Informe ARS de l’Ajuntament d’Oliva 2022
Por Maria Carbonell Olcina
Situándonos en el hipotético caso de que el ayuntamiento de la localidad valenciana de Oliva, ha decidido dedicar parte de su presupuesto de este año a la mejora de la comunicación a través de las redes sociales, decide contratar a una empresa externa para que realice un informe sobre su situación actual, y posterior implementación de una estrategia de mejora en estas.
Centrándonos en la situación de partida, observamos que cuenta con tres redes sociales: Instagram, Twitter y Facebook. Es aquí donde observamos que el contenido que se genera y se comparte es el mismo en las tres plataformas. La comunicación unidireccional mayoritariamente, el usuario @Ajuntamentdeoliva emite la información y muy pocos usuarios interactúan con esta, teniendo como resultado una baja tasa de Engagement, dato importante a mejorar en las plataformas orgánicas. Este ratio consigue medir el nivel de interacción o “enganche”que tiene un usuario en su comunidad, entre el emisor de la información y sus receptores. Aquí es relevante el sentimiento de comunidad, ya que son las redes sociales que utiliza el Ayuntamiento de la localidad para comunicarse con sus seguidores, y por consecuente sus ciudadanos. Esto se traduce en número de followers, comentarios recibidos, menciones, shares, etc.
A diferencia de Instagram y Facebook, observamos que su actividad en Twitter es un poco diferente, debido a que a través del “retweet” y “me gusta” comparte otro tipo de contenido como humor, notas de prensa y diferentes acontecimientos que ocurren en la ciudad. Así que una forma de conocer su situación actual en Twitter, para poder potenciar este canal de comunicación, es realizar un análisis de su comunidad, teniendo en cuenta la importancia que tiene para este organismo público.
Es por esto, que podemos suponer en un inicio que sus seguidores, o la mayoría de ellos, serán ciudadanos de la localidad, ya que es a quién va dirigida la información, lo que se puede en una red de análisis interesante para ser conocedores de: cómo se caracteriza su comunidad y cómo reacciona a nuestro contenido, qué se dice del Ayuntamiento y cómo reaccionan lo usuarios a esto, comprender los diferentes actores que la conforman, y cómo intervienen.
Para poder llevar a cabo concretamente esta primera parte del análisis en Twitter, utilizaremos la herramienta Gephi, un software que nos permite visualizar y analizar bases de datos basadnos en agentes y relación entre ellos: nodos y aristas.
Para poder conseguir esta base de datos podemos hacerlo a través de diferentes herramientas con las que es imprescindible crear una cuenta de “creador de apps” cómo lo considera Twitter. Este paso es esencial para poder conseguir las credenciales de acceso que nos proporciona la plataforma para poder extraer información de su API. Una vez registrados y con sus claves configuradas, se han seguido dos maneras distintas para conseguir la información que necesitábamos y poder comprobar posteriormente si se ha extraído de manera correcta, coincidiendo así ambos resultados.
En primer lugar, se opta por el uso de Tweepy, para poder conseguir los datos API de Twitter, a través de su programación en la versión más actualizada de Python. Una opción compleja porque incluye conocimientos de programación y por consecuente un mayor tiempo de dedicación. Pero el resultado es muy escueto una vez aplicado.
En segundo lugar, el propio Gephi, incluye un plugin para poder extraer información sobre Twitter llamado Twitter Streaming Importer V2, completamente actualizado a las últimas modificaciones que ha hecho Twitter a nivel de passwords (anteriormente se generaban 4 contraseñas y actualmente 3), y en donde el propio Gephi genera directamente el mapa de visualización de datos.
Una vez obtenidos, pasamos a analizar las menciones que ha recibido @ajuntamentdeoliva en el último año en esta red, para conocer su estructura dada su morfología. Para su visualización utilizaremos el algoritmo Force Atlas 2.
Gráfico @Ajuntamentdeoliva
Lo primero que vemos en el gráfico es que está compuesto por 59849 nodos y 69803 aristas, lo que significa que las conexiones entre nodos son pocos y lo que da lugar a un mayor número de diferentes comunidades. La densidad es de 0, el grado medio de 1,16 lo que indica que la red es muy poco conglomerada y que la conexión entre nodos es muy escasa, la conexión entre vecinos es casi inexistente.
A nivel estructural, su diámetro es de 5, lo que significando así la distancia máxima entre nodos de toda la red, y la distancia media de 1,16. El Clustering Coefficient nos indica el nivel de cohesión siendo de 0,073, significando así que los vértices están alejados de sus vecinos. En cuanto a la detección de comunidades, observamos que existen muchísimas: 24459 comunidades, con una modularidad de 0,999. La proporción de nodos divididos principalmente, es la siguiente:
- 1,12%
- 0,94%
- 0,8%
- 0,79%
- 0,38%
- 0,29%
Así pues, se trata de un grafo dirigido, lo que significa que las aristas tienen un sentido definido, y ponderado, porque las aristas tienen un valor asociado.
Este análisis podríamos aplicarlo también en términos de seguidores para conocer nuestra audiencia (seguidores, figuras influyentes en la comunidad, etc.) y en las plataformas sociales para conseguir un informe en general de sus redes.
Centrándonos en esta única parte, podemos concluir que las menciones en la red se hacen desde diferentes usuarios y que generan poca interacción. Por ejemplo, un usuario de la oposición, genera un tweet mencionando a @ajuntamentdeoliva tras estar insatisfecho con las reformas del polideportivo municipal, y a partir de aquí, se genera un hilo con distintas menciones. Pues tras este análisis podemos decir que las menciones generan poco debate, (pequeños hilos, y retweets). Las menciones son muchas, pero el nivel de interacción es poco, debido a que el contenido que se difunde en la red es meramente informativo.
Un punto a mejorar podría ser el de generar contenido de interés para la comunidad, inducir a que los usuarios compartan, retuiteen y mencionen a @ajuntamentdeoliva, ayudando a crear comunidad, presencia en redes, y por consecuente, mostrando un mayor interés por la ciudadanía.
RECURSOS Y WEBGRAFÍA:
Morales-i-Gras, J. (2022, marzo). Comprensión de las redes sociales (Módulo 1). Editorial UOC. https://materials.campus.uoc.edu/daisy/Materials/ PID_00279379/html5/ PID_00279379.html
Tweepy. (2022). Https://Www.Tweepy.Org. https://www.tweepy.org
Reneboldi, T. (2021, 16 diciembre). Cómo obtener datos de Twitter. Hacer todo esto con Tweepy (3/5). Medium. https://tomasreneboldi.medium.com/c%C3%B3mo-obtener-datos-de-twitter-hacer-todo-esto-con-tweepy-3-5-21d60cd6e2c1
Python + Tweepy para extraer datos de Twitter | Twitter API PARTE 3. (2019, 22 diciembre). [Vídeo]. YouTube. https://www.youtube.com/watch?v=PUgPAM5Ect8
Python + Tweepy para usar Twitter | Twitter API PARTE 4: Tuitear, Dar Follow, enviar DMs. (2020, 2 enero). [Vídeo]. YouTube. https://www.youtube.com/watch?v=fqFAOYh_-bs
Código para almacenar tweets utilizando Tweepy y Python. Actualización 2022. (2022, 16 enero). [Vídeo]. YouTube. https://www.youtube.com/watch?v=qliI-Jcjfdc
Ajuntament d’Oliva (@AjuntamentOliva) /. (2022, 27 junio). [Profile]. Twitter. https://twitter.com/AjuntamentOliva
Debate0en Informe ARS de l’Ajuntament d’Oliva 2022
No hay comentarios.
Lo siento, debes estar conectado para publicar un comentario.
Este es un espacio de trabajo personal de un/a estudiante de la Universitat Oberta de Catalunya. Cualquier contenido publicado en este espacio es responsabilidad de su autor/a.
No puedo insertar la imagen. No sé cómo se hace
Informe ARS de l’Ajuntament d’Oliva 2022
Por Maria Carbonell Olcina
Situándonos en el hipotético caso de que el ayuntamiento de la localidad valenciana de Oliva, ha decidido dedicar parte de su presupuesto de este año a la mejora de la comunicación a través de las redes sociales, decide contratar a una empresa externa para que realice un informe sobre su situación actual, y posterior implementación de una estrategia de mejora en estas.
Centrándonos en la situación de partida, observamos que cuenta con tres redes sociales: Instagram, Twitter y Facebook. Es aquí donde observamos que el contenido que se genera y se comparte es el mismo en las tres plataformas. La comunicación unidireccional mayoritariamente, el usuario @Ajuntamentdeoliva emite la información y muy pocos usuarios interactúan con esta, teniendo como resultado una baja tasa de Engagement, dato importante a mejorar en las plataformas orgánicas. Este ratio consigue medir el nivel de interacción o “enganche”que tiene un usuario en su comunidad, entre el emisor de la información y sus receptores. Aquí es relevante el sentimiento de comunidad, ya que son las redes sociales que utiliza el Ayuntamiento de la localidad para comunicarse con sus seguidores, y por consecuente sus ciudadanos. Esto se traduce en número de followers, comentarios recibidos, menciones, shares, etc.
A diferencia de Instagram y Facebook, observamos que su actividad en Twitter es un poco diferente, debido a que a través del “retweet” y “me gusta” comparte otro tipo de contenido como humor, notas de prensa y diferentes acontecimientos que ocurren en la ciudad. Así que una forma de conocer su situación actual en Twitter, para poder potenciar este canal de comunicación, es realizar un análisis de su comunidad, teniendo en cuenta la importancia que tiene para este organismo público.
Es por esto, que podemos suponer en un inicio que sus seguidores, o la mayoría de ellos, serán ciudadanos de la localidad, ya que es a quién va dirigida la información, lo que se puede en una red de análisis interesante para ser conocedores de: cómo se caracteriza su comunidad y cómo reacciona a nuestro contenido, qué se dice del Ayuntamiento y cómo reaccionan lo usuarios a esto, comprender los diferentes actores que la conforman, y cómo intervienen.
Para poder llevar a cabo concretamente esta primera parte del análisis en Twitter, utilizaremos la herramienta Gephi, un software que nos permite visualizar y analizar bases de datos basadnos en agentes y relación entre ellos: nodos y aristas.
Para poder conseguir esta base de datos podemos hacerlo a través de diferentes herramientas con las que es imprescindible crear una cuenta de “creador de apps” cómo lo considera Twitter. Este paso es esencial para poder conseguir las credenciales de acceso que nos proporciona la plataforma para poder extraer información de su API. Una vez registrados y con sus claves configuradas, se han seguido dos maneras distintas para conseguir la información que necesitábamos y poder comprobar posteriormente si se ha extraído de manera correcta, coincidiendo así ambos resultados.
En primer lugar, se opta por el uso de Tweepy, para poder conseguir los datos API de Twitter, a través de su programación en la versión más actualizada de Python. Una opción compleja porque incluye conocimientos de programación y por consecuente un mayor tiempo de dedicación. Pero el resultado es muy escueto una vez aplicado.
En segundo lugar, el propio Gephi, incluye un plugin para poder extraer información sobre Twitter llamado Twitter Streaming Importer V2, completamente actualizado a las últimas modificaciones que ha hecho Twitter a nivel de passwords (anteriormente se generaban 4 contraseñas y actualmente 3), y en donde el propio Gephi genera directamente el mapa de visualización de datos.
Una vez obtenidos, pasamos a analizar las menciones que ha recibido @ajuntamentdeoliva en el último año en esta red, para conocer su estructura dada su morfología. Para su visualización utilizaremos el algoritmo Force Atlas 2.
Gráfico @Ajuntamentdeoliva
Lo primero que vemos en el gráfico es que está compuesto por 59849 nodos y 69803 aristas, lo que significa que las conexiones entre nodos son pocos y lo que da lugar a un mayor número de diferentes comunidades. La densidad es de 0, el grado medio de 1,16 lo que indica que la red es muy poco conglomerada y que la conexión entre nodos es muy escasa, la conexión entre vecinos es casi inexistente.
A nivel estructural, su diámetro es de 5, lo que significando así la distancia máxima entre nodos de toda la red, y la distancia media de 1,16. El Clustering Coefficient nos indica el nivel de cohesión siendo de 0,073, significando así que los vértices están alejados de sus vecinos. En cuanto a la detección de comunidades, observamos que existen muchísimas: 24459 comunidades, con una modularidad de 0,999. La proporción de nodos divididos principalmente, es la siguiente:
1,12%
0,94%
0,8%
0,79%
0,38%
0,29%
Así pues, se trata de un grafo dirigido, lo que significa que las aristas tienen un sentido definido, y ponderado, porque las aristas tienen un valor asociado.
Este análisis podríamos aplicarlo también en términos de seguidores para conocer nuestra audiencia (seguidores, figuras influyentes en la comunidad, etc.) y en las plataformas sociales para conseguir un informe en general de sus redes.
Centrándonos en esta única parte, podemos concluir que las menciones en la red se hacen desde diferentes usuarios y que generan poca interacción. Por ejemplo, un usuario de la oposición, genera un tweet mencionando a @ajuntamentdeoliva tras estar insatisfecho con las reformas del polideportivo municipal, y a partir de aquí, se genera un hilo con distintas menciones. Pues tras este análisis podemos decir que las menciones generan poco debate, (pequeños hilos, y retweets). Las menciones son muchas, pero el nivel de interacción es poco, debido a que el contenido que se difunde en la red es meramente informativo.
Un punto a mejorar podría ser el de generar contenido de interés para la comunidad, inducir a que los usuarios compartan, retuiteen y mencionen a @ajuntamentdeoliva, ayudando a crear comunidad, presencia en redes, y por consecuente, mostrando un mayor interés por la ciudadanía.
RECURSOS Y WEBGRAFÍA:
Morales-i-Gras, J. (2022, marzo). Comprensión de las redes sociales (Módulo 1). Editorial UOC. https://materials.campus.uoc.edu/daisy/Materials/ PID_00279379/html5/ PID_00279379.html
Tweepy. (2022). https://Www.Tweepy.Org. https://www.tweepy.org
Reneboldi, T. (2021, 16 diciembre). Cómo obtener datos de Twitter. Hacer todo esto con Tweepy (3/5). Medium. https://tomasreneboldi.medium.com/c%C3%B3mo-obtener-datos-de-twitter-hacer-todo-esto-con-tweepy-3-5-21d60cd6e2c1
Python + Tweepy para extraer datos de Twitter | Twitter API PARTE 3. (2019, 22 diciembre). [Vídeo]. YouTube. https://www.youtube.com/watch?v=PUgPAM5Ect8
Python + Tweepy para usar Twitter | Twitter API PARTE 4: Tuitear, Dar Follow, enviar DMs. (2020, 2 enero). [Vídeo]. YouTube. https://www.youtube.com/watch?v=fqFAOYh_-bs
Código para almacenar tweets utilizando Tweepy y Python. Actualización 2022. (2022, 16 enero). [Vídeo]. YouTube. https://www.youtube.com/watch?v=qliI-Jcjfdc
Ajuntament d’Oliva (@AjuntamentOliva) /. (2022, 27 junio). [Profile]. Twitter. https://twitter.com/AjuntamentOliva