empresa a empresa
Ancillai, C., Terho, H., Cardinali, S. y Pascucci, F. (2019). Avanzando en las redes sociales efectos de las comunicaciones de marketing. Gestión de marketing industrial, 26(1), 15–29. https://doi.org/
investigación de ventas impulsada: establecimiento de bases conceptuales para la venta social BtoB. 10.1016/s00198501(96)000326 Goldberg, ME y Gorn, GJ
Gestión de marketing industrial, 82, 293–308. (1987). Programas de televisión alegres y tristes: cómo afectan
Araujo, T., Neijens, P. y Vliegenthart, R. (2015). ¿Qué motiva a los consumidores a retuitear el contenido de la Reacciones a los comerciales. Journal of Consumer Research, 14(3), 387. https://doi.org/ 10.1086/209122
marca? Revista de Investigación Publicitaria, 55(3), 284–295. https://doi.org/ 10.2501/jar2015009 Babi Golden, LL y Johnson,
´c Rosario, A., Sotgiu, F., KA (1983). El impacto de la preferencia sensorial y el pensamiento versus el sentimiento apela a la efectividad
De Valck, K., & Bijmolt, THA (2016). El efecto de de la publicidad. Avances en la investigación del consumidor, 10, 203–208.
El boca a boca electrónico sobre las ventas: una revisión metaanalítica de la plataforma, el producto y los
factores métricos. Revista de Investigación de Mercados, 53(3), 297–318. https://doi.org/ 10.1509/ Gruner, RL y Power, D. (2018). ¿Integrar o no integrar? Comprender las comunicaciones de redes sociales
jmr.14.0380 Berger, J. B2B. Revisión de información en línea, 42(1), 73–92.
(2011). La excitación aumenta la transmisión social de información. Ciencia Psicológica , 22(7), 891–893. Guitart, IA y Stremersch, S. (2021). El impacto de la información y la emoción
contenido de anuncios de televisión en búsquedas y ventas en línea. Revista de Investigación de Mercados,
Berger, J., Humphreys, A., Ludwig, S., Moe, WW, Netzer, O. y Schweidel, DA (2020). 58(2), 299–320. https://doi.org/10.1177/0022243720962505
Uniendo a las tribus: uso de texto para obtener información de marketing. Revista de marketing, 84(1), Hartmann, J., Heitmann, M., Schamp, C. y Netzer, O. (2021). El poder de la marca
1–25. https://doi.org/10.1177/0022242919873106 autofotos Revista de investigación de marketing, 58(6), 1159–1177.
Berger, J. y Lechero, KL (2012). ¿Qué hace que el contenido en línea sea viral? Revista de Investigación Hollebeek, LD (2019). Desarrollo de la participación del cliente comercial a través de plataformas de participación
de Mercados, 49(2), 192–205. en las redes sociales: un modelo basado en lógica SD/RBV integrador. Gestión de marketing
Bhattacharjya, J. y Ellison, AB (2015). Desarrollar la resiliencia empresarial con las redes sociales en entornos industrial , 81, 89–98.
B2B: el surgimiento de procesos receptivos de gestión de relaciones con los clientes en Twitter. Hsiao, S.H., Wang, Y.Y., Wang, T. y Kao, T.W. (2020). Cómo las redes sociales dan forma a la industria de la
Jornada de Trabajo sobre Empresas Virtuales. moda: los efectos indirectos entre las marcas privadas y las marcas nacionales.
Brooke, C. (2022). ¿Qué podemos aprender de la presencia en las redes sociales de maersk line? Comunidad
Gestión de marketing industrial, 86, 40–51.
de negocios 2. https://www.business2community.com/socialmediaarticles/can learnmaersklines Iankova, S., Davies, I., ArcherBrown, C., Marder, B. y Yau, A. (2019). Una comparación del marketing en redes
socialmediapresence0634290.
sociales entre B2B, B2C y modelos comerciales mixtos. Gestión de marketing industrial, 81, 169–179.
Brooks, A. (2022). 5 estadísticas sobre generación de demanda B2B con redes sociales. https:// https://doi.org/10.1016/j. indmarman.2018.01.001 J¨ arvinen, J. y Taiminen, H.
www.rickwhittington.com/blog/b2bdemandgenerationwithsocialmedia/ . (2016). Aprovechar la
Bruce, NI, Becker, M. y Reinartz, W. (2020). La comunicación de marcas en la publicidad televisiva. Revista automatización del marketing para el marketing de contenidos B2B. Gestión de marketing industrial, 54, 164–
de Investigación de Mercados, 57(2), 236–256. https://doi.org/ 10.1177/0022243719892576 175. https://doi.org/10.1016/j.indmarman.2015.07.002 _
Buechel, EC y Berger, J. (2018).
Microblogging y el valor de la comunicación no dirigida. Revista de Psicología del Consumidor, 28(1), Jensen, MB y Jepsen, AL (2007). Procesamiento de publicidad de baja atención en mercados B2B.
40–55. Revista de Marketing Comercial e Industrial, 22(5), 342–348.
Buratti, N., Parola, F. y Satta, G. (2018). Perspectivas sobre la adopción del marketing en redes sociales Kanuri, VK, Chen, Y. y Sridhar, S. (2018). Programación de contenidos en redes sociales: Teoría,
en los servicios B2B. Diario TQM, 30(5), 490–529. prueba y aplicación. Revista de Marketing, 82(6), 89–108.
Chandy, RK, Tellis, GJ, Macinnis, DJ y Thaivanich, P. (2001). Qué decir cuando: la publicidad atrae en mercados Kim, T., Kim, H. y Kim, Y. (2019). ¿Cómo inducen las publicaciones de Facebook de las marcas el
en evolución. Revista de Investigación de Mercados, 38(4), 399–414. https://doi.org/10.1509/ comportamiento de boca en boca de los consumidores? Revista de Investigación Publicitaria, 59(4), 402–
jmkr.38.4.399.18908 413. https://doi.org/10.2501/jar2019027 _
Cheng, M., Liu, J., Qi, J. y Wan, F. (2021). Efectos diferenciales del contenido generado por la empresa en el King, RA, Rachella, P. y Bush, VD (2014). Lo que sabemos y no sabemos sobre el boca a boca en línea: una
compromiso digital del consumidor y el desempeño de la empresa: una perspectiva de afuera hacia adentro. revisión y síntesis de la literatura. Revista de Marketing Interactivo, 28(3), 167–183. https://doi.org/10.1016/
Gestión de marketing industrial, 98, 41–58. https://doi.org/10.1016/j. indmarman.2021.07.001 j.intmar.2014.02.001 Cocina, PJ, Kerr, G., Schultz, DE, McColl, R. y Pals, H. (2014). El modelo
de probabilidad de elaboración: revisión, crítica y agenda de investigación. Revista europea de marketing, 48
Colicev, A., Malshe, A., Pauwels, K. y O'Connor, P. (2018). Mejora del consumidor (11/12), 2033–2050.
métricas de mentalidad y valor para los accionistas a través de las redes sociales: los diferentes roles de
¨
los medios de comunicación ganados y de propiedad. Revista de Marketing, 82(1), 37–56. https:// Klostermann, J., Plumeyer, A., Boger, D. y Decker, R. (2018). Extrayendo marca
doi.org/ 10.1509/jm.16.0055 información de las redes sociales: integración de imágenes, texto y datos de etiquetado social.
Instituto de Marketing de Contenidos. (2021). Puntos de referencia, presupuestos y tendencias de marketing de Revista internacional de investigación en marketing, 35 (4), 538–556.
contenido B2B de 2020: informe de América del Norte. https://contentmarketinginstitute.co m/ Krippendorff, K. (2013). Comentario: Una opinión disidente sobre las llamadas paradojas de
wpcontent/uploads/2019/10/2020_B2B_Research_Final.pdf.
coeficientes de fiabilidad. Annals of the International Communication Association, 36(1), 481–499.
Cumming, G. (2009). Inferencia a ojo: lectura de la superposición de intervalos de confianza independientes.
Estadísticas en Medicina, 28(2), 205–220. https://doi.org/10.1002/sim.3471 Kulkarni, KK, Kalro, AD y Sharma, D. (2020). El efecto de interacción del atractivo publicitario y la necesidad de
De Houwer, J., Thomas, S. y Baeyens, F. (2001). Aprendizaje de asociación de gustos y disgustos: una cognición sobre las intenciones de los consumidores de compartir anuncios virales. Revista de
revisión de 25 años de investigación sobre el condicionamiento evaluativo humano. Comportamiento del Consumidor, 19(4), 327–338.
Boletín Psicológico, 127(6), 853. Kumar, A., Bezawada, R., Rishika, R., Janakiraman, R. y Kannan, PK (2016). De lo social a la venta: los
De Oliveira Santini, F., Ladeira, WJ, Pinto, DC, Herter, MM, Sampaio, CH, &
efectos del contenido generado por la empresa en las redes sociales en el comportamiento del cliente.
Babin, BJ (2020). Compromiso del cliente en las redes sociales: un marco y un metaanálisis. Revista de Revista de Marketing, 80(1), 7–25. https://doi.org/10.1509/jm.14.0249 Kwon, ES y Sung, Y. (2011).
la Academia de Ciencias del Marketing, 48(6), 1211–1228. https://doi. org/10.1007/s11747020007315 ¡Sígueme! Uso de Twitter de los especialistas en marketing global. Revista de Publicidad Interactiva, 12(1), 4–
De Vries, L., Gensler, S. y Leeflang, PSH 16. https://doi.org/10.1080/ 15252019.2011.10722187
(2012). Popularidad de las publicaciones de la marca en las páginas de fans de la marca: una investigación de
los efectos del marketing en las redes sociales. Revista de Marketing Interactivo, 26(2), 83–91. https:// Kwon, J., Chan, KW, Gu, W. y Septianto, F. (2022). El papel de los colores fríos frente a los cálidos en el
doi.org/10.1016/j.intmar.2012.01.003 Decano, B. (2022). 30 estadísticas cruciales de marketing B2B contenido generado por empresas B2B frente a B2C para impulsar el eWOM positivo.
(2022). https://backlinko.com/ Gestión de marketing industrial, 104, 212–225. https://doi.org/10.1016/j.in dmarman.2022.03.011.
b2bmarketingestadísticas.
Deng, Q., Wang, Y., Rod, M. y Ji, S. (2021). Hable con la cabeza y el corazón: los efectos de las características Lee, D., Hosanagar, K. y Nair, HS (2018). Contenido publicitario y consumidor
lingüísticas en el compromiso de la marca B2B en las redes sociales. Gestión de marketing industrial, 99, compromiso en las redes sociales: Evidencia de Facebook. Ciencias de la administración, 64(11), 5105–
1–15. https://doi.org/10.1016/j.indmarman.2021.09.005 Dens, N. y De Pelsmacker, P. (2010). 5131. https://doi.org/10.1287/mnsc.2017.2902 Lee, J. y Hong, IB
Actitudes hacia la extensión y la marca matriz en respuesta a la publicidad de la extensión. Revista de
(2016). Predicción de respuestas positivas de los usuarios a la publicidad en las redes sociales: los
investigación empresarial, 63 (11), 1237–1244. https://doi.org/10.1016/j.jbusres.2009.11.004 roles del atractivo emocional, la información y la creatividad.
Revista internacional de gestión de la información, 36(3), 360–373. https://doi.org/ 10.1016/
Dhaoui, C. y Webster, CM (2021). Comportamientos de compromiso de la marca y del consumidor en j.ijinfomgt.2016.01.001 Lee, JK (2021).
Páginas de marca de Facebook: tengamos una conversación (positiva). Revista internacional de Expresiones emocionales y estatus de marca. Revista de investigación de marketing, 58(6), 1178–1196. https://
investigación en marketing, 38 (1), 155–175. https://doi.org/10.1016/j. doi.org/10.1177/00222437211037340 Lee, ZWY, Chan, TKH, Chong, AYL. y
ijresmar.2020.06.005 Thadani, DR (2019). Compromiso del cliente a través de la venta minorista omnicanal: los efectos de la
Dobele, A., Lindgreen, A., Beverland, M., Vanhamme, J. y van Wijk, R. (2007). ¿ Por qué transmitir mensajes calidad de integración del canal. Gestión de marketing industrial, 77, 90–101. https://doi.org/10.1016/
virales? Porque se conectan emocionalmente. Business Horizons, 50(4), 291–304. j. indmarman.2018.12.004 Leek, S., Canning, L. y Houghton, D. (2016). Revisando el modelo de ajuste
de tareas a los medios en la
Dwivedi, YK, Ismagilova, E., Rana, NP y Raman, R. (2021). Adopción, uso e impacto de las redes sociales en era de la web 2.0: uso e interacción de Twitter en el sector de la salud. Gestión de marketing industrial, 54, 25–
el contexto de empresa a empresa (B2B): una revisión de la literatura de vanguardia. Fronteras de los 32. https://doi.org/10.1016/j. indmarman.2015.12.007
sistemas de información, 1–23.
111
Leek, S., Houghton, D. y Canning, L. (2019). Twitter y el compromiso conductual en el sector de la salud: un examen Rietveld, R., van Dolen, W., Mazloom, M. y Worring, M. (2020). Lo que siente, es lo que le gusta, la influencia de los
de las empresas de productos y servicios. Gestión de marketing industrial, 81, 115–129. https://doi.org/ mensajes atractivos en la participación del cliente en Instagram.
10.1016/j. indmarman.2017.10.009 Li, Y. y Xie, Y. (2020). ¿Vale una imagen más Revista de Marketing Interactivo, 49, 20–53. https://doi.org/10.1016/j. intmar.2019.06.003
que mil palabras? Un estudio
empírico del contenido de la imagen y la participación en las redes sociales. Revista de investigación de mercados, Rooderkerk, RP y Pauwels, KH (2016). ¡¿Sin comentarios?! Los impulsores de las reacciones a las publicaciones
57(1), 1–19. en línea en grupos profesionales. Revista de Marketing Interactivo, 35, 1–15. https://doi.org/10.1016/
Liu, J., Li, C., Ji, YG, North, M. y Yang, F. (2017). Nos guste o no: Las estrategias de Facebook de Fortune 500 j.intmar.2015.12.003
para generar el boca a boca electrónico de los usuarios. Computadoras en el comportamiento humano, Shahab, MH, Ghazali, E. y Mohtar, M. (2021). El papel del modelo de probabilidad de elaboración en la
73, 605–613. https://doi.org/10.1016/j.chb.2017.03.068 Liu, Y., Foscht, T., Eisingerich, AB y Tsai, investigación del comportamiento del consumidor y su extensión a las nuevas tecnologías: una revisión y
H.T. (2018). Gestión estratégica de una agenda de investigación futura. Revista Internacional de Estudios del Consumidor, 45(4), 664–689.
extensiones de productos y marcas: extensión de marcas corporativas en mercados B2B vs. B2C.
Gestión de marketing industrial, 71, 147–159. Simester, D., Timoshenko, A. y Zoumpoulis, SI (2020). Orientación prospectiva
Lohtia, R., Donthu, N. y Hershberger, EK (2003). El impacto del contenido y los elementos de diseño en las tasas clientes: Robustez de los métodos de aprendizaje automático para los desafíos típicos de los datos.
de clics de publicidad de banners. revista de investigación publicitaria, 43(4), 410–418. Ciencias de la administración, 66(6), 2495–2522. https://doi.org/10.1287/mnsc.2019.3308
Stafford, MR y Day, E. (1995). Publicidad de servicios minoristas: los efectos del atractivo,
Lothia, R., Donthu, N. y Hershberger, EK (2003). El impacto del contenido y los elementos de diseño en las tasas medio y servicio. Revista de Publicidad, 24(1), 57–71. https://doi.org/10.1080/
de clics de publicidad de banners. Revista de Investigación Publicitaria, 43(4), 410–418. https://doi.org/10.2501/ 00913367.1995.10673468
jar434410418 Swani, K., Brown, BP y Milne, GR (2014). ¿Deberían diferir los tweets para B2B y B2C? Un análisis de las
Ludwig, S., De Ruyter, K., Friedman, M., Brüggen, EC, Wetzels, M. y Pfann, G. (2013). comunicaciones en Twitter de las empresas Fortune 500. Gestión de marketing industrial, 43(5), 873–881.
Más que palabras: la influencia del contenido afectivo y las coincidencias de estilo lingüístico en las reseñas https://doi.org/10.1016/j.indmarman.2014.04.012
en línea sobre las tasas de conversión. Revista de Marketing, 77(1), 87–103. https://doi. org/10.1509/ Swani, K., Brown, BP y Mudambi, SM (2020). El potencial sin explotar de B2B
jm.11.0560 Ludwig, S., publicidad: una revisión de la literatura y una agenda futura. Gestión de marketing industrial, 89, 581–593.
Herhausen, D., Grewal, D., Bove, L., Benoit, S., De Ruyter, K. y Urwin, P.
(2021). Comunicación en la economía del concierto: compra y venta en mercados independientes en línea. Swani, K., Milne, G., Brown, P. y B.. (2013). Correr la voz a través de Me gusta en
Revista de Marketing, 86(4). https://doi.org/10.1177/00222429 211030841. Facebook. Revista de Investigación en Marketing Interactivo, 7(4), 269–294. https://doi. org/10.1108/
JRIM0520130026 Swani, K., Milne, GR,
Lwin, M. y Phau, I. (2013). Apelaciones publicitarias efectivas para sitios web de pequeños hoteles boutique. Revista Brown, BP, Assaf, AG y Donthu, N. (2017). ¿Qué mensajes publicar? Evaluación de la popularidad de las
de investigación en marketing interactivo, 7(1), 18–32. https://doi.org/ 10.1108/17505931311316725 comunicaciones en las redes sociales en los mercados comerciales frente a los de consumo. Gestión de
marketing industrial, 62, 77–87. https://doi.org/ 10.1016/j.indmarman.2016.07.006 Taylor, DG, Lewin, JE y
Marder, B., Erz, A., Angell, R. y Plangger, K. (2021). El papel de la estética de las fotografías en los sitios de revisión Strutton, D. (2011). Amigos, fans y seguidores:
en línea: Efectos de las fotos generadas por la gerencia versus las generadas por los viajeros en la toma de ¿Funcionan los anuncios en las redes sociales? Revista de Investigación Publicitaria, 51(1), 258–275. https://
decisiones de los turistas. Revista de investigación sobre viajes, 60(1), 31–46. https://doi.org/ doi.org/10.2501/jar511258275 Tellis, GJ, MacInnis, DJ, Tirunillai, S. y Zhang, Y. (2019). Qué impulsa la
10.1177/0047287519895125 viralidad
Mattila, AS (1999). ¿Funcionan los llamamientos emocionales para los servicios? Revista internacional de gestión
de la industria de servicios, 10(3), 292–307. https://doi.org/10.1108/ 09564239910276890 (compartir) de contenido digital en línea? El papel crítico de la información, la emoción y la prominencia de
la marca. Revista de marketing, 83(4), 1–20.
McCarthy, DM y Winer, RS (2019). Revisión de la regla de Pareto en marketing: ¿Es 80/ Tian, S., Tao, W., Hong, C. y Tsai, W.HS (2021). Transferencia de significado en respaldo de celebridades y
20 o 70/20? Cartas de marketing, 30(2), 139–150. marca compartida: valencia de significado, tipo de asociación y conocimiento de marca. Revista
Meire, M., Ballings, M. y Van den Poel, D. (2017). El valor agregado de los datos de las redes sociales en los Internacional de Publicidad, 121. https://doi.org/10.1080/ 02650487.2021.1940059
sistemas de adquisición de clientes B2B: un experimento de la vida real. Decision Support Systems, 104, 26–
37. Tiwary, NK, Kumar, RK, Sarraf, S., Kumar, P. y Rana, NP (2021). Impacto
Michaelidou, N., Siamagka, NT y Christodoulides, G. (2011). Uso, barreras y evaluación del uso de las redes sociales en el marketing B2B: una revisión de la literatura y un camino a seguir.
medición del marketing en redes sociales: una investigación exploratoria de marcas B2B pequeñas y medianas. Revista de Investigación Empresarial, 131, 121–139. https://doi.org/10.1016/j. jbusres.2021.03.028
Gestión de marketing industrial, 40(7), 1153–1159.
Mora Cortez, R., Gilliland, DI y Johnston, WJ (2020). Revisando la teoría de la publicidad de empresa a Vásquez, L. (2021). 2 trabajadores lesionados presentan una demanda de $10 millones contra ExxonMobil después
empresa. Gestión de marketing industrial, 89, 642–656. https://doi.org/10.1016/j.indmarman.2019.03.012 de la explosión de la refinería de Baytown. https://www.houstonpublicmedia.org/articles/news/e nergy
Mudambi, SM, Doyle, P. y Wong, V. (1997). Una exploración de la environment/2021/12/27/416341/2injuredworkersfile10millionlawsuit againstexxonmobilafterbaytown
marca en los mercados industriales. Gestión de marketing industrial, 26(5), 433–446. https://doi.org/10.1016/ refinery explosión/?fbclid=IwAR2dxDXGhqCrql xRcgel_wobiYpPEtdNP5yJyVDmMNvCdWeW6TV3KB2_4U.
S00198501(96)001514 Nanne, AJ, Antheunis, ML, van der Lee, CG, Postma, EO, Wubben, S. y van
Verlegh, PWJ, Verkerk, C., Tuk, MA y Smidts, A. (2004). ¿Clientes o vendedores? El papel del conocimiento de la
persuasión en la referencia del cliente. Avances en la Investigación del Consumidor, 31, 304–305.
Noort, G. (2020). El uso de la visión por computadora para analizar el contenido de imágenes generado por el
usuario relacionado con la marca. Revista de Marketing Interactivo, 50, 156–167. Wang, SA, Greenwood, BN y Pavlou, PAJMQ (2020). Destino tentador: Social
Neslin, SA y Shoemaker, RW (1989). Una explicación alternativa para las tasas de repetición más bajas después Publicaciones en los medios, dejar de seguir y ventas a largo plazo.
de las compras en promoción. Revista de Investigación de Mercados, 26(2), 205–213. https://doi.org/ Wedel, M. y Kannan, P. (2016). Análisis de marketing para entornos ricos en datos. Diario
10.2307/3172606 Netzer, O., Feldman, R., de Marketing, 80(6), 97–121.
Goldenberg, J. y Fresko, M. (2012). Mine your own business: Vigilancia de la estructura del mercado a través de la Wichmann, J. (2013). Ser B2B social: una conversación con el jefe de redes sociales de Maersk Line
minería de texto. Ciencias del marketing, 31(3), 521–543. medios [entrevista]. Mc Kinsey.
Winkler, H.J., Rieger, V. y Engelen, A. (2020). ¿Importa la personalidad del CMO para el tráfico web? Evidencia de
Pardo, C., Ivens, BS y Wilson, K. (2013). Evaluación y fortalecimiento de la alineación interna de nuevas nuevas empresas basadas en tecnología. Revista de la Academia de Ciencias del Marketing, 48(2), 308–330.
unidades de marketing: una herramienta interpretativa. Gestión de marketing industrial, 42(7), 1074– https://doi.org/10.1007/s11747019006719
1082. https://doi.org/10.1016/j.indmarman.2013.07.016 Yazdani, M. y Manovich, L. (2015). Predicción de tendencias sociales a partir de imágenes no fotográficas en
Pennebaker, J., Booth, R., Boyd, R. y Francis, M. (2015). Consulta lingüística y recuento de palabras: LIWC2015. Twitter. En 2015 conferencia internacional IEEE sobre big data (big data).
Yoo, C. y Macinnis, D. (2005). El proceso de formación de la actitud de marca de los anuncios emocionales e
Petty, RE y Cacioppo, JT (1986). El modelo de probabilidad de elaboración de la persuasión. En Comunicación y informativos. Revista de investigación empresarial, 58 (10), 1397–1406. https://doi.org/ 10.1016/
persuasión (págs. 1–24). Saltador. j.jbusres.2005.03.011
Pham, C. y Septianto, F. (2019). Una sonrisa: ¿la llave del corazón de todos? europeo Yoon, G., Li, C., Ji, Y., North, M., Hong, C. y Liu, J. (2018). Atraer comentarios: Métricas de participación digital en
Revista de Marketing, 54(2), 261–281. https://doi.org/10.1108/EJM0120190019 Facebook y desempeño financiero. revista de publicidad, 47(1), 24–37.
Resnik, A. y Stern, BL (1977). Un análisis del contenido de la información en la publicidad televisiva. Revista
de Marketing, 41(1), 50–53. https://doi.org/10.1177/ 002224297704100107 Riemer, H. y Noel, H. Zhou, L., Du, KM y Cutright, KM (2022). Hacerse amigo del enemigo: los efectos de observar elogios de marca
(2021). El efecto de los a marca en las evaluaciones y elecciones de los consumidores. Revista de Marketing, 002224292110530.
atractivos publicitarios que despiertan emociones en la memoria: el tiempo y el ajuste importan. Revista Internacional https://doi.org/10.1177/00222429211053002
de Publicidad, 40(7), 1024–1046. https://doi.org/10.1080/02650487.2020.1822670 _
112

1 s2.0 S0019850123000664 Main

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

1 s2.0 S0019850123000664 Main

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Autores Recomendaciones Contexto Tipos de cue en el contenido de FGC

B2C B2B Texto Textual Visual Visual

*SIC se refiere a la Clasificación Industrial Uniforme. 3M 567 0.74

visuales (textuales) que transmiten información significativa relacionada con la empresa a la exxonmobil 391 210 50

humanos pueden evaluar las frases cortas (es decir, unigrama, bigrama y trigrama) generadas Categoría Tipo Visual Textual

Variable Significar Dakota del Sur mínimo máx.

Número de Me gusta 3880.257 8181.351 4 255,140

Categoría Fuente Tipo α de Krippendorff entre α de Krippendorff entre codificadores y medición automatizada Precisión Recordar F

Producto 0,92 0.85 0,96 0.90 0.93

Calidad 0,82 0,74 1,00 0,60 0,75

Calidad 0.93 0.75 0,92 0.74 0.82

Significar 0,92 0.85 0.93 0.85 0.88

Modelo VD Métrico MCO veneno NBD Poisson inflado a cero NBD inflado a cero

AIC 109.492,10 9.614.367,07 88.415,48 N / A N / A

Variable Gustos Comentarios

coef firma SE coef firma SE

Producto 0,346 * 0.021 0,331 * 0.030

También podría gustarte