Earn money by answering our surveys

Register now!

LinkedIn: los sentimientos expresados y su efecto en la viralidad

Earn up to 50€ by participating in one of our paid market research.

Register now!

Todo el mundo concuerda en que el contenido de las publicaciones de LinkedIn es un factor determinante en la probabilidad de que se vuelva viral. Así que hoy no voy a responder a la pregunta «¿De qué deberíamos hablar en LinkedIn?», sino «¿Cómo deberíamos hablar?». He usado una recopilación de 4 millones de publicaciones en LinkedIn para medir los sentimientos expresados y analizar su correlación con su viralidad.

Este análisis es una continuación del que publiqué aquí con un conjunto de 4,6 millones de publicaciones y en el que destaqué el papel de la red de contactos, del número de palabras, y del número de emoticonos en la viralidad de una publicación de LinkedIn.

Si quieres saber más sobre LinkedIn y recibir mis análisis exclusivos por correo electrónico, puedes suscribirte a mi boletín (a continuación). ¡Asegúrate de confirmar tu suscripción en el enlace que recibirás en tu correo!

Resumen

Resumiendo los resultados

  • Solo el 0,21% de las publicaciones reciben más de 1.000 reacciones.
  • Entre el 82% y el 89% de las publicaciones en LinkedIn pueden describirse como «subjetivas».
  • Entre el 71% y el 77% de las publicaciones en LinkedIn expresan emociones positivas.
  • No es necesario que seas positivo para tener éxito en LinkedIn.
  • La publicación más viral del conjunto de datos (con 817.355 reacciones en el momento en el que se redactó este artículo) expresa emociones negativas.
  • Se detectan diferencias notables en las emociones y la objetividad/subjetividad según el idioma.
  • Las emociones expresadas en una publicación en LinkedIn no tienen influencia a nivel estadístico sobre la posibilidad de volverse viral.
  • Una subjetividad media del 0,5 aumenta la probabilidad de volverse viral de un 3,59% a un 5,2%.

Metodología

  • Se usó un conjunto de datos de 4,6 millones de publicaciones de LinkedIn. Preparé los datos usando Anatella (empresa Timi) para:
    • detectar el idioma de las publicaciones (algoritmo CLD2)
    • medir el sentimiento de las publicaciones en francés, inglés y holandés.
  • A continuación, los datos fueron visualizados y explorados usando Tableau, y se desarrolló un modelo predictivo con Modeler (empresa Timi).
  • El número de publicaciones analizadas puede desglosarse en:
    • Inglés: 2.556 millones
    • Francés: 1.108 millones
    • Holandés: 68.876

Resultados detallados

  • Entre el 72% y el 77% de las publicaciones de LinkedIn expresan emociones positivas.
  • Entre el 23% y el 28% de las publicaciones de LinkedIn expresan emociones negativas.
  • Las publicaciones de LinkedIn en francés son, de media, más positivas que las publicaciones en inglés y holandés.
  • Las emociones expresadas influencian la viralidad de una publicación de LinkedIn solo de manera marginal (4,6%)
  • La viralidad de una publicación se ve afectada principalmente por la subjetividad (31,7%)
  • La viralidad máxima la alcanzan publicaciones con
    • Una subjetividad entre el 0,5 y el 5,55
    • Una polaridad entre el 0,24 y el 0,35

Analizando sentimientos: ¿cómo funciona?

La llegada del PLN (Procesamiento del Lenguaje Natural) ha puesto a nuestra disposición toda una nueva gama de herramientas. Entre mis favoritas se cuenta el software de ETL (Anatella), un módulo dedicado recientemente al análisis de sentimientos.
El análisis de sentimientos se basa en 2 variables:

  • subjetividad
  • la polaridad

La subjetividad se mide en una escala que suele ir del -1 al 1, o del 0 al 1. En el caso del algoritmo usado en Antallea, es de [-1;1]. Una publicación subjetiva evoluciona entre 0 y 1, mientras que una publicación objetiva lo hace entre 0 y -1.

