RESUMEN La capacidad de obtener información sobre el mercado es una necesidad estratégica para que las empresas sigan siendo competitivas. A pesar de esto y del enorme volumen de datos que generan los consumidores cada segundo, las empresas rara vez tienen la cultura de tomar decisiones de marketing basadas en datos y, cuando lo hacen, rara vez utilizan datos de consumidores ampliamente disponibles en línea, especialmente en las redes sociales. Una razón es que estos datos (por ejemplo, textos) tienden a ser "sucios", desorganizados y voluminosos, los llamados datos no estructurados. A pesar de la complejidad que implica extraer valor informativo de estos datos, las empresas pueden obtener conocimientos que pueden mejorar la toma de decisiones y dar como resultado un mayor rendimiento competitivo. El propósito de este artículo es discutir los beneficios de los nuevos tipos de datos que se han vuelto más abundantes y accesibles en la Web 3.0, a través de redes sociales populares, así como los nuevos métodos de análisis, particularmente los métodos de aprendizaje. Para ello, se llevó a cabo una extensa revisión de la literatura y se realizó un modelado de temas para obtener una visión general de los datos y métodos. Al final, el artículo sugiere seis desafíos principales de marketing a los que puede contribuir el análisis de datos no estructurados, mejorando la competitividad de las empresas. competitivas segundo hacen línea por ejemplo textos sucios, sucios , "sucios" voluminosos estructurados competitivo 30 3 0 3.0 populares aprendizaje ello final "sucios 3.
ABSTRACT The capacity to obtain market insights is a strategic need for companies to remain competitive. Despite this and the massive volume of data generated by consumers every second, companies rarely have the culture of making marketing decisions based on data and, when they do, rarely use consumer data widely available online, especially on social networks. One reason is that these data (e.g. texts) tend to be “dirty”, disorganized and bulky, a so-called unstructured data. The purpose of this article is to discuss the benefits of new types of data that have become more abundant and accessible in Web 3.0 through popular social networks, as well as new methods of analysis, particularly learning methods for prediction. For this, an extensive literature review was carried out and a topic modeling was conducted to get an overview of the data and methods. At the end, the article suggests six main marketing challenges that unstructured data analytics can contribute to overcome, improving companies’ competitiveness. competitive second do online networks e.g. eg e g (e.g texts dirty, dirty , “dirty” bulky socalled so called 30 3 0 3. analysis prediction end overcome competitiveness e.g “dirty
RESUMO A capacidade de obter insights de mercado é uma necessidade estratégica para que as empresas se mantenham competitivas. Apesar disso e do enorme volume de dados gerados pelos consumidores a cada segundo, as empresas raramente têm a cultura de tomar decisões de marketing com base em dados e, quando o fazem, raramente usam os dados do consumidor amplamente disponíveis online, especialmente nas redes sociais. Uma razão é que esses dados (por exemplo, textos) tendem a ser “sujos”, desorganizados e volumosos, os chamados dados não estruturados. Apesar da complexidade envolvida na extração de valor informativo desses dados, as empresas podem obter insights que podem melhorar a tomada de decisões e resultar em maior desempenho competitivo. O objetivo deste artigo é discutir os benefícios de novos tipos de dados que se tornaram mais abundantes e acessíveis na Web 3.0, através das populares redes sociais, bem como novos métodos de análise, particularmente métodos de aprendizagem. Para isso, foi realizada uma extensa revisão da literatura e uma modelagem de tópicos para obter uma visão geral dos dados e métodos. No final, o artigo sugere seis desafios principais de marketing com os quais a análise de dados não estruturados pode contribuir, melhorando a competitividade das empresas. competitivas segundo fazem online sociais por exemplo textos sujos, sujos , “sujos” volumosos competitivo 30 3 0 3.0 aprendizagem isso final contribuir “sujos 3.