La polaridad se corresponde a una evaluación de las emociones contenidas en el texto, y para esta volvemos a usar una escala del -1 al 1. Las emociones negativas quedan entre -1 y 0, y las emociones positivas entre 0 y 1.

Si quieres saber más, te aconsejo que visites esta conversación en Quora.


Diferencias notables en el «tono» de las publicaciones de LinkedIn según el idioma

En esta primera visualización, se dividen las publicaciones en 4 categorías según la subjetividad (negativa/positiva) y la polaridad (negativa/positiva).

Puesto que la subjetividad negativa se corresponde con la objetividad, usé ese término para identificarla, y ya que el término «polaridad» hace referencia a las emociones, elegí dicha palabra para ayudar a una mayor comprensión.

Así que nos encontramos 4 «cuadrantes» que nos permiten dividir las publicaciones de LinkedIn según su objetividad/subjetividad y emociones positivas/negativas. Tal y como puedes ver, existen diferencias significativas entre los distintos idiomas (puedes hacer clic en las imágenes para ampliarlas).

subjectivity and polarity (emotions) in Linkedin posts comparison by language

Las publicaciones en LinkedIn casi siempre son subjetivas… excepto en francés

El gráfico que aparece a continuación muestra los sentimientos expresados en el 99,79% de las publicaciones que recibieron menos de 1.000 reacciones. Puedes ver que la amplia mayoría están en la parte superior de la tabla, es decir, en la parte «subjetiva». Solo las publicaciones en francés suponen una pequeña excepción a esa regla.

sentiment analysis of non viral posts on Linkedin


Las publicaciones virales en LinkedIn son principalmente subjetivas y expresan emociones positivas

En este gráfico se visualizan las publicaciones de LinkedIn que generaron más de 1.000 reacciones («me gusta» + comentarios). La mayoría de ellas se ubican, tal y como pasa con las publicaciones no virales, en el cuadrante superior derecho (puedes consultar la sección remarcada). Son, por lo tanto, publicaciones subjetivas con emociones positivas. Pero también podemos ver que hay un número significativo de publicaciones en el cuadrante superior izquierdo en el idioma inglés, es decir, publicaciones que expresaban emociones negativas. La publicación más viral de todo el conjunto de datos se encuentra dentro de ese grupo.


La publicación más viral del conjunto de datos es obra de esta persona. Se clasifica como una publicación ligeramente negativa en cuanto a emociones y de una subjetividad media; dejaré que seas tú quien decida si el algoritmo ha hecho un buen trabajo. Como puedes ver, desde el momento en que recibí el conjunto de datos esta publicación ha seguido recibiendo «me gusta» y comentarios. El número acumulado en este momento es de 817.355.

most viral post on Linkedin


La subjetividad tiene el mayor grado de influencia en la viralidad de una publicación en LinkedIn

La parte final de este análisis fue determinar el efecto que tienen las variables «subjetividad» y «polaridad» sobre la probabilidad de que una publicación de LinkedIn se vuelva viral.

Se realizó un modelo predictivo con «Modeler», de Timi, y seguí la misma metodología que ya usé en mi investigación anterior. Modelé la probabilidad de recibir 100 reacciones en una publicación de LinkedIn donde reacción se define como la suma de «me gusta» y comentarios.

El modelo de Timi muestra que la subjetividad contribuye un 31,7% al cumplimiento del objetivo, mientras que la variable «polaridad» (ej.: las emociones expresadas) solo contribuye un 4,6%. En otras palabras, las emociones expresadas en una publicación tienen poco efecto sobre la probabilidad de que esta se vuelva viral.

La probabilidad «natural» de alcanzar 100 reacciones es del 3,59%. Cuando la subjetividad de una publicación ronda el 0,5, esta probabilidad aumenta hasta el 5,2%.

subjectify impact on linkedin post virality

Agradecimientos

Gracias a Tableau Software por su apoyo en mis investigaciones.

Gracias a Frank Vanden Berghen y a Timi por su ayuda al poner a mi disposición Anatella y Modeler.

 

 

 

 

Etiquetas: ,

Submit a Comment

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *