FACULTAD DE CIENCIAS EMPRESARIALES

Carrera de Marketing

CONSUMO INFLUENCIADO POR EL SOCIAL MEDIA Y

SU RELACIÓN CON VARIABLES
PSICODEMOGRÁFICAS, CASO DE LAS SEGUIDORAS
DE FASHION BLOGGERS PERUANAS

Tesis para optar por el Título Profesional de Licenciado en

Marketing

STEPHANIE EDITH FARFÁN MIRANDA

VANIA ZAPATA HOFFMANN

Asesor:
Mg. Carla Arriola Alvarado

Lima - Perú
2018
 Dedicado a

Nuestros padres, quienes nos

enseñaron del mundo. Fueron
nuestros escudos y fuente de
fortaleza. Es imposible que nos
alcance la vida para devolverles
todo lo que han hecho por
nosotras. Infinitas gracias, los
amamos.

2
Contenido

Introducción ................................................................................................................................. 5
Capítulo I: Problema de Investigación ...................................................................................... 6
1.1. Planteamiento del Problema ............................................................................ 6
1.2. Formulación del Problema ..................................................................................... 8
1.3. Justificación ............................................................................................................ 8
Capítulo II: Marco Referencial .................................................................................................. 10
2.1. Antecedentes......................................................................................................... 10
2.2. Marco Teórico........................................................................................................ 13
2.2.1 Social Media ............................................................................................ 13
2.2.2. Influencer ................................................................................................ 15
2.2.3. Influencia del Social Media y el eWOM ............................................... 16
2.2.4. Social Media, Influencers de moda y el comportamiento del
consumidor ...................................................................................................... 17
2.2.5. Minería de Datos .................................................................................... 17
2.2.6. Análisis de Sentimiento ........................................................................... 18
2.2.7. Twitter como fuente de datos del comportamiento humano ............ 18
2.2.8. Twitter, Moda e Influencers ..................................................................... 19
2.2.9. YouTube e Influencers de Moda .......................................................... 20
2.2.10. YouTube como fuente de información para comprender al
consumidor y la Minería de Datos ................................................................. 21
2.2.11. El Modelo Big Five y el Consumo ...................................................... 25
2.2.12. Satisfacción con la vida y consumo .................................................. 26
2.2.13. Liderazgo en los consumidores e Influencers ................................. 27
2.2.14. Preferencias de consumo, social media y variables
demográficas ................................................................................................... 27
2.2.15. La escritura en castellano y la educación ........................................ 28
2.2.16. El modelado computacional de la Universidad de Cambridge
y los rasgos psicodemográficos .................................................................... 28
2.2.17. Modelo de referencia ........................................................................... 31
Capítulo III: Metodología ........................................................................................................... 34
3.1. Tipo y Diseño de investigación ........................................................................... 34
3.1.1. Tipo de investigación ............................................................................ 34
3.1.2. Diseño de investigación ....................................................................... 34
3.2. Categorías.............................................................................................................. 35
3.3. Variables ................................................................................................................. 36
3.4. Universo ................................................................................................................. 37
3.5. Muestra .................................................................................................................. 38
3.6. Instrumentos ........................................................................................................... 40
3.6.1. Twitter Audit ........................................................................................... 40
3.6.2. NVIVO ...................................................................................................... 40
3.6.3. TextCleanr .............................................................................................. 40
3.6.4. Lingmotif .................................................................................................. 40
3.6.5. Legible .................................................................................................... 41
3.6.6. Watson Language Translator ............................................................... 41
3.6.7. Grammarly .............................................................................................. 41
3.6.8. Apply Magic Sauce ................................................................................ 41
3.6.9. Watson Personality Insights ................................................................ 42
3.6.10. Excel ..................................................................................................... 43
3.6.11. XLSTAT ................................................................................................. 43
3.7. Procedimiento para recolección de datos ......................................................... 43
3.8. Plan de Análisis..................................................................................................... 44
Capitulo IV: Actividades y Recursos Disponibles ................................................................. 46
4.1. Cuadro de Actividades ............................................................................................ 46
4.2. Recursos Disponibles y Presupuesto ................................................................ 47

3
Capítulo V: Resultados ............................................................................................................. 48
5.1. Resultados cualitativos ........................................................................................ 48
5.2. Resultados Cuantitativos ........................................................................................ 53
5.2.1. Resultados de la encuesta ...................................................................... 53
5.2.2. Resultados del Modelo Propuesto........................................................... 57
5.3. Discusión de los resultados .................................................................................... 61
Capítulo VI: Conclusiones y Recomendaciones .................................................................... 64
6.1. Conclusiones......................................................................................................... 64
6.2. Recomendaciones ................................................................................................ 66
Capítulo VII: Limitaciones e investigaciones futuras ............................................................ 68
7.1. Limitaciones de la investigación ............................................................................. 68
7.2. Investigaciones Futuras ....................................................................................... 68
Queda en manos de otros investigadores el explotar los datos de Twitter y correlacionar
los datos que se puedan obtener de otras redes sociales, siempre y cuando quede
evidencia de que las cuentas pertenecen a las mismas personas. ............................................ 69

Índice de Tablas

T ABLA 1: V ARIABLES PSICODEMOGRÁFICAS TRABAJADAS POR LA U NIVERSIDAD DE

C AMBRIDGE ................................................................................................................................. 30
T ABLA 2: M ATRIZ DE P ROBLEMAS , O BJETIVOS E HIPÓTESIS – 1RA P ARTE ................................ 32
T ABLA 3: M ATRIZ DE P ROBLEMAS , O BJETIVOS E HIPÓTESIS – 2DA P ARTE ................................ 33
T ABLA 4: C ATEGORÍAS DE E STUDIO ........................................................................................... 35
Tabla 5: Variables de Estudio .................................................................................................. 36
Tabla 6 : Cuadro de Actividades .............................................................................................. 46
Tabla 7: Prueba Omnibus sobre los coeficientes del Modelo .............................................. 57
Tabla 8: Estadísticos de Bondad de Ajuste ............................................................................ 57
Tabla 9: Variable en la ecuación del modelo .......................................................................... 58
T ABLA 10: ESTADÍSTICOS DE BONDAD DE AJUSTE PARA EL M ODELO M ODIFICADO ................... 59
Tabla 11: Variables en la ecuación del modelo modificado ................................................. 59
Tabla 12: Test de Hosmer- Lemeshow .................................................................................... 60
Tabla 13: Prueba de Kolmogorov – Smirnov ......................................................................... 60
T ABLA 14: T ABLA DE CLASIFICACIÓN DEL MODELO M ODIFICADO .............................................. 60
Tabla 15. Matriz de Consistencia: ............................................................................................ 80
Índice de Figuras

Figura 1: Interés hacia el término Influencer Marketing a nivel Global Enero 2004 –
Abril 2018 ..................................................................................................................................... 9
Figura 2: Métricas explotables de YouTube ........................................................................... 22
Figura 3: Escala de Actitud hacia el contenido generado por usuarios en YouTube
en el caso de seguidoras de Influencers de Moda y Estilo .................................................. 53
Figura 4: Actividades realizadas por seguidoras de influencers en la red social
YouTube ..................................................................................................................................... 55
Figura 5: Distribución con respecto al destinatario de la compra recomendada por
la influencer de moda y estilo en YouTube ............................................................................ 56
Figura 6: Tipo de Proyecto con mayor probabilidad de ser adquirido en base a
recomendación de influencer de moda y estilo en YouTube ............................................... 56
Figura 7: MEDIO que es usado para seguir influencers peruanas de moda y estilo ......... 54
Figura 8: Algoritmo de procesamiento de datos de Twitter ................................................. 43
Figura 9: Algoritmo de procesamiento de datos de YouTube .............................................. 44
Figura 10: Curva ROC para el Modelo ..................................................................................... 61
Figura 11: Comparativo entre las búsquedas relacionadas a Moda y Estilo de
acuerdo según elemento del social media YouTube vs. Twitter vs. Instagram –
enero 2015- Octubre 2018 ......................................................................................................... 67
Figura 12: Ejemplo de las métricas en Instagram disponibles para el estudio .................. 69

4
 Introducción
Durante el paso de los años, las empresas han pasado un gran reto para poder
diferenciar sus productos de la competencia y llamar así la atención de los
consumidores.

Antes de que el internet se volviera masivo, los consumidores, antes de realizar sus
compras, solían tener en consideración las opiniones de personas que salían en la
televisión para realizar sus compras, hoy en día, las empresas cuentan además con
otros medios digitales tales como: Facebook, YouTube, Instagram, Twitter, etc.
plataformas conocidas como “Social Media”. Estas son mayormente empleadas por los
llamados “influencers” para difundir su contenido. Estos personajes gozan de prestigio
en un tema en específico y cuya opinión es tomada en cuenta por seguidores, además,
son considerados como un nuevo medio de publicidad para las empresas.

Dentro de las plataformas Social Media que utilizan estos influencers, Twitter ha sido
citada por varios investigadores como una de las fuentes más adecuadas para construir
un perfil digital. Y a pesar de que en los últimos años ha decaído en popularidad, todavía
sigue siendo un referente. Las influencers de moda y estilo en el Perú cuentan con una
cantidad considerable de seguidores en Twitter. Por otro lado, YouTube también es una
de las plataformas donde más difusión han alcanzado las influencers de múltiples
temáticas, dando espacio a las Fashions Blogger para mostrar un contenido mucho más
detallado que en cualquier otra plataforma. Debido a ello, es aceptado que las redes
sociales pueden influir en la adquisición de un producto.

Muchas investigaciones han determinado que estos personajes influyen en las

preferencias de consumo, este fenómeno, ha llamado la atención a entidades de
prestigio como IBM o la Universidad de Cambridge que han recurrido al monitoreo de
redes sociales para poder crear un perfil digital del consumidor, en donde los rasgos
reflejan la edad, género, educación, entre otros que evidencian el perfil de acción de las
personas en redes sociales. Estos conjuntos de características han sido denominados
por parte de la literatura científica como rasgos psicodemográficos, más precisamente,
rasgos psicodemográficos en un entorno de Social Media.

Precisamente, el espíritu de la tesis radica en conocer si las preferencias de consumo

influenciadas por el Social Media guardan relación con un conjunto de variables
psicodemográficas, obtenibles de la red social Twitter y la plataforma YouTube en el
caso de las seguidoras de influencers peruanas de moda y estilo.

5
 Capítulo I: Problema de Investigación

1.1. Planteamiento del Problema

La constante evolución de las tendencias en marketing y comunicaciones ha permitido
el surgimiento de nuevos tipos de protagonismo en las redes sociales. Entre ellos
destacan los influencers, personas que se han convertido en líderes de opinión (Burke,
2016). Este liderazgo se halla cimentado en la habilidad para generar mensajes que
resultan efectivos y establecen nexos con su público objetivo (Forbes, 2016). La
tecnología digital ha contribuido a la formación de dichas relaciones.

Debido a la saturación de información, propia de los medios tradicionales (TV, radio,

periódicos, entre otros), los consumidores han desarrollado un nivel de escepticismo
más alto (Burke, 2016). Por ello, las marcas emplean a los influencers como un medio
para poder estar más próximos a un público objetivo (Castelló & Del Pino, 2015). Los
influencers contribuyen a generar mayores niveles de interacción entre consumidores y
marcas comerciales (Zietek, 2016).

Los influencers han tenido un particular impacto en el sector de la moda (Forbes, 2016).
La experiencia de estos en relación con marcas, bienes y servicios es tomada en cuenta
por los miembros del grupo donde ejerce su influencia (Zietek, 2016). La industria de la
moda emplea a los influencers como vehículos que hacen posible llegar de forma más
efectiva a un público consumidor (Forbes, 2016).

Las preferencias de consumo impulsadas por el Social Media son aquellas que, están
vinculadas a determinar si es probable que los elementos Social Media influyen a la hora
de adquirir un producto, han sido un tópico de interés no solo para investigadores, sino
también para empresas (IBM, 2017). A tal punto de que ambos grupos han procurado
automatizar los procesos que permiten conocer mejor a los consumidores empleando el
monitoreo de redes sociales (Hernández, Ramírez, Villatoro & Jiménez, 2017). Diversas
investigaciones han procurado construir modelos que pretenden obtener un perfil digital,
este incluye características demográficas y rasgos de la personalidad (IBM, 2017),
también conocidos como rasgos psicodemográficos.

Los perfiles digitales pueden aproximarse a las características reales de un individuo

(Youyou, Kosinski, & Stilwell, 2015). El perfilado del autor se ocupa de descifrar la
información en base a lo que el mismo ha escrito (Golbeck, Robles, Edmodson & Turner,
2011).Las redes sociales son lugares donde los usuarios se presentan ante el mundo,
revelando detalles personales y perspectivas de sus vidas (Youyou, et. al.2015). Las

6
empresas todavía están empezando a comprender cómo se puede utilizar parte de esta
información para mejorar las experiencias de los usuarios (Golbeck, et.al. 2011)

Las compañías emplean distintos modelos orientados a la construcción de un perfil

digital para comprender mejor a sus clientes, para diseñar, desarrollar campañas,
productos y servicios más personalizados y selectivos (IBM, 2017). Las empresas
pueden obtener una lista de características que están asociadas con las preferencias
de consumo de una persona y responder con estrategias siempre y cuando cuenten con
los instrumentos necesarios para dicha tarea (Golbeck, et.al. 2011).

Distintas investigaciones han demostrado que la personalidad es relevante para muchos

tipos de interacciones, ya que es útil para predecir la satisfacción laboral, el éxito
profesional y romántico de las relaciones e incluso la preferencia por diferentes
interfaces web (Golbeck, et.al. 2011). Hasta ahora, para medir con precisión las
personalidades de los usuarios, los investigadores tenían que realizar distintas pruebas
de personalidad.

Lo anterior, hizo que no fuera práctico utilizar el análisis de personalidad en muchos

dominios de redes sociales (Kosinski, Stilwell, & Graepel, 2013). Tradicionalmente, si se
deseaba obtener rasgos de la personalidad era necesario recurrir a múltiples
instrumentos psicológicos, principalmente encuestas. Naturalmente, con la aparición de
las redes sociales, distintas investigaciones han procurado diseñar aplicaciones
computarizadas orientadas a determinar perfiles psicológicos, cuyos indicadores
guarden una correlación importante con los resultados de test psicológicos tradicionales
(Golbeck, et.al. 2011).

La Universidad de Cambridge, una de las de mayor prestigio a nivel global, desarrolló

un método por el cual la personalidad de un usuario se puede predecir con precisión a
través de la información disponible públicamente en su cuenta de Twitter (Hernández,
et.al. 2017). El método propuesto por Cambridge permite obtener un conjunto de rasgos
psicodemográficos, los cuales pueden estar asociados al consumo (IBM, 2017). La
teoría económica clásica menciona que los consumidores adquieren productos en base
a un conjunto variables (el precio, el ingreso, la existencia de productos sustitutos, etc.).
Pero, en las preferencias de consumo impulsadas por la Social Media pueden estar
vinculadas a aspectos psicológicos, como lo es el hecho de tener un referente que
sugiere el producto, de ahí la importancia de las influencers. La red social Twitter es una
de las plataformas más recomendadas para la construcción de perfiles psicológicos
dada su diversidad en cuanto a emociones reflejadas de acuerdo con Arnoux, Xu,

7
Boyette, & Mahmud (2017); y también ha sido bastante usada por influencers de moda
y estilo alrededor del mundo (Westenberg, 2013).

Por otro lado, en cuanto a YouTube, los comentarios de dicha plataforma no han sido
empleados en el ámbito académico peruano como data para medir rasgos vinculados a
las preferencias de consumo, situación que sí se ha dado en revistas internacionales
(Wang, 2015). Esto debido a que los comentarios de dicha plataforma sirven para
evaluar tendencias en cuanto a reacciones casi inmediatas al contenido publicado por
influencers. En dichos comentarios están ocultos rasgos vinculados al consumo, pero
no son fácilmente identificables (Hennig-Thurau & Walsh, 2004).

Dado todo lo mencionado anteriormente, cabe preguntarse si efectivamente existe una

relación entre las preferencias de consumo guiadas por el Social Media y un conjunto
de rasgos psicodemográficos, que pueden obtenerse de la red social Twitter y de la
plataforma de vídeos YouTube, para el caso de las seguidoras de influencers peruanas
de moda y estilo.

1.2. Formulación del Problema

¿Existe relación entre las preferencias del consumo influenciadas por el Social Media y
los rasgos psicodemográficos obtenibles de Twitter y YouTube en el caso de influencers
peruanas de moda y estilo?

1.3. Justificación
Desde una perspectiva académica, el estudio es relevante debido a que está orientado
a una de las fuentes más abundantes de datos: las redes sociales. Twitter, la red social
elegida, cuenta con datos a los que se puede acceder en forma libre (salvo el usuario
restrinja su perfil). Aprovechar datos de redes sociales forma parte de las nuevas
tendencias en investigaciones de marketing y calza con el entorno propio del marketing
4.0 dominado por el colectivismo de los usuarios organizados principalmente en redes
sociales y plataformas web. Ciertamente, existe en el Perú un número considerable de
investigaciones orientadas a las preferencias de consumo y las características psico
demográficas. No obstante, el hecho de usar datos textuales y convertirlo en indicadores
numéricos es poco frecuenten, siendo este un elemento diferenciador de la tesis.

En los trabajos de investigación que utilizan YouTube predomina la investigación

cualitativa exploratoria (focus y entrevistas) y cuantitativa descriptiva (encuestas),
métodos perfectamente válidos. No obstante, el aprovechamiento de los comentarios
como input para la identificación de patrones comunes aprovechables para comprender
el consumo no ha sido tomado en cuenta por las escuelas de negocios de las principales

8
universidades peruanas. Esto a pesar de la importancia que tiene YouTube en las
influencers de moda y estilo a nivel global.

El tema es relevante, moderno y concita un interés global creciente, tal como evidencia
Google Trends (aplicación que permite medir el interés global hacia un tópico específico
en función a la cantidad de búsquedas relacionadas) en la siguiente figura:

Figura 1: Interés hacia el término Influencer Marketing a nivel Global Enero 2004 – Abril 2018
Fuente: Google Trends (2018a)

Las empresas vinculadas al mundo de la moda, estilo y campos afines encontrarán en

esta investigación un material valioso para que sus departamentos de marketing digital
puedan comprender mejor como determinadas características de las seguidoras de
influencers puede guardan relación con las preferencias de consumo asociada a
elementos del Social Media. Dentro de las variables psicodemográficas a explorarse
están dos que deben llamar particularmente la atención: la satisfacción con la vida y el
liderazgo. Los registros en los que ambos son discutidos son relativamente escasos. El
caso del liderazgo es apenas mencionado en documentos de divulgación científica. En
el contexto de los influencers y el Social Media casi siempre se discute acerca del
liderazgo de ellos como referentes, pero casi no se hace mención del liderazgo de sus
seguidores (Ribeiro-Cardoso & Santos, 2016).

Por último, la investigación espera en convertirse en un referente para quienes desean

iniciarse en el ámbito de la psicología del consumidor empleando los perfiles digitales y
valoraciones colectivas. La explotación de estos últimos, hasta hace unos años, solo
podía ser realizada por ingenieros, matemáticos o profesionales afines. Sin embargo,
actualmente existe la imperiosa necesidad de que los especialistas en marketing
cuenten con competencias básicas en minería de datos (Bach & Alessa, 2014)

9
 Capítulo II: Marco Referencial

2.1. Antecedentes
Ribeiro-Cardoso, et.al. (2016) tuvieron como principal objetivo analizar el liderazgo de
opinión en el contexto del mercado de la moda, más concretamente, verificar si existe
una correlación entre las variables liderazgo de opinión, adhesión a la innovación en la
moda y actitud hacia la publicidad de la moda. A partir de la variable liderazgo de opinión,
los investigadores pretendieron identificar dos grupos diferentes de consumidores: los
líderes de opinión y los seguidores en el mercado de la moda. La muestra analizada
incluyó 203 estudiantes de tercer ciclo y de postgrado de dos universidades de Oporto,
la segunda ciudad más grande de Portugal. Fue solicitado a los participantes que
rellenasen un cuestionario sobre actitudes y comportamientos sobre moda. Los
resultados sugieren que existe una correlación positiva entre la adhesión a la
innovación, el liderazgo de opinión y la actitud hacia la publicidad. Fue posible identificar
dos grupos de consumidores. Por un lado, “los influyentes”, que puntúan
moderadamente en la variable adhesión a la innovación y presentan una actitud positiva
hacia la publicidad de la moda, y por otro, “los seguidores”, que no se consideran ni
innovadores ni líderes de opinión, pero mantienen una actitud positiva moderada hacia
la publicidad de la moda.

Quercia, Kosinki, Stilwell, & Crowcrof (2011) tuvieron por objeto de estudio a los
recomendadores de música en Twitter. Los investigadores tomaron una muestra de 335
usuarios y los agruparon en dos categorías: populares e influyentes. Ente los principales
hallazgos, los investigadores descubrieron que tanto los usuarios populares como los
influyentes tienden a ser muy extrovertidos y a la vez emocionalmente estables.
También evidenciaron que los usuarios populares son imaginativos y abiertos a nuevas
experiencias, mientras que los influyentes tienden a ser responsables y organizados.
Una característica común entre los dos grupos de recomendadores era su alto nivel de
liderazgo dentro de sus comunidades. El instrumento empleando fue un algoritmo de
machine learning orientado a modelar la personalidad. Entre otras sugerencias, los
investigadores sugirieron estudiar a los seguidores y evaluar sus niveles de apertura,
responsabilidad y liderazgo.

Lepisto & Vähäjylkkä (2017) realizaron una investigación cualitativa basada en

entrevistas a profundidad para estudiar el impacto de los YouTubers en el
comportamiento de compra en mujeres finlandesas entre diecisiete a veintidós años de
edad. Entre otros hallazgos, las investigadoras determinaron que las influencers llegan
a impactar en las consumidoras en cuanto a la intención de compra, pero que no todas

10
se llegan a traducir en compras efectivas. Por otro lado, las entrevistadas manifestaron
que la intención de compra está relacionada a factores externos como el precio y la
disponibilidad del producto. Luego, las entrevistadas determinaron que los comentarios
negativos presentes pueden mermar en las intenciones de compra e incluso superar a
las recomendaciones de la influencer. Por último, las entrevistadas hacen mención al rol
de líder de opinión que tienen las influencers dentro del entorno del Social Media. Una
de las futuras investigaciones que mencionan las investigadoras es el rol de liderazgo
de los consumidores como variable asociada al consumo, ya que es un campo muy
poco estudiado a diferencia del liderazgo de los influencers.

Abbas, Abrar, Saleem, & Iqbal (2016) tuvieron por objetivo explorar la relación entre la
satisfacción con la vida y distintos aspectos del comportamiento del consumidor para la
marca global Levi's. La muestra abarcó un total de 317 participantes de las principales
universidades en Islamabad, Rawalpindi y Lahore (ciudades pakistaníes). La
participación se dio a través de un cuestionario autoadministrable que empleó escalas
de Likert. El estudio exploró el vínculo mutuo entre la satisfacción con la vida, la
conciencia de marca (brand awareness), fidelidad a la marca, la intención de compra, el
valor emocional y calidad percibida; y para ello los investigadores emplearon modelos
de ecuación estructural (SEM). Entre otros hallazgos, el estudio demostró que la
satisfacción con la vida tiene un impacto positivo, aunque débil, en la intención de
compra. Cabe mencionar que las autoras indicaron que este resultado podía cambiar si
es que se analizaban otras realidades en donde no impere el Islam.

Pascual, Agudo, & Chaparro (2015) tuvieron por objetivo examinar las diferencias de
género en el comportamiento de compra en línea de los consumidores que compran
productos digitales y no digitales. El modelo de investigación empleado por ellos se basó
en la teoría unificada de aceptación y uso de tecnología (UTAUT2), en el cual se
agregaron dos variables clave de comercio electrónico: riesgo percibido y confianza. El
análisis empírico utilizó datos de 817 respuestas de consumidores españoles a un
cuestionario en línea. Las diferencias de género fueron significativas en las relaciones
entre la expectativa de esfuerzo y la intención de compra, y entre la influencia social y
la intención de compra. El tipo de producto afectó la relación entre el riesgo percibido y
la intención de compra en productos digitales, donde la influencia es significativamente
mayor para las mujeres. No aparecieron diferencias significativas de género en la
intención de compra de productos no digitales. El tipo de producto influye
significativamente en la relación entre el riesgo percibido y la intención de compra para
las mujeres, pero no en los hombres. El análisis empírico se realizó en base a los datos
de una encuesta en línea. El cuestionario fue completado por los estudiantes de la

11
Universidad Politécnica de Madrid y los compradores en línea de una base de datos
interna. También se realizó una publicación con el cuestionario en el sitio web de la red
social profesional de LinkedIn. La recolección de datos se realizó de abril a octubre del
2013. Si bien la participación en el estudio fue voluntaria, se realizó un sorteo (el premio
fue una Tablet) para alentar a los participantes a no solo responder, sino también a
enviar la encuesta a sus contactos personales y profesionales. A modo de perspectiva
gerencial, los hallazgos de este estudio pueden ayudar a los vendedores en línea a
redefinir sus estrategias. Las investigadoras mencionaron también que los vendedores
en línea deben ser conscientes de que la brecha de género se está reduciendo, pero
más importante aún, deben ser conscientes de los factores que afectan de manera
distinta a los compradores masculinos y femeninos. Los vendedores en línea deben
reconocer que estos factores también dependen del tipo de producto al momento de
diseñar y desarrollar planes de marketing.

Westenberg (2013) estudió cómo impactaba el contenido de los influencers en jóvenes

holandeses. El método empleado fue de entrevistas a profundidad cuyo contenido fue
luego procesado con el software ATLAS TI. La muestra incluýó a dieciseis personas.
Entre los hallazgos más significativos, se identificó que uno de los aspecto más
importantes es que ante la ausencia de información acerca de un producto a adquirir,
los jóvenes tienden a buscar recomendaciones de amigos (y en menor proporción
familia) como información complementaria a la brindada por los influencers en sus
distintas plataformas (YouTube, Instagram, etc). Por otro lado, los hallazgos señalan la
importancia del influencer como líder de opinión. La investigadora señaló además que
es tentativo estudiar otras variables como la satisfacción con la vida, ya que algunas
entrevistadas que seguían a influencers manifestaron sentirse no contentas con su
status de vida actual y que el hecho de ver materiales de influencers las ayudaba a
distraerse.
O'Mahony, Cunningham, & Smyth (2010) estudiaron las variables lingúisticas asociadas
al hecho de que un comentario online recibiera el calificativo de útil o no útil en Amazon
para el caso de productos informáticos. Entre otras variables, los investigadores
emplearon los índices de legibilidad lingúistica en idioma inglés (índice SMOG y Flesch)
y determinaron que aquellos comentarios que no existía una diferencia significativa entre
los índices mencionados y el hecho de que el comentario sea “helpful” o “unhelpful”.
Dicho de otra forma, la educación que reflejaba los comentarios no guardaba relación
con el hecho de que este fuera calificado como útil. Una variable que sí influyó fue la
reputación online del usuario.

12
Deitrick, Miller, Valyou & Dickinson (2013) contruyeron un modelo que permitía predecir
el género de una persona basado en comentarios de la red social Twitter. Para ello
emplearon un algoritmo basados Weka, un software de Minería de Datos. La muestra
empleada fue de 9170 cuentas de la red social Twitter. El nivel de precisión del modelo
fue de 89.2% de aciertos. Un aspecto importante de la investigación fue que los autores
evidenciaron que existían rasgos en el lenguaje que estaban asociados al hecho de ser
hombre o mujer. Una de las futuras ramas de investigación sugerida por los
investigadores fue el hecho de relacionar al género estimado con patrones de consumo
y comportamientos en la web, ya que el género estimado es una variable relevante para
un entorno en donde las identidades virtuales pueden diferir de las reales (incluso en el
género). Por último, debe considerarse que existen mujeres cuyos patrones de escritura
en Twitter se asemejan más a un hombre y viceversa.

2.2. Marco Teórico

2.2.1 Social Media
De acuerdo con Andreas & Michael (2010) el Social Media puede ser definido
como un conjunto de aplicativos basados en Internet y que fueron desarrollados
sobre los fundamentos tecnológicos e ideológicos de la Web 2.0, entorno en
dondelos usuarios generan el contenido. Manning (2014), por otro lado,
conceptualiza al Social Media como un término que se usa a menudo para
referirse a nuevas formas de medios que involucran la participación interactiva.
Manning (2014) también indicó que el desarrollo de los medios se divide en dos
edades diferentes, la era de transmisión y la era interactiva. En la era de la
transmisión, los medios de comunicación estaban casi exclusivamente
centralizados en una entidad, como una estación de radio o televisión, una
compañía de periódicos o un estudio de producción de películas, distribuía
mensajes a muchas personas.

Manning (2014) indicó que el auge de las tecnologías digitales y móviles, la

interacción a gran escala se volvió más fácil que nunca para las personas; y
como tal, nació una nueva era de los medios donde la interactividad se colocó
en el centro de las nuevas funciones de los medios. Un individuo ahora podía
hablar con muchos, y una respuesta instantánea era una posibilidad (Andreas &
Michael, 2010). Donde los ciudadanos y los consumidores solían tener voces
limitadas y algo silenciadas, ahora podían compartir sus opiniones con muchos
(Manning, 2014). El bajo costo y la accesibilidad de la nueva tecnología también
permitieron más opciones para el consumo de medios que nunca, y así, en lugar

13
de solo unos pocos medios de noticias, las personas ahora tienen la capacidad
de buscar información de varias fuentes y dialogar con otros a través de foros de
mensajes sobre la información publicada (Andreas & Michael, 2010).

Manning (2014) señaló también índico que todos los elementos del Social Media
requieren algún tipo de plataforma digital, ya sea móvil o estacionario. Sin
embargo, no todo lo que es digital es necesariamente social media. Dos
características comunes ayudan a definir las redesson:

Primero, deben permiten alguna forma de participación. Los elementos del Social
Media nunca son completamente pasivos, aunque a veces los sitios como
Facebook pueden permitir la visualización pasiva de lo que otros están
publicando. Generalmente, como mínimo, se debe crear un perfil que permita el
comienzo del potencial de interacción. Esa calidad en sí misma hace que los
medios sociales se diferencien de los medios tradicionales donde los perfiles
personales no son la norma. En segundo lugar, y en línea con su naturaleza
participativa, el Social Media implica interacción. Esta interacción puede ser con
amigos, familiares o conocidos o con personas nuevas que comparten intereses
comunes. De acuerdo a Manning (2014) y Andreas & Michael (2010) son
ejemplos de Social Media: Correo eletrónico, Blogs, Foros, Redes Sociales,
plataformas de Videjojuegos y algunas Apps que permitan interacción entre los
participantes

Manning (2014) y Boyd & Ellison (2007) indicaron que los elementos del Social
Media tienen muchas funciones diferentes. Primero, permiten que las personas
realicen trabajo de identidad. Cuando un individuo pone en un perfil quién es él
o ella, requiere algún tipo de reflexión. A medida que los individuos ven una
reacción a su presencia social en línea, se considerarán a sí mismos bajo una
nueva perspectiva y notarán que la interacción en línea les permite sentirse más
abiertos sobre pensamientos, opiniones y consultas, tanto para bien como para
mal. En segundo lugar, los elementos del Social Media permiten a las personas
atender sus relaciones de diferentes maneras. Incluso si los discursos populares
a menudo demonizan a los medios de comunicación como Facebook o Twitter
como narcisistas y superficiales, las investigaciones muestran que dichas
plataformas permiten que las personas puedan interactuar venciendo barreras
geográficas, culturales y sociales. Las personas también informan que se
reunieron con algunos de sus mejores amigos e incluso con sus cónyuges a
través de plataformas de comunicación mediadas por computadora. En tercer
lugar, elementos del Social Media permiten a las personas realizar funciones de

14
trabajo. A veces, las redes sociales son su trabajo, como un blog popular o
alguien con un gran círculo de redes sociales que es contratado para promover
eventos. Otras veces, las personas interactúan con sus compañeros de trabajo
a través de las redes sociales y especialmente a través del correo electrónico,
elemento del Social Media donde se concentra mayor parte de su comunicación
laboral. Cuarto, los elementos del Social Media permiten que las personas
busquen información o compartan ideas. Esta información puede abarcar desde
campañas políticas hasta asuntos locales, ayuda en casos de desastre, hasta
dónde es un buen lugar para comprar ropa de talla grande. En quinto lugar, está
el intercambio de información: las personas también pueden ofrecer opiniones o
considerar las opiniones de otros a través de las redes sociales. Finalmente, los
individuos pueden encontrar entretenimiento a través de distintos elementos del
Social Media.

2.2.2. Influencer
Un influencer es una persona con cierto grado de credibilidad sobre un tema
específico, y que por influencia o presencia en las redes sociales se han
transformado en un prescriptor interesante para una marca (Rosenthal, 2015).
En ocasiones existe una desconexión entre aquello que mencionan las marcas
y aquello de lo que hablan los consumidores en Redes Sociales, y que fruto de
esa desconexión surgieron a los influencers, como un canal intermedio
(PricewaterhouseCoopers, 2015).

Por otro lado, los influencers son personas con las que los consumidores se
sienten identificados y eso es precisamente lo que termina por fortalecerlos, ya
que está vinculando a un incremente de la credibilidad percibida (Castelló & Del
Pino, 2015). Las marcas quieren saber lo que sus clientes desean y han
encontrado la forma, de ahí que cada día estén destinando más recursos para
incluir a los influencers en el marketing (Burke, 2016). Los influencers no tienen
porque necesariamente ser gente famosa, eso quedó en la época de la TV, un
influencer puede ser popular gracias a las redes sociales (Castelló & Del Pino,
2015).

Los influencers que han surgido en distintas plataformas electrónicas han

realizado esfuerzos por producir un material visualmente atractivo (Park, Min &
Macy, 2017). Esto se debe principalmente a que las distintas plataformas
(YouTube, Instagram, Facebook, Twitter, etc.) casi no presentan barreras de
entrada, es decir, casi cualquier persona puede publicar contenido en ellas
(Pace, 2008). Es por ello por lo que es un sector altamente competitivo (Pace,

15
2008). Las plataformas digitales han contribuido a hacer más horizontales las
relaciones entre consumidores y empresas (Verhellen, Dens, & De Pelsmacker,
2013).

2.2.3. Influencia del Social Media y el eWOM

El boca a boca (WOM) se refiere a la comunicación informal de información sobre
productos y marcas de los consumidores a otros consumidores (Hennig-Thurau
& Walsh, 2004). El boca a boca electrónico (eWOM) es idéntico, solo que la
comunicación se realiza en línea (Hennig-Thurau & Walsh, 2004) . A pesar de
que el eWOM puede tener lugar de muchas formas, a menudo se distribuye a
través de las redes sociales (Castelló & Del Pino, 2015).

El efecto que tiene eWOM en el comportamiento de compra del consumidor es

reconocido por académicos y especialistas en marketing de diferentes sectores
(Fan & Miao, 2012). EleWOM a menudo se ejerce a través del uso de contenido
generado por el usuario: casi cualquier persona con acceso a Internet puede
crear y cargar su propio contenido. YouTube e Instagram son la plataforma que
mejor reflejan lo que es el contenido generado por los usuarios (Gibson, 2016).
Las nuevas formas de comunicación tales como el eWOM y el contenido
generado por el usuario han llevado a la aparición de la influencia interpersonal
en línea.

La influencia del Social Media se relaciona con el cambio de creencia, actitud o

comportamiento en el objetivo de la influencia generado por elementos propios
del entorno digital (Forbes, 2016). Las entidades que ejerce la acción para crear
este cambio en el objetivo se denomina agente influyente y es el que influye
socialmente (Burke, 2016). El término influencia del Social Media es bien
conocido no solo en el campo de la sociología y el comportamiento del
consumidor, sino también en la psicología (Buchegger & Hui, 2009). Dado que
recientemente ha sido posible reunir, almacenar y recuperar los datos de las
redes sociales, las empresas y los gobiernos están cada vez más interesados
en lo que estas redes pueden contribuir a sus estrategias de marketing y medios
(Burke, 2016). La disponibilidad de estos datos sobre los influencers en entornos
del Social Media ha planteado preguntas sobre la implicación de la interacción y
la influencia entre estos y los consumidores (Burke, 2016).

16
2.2.4. Social Media, Influencers de moda y el comportamiento del
consumidor
Los estudios de marketing y comportamiento del consumidor a menudo aplican
análisis narrativos para comprender el consumo (Pace, 2008). Sin embargo, el
consumo tiene una naturaleza narrativa en sí misma y los consumidores también
son narradores (Chen, 2013). YouTube e Instagram son un nuevo contexto en el
que los sujetos cuentan historias a una audiencia a través de imágenes y videos
creados por ellos mismos y programas de televisión reeditados (Siersdorfer,
Chelaru, & Nejdl, 2014).

Aquellas empresas que usan marketing a través de influencers con mayor

frecuencia para dar impulso a su marca o producto específico, son
principalmente del sector de moda y belleza (Castelló & Del Pino, 2015). Una
probable explicación a este fenómeno es que los influencers tienen cada vez
mayor influencia en las decisiones de compra de los consumidores, quienes los
conciben como expertos de moda y referentes de estilo (Castelló & Del Pino,
2015).

Tal conjunto de atributos ha captado la atención de las marcas, estas han

detectado que, gracias a la intervención de estas personalidades, pueden
establecer contacto con su público objetivo de forma directa, rápida y eficaz
(Forbes, 2016). Adicionalmente, la notoria exposición que han ganado los
Fashions blogs (blogs especializados en moda) en los últimos años, ha
provocado que estos espacios se conviertan en piezas fundamentales en las
estrategias de marketing de empresas del sector moda y belleza, las cuales han
encontrado en estos canales una oportunidad clave que les permita reforzar su
posicionamiento y popularidad de su marca (Forbes, 2016).

En cuanto al Social Media, realizar un comentario requiere más esfuerzo que dar
un “me gusta” o “no me gusta” (Liikanen, 2012). Quienes comentan juegan un
rol importante, ya que ellos suelen compartir o criticar un contenido con un mayor
nivel de entusiasmo en otras redes sociales como Facebook o Twitter (Burke,
2016). Aunque el sector de la moda se está orientando a plataformas como
Instagram. Lo cierto es que dicha plataforma no es un reemplazo de YouTube,
sino más bien un complemento (Hamid & Ishak, 2015)

2.2.5. Minería de Datos

Conocida también como Data Mining, es una disciplina que ha logrado reunir las
ventajas de varias áreas como la Estadística Aplicada, la Inteligencia Artificial, la

17
 Computación Gráfica, las Bases de Datos y el procesamiento masivo de
información (Virseda & Román, 2006). De acuerdo con Maimon & Rockach
(2010), la minería de datos recurre al análisis automático o semi-automático de
una cantidad considerable de datos para extraer patrones de interés que son
desconocidos, como los grupos de registros de datos, registros poco usuales (la
detección de anomalías) y dependencias (minería por reglas de asociación).
Dichos patrones pueden entonces ser vistos como una especie de resumen de
los inputs (datos ingresados), y pueden ser utilizados en técnicas adicionales
como el aprendizaje automático y análisis predictivo (Maimon & Rockach, 2010).
Por ejemplo, un análisis empleando Data Mining podría evidenciar a varios
grupos en los datos, que luego pueden ser utilizados para obtener resultados
más precisos en un modelo del tipo predictivo que ayudará a tomar mejores
decisiones (Kotu & Deshpande, 2014).

2.2.6. Análisis de Sentimiento

Es una técnica de la Minería de Datos que permite identificar la actitud (positiva
o negativa) presente en un contenido textual (Hofmann & Chisholm, 2015). En
las investigaciones cualitativas es empleado para detectar frases con carga
emocional considerable (Moreno-Ortiz, 2017). Para ello se basa en el uso de
diccionarios. Así, por ejemplo, “Este vestido es bonito” tiene una carga emocional
positiva, mientras que “El vídeo fue horrible y aburrido” presenta carga negativa.
Esta clasificación se basa en los términos clave (“bonito”, “horrible” y aburrido”)
(Hofmann & Chisholm, 2015). Las frases con carga emocional más fuerte
tendrán una presencia considerable de término clave (Moreno-Ortiz, 2017).

2.2.7. Twitter como fuente de datos del comportamiento humano

En los últimos años, Twitter se ha convertido en una fuente de datos prominente
en el campo de la sociolingüística ya que captura las opiniones y sentimientos
voluntarios sobre una amplia gama de temas (Kumar, Morstatter, & Liu, 2014).
Twitter tiene el potencial de desentrañar las características socioculturales de los
usuarios de diferentes áreas, por ejemplo, los niveles de racismo y homofobia, e
incluso puede ser un método de vigilancia preciso para mapear la propagación
de la enfermedad (Reacley & Pinkington, 2014). Mientras que los usuarios de
Twitter son un grupo auto-seleccionado, hay evidencia de que los análisis de los
datos de Twitter producen resultados congruentes con los obtenidos utilizando
métodos de investigación estándar (Reacley & Pinkington, 2014).

18
Twitter proporciona dos tipos de datos para el análisis sociocomportamental:
información no textual y el contenido de los tweets (Reacley & Pinkington,
2014.La información no textual que ofrece la plataforma se puede derivar de una
serie de características (Culotta & Cutler, 2016). Los usuarios de Twitter pueden
elegir seguir a otros usuarios para recibir sus tweets en un feed que se actualiza
constantemente, los usuarios seguidos se denominan amigos; ellos también
pueden tener seguidores (Kumar, Morstatter, & Liu, 2014). Una medida
importante de la actividad de Twitter es la relación seguidor-amigo, es decir,
cuántos usuarios te siguen (Culotta & Cutler, 2016). Los usuarios también
pueden crear listas de lectura personalizadas que contiene cuentas seguidas
seleccionadas (el propósito podría ser agrupar tweets temáticamente) y
suscribirse a listas de lectura de otros (Culotta & Cutler, 2016).

En sus tweets, los usuarios pueden mencionar a otros usuarios por su Twitter,
nombre de usuario (@nombre de usuario), pueden responder a los tweets de
otros y retuitear los tweets de otros (Culotta & Cutler, 2016); los tweets
retuiteados aparecerán en el tweet feed de los seguidores de uno (Culotta &
Cutler, 2016). Los mensajes de Twitter pueden contener hashtags (#hashtag),
etiquetas definidas por el usuario que categorizan el contenido del tweet y lo
hacen más fácil para buscar tweets que se refieran al mismo tema.

2.2.8. Twitter, Moda e Influencers

Ciertamente Twitter ha perdido terreno como red social en el ámbito de
influencers. A pesar de ello, IBM (2017) y la Universidad de Cambridge
construyeron variables psicodemográficas en función a los datos de dicha red
social (Popov, 2017). El motivo obedeció a la disponibilidad de datos textuales
que describen perfiles únicos.
Otro detalle importante es lo investigador por Jung-Lin, Han,& Chambourova
(2017). Los autores demostraron que eran posible identificar potenciales
influencers y tendencias de moda a medida que se exploran datos en Twitter.
Ello fue logrado en base al analisis de 10,0000 perfiles de Twitter en Estados
Unidos. Los investigadores aplicaron una técnica similar a la bola de nieve, pero
en función a un conjunto de etiquetas.

Twitter sirve como conexión a otras plataformas electrónicas y casi la totalidad

de usuarios que siguen a fashion bloggers en Twitter, lo hacen también a través
de Instagram, Facebook y YouTube (Jung-Lin, et.al. 2017). Por otro lado,Tridetti
(2016) evidenció que si bien Twitter ha perdido terreno frente a Instagram,

19
todavía la red de microbloggig sirve para conocer las características de los
influencers y de sus seguidores. Instagram no es útil en este aspecto. Esto
también es señalado por Lahuerta & Cordero (2016), quienes además agregan
que para la moda y el estilo, lo ideal es Instagram, pero en esa red no existe el
abanico de emociones necesario que existe en Twitter. Cabe mencionar que
Lahuerta & Cordero (2016), Jung-Lin, et.al. (2017) y Tridetti (2016) desarrollaron
sus propios algoritmos en base a datos de Twitter para comprender el mundo de
la moda, tanto a influencers como seguidores. El presente documento no
contempló esa posibilidad debido a que excede los limites de la investigación y
las competencias de las investigadoras.

2.2.9. YouTube e Influencers de Moda

YouTube es una plataforma que permite subir y compartir video clips mediante
Internet, sitios Web, dispositivos móviles (smartphones, tablets), e-mail y blogs
(Gibson, 2016). El sitio ofrece poder ver acontecimientos y eventos actuales,
encontrar videos sobre hobbies e intereses personales, así como descubrir lo
inusual (Chen, 2013). En la medida en que la gente capture momentos
especiales en video (Pace, 2008), YouTube podrá convertir a los usuarios en
generadores de contenido (Gibson, 2016). YouTube no solo ha revolucionado el
mundo audiovisual, sino que ha creado una red global de conocimiento con
importantes repercusiones sociales. La inmediatez con la que se distribuye el
contenido a escala mundial provoca que las tendencias y las modas se
propaguen por todos los rincones del planeta en cuestión de segundos, creando
en muchas ocasiones el efecto viral (Forbes, 2016).

La moda es un sector donde muchos influencers han decidido ser líderes de

opinión y han decidido compartir su experiencia con el mundo (Wang, 2015) .
Con ello, es necesario reconocer un interés en las cifras de alcance que tienen
estas nuevas figuras de internet y en especial aquellas vinculadas al uso de
plataformas que usan para conseguir mayor cantidad de seguidores (Pace,
2008). Frente a ello, YouTube es una de las plataformas más importantes para
ganar seguidores, pues en el 2017, en número de espectadores alcanzó 1,47
billones y se estima que para el 2021 alcanzara 1,86 billones. Esta plataforma
de videos es de alto interés ya que trabaja de manera eficiente: ofrece una
oportunidad de marca visual, así como un tráfico atribuible a un sitio, lo cual es
una ventaja frente al uso de Snapchat, Instagram, Twitter (Hidalgo & Segarra,
2017).

20
Los grandes números que representa YouTube no es el único factor por el cual
los influencers de moda prefieren esta plataforma (Liikanen, 2012). La manera
de comunicarse vía esta plataforma es bastante única: este medio es
considerado como una experiencia bastante personal, donde los anuncios son
dirigidos a una audiencia bastante segmentada a diferencia de otras plataformas
(Hidalgo & Segarra, 2017). En este caso, la mayoría de influencers, a través de
la data que les ofrece YouTube, pueden tener el conocimiento de quien es su
público objetivo, el rango de edades y desde que lugar del mundo es su
audiencia (Westenberg, 2013). Con ello, el trabajo creativo puede ser dirigido de
manera más objetiva, pues saben quiénes son su audiencia principal (Hidalgo &
Segarra, 2017). Por otro lado, los creadores pueden crean un feedback con sus
seguidores a través de los comentarios y con ello muchos de estos sienten que
los conocen a un nivel personal (Wang, 2015). ThinkWithGoogle (2012) en su
estudio “The YouTube Generation Study” indicó que 6 de cada 10 suscriptores
aceptaban un consejo de compra de sus influencers favoritos, donde se puede
apreciar que la confianza que se les tiene es traducida en influencia cuando se
quiere comprar determinado producto. En este escenario, es indudable señalar
el impacto que tiene YouTube para las influencers de moda, ya que, mediante
este medio, pueden crear reviews sobre productos o servicios que ellos quieran
publicitar, los cuales son tomados con seriedad y confianza por la audiencia
convirtiéndoles en potenciales clientes de la marca (Wang, 2015).

La naturalidad es otro punto importante, ya que, a diferencia de otras

aplicaciones, la publicidad se siente forzada debido a que su uso está limitado a
clips de 15 segundos (Westenberg, 2013). A diferencia de esta, YouTube no
tiene estos límites, pues a través de un video puede educar al consumidor, con
una orientación adecuada (Hidalgo & Segarra, 2017). Los creadores enfocados
en moda pueden crear anuncios efectivos a través de códigos promocionales o
con el enlace del producto o servicio para impulsar a la audiencia a comprar, lo
cual es bastante destacado en su sector pues de esta manera ellos pueden
contar su experiencia con el producto, así como las ventajas con las que esta
cuenta de manera más natural (Wang, 2015)

2.2.10. YouTube como fuente de información para comprender al

consumidor y la Minería de Datos
YouTube contiene información que cambia con extrema rapidez. Este cambio
vertiginoso es generado por millones de usuarios que pueden dramáticamente
afectar la reputación de una persona o una organización (Checchinato &

21
Gazzola, 2015). Por ello es cada vez más importante la automatización en la
extracción de sentimientos y opiniones expresadas en medios de comunicación
social (Smith & Fischer, 2010). En YouTube, la información en formato textual
puede brindar más información valiosa que los datos numéricos (Haridakis &
Hanson, 2009)

YouTube es el entorno digital más rico en contenido multimodal, con

complementos gráficos, discusiones entre personas compartiendo un tema de
interés (Checchinato & Gazzola, 2015). Por tanto, emplear las técnicas de
Minería de Datos o similares resulta más que recomendable (Smith & Fischer,
2010). YouTube, a comparación de otras redes sociales y plataformas
electrónicas, es una plataforma en donde existe un elemento muy desarrollado:
el contexto (Pace, 2008).

Figura 2: Métricas explotables de YouTube

Fuente: YouTube

En cuanto a las técnicas aplicables de Data Mining en YouTube, se puede

construir múltiples modelos con los indicadores cuantitativos (Haridakis &
Hanson, 2009). En cuanto al contenido no textual, es posible realizar procesos
de clasificación masiva de documentos de forma automática, en función de la
connotación positiva o negativa del lenguaje, dicho proceso es conocido como
análisis de sentimiento (Severyn, Moschitti, & Uryupina, 2014). Por otro lado,
resulta posible agrupar términos que guarden relación o similitud entre sí para
dar paso a la formación de clústeres (Sureka & Kumaraguru, 2010)

22
Es importante mencionar que estos tratamientos generalmente se basan en
relaciones estadístico-matemáticas y de asociación, y no en análisis lingüístico
propiamente dicho (Sureka & Kumaraguru, 2010). Precisamente estas
relaciones matemáticas son aquellas que son valiosas para identificar patrones
asociados al consumo y a las características de los consumidores (Sureka &
Kumaraguru, 2010).

Tomando como base estas relaciones matemáticas es posible identificar

tendencias de consumo en aquel contenido que es valorado. Así, en base a
comentarios es posible conocer los elementos que resultan particularmente
satisfactorios o insatisfactorias en películas a través del análisis de los
comentarios en cada tráiler (Wolmer, Weninger & Knaup, 2010). También es
posible medir elementos vinculados al Engagment en base a métricas, tal como
lo evidenciaron (Severyn, Moschitti, & Uryupina, 2014) al analizar los
comentarios de YouTube relacionados a las valoraciones de autos y tablets.
Ellos determinaron que existe relación entre los “me gusta” y “no me gusta” y los
comentarios clasificados como positivos o negativos mediante el análisis
sentimental. Por otro lado, también ha sido posible modelar la venta de música
online utilizando las métricas de YouTube (Hiller & Kim, 2014). Con respecto a
las características del consumidor propiamente dicha, ciertamente es posible
explorar insights recurriendo al análisis de sentimiento presente en los
comentarios (Wolmer, et.al. 2010)

2.2.9. Seguidores de influencers de Moda y YouTube, y el contexto peruano

En principio, existen personas que tienen mayor predisposición a creer en la

utilidad del contenido generado por distintos usuarios en YouTube (Westenberg,
2013). El nivel de utilidad está en función al nivel de utilidad que los usuarios
encuentran en las redes sociales, ya sea por diferentes intereses (informática,
entretenimiento, moda y estilo, etc.). La propuesta de Goldsmith & Horowitz
(2006) citada por Wang (2015) señalaba que la actitud hacia el contenido
generado por usuarios influía en la intención de compra.

Por otro lado, Yeo (2010) obtuvo una escala acerca del nivel de actividad del
usuario. Esta variable tiene diferentes dimensiones, propias de la actividad web
(buscar, mirar, dar un me gusta, suscribirse) fue mencionada por Lepisto &
Vähäjylkkä (2017) como un posible indicador asociado a la intención de compra.
La razón es sencilla, mientras más proclive sea una persona a realizar
actividades, más sensible es a lo que ocurre en ese entorno (Buchegger & Hui,

23
2009). Desde luego, lo anterior, tiene un aspecto vinculado a la teoría económica
y el consumo (Wang, 2015). En principio, las influencias externas como la moda
pueden condicionar la demanda de un bien. En el caso de las seguidoras de
influencers de moda y estilo, la influencia externa está construida por el nivel
de actividad del usuario. Son estos en última instancia quienes deciden a qué
contenido prestarle atención (Buchegger & Hui, 2009).

Según Burke (2016) y Chi (2011), una fuente de comunicación posee credibilidad
si sus declaraciones son consideradas confiables y validas, y, por lo tanto,
respetables. A esto pretenden acercarse los influencers en YouTube (Wang,
2015). Cabe mencionar que un miembro de una audiencia objetivo puede
aceptar la influencia de la fuente de comunicación porque su comportamiento es
congruente con sus propios sistemas de valores (Burke, 2016).

El peso de las influencers ha ido incrementándose en los últimos años, a tal

punto que ya algunas marcas ya han creado sus propios equipos para
gestionarlos, dado que la competencia en YouTube es particularmente feroz en
cuanto a la creatividad del contenido (Wang, 2015). El activo más importante de
una influencer es la credibilidad (Burke, 2016), credibilidad que incluso supera a
la publicidad (Fan & Miao, 2012). La credibilidad es un intangible altamente
preciado, no en vano las influencers han creado una carrera en base a elegir con
cuidado aquello que publican (Castelló & Del Pino, 2015).

Las marcas apuestan por la credibilidad de las influencers (Castelló & Del Pino,
2015). Esto debido a que en muchas ocasiones la publicidad tradicional online
puede ser vista como SPAM (contenido no deseado). Por otro lado, las
influencers generar una conectividad emocional más fuerte con los
consumidores finales. Por ello es racional creer que la credibilidad que perciben
los internautas guarda relación con la intención de compra, tal como lo
sostuvieron Chi (2011) y Castelló& Del Pino (2015).

Otro punto que considerar es la interacción parasocial, a menudo conocida como

intimidad a la distancia, la cual está basada en la aparición frecuente y
consistente de la persona, o personalidad mediatizada (Horton & Whol, 1056).
En este caso, persona mediatizada vendría ser la Influencer y el término
distancia está asociado a la presencia de esta última en un entorno digital. Según
Wang (2015) y Burke (2016), la "ilusión de intimidad" así como el que la persona
sea atractiva, amigable, confiable e incambiable constituyen la clave para el

24
desarrollo de una interacción unilateral. Este fenómeno se ha dado Los
aficionados a las telenovelas (Horton & Whol, 1056)

En el ámbito de las influencers, el contenido generada por estas vendría a ser el

equivalente a las telenovelas: ambas son historias narradas. (Wang, 2015) Cabe
mencionar, además, que la interacción para social se base también en el hecho
de ser fanático (Wang, 2015). Este fenómeno de novelas e interacción parasocial
quedaba evidenciado en la compra de productos que se comercializaban por la
TV (Wang, 2015). Los anfitriones de los canales de compra se presentan en
salas informales, desarrollan un estilo de conversación informal y permiten
llamadas telefónicas de los televidentes, medidas todas que fortalecen la
interacción para social (Burke, 2016).

El público objetivo al que se orientan las influencers de moda y estilo a nivel

global es de 18 a 35 años (Castelló & Del Pino, 2015). En el Perú ocurre una
situación similar, aunque el segmento peruano se ha orientado mucho más al
segmento de mujeres (UCAL,2018). El 45% de los jóvenes que compran
impactados por los influencers destinan entre S/51 y S/100; y un 20% más de
S/100. De acuerdo con la UCAL (2018) estos montos no son elevados “debido a
que algunos de los jóvenes de este segmento aún no laboran, y los que lo hacen
aún no estarían consolidados en sus trabajos como la generación X o baby
boomers” Por otro lado, los influencers de origen extranjero son los preferidos
por los jóvenes limeños en detrimento de los nacionales: 67% vs 33% de acuerdo
con los hallazgos de la UCAL (2018). Una causa probable de esto sería el nivel
de calidad de los contenidos: los extranjeros superan a los nacionales.

2.2.11. El Modelo Big Five y el Consumo

De acuerdo con Martinez (2015), en la historia de la psicología se han llevado a
cabo múltiples intentos por clasificar los rasgos de personalidad. Siempre se ha
procurado tratar de encontrar y definir dimensiones básicas y taxonómicas que
permitan dar un orden a la considerable cantidad de atributos que describen las
diferencias del ser humano como individuo. Entre todas las propuestas una en
particular parece haber obtenido un consenso elevado dentro de la comunidad
científica y que, en consecuencia, ha ido adquiriendo cada vez más popularidad.
Este es Modelo de los Cinco Factores (MCF) o de los Cinco Grandes (Costa &
McCrae, 1992), el cual postula la existencia de cinco dimensiones
independientes de personalidad que son: Neuroticismo, Extraversión, Apertura
a la Experiencia, Amabilidad y Responsabilidad.

25
Tal difusión ha logrado que dicho modelo ha sido asociado a múltiples variables.
Esto incluye a preferencias musicales, preferencias por determinada marca de
autos, preferencias por bienes de lujo, preferencias por géneros de cine, entre
muchas otras aplicaciones (Robie & Brown, 2005). Es probable que IBM haya
tomado en cuenta todas las aplicaciones del Modelo Big 5 computarizado. La
diferencia es que IBM no aplica el instrumento propiamente dicho, sino que se
basó en los datos en datos de redes sociales (Twitter, principalmente) y test
psicológicos (Deloitte, 2015). Los estudios de IBM lograron que era posible
aproximarse a la personalidad real empleando los comentarios de una red social
(Khriyenko, et.al. 2016). IBM no solo logró cuantificar y dimensionar a los
componentes de cada modelo del BIG 5, sino que además logró puntuar las
preferencias de consumo asociadas a dicha personalidad (Khriyenko, et.al.
2016).

2.2.12. Satisfacción con la vida y consumo

La satisfacción con la vida, la cual es definida como la evaluación subjetiva de
un individuo con su propia vida, ha sido objeto de estudio en varios campos de
conocimiento como el marketing, sociología y psicología (Alfonso, Allison, Rader,
& Gorman, 1996). Si bien son diversos los dominios que influyen en el nivel de
satisfacción de un individuo (Diener, 1984), estudios previos han demostrado
que existe una relación significativa entre el materialismo y la satisfacción con la
vida (Dawson & Bamossy, 1991).

El deseo de incrementar el nivel de satisfacción con la vida genera que los

individuos sean conscientes de las marcas (Evans, 1989). La conciencia de
marca es la propensión para seleccionar y preferir aquellas marcas que son
populares y reconocidas en la sociedad (Sproles & Kendall, 1986). Los
consumidores utilizan las marcas conocidas como una manera de desarrollar su
identidad personal y obtener reconocimiento social (Aaker, 1991).

Los consumidores con un alto nivel de consciencia de marca son aquellos que
perciben una sensación de logro y reconocimiento en la sociedad tras la compra
de productos de marca (Evans, 1989). La conciencia de marca presenta una
relación directa con la calidad percibida y valor emocional. Asimismo, el valor
emocional percibido y la voluntad de comprar generan lealtad de marca. Los
aspectos emocionales de las marcas juegan un rol importante en la intención de
compra, particularmente en aquellos consumidores que tienen un alto nivel de
consciencia de marca (Tanveer, Muhammad, Rizwan, & Asif, 2016).

26
2.2.13. Liderazgo en los consumidores e Influencers
En la relación influencer-seguidores, el liderazgo en cuanto a temas de moda
recae naturalmente sobre el primero (Burke, 2016). Esto no quiere decir que
quienes siguen carezcan de voluntad, solo que su liderazgo en un entorno Social
Media suele ser menor que los de sus referentes (Haridakis & Hanson, 2009). Lo
consumidores también pueden ser líderes, aunque en menor escala, tal es el
caso de los microinfluencers, individuos que cumplen un rol similar al de los
influencers, aunque a menor escala (Gibson, 2016).

Los consumidores suelen ejercer su liderazgo, por ejemplo, cuando evidencian

una posición contraria lo recomendado por un influencer (Ribeiro-Cardoso, et.al.
2016). También evidencia liderazgo al crear pequeñas redes a las que procuran
llenar de contenido con mayor frecuencia que los influencers (Gibson, 2016).
Esta forma de liderazgo tiende a ser percibida como más honesta por parte de
los consumidores finales (IPMark, 2018).

2.2.14. Preferencias de consumo, social media y variables demográficas

Gran parte de las investigaciones iniciales sobre el comportamiento del consumo
(o compras) por Internet se han centrado en predecir el tipo de consumidor que
es más probable que utilice Internet para buscar y consumir productos. Bellman,
Lohse, & Johnson (1999) investigaron varios factores predictivos para determinar
si un individuo comprará en línea. Estos autores concluyeron que, variables
demográficas como el ingreso, la educación y la edad, tienen un impacto
modesto en la decisión de comprar en línea. Por otro lado, también indicaron que
el determinante más importante de compra en la web era el comportamiento
anterior, como las compras en línea anteriores. “Una vez que la gente está en
línea, si compran allí y cuánto gastan tiene más que ver con si les gusta comprar
en línea y si el tiempo que tienen para comprar es limitado” (Bellman, Lohse, &
Johnson, 1999, pág. 37). Esto es consistente con lo señalado por Modahl (2000),
quien concluyó que los factores demográficos como la edad, la raza y el género
no importan tanto como las actitudes de los consumidores cuando de consumo
en entornos digitales se trata.

Al examinar la relación entre la edad y las motivaciones de compras por Internet,

Dholakia & Uusitalo (2002) encontraron que los consumidores más jóvenes
reportaron más beneficios hedónicos y utilitarios de las compras en línea que los
consumidores mayores. No midieron la búsqueda en línea ni el comportamiento
de compra, solo los beneficios percibidos de las compras. Los investigadores
también indicaron que el impacto relativo de los factores demográficos, como la

27
edad, en comparación con los factores de actitudinales o motivacionales, solo se
ha abordado en un pequeño número de estudios.

Korgaonkar & Wolin (1999) señalaron que los factores motivacionales, así como
la edad y el género, impactaron la probabilidad de compras en línea. En su
estudio, los hombres mayores eran el grupo que tenía el mayor comportamiento
de compra en línea. Esto es consistente con los resultados de la investigación
de (Donthu & Garcia, 1999), quienes encontraron que los usuarios de Internet
mayores tenían más probabilidades de comprar en línea en comparación con los
usuarios más jóvenes, a pesar de que los usuarios más jóvenes tenían actitudes
más positivas hacia las compras por Internet.

Finalmente Joines, Scherer, & Scheufele (2003) descubrieron que las

motivaciones de uso de la web predecían significativamente tanto las compras
en línea como la búsqueda de productos o servicios en línea. Cuando la edad y
otros factores demográficos se agregaron a la ecuación, el R-cuadrado
incremental para estas variables mejoró el ajuste, pero en una cantidad bastante
pequeña.

2.2.15. La escritura en castellano y la educación

Blanco & Gutiérrez (2012) indicaron que el índice de Fernández-Huerta es el
indicador más citado para evaluar el nivel de comprensibilidad de un texto. Esto
también fue indicado por Barrio-Cantalejo, Simón-Lorda, & Melguizo (2008).
Estos últimos, además, mencionan que el rol de ortografía no es importante sino
el nivel de complejidad de las palabras.

José Fernández- Huerta creó una fórmula para medir la legibilidad de los escritos
hechos en lengua española en 1959 (Blanco & Gutiérrez, 2012). Este índice es
una adpatación de la ecuación de Flesch, hecha para el idioma inglés (Lougharn
& McDonald, 2014). La ecuación es como sigue:

L=206.84-0,60P-1.02PF

Donde L es la lecturabilidad (índice de Fernández-Huerta); P, el promedio de

sílabas por palabra; F, la media de palabras por frase. Puede notarse con
facilidad de que la ortografía ni la gramática tienen que ver con este índice
(Barrio-Cantalejo, et.al. 2008).

2.2.16. El modelado computacional de la Universidad de Cambridge y los

rasgos psicodemográficos
Los modelos computacionales de la Universidad de Cambridge son una
combinación de aprendizaje de máquina e inteligencia artificial. Fueron

28
desarrollados con la colaboración de dos unidades: el departamento de Ciencias
de la Computación y el departamento de Psicometría (Popov, 2017). Cada uno
de los rasgos psicodemográficos para los que la Universidad de Cambridge
desarrolló un modelado fue hecho sobre la base de un instrumento psicológico
de amplio respaldo académico (Hofmann & Chisholm, 2015).

A pesar de que los métodos como el de la Universidad de Cambridge puedan

ser cuestionados por parte de la academia en cuanto a su validez, debido a que
no están basados en información estructurada que se puede obtener a partir de
instrumentos como los test psicológicos (Popov, 2017). No obstante, los modelos
computarizados han evidenciado capacidad para procesar grandes cantidades
de información. De hecho, el escándalo de Cambridge Analítica ocurrido a partir
de la elección de Trump tuvo como lado científico la explotación de datos
psicodemográficos (Albright, 2016). El software que usaba la empresa
Cambridge Analítica estaba hecho sobre la arquitectura a la propuesta de la
Universidad de Cambridge (Gonzáles, 2017)

29
T ABLA 1: V ARIABLES PSICODEMOGRÁFICAS TRABAJADAS POR LA U NIVERSIDAD DE
C AMBRIDGE

Variable Instrumento Psicológico Asociado o Método de Origen

Puntuaciones originales estimadas utilizando la Escala de

Satisfacción con la Vida de Diener (1975). El modelo fue
construido (y la precisión validada) utilizando una muestra
de 55,000 personas. El nivel de correlación de los
resultados del software con el instrumento psicológico fue
de 0.77. Fue validado para traducciones en español por
Satisfacción con la vida Sarchi (2018) y Hernández, et.al.Jiménez (2017).
La predicción se basa en el estudio multidimensional del
Centro de Psicometría de 2,019 empresarios y empleados
de los sectores de tecnología, comercio minorista y finanzas
de todo el mundo (Popov, 2017). De acuerdo conHofmann
& Chisholm (2015) es compatible con traducciones desde
el idioma español, pero tiene problemas con caracteres
Liderazgo asiáticos y arábigos.

Basado en un diccionario de frases y palabras que son más

características de cada género. Esto en informática es
conocido como diccionario (Sarchi, 2018). De acuerdo con
Popov (2017) tiene más de 80% de nivel de acierto.
También ha sido validada en las traducciones al español
(Hofmann & Chisholm, 2015). Popov (2017) llama a este
indicador estilo de comunicación, ya que estima el género
Género estimado en base a un modo de comunicarse propio de hombres o
mujeres.

Es la edad que reflejan los usuarios en base a la temática

que manejan (Popov, 2017). Es más, un signo de madurez
que, de edad cronológica, aunque sí existe una correlación
entre dichas variables de acuerdo con lo señalado por
Hernández, et.al. (2017). Es también compatible con las
Edad Mental traducciones al español (Sarchi, 2018).

Elaboración: Propia

30
 2.2.17. Modelo de referencia
El modelo de referencia para la investigación es una adaptación de los
antecedentes mencionados en la investigación. El grupo de variables
independientes son las del tipo psicológica: liderazgo del consumidor y la
satisfacción con la vida. El segundo grupo de variables independientes está
relacionado con la edad mental, el género y la educación reflejada en la escritura.
Estas variables dependientes son del tipo demográficas. La variable dependiente
del estudio es la preferencia de consumo impulsada por elementos del Social
Media, también conocida como la probabilidad de que las redes sociales
terminen influenciadas por redes sociales (IBM, 2017).

El modelo queda de la siguiente forma:

𝑃(𝐶_𝑆) = 𝑔 (𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑐𝑖ó𝑛, 𝑙𝑖𝑑𝑒𝑟𝑎𝑧𝑔𝑜, 𝑔é𝑛𝑒𝑟𝑜_𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜, 𝑒𝑑𝑎𝑑_𝑚𝑒𝑛𝑡𝑎𝑙, 𝑒𝑑𝑢_𝑓ℎ)

Donde:

- P (C_S): Probabilidad de que el consumidor se vea influenciado por elementos

del social media (redes sociales) al momento de realizar consumo.
- Satisfacción: satisfacción con la vida.
- Liderazgo: Es llamada potencial de liderazgo o nivel de liderazgo (Popov, 2017).
- Género estimado (Femenino): No es el género real, sino aquel determinado por
un algoritmo en base al estilo de las publicaciones en una red social (Deitrick,
et.al. 2013).
- Edad Mental: No es necesariamente igual a la edad cronológica, es un cálculo
que refleja la madurez del individuo (Hernández, et.al. 2017)
- Edu_fh: Índice de Fernández-Huerta: Es el nivel de educación que una persona
refleja en su escritura.

31
2.3. Problemas, Objetivos e Hipótesis
T ABLA 2: M ATRIZ DE P ROBLEMAS , O BJETIVOS E HIPÓTESIS – 1RA P ARTE
Problema General
PG: ¿Cómo se vinculan el hecho de que las preferencias
de consumo se vean o no influenciadas por el Social
Media y los rasgos psicodemográficos obtenidos de la
plataforma YouTube y la red Social Twitter en el caso de
seguidoras de influencers peruanas de moda y estilo?
Problemas Específicos
P1: ¿El hecho de que las preferencias de consumo se
vean o no influenciadas por la social media guarda
relación con los rasgos psicodemográficos que pueden
obtenerse de la red social Twitter y la plataforma
YouTube en el caso de seguidoras de influencers
peruanas de moda y estilo bajo el modelo propuesto?
P2: ¿El hecho de que las preferencias de consumo se
vean o no influenciadas por el Social Media guarda
relación con la satisfacción con la vida que evidencian las
seguidoras de influencers peruanas de moda y estilo en
la red social Twitter bajo el modelo propuesto?
P3: ¿El hecho de que las preferencias de consumo se
vean o no influenciadas por la Social Media guarda
relación con el género estimado que evidencian las
seguidoras de influencers peruanas de moda y estilo en
la red social Twitter bajo el modelo propuesto?
Objetivo General
OG: Explorar cómo se vinculan el hecho de que las
preferencias de consumo se vean o no influenciadas por el
Social Media y los rasgos psicodemográficos obtenidos de
la plataforma YouTube y la red Social Twitter en el caso de
seguidoras de influencers peruanas de moda y estilo.
Objetivos Específicos
OE1:: Determinar si bajo el modelo propuesto el hecho de
que las preferencias de consumo se vean o no
influenciadas por el Social Media guarda relación con los
rasgos psicodemográficos que pueden obtenerse de la red
social Twitter y la plataforma YouTube en el caso de
seguidoras de influencers peruanas de moda y estilo
O2: Determinar si bajo el modelo propuesto el hecho de
que las preferencias de consumo se vean o no
influenciadas por el Social Media guarda relación con la
satisfacción con la vida que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter.
O3: Determinar si bajo el modelo propuesto el hecho de
que las preferencias de consumo se vean o no influenciada
por el Social Media guarda relación con el género estimado
que evidencian las seguidoras de influencers peruanas de
moda y estilo en la red social Twitter.
Hipótesis General
HG: Existe vinculación en el hecho de que las
preferencias de consumo se vean o no influenciadas
por el Social Media y los rasgos psicodemográficos
obtenidos de la plataforma YouTube y la red Social
Twitter en el caso de seguidoras de influencers
peruanas de moda y estilo
Hipótesis Específicas
H1: Bajo el modelo propuesto el hecho de que las
preferencias de consumo se vean o no influenciadas
por la social media guarda relación con los rasgos
psicodemográficos que pueden obtenerse de la red
social Twitter y la plataforma YouTube en el caso de
seguidoras de influencers peruanas de moda y estilo.
H2: Bajo el modelo propuesto, el hecho de que las
preferencias de consumo se vean o no influenciadas
por el Social Media guarda relación con la satisfacción
con la vida que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter.
H3: Bajo el modelo propuesto el hecho de que las
preferencias de consumo se vean o no influenciadas
por el Social Media guarda relación con el género
estimado que evidencian las seguidoras de influencers
peruanas de moda y estilo en la red social Twitter.
32
TABLA 3: M ATRIZ DE PROBLEMAS , OBJETIVOS E HIPÓTESIS – 2 DA P ARTE
Problemas Específicos
P4: ¿El hecho de que las preferencias de consumo se vean
o no influenciadas por la Social Media guarda relación con
el nivel de liderazgo que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter bajo el modelo propuesto?
P5: ¿El hecho de que las preferencias de consumo se vean
o no influenciadas por la Social Media guarda relación con
la edad mental que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter bajo el modelo propuesto?
P6: ¿El hecho de que las preferencias de consumo se vean
o no influenciadas por la Social Media guarda relación con
el nivel de educación que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter bajo el modelo propuesto?
Elaboración: Propia
Objetivos Específicos
O4: Determinar si bajo el modelo propuesto el hecho de que
las preferencias de consumo se vean o no influenciadas por el
Social Media guarda relación con el nivel de liderazgo que
evidencian las seguidoras de influencers peruanas de moda y
estilo en la red social Twitter.
O5: Determinar si bajo el modelo propuesto el hecho de que
las preferencias de consumo se vean o no influenciadas por el
Social Media guarda relación con la edad mental que
evidencian las seguidoras de influencers peruanas de moda y
estilo en la red social Twitter.
O6: Determinar si bajo el modelo propuesto el hecho de que
las preferencias de consumo se vean o no influenciada por el
Social Media guarda relación con el nivel de educación que
evidencian las seguidoras de influencers peruanas de moda y
estilo en la red social Twitter.
Hipótesis Específicas
H4: Bajo el modelo propuesto el hecho de que las
preferencias de consumo se vean o no influenciadas por
el Social Media guarda relación con el nivel de liderazgo
que evidencian las seguidoras de influencers peruanas
de moda y estilo en la red social Twitter.
H5: Bajo el modelo propuesto el hecho de que las
preferencias de consumo se vean o no influenciadas por
el Social Media guarda relación con la edad mental que
evidencian las seguidoras de influencers peruanas de
moda y estilo en la red social Twitter.
H6: Bajo el modelo propuesto el hecho de que las
preferencias de consumo se vean o no influenciada por
el Social Media guarda relación con el nivel de educación
que evidencian las seguidoras de influencers peruanas
de moda y estilo en la red social Twitter.
33
 Capítulo III: Metodología

3.1. Tipo y Diseño de investigación

3.1.1. Tipo de investigación
La investigación es cualitativa y cuantitativa, es decir, adopta un enfoque mixto,
Este se caracteriza por la variedad de datos que son generados luego de haber
recurrido a distintas perspectivas y tipos de observación (Pandey & Mishra,
2015). Debe considerarse, además, que distintos tipos de datos que surgen de
una misma fuente (Pandey & Mishra, 2015). El investigador es quien debe definir
si se la dará mayor relevancia al enfoque cuantitativo o al cualitativo, aunque en
algunos casos se les otorga la misma importancia a ambos (Hernández,
Fernández, & Baptista, 2014). La presente investigación ha priorizado el enfoque
cuantitativo, ya que permite verificar hipótesis con rigor estadístico-matemático
(Pandey & Mishra, 2015). La primera etapa, cualitativa, consistió en la
recolección de las opiniones de un grupo de seguidoras de influencers. Los
resultados de esta etapa fueron útiles para complementar los resultados de la
etapa cuantitativa. Esto permite que el problema de investigación tenga mayor
consistencia, así como comprender la importancia de la investigación y su
utilidad para el marketing. La segunda etapa, cuantitativa, estuvo basada en
datos numéricos recolectados de un conjunto de usuarios de la red social Twitter.
Estos datos no eran originalmente números, sino que fueron transformados en
patrones numéricos con un grupo de instrumentos especializados. El
procesamiento estadístico de los datos de la investigación cuantitativa permitirá
determinar el valor de verdad para cada una de las hipótesis de investigación
(Hernández, et.al. 2014).Adicionalmente, fueron realizados dos focus y
encuestas vía online para complementar el modelo propuesto. Los resultados
son mostrados en la sección correspondiente (ver detalles técnicos de encuesta
y focus en Anexo 1)

3.1.2. Diseño de investigación

El diseño empleado fue uno del tipo anidado o incrustado concurrente de modelo
dominante (DIAC) (Hernández, et.al. 2014). Este nombre tiene su explicación en
el hecho de que el método de menor peso (cualitativo) esta anidado o incrustado
dentro del método principal (cuantitativo). Este modo de ejecución se debe a que
el método de menor importancia responde a preguntas que tienen vinculación al
método principal (Hernández, et. al. 2014). La información resultante de ambos
métodos fue desarrollada en la discusión a fin de enriquecer la investigación.

34
 La etapa cualitativa fue realizada bajo un diseño fenomenológico. Esta última de
acuerdo con Rizo García (2007) citando a Schütz (1972) se basa en un análisis
descriptivo en base a las experiencias compartidas. Del mundo que se conoce y
de las experiencias intersubjetivas es posible obtener las señales e indicaciones
para interpretar una variedad de símbolos (Rizo García, 2007). A partir de ello
es posible encontrar posibles interpretaciones a los procesos y estructuras
sociales vinculados a un tópico de investigación, todo esto sobre la base de
experiencias de un grupo de personas (Hernández, et. al. 2014).

En su etapa cuantitativa, la investigación es transversal, no experimental y

correlacional. Es transversal debido a que las variables no son analizadas a lo
largo del tiempo y la muestra es recolectada en un momento determinado
(Pandey & Mishra, 2015). En este caso, todos los datos provienen de una red
social y tanto las variables independientes como la dependiente son medidas en
un lapso específico. La investigación es no experimental debido a que las
investigadoras no ejercen control sobre las variables (Hernández, et. al. 2014),
ni sobre las preferencias de consumo influenciadas por el Social Media ni por los
rasgos psicodemográficos. El diseño no experimental está particularmente ligado
a aquellas investigaciones donde los datos son obtenidos a partir de fuentes
secundarias (Pandey & Mishra, 2015). Finalmente, la investigación es
principalmente correlacional: busca determinar si el cambio en alguna de las
variables psicodemográficas guardan relación con una variación en las
preferencias de consumo influenciadas por el Social Media.

3.2. Categorías
Las categorías de estudios son una deducción lógica del marco teórico. Estas son:

T ABLA 4: C ATEGORÍAS DE E STUDIO

Categoría Descripción
Categoría orientada a explotar aspectos vinculados al Consumo o
compra de productos con evidencias en los comentarios de YouTube
Consumo (o Compra) realizado por seguidoras de influencers peruanas de moda y estilo.
Categoría que busca explorar rasgos psicodemográficos (satisfacción
con la vida, liderazgos, edad, género, educación con evidencia en la
escritura) en los comentarios en YouTube realizados por usuarias que
Rasgos visualizaron contenido generado por influencers peruanas de moda y
psicodemográficos estilo.
Esta categoría busca explorar relaciones entre elementos del Social
Media con evidencia en los comentarios en YouTube realizados por
usuarias que visualizaron contenido generado por influencers
Social Media peruanas de moda y estilo.
Elaboración: Propia

35
3.3. Variables
Tabla 5: Variables de Estudio

Variable Descripción Operacionalización

Probabilidad de Operacionalmente se obtiene con
Es la única variable dependiente del estudio. De
Preferencia de el instrumento Watson Analytics
acuerdo con IBM es la probabilidad de que las redes
consumo Personality Insights luego de
sociales influyan en un producto admite dos valores.
influenciada por el analizar los comentarios de los
Admiten dos valores: 0 (improbable) y 1 (probable).
Social Media participantes en la red social.

Es medida en la escala de 0 a 100%. Por tanto, es

una variable cuantitativa. Es una variable
Operacionalmente es obtenida
independiente. Esta variable fue correlacionada
con el Instrumento Apply Magic
positivamente con el consumo o compras (Abbas,
Sauce de la Universidad de
Satisfacción con et.al.2016) para mujeres de Pakistán, pero indicó
Cambridge luego de procesar los
la vida que pueden haber variaciones de acuerdo al
comentarios de los participantes
contexto de sociocultural. Westenberg (2013)
en la red social.
sugirió esta variable para analizar a las seguidoras
de influencers. La autora señaló que las
participantes del estudio tenían rasgos de no
satisfacción.
Operacionalmente es obtenida
con el Instrumento Apply Magic
Es una variable que mantiene relación con la
Sauce de la Universidad de
madurez del individuo. Es del tipo cuantitativa. La
Edad mental Cambridge luego de procesar los
edad cronológica sí ha sido correlacionada con el
comentarios de los participantes
consumo por Pascual, et.al. (2015). La edad mental
en la red social.
es una propuesta de la investigación.

No se refiere al género real del usuario de la red

social (todas son mujeres). El género estimado es
el resultado de un algoritmo en donde el instrumento
mide la probabilidad de que la persona posea un
género masculino o femenino. Es una variable Operacionalmente es obtenida
dicotómica. El género ha sido correlacionado con el con el Instrumento Apply Magic
consumo (o compras) en entornos online por Sauce de la Universidad de
Género estimado
Pascual, Agudo, & Chaparro (2015). Para efectos Cambridge luego de procesar los
(Femenino)
del modelado, el género adopta el valor de 1 si el comentarios de los participantes
instrumento determina que estamos ante el en la red social.
contenido generado por una mujer y 0 en el caso de
un hombre. La incorporación del género estimado
en modelos de consumo fue una recomendación de
(Deitrick, et.al.2013).

36
 Es medida en la escala de 0 a 100%. Por tanto, es Operacionalmente es obtenida
una variable cuantitativa. Es una variable con el Instrumento Apply Magic
independiente. Refleja el potencial para convertirse Sauce de la Universidad de
Liderazgo en líder. Las investigaciones de Lepisto & Cambridge luego de procesar los
Vähäjylkkä, (2017) y Quercia, et al (2011) sugieren comentarios de los participantes
estudiar el liderazgo de los consumidores. Ribeiro- en la red social.
Cardoso, et.al. (2016) ha mencionado que los
seguidores no son líderes.

Es la variable del tipo educación. Refleja el nivel de

Índice de instrucción de una persona en base a lo que escribe. Operacionalmente es obtenida
Fernández Huerta El uso de la educación reflejada en la escritura es con el Instrumento Legible luego
– (Educación) una propuesta de la investigación. El valor es un de procesar los comentarios de los
índice que va desde 0 a 100. Únicamente participantes en la red social.
O'Mahony, et.al. (2010), menciona que no hay una
diferencia signifciativa entre el nivel educativo
reflejado en la escritura y el hecho de que un
comentario sea visto como útil.

Elaboración: Propia

3.4. Universo

Para la encuesta y los Focus Group, el universo estuvo conformado por seguidoras de
influencers peruanas de moda y estilo.

En la etapa cuantitativa correlacional, el universo está formado por todas las seguidoras
de Fashion Bloggers en la red social Twitter. La lista de influencers de moda fue obtenida
a partir de los datos de GFK Perú (2017). Posteriormente los datos fueron cruzados con
la red social Twitter. Las Fashion Bloggers (o influencers de moda) elegidas fueron
Natalia Merino, Tana Rendón y Carolina Braedt. Estas cuentas pudieron ser verificadas
ya que estaban enlazadas con las Fan Pages oficiales de cada una de ellas.

Es muy fácil acceder a la lista de seguidores de cada influencer. La idea de la lista de

seguidores como un universo fue también usada por Sylwester & Purver (2015) para
estudiar los perfiles online de republicanos y demócratas. Una táctica idéntica
emplearon Ritter, Lee & Hernandez (2014) a fin de estudiar las diferencias en el uso del
lenguaje entre ateos y cristianos.

En la etapa cualitativa orientada hacia el Data Mining, el universo está formado por
comentarios online que realizaron las seguidoras de influencers peruanas de moda en

37
YouTube, más específicamente para las tres ya mencionadas (Merino, Rendón y
Braedt). En este caso los elementos que forman parte de la muestra no son personas,
sino comentarios (Siersdorfer, et.al. 2014). El universo para este caso está compuesto
por los comentarios que hayan registrado seguidoras de influencers.

Nuevamente aquí es relativamente sencillo accerder a los comentarios que están

vinculados a cada vídeo. Analizar comentarios en YouTube para encontrar tendencias
y conceptos emergentes ha formado parte de distintas investigaciones (Severyn, et.al.
2014). La idea es utilizar los comentarios de YouTube, los mismos que sirven como
variables de entrada para comprender lo que se conoce como investigación orientada
al conocimiento colectivo (Siersdorfer, et.al. 2014).

3.5. Muestra
En el caso de los Focus Group el muestreo fue intencional. Fueron considerados dos
grupos formados por un total de 10 participantes. Para la encuesta fueron considerados
384 participaciones válidas (mujeres seguidoras de infliuencers). Esta cantidad obedece
al tamaño correspondiente a poblaciones mayores a 100,000.

En el caso de los casos extraídos de Twitter fue empleado un muestreo abierto y por
conveniencia. Este tipo de muestreo es no probabilístico: las unidades de análisis son
seleccionados dado que es conveniente acceder a ellas. Este tipo de muestreo fue
empleado debido a las siguientes situaciones.

- No todos los miembros tienen la misma posibilidad de ser elegidos: Twitter no

tiene un mecanismo automático que permita filtrar solo a mujeres.
- De acuerdo con las sugerencias de Ritter et.al. (2014) es necesario establecer
un mecanismo de control para evitar datos de cuentas falsas. Es natural que las
cuentas falsas provoquen sesgos en los resultados. Kumar, et.al. (2014)
indicaron que las cuentas falsas tienen una característica ineludible: la mayoria
de cuentas vinculadas a ella (followers) son también falsas. Por ello es necesario
encontrar algún mecanismo de control cuando las muestras son relativamente
pequeñas Ritter et.al. (2014).
- En el caso de YouTube, si bien es cierto que casi la totalidad de comentarios son
hechos por mujeres, tampoco existe un filtro automatizado, por lo que es
necesario seleccionarlos de forma manual.

Para la etapa cuantitativa, los datos fueron recolectados entre los meses de febrero y
abril del 2018, casos posteriores no fueron incluidos. Fueron recolectados los datos de

38
un total de 403 cuentas en la red social Twitter. Esta cantidad obedece a los límites
temporales de la investigación. Las cuentas pertenecen a mujeres. El género se obtuvo
por observación directa y en base a las fotografías de los perfiles. Si en caso existió
alguna duda sobre el género del usuario, el elemento era descartado de la muestra.
Estos 403 casos además superaron las pruebas del instrumento que verificaba la
falsedad de una cuenta en función al número de seguidores falsos asociados. De cada
cuenta fueron recolectados los últimos 50 comentarios y se dio preferencia a aquellas
cuentas que interactuaron recientemente con la cuenta de la influencer, tal como lo
sugirieron otros investigadores como Kumar, et.al.(2014).

En el caso de YouTube, la muestra incluyó a 300 comentarios provenientes de 20 vídeos

subidos por las influencers ya mencionadas. Si bien es cierto el proceso de selección
manual en cuanto al género no es perfecto, la Minería de Datos permite seleccionar
comentarios representativos (Hofmann & Chisholm, 2015). Dicho de otra forma, un
comentario representativo no es un aporte aislado, sino un aporte que tiene
representación dentro del conjunto de textos ingresado (Severyn, et.al. 2014). A modo
de control, las investigadores verificaron que el comentario seleccionado por el proceso
de Minería de Datos perteneciera a un individuo que utilice un nombre femenino (María,
Sofía, etc). Los datos de YouTube fueron recolectados durante octubre del 2018. Por lo
general, las investigaciones que emplean Minería de Datos no evidencian el patrón
dominante: primero etapa cualitativa, luego cuantitativa (Hofmann & Chisholm, 2015).
Esto se debe a que los datos (comentarios, principalmente) y los instrumentos
(softwares) ya existen (Popov, 2017). En las investigaciones mixtas tradicionales que
emplean focus, entrevistas a profundidad y encuestas, muchas veces los instrumentos
deben obtenerse a partir de fases exploratorias y revisión de material bibliográfico, luego
recién se puede empezar con la recolección de datos (Pandey & Mishra, 2015). Las
investigaciones de Minería de Datos tienen otro reto: la extrama abundancia de datos
(Hofmann & Chisholm, 2015). Por otro lado, debe tomarse en cuenta que el empleo de
más de una red social obedece al hecho de que cada plataforma electrónica tiene su
fortaleza: Twitter sirve para obtener datos de perfiles únicos, mientras que YouTube está
más vinculada a las discusiones de tópicos especializados (Hidalgo & Segarra, 2017).
No son datos excluyentes: son complementarios.

39
3.6. Instrumentos
3.6.1. Twitter Audit
Este instrumento permite detectar la proporción de cuentas falsas que tiene un
usuario de Twitter en base a un algoritmo especializado (Kumar, et.al. 2014). De
acuerdo con lo mencionado por otros investigadores, una cuenta falsa se
caracteriza por tener una proporción mayoritaria de seguidores falsos.

3.6.2. NVIVO
Instrumento que puede extraer datos de cuentas de Facebook, Twitter, YouTube
e Instagram (Hofmann & Chisholm, 2015). Cuenta con una versión online que
puede ser utilizada por treinta días. En la investigación fue empleado para extraer
datos de YouTube y Twitter.

3.6.3. TextCleanr
Es un instrumento especializado en la depuración de contenido textual. Es usado
para limpiar el contenido textual de los comentarios en la red social Twitter. Es
un instrumento gratuito y se encuentra disponible en http://www.textcleanr.com/.
Fue desarrollado en el lenguaje de programación R (Hofmann & Chisholm,
2015). También fue empleado para estandarizar contenido.

3.6.4. Lingmotif
Lingmotif es una aplicación multiplataforma (funciona en Windows, Linux y Mac
OS) que analiza textos desde la perspectiva del Análisis de Sentimiento (Moreno-
Ortiz, 2016). Es un instrumento capaz de determinar la orientación semántica (si
es positivo o negativo y en qué grado) de un texto o grupo de textos, recurriendo
a la detección de expresiones lingüísticas que indican una determinada polaridad
(Moreno-Ortiz, 2016). El instrumento también es capaz de realizar consultas para
un término específicos (Fernández-Cruz, 2017).

En comparación a la mayoría del software disponible, Lingmotif no solo se ocupa

de la clasificación de un texto como positivo o negativo, sino que además ofrece
una serie de datos cuantitativos, una visualización del “perfil de sentimiento” de
un conjunto de textos que se muestran los segmentos textuales identificados, lo
cual lo convierte en una herramienta singular (Fernández-Cruz, 2017). Sus
aplicaciones van más allá de las que normalmente ofrece este tipo de software:
Lingmotif ofrece los resultados de sus análisis en archivos con formato HTML,
con la versatilidad y fácil manejo que esto supone (Fernández-Cruz, 2017). Este
instrumento fue empleado para el análisis cualitativo.

40
3.6.5. Legible
Es un analizador de contenido que tiene una licencia libre (Hofmann & Chisholm,
2015). El instrumento está disponible en https://legible.es/. Esta aplicación fue
desarrollada bajo el lenguaje de programación Python. Su uso es sencillo: basta
con copiar y pegar un texto y presionar el botón “Analizar”. Está especialmente
configurado para el idioma español. Este instrumento se usa para calcular el
índice de Fernández–Huerta, variable asociada a la educación (Hofmann &
Chisholm, 2015)

3.6.6. Watson Language Translator

Es un instrumento desarrollado por IBM y es la herramienta que se empleó para
convertir textos de inglés a castellano. Cuenta con una versión online disponible
en https://www.ibm.com/watson/services/language-translator/ (Deloitte, 2015).
Puede acceder a la versión gratuita o a la versión de pago (Deloitte, 2015). La
última tiene un periodo de caducidad de 30 días. Fue empleado para convertir
los textos de español a inglés en el caso de Twitter.

3.6.7. Grammarly
Corrector ortográfico que cuenta también con una herramienta de
estandarización para el idioma inglés. De acuerdo con Hofmann & Chisholm
(2015) es un instrumento adecuado para quienes deseen verificar si una
traducción fue hecha con fidelidad. El software contiene correcciones masivas.

3.6.8. Apply Magic Sauce

De acuerdo con Hernández, et.al. (2017) esta aplicación permite conocer la
personalidad de un usuario en base a las publicaciones que hace en redes
sociales. El motor de predicción fue montado por los investigadores del Centro
de Psicometría de la Universidad de Cambridge y está basado en el conjunto de
datos de más de seis millones de usuarios, quienes hicieron pruebas en un portal
llamado MyPersonality, un portal web de la Universidad de Cambridge (Popov,
2017)

Entre los resultados se pueden visualizar las predicciones realizadas por el

modelo interno (Popov, 2017). Este instrumento sirve para calcular las variables
psicodemográficas: género estimado, edad mental, satisfacción con la vida y
liderazgo. Estas cuatro variables han sido consideradas debido a que las
investigaciones de Hernández, et.al. (2017) y Sarchi (2018). En el caso de otras
variables psicodemográficas que son posible de obtener a partir del instrumento
de la Universidad de Cambridge no se ha demostrado que tengan compatibilidad

41
con traducciones al idioma español. El instrumento puede ser configurado para
procesar publicaciones en Facebook y Twitter (Popov, 2017).

Precisamente este instrumento ha sido empleado para calcular el valor de cuatro

de las cinco variables psico demográficas ya mencionadas. Este instrumento
cuenta con una versión de demostración en la dirección
https://applymagicsauce.com/ (Popov, 2017).

3.6.9. Watson Personality Insights

Este servicio apareció en el año 2012.Toma reglas, patrones y tendencias
globales para analizar la escritura de los usuarios y las esquematiza dentro del
modelo de los Big Five, para luego puntuar acorde a los resultados obtenidos y
mostrar un perfil “real” de la persona que se está estudiando (Díaz & López,
2016). En adición al modelo Big Five, Watson también muestra las necesidades
y valores (IBM, 2017)

Con el fin de poder inferir características de la personalidad a partir de

información textual, el texto ingresado se combina con el diccionario de
psicolingüística LIWC y así se calculan las puntuaciones correspondientes a
cada categoría (Deloitte, 2015). Posteriormente se construyen inferencias
haciendo coincidir las palabras del texto con las de los diccionarios (IBM, 2017).
Dichas palabras suelen ser relativas al ámbito laboral, familiar, amical, de la
salud, del dinero, de los sentimientos, de los logros, y de las emociones positivas
y negativas (Díaz & López, 2016). A continuación, se procede a ponderar para
derivar las cinco grandes y las puntuaciones de las facetas (Díaz & López, 2016)

Cuando se intenta inferir información a partir de textos es importante la extensión

de estos para poder obtener resultados fiables sobre las características de
personalidad. (Khriyenko, Nguyen, & Marek, 2016). Si se proporcionan menos
de cien palabras, el servicio informa de un error y no lleva a cabo el proceso
(IBM, 2017) . Además, el texto ingresado debe contener por lo menos setenta
palabras que coincidan con los términos que se encuentran en el diccionario de
psicolingüística (IBM, 2017).

El instrumento se encuentra disponible de forma online en

https://www.ibm.com/watson/services/personality-insights/. Las pruebas de
personalidad pueden ser llevadas a cabo ingresando texto y los resultados son
inmediatos (Deloitte, 2015). Del mismo modo, los resultados, pueden exportar a
archivos CSV o JSON. Los insights de la personalidad también pueden
observarse en línea (Khriyenko, Nguyen, & Marek, 2016)

42
 Este instrumento es empleado para determinar la variable preferencias de
consumo influenciadas por el Social Media.

3.6.10. Excel
Es una hoja de cálculo desarrollada por Microsoft. Sirve para almacenar el
contenido de una aplicación a otra. Del mismo modo sirvió como registro para
los registros numéricos.

3.6.11. XLSTAT
Este instrumento fue diseñado por Addinsoft (2014). De acuerdo a la página web
de la empresa cuenta con más de 200 funciones que incluyen modelos de
regresión. Cuenta con una versión gratuita de 30 días.

3.7. Procedimiento para recolección de datos

F IGURA 3: ALGORITMO DE PROCESAMIENTO DE DATOS DE TWITTER

43
Nota: Los círculos representan inicio y fin, los paralelogramos procesos, los rectángulos son productos y el
rombo representa decisión.
Elaboración: Propia

F IGURA 4: ALGORITMO DE PROCESAMIENTO DE DATOS DE Y OUT UBE

Nota: Los círculos representan inicio y fin, los paralelogramos procesos, los rectángulos son productos y el
rombo representa decisión.
Elaboración: Propia

3.8. Plan de Análisis

En la etapa cualitativa, el proceso es lógico deductivo en cuanto a los focus group. Esto
también se aplica para los comentarios en cuanto a categorización, pero, los elementos
representativos son elegidos por el instrumento pertinente en base al análisis de
sentimiento, una técnica que permite detectar cargas emocionales particularmente altas

44
en un contenido textual (Virseda & Román, 2006). Con las encuestas solo es necesario
tabular los resultados en una hoja de cálculo.

En la etapa cuantitativa, dada la naturaleza de la variable dependiente (dicotómica) es

necesario recurrir a la regresión logística binaria (Tranmer & Elliot, s.f.). Esta regresión
resulta muy útil cuando es deseable entender o prever el efecto de una o varias variables
sobre una variable con respuesta binaria, es decir, que puede admitir dos valores, por
ejemplo 0/1 o No/Sí (Addinsoft, 2014). Es tipo de regresión es muy útil para modelizar,
por ejemplo, la propensión de clientes a responder a un mailing, o para medir el riesgo
para que un cliente no reembolsar su préstamo en un banco (Addinsoft, 2014).

Aguayo (2012) indica que el sentido de este análisis radica en predecir una determinada
respuesta a partir de las variables predictoras o independientes, para así obtener una
fórmula matemática que sirve para calcular la probabilidad del suceso estudiado en un
nuevo individuo debido a los valores que presente de las diferentes variables incluidas
en el modelo.

Siguiendo la óptica de Aguayo (2012), resulta necesario buscar, entre todos los posibles
modelos, aquel con el menor número de variables posibles, genera una predicción de
mayor precisión y con un mayor grado de validez de la respuesta evaluada. Es
necesario recordar que introducir variables poco relevantes tiende a distorsionar el
proceso de modelado y puede llevar a estimaciones no válidas (Addinsoft, 2014). Por
otro lado, intentar construir un modelo con muchas variables puede ser un problema
cuando hay pocas observaciones, ocasionando estimaciones inestables y poco precisas
(Tranmer & Elliot, s.f.).

El nivel de significancia para el modelado es de 0.05. No es un número elegido

arbitrariamente. Es un valor que está acorde a estándares internacionales en distintas
publicaciones científicas (Manterola & Pineda, 2008).

45
 Capitulo IV: Actividades y Recursos Disponibles

4.1. Cuadro de Actividades

El calendario de actividades para la realización de actividades fue el siguiente:

Tabla 6 : Cuadro de Actividades

Etapa nov-17 dic-17 ene-18 feb-18 mar-18 abr-18 may-18 jun-18 jul-18 ago-18 sep-18 oct-18 Nov-18

Primera Revisión del plan de Tesis X

Etapa de Pruebas Piloto X X X

Recolección de data secundaria X X X X X

Procesamiento de Datos cualitativos y

X X X X
cuantitativos X
2da revisión del plan de Tesis X X

x
Redacción Versión Final

Elaboración: Propia

46
4.2. Recursos Disponibles y Presupuesto
Uno de los requisitos para realizar una investigación es que esta sea viable en términos
de tiempo y recursos financieros. Tal como señalan Hernández et.al. (2014), existen
investigaciones que pueden resultar atractivas, pero que no son realizables dado un
límite natural en los recursos de los investigadores. En el caso de los instrumentos
computarizados empleados en la investigación, fueron empleadas las versiones de
demostración, versiones a los que se puede acceder por un tiempo determinado o vía
online.El único desembolso de dinero fue la recompensa dada a los participantes de los
focus group.

47
 Capítulo V: Resultados

5.1. Resultados cualitativos

Resultados del Focus Group Piloto en seguidoras de influencers en

YouTube
Los resultados de los grupos focales en cuanto al tema de investigación son los
siguientes:

Las influencers no son vistas como amigas por los participantes. Esto se infiere
a partir de las declaraciones de los participantes. Frases como “solo es un
referente” y “sería linda tenerla como amiga, pero no lo es”. En cuanto a la
honestidad de las influencers. Este es un factor determinante. Los participantes
mencionaron que no deben mostrar que “siguen un libreto”. Por otro lado, la
honestidad de una influencer guarda relación con el hecho de “que sean
consecuentes”. El ser consecuente es referido como “usar los productos que
recomienda”.

El término influencer sin duda se ha popularizado: casi todos los participantes

fueron capaces de dar ejemplos de estos. No dieron una definición, pero sí
fueron capaces de ejemplificar. El efecto de influencer es mayor cuando se trata
de una oferta en la que hay que dar el nombre de ella para obtener un descuento.
Esta es la forma más efectiva en cuanto a un comportamiento de compra muy
próximo.

Una persona se vuelve influencer si es respaldada por una marca importante,

antes, es muy poco probable que esto suceda. “Para ser considerada influencer,
debes haber sido contratada por una marca conocida” es una frase
representativa de este aspecto.

En caso de que la influencer se equivoque, los participantes indicaron que lo

mejor era no atacarla. La respuesta a esta pregunta se caracterizó por su
unanimidad. Relacionado a este punto está el hecho de que los participantes
indicaron que “no es adecuado unirse a compartir comentarios negativos” o “no
es correcto hacerlo” debido a que “podrían generarse conflictos”. Con respecto
al tiempo como elemento de análisis de los que visualizan el contenido de
influencers de moda y estilo, la muestra evidencia que no es indicador de
particular importancia para los participantes: la mayoría no es capaz de señalar
con precisión cuanto tiempo dedica a ver a una influencer.

48
Dos plataformas importantes: Instagram y YouTube, en muchas ocasiones la
primera dirige a la segunda. Una respuesta representativa aquí fue “si te gusta
lo que ves en Instagram, puedes ir a YouTube para ver más cosas, muchas
veces ambas publicaciones están conectadas”.

Predominantemente el celular es el medio más usado, aunque puede optarse

por laptops en caso el contenido sea de larga duración. Esto probablemente esté
asociado al consumo de datos por internet. Los factores externos que afectan
una compra sugerida por una influencer son el precio, la disponibilidad del
producto y la distancia que se debe recorrer para adquirirlo. Algunas frases
representativas de esta etapa son: “Si ves algo bonito que te recomienda la
influencer, pero no puedes comprarlo, te puede frustrar”. Similar situación ocurre
con la disponibilidad del producto (“de nada sirve que te recomiendan algo, pero
que no está en la tienda”). En el caso de la distancia una respuesta
representativa fue: “debe estar cerca para poder tener tiempo para poder
comprar”

Todo lo anterior guarda relación con ciertos aspectos de un consumidor racional.

De existir un impacto, se encontrará condicionado a ciertos aspectos
económicos clásicos: precio, disponibilidad, y distribución. El contenido de la
influencer no es considerado como totalmente creíble ("Les pagan por hacer lo
que hacen y eso a veces te hace dudar"). Los productos que promociona la
influencer por lo general son sometidos a una consulta a otros actores como
amigos o familia. Al menos, a nivel exploratorio, el rol de la influencer tiene sus
limitaciones.

Los atributos más importantes que debe desarrollar una influencer es ser
creativa, tener personalidad, poseer aptitud y ser honesta. En cuanto a las
actividades más recurrentes en redes sociales, el dar un “like” (“me gusta”) es la
actividad más frecuente, en segundo lugar está el hecho de pasar a otro vídeo o
contenido; finalmente, entre las actividades menos frecuente se encuentran la
realización de comentarios y el hecho de compartir el contenido.

Resultados: Frases relevantes acerca Consumo (o compra) en seguidoras

de influencers peruanas de moda y estilo en YouTube.

A1: “Me gustó mucho lo que recomendaste, pero no he podido comprarlo porque
no lo encontré en la tienda”

A2: “Siempre recomiendas cosas geniales, pero cuando quiero comprarlas me

acuerdo de que soy pobre y los precios me parecen caros”

49
A3: “Me encanta cuando nos dan descuentos con solo indicar tu nombre. Ahí
compro sin pensarlo dos veces”

A4: “Ese perfume que mencionaste lo vi en una tienda, pero no sé si será bueno,
el estuche se ve bonito, pero no sé si me gustará el aroma”

A5: “De vez en cuando meten la pata en tus recomendaciones, pero ahí estamos
nosotras para el cyberbullying, y no pararemos hasta llegar a tu auspiciador”

A6: “Ya no eres la misma de antes, ya no se te ve tan natural, ahora más pareces
publicidad pagada, sé que vives de esto, pero se te está pasando la mano. No
pierdas la esencia con la que comenzaste”

A7: “Me convenciste, ahora voy a la tienda y lo compro. Es genial cuando

recomiendas cosas que realmente podemos comprar”

A8: “Sé que les pagan para que hagan publicidad, pero al menos sean algo
consecuentes con lo que recomiendan, jamás los he visto volver a usar algo que
una vez recomendaron”

Es posible inferir algunos aspectos de las frases. En primer lugar, existe cierta
coincidencia con el Focus Group en cuanto a aspectos condicionados al
consumo. Así, el precio, el ingreso de las personas y la disponibilidad del
producto son tres de los factores que terminan condicionando el consumo (A1 y
A2). Pero también está la naturalidad del influencer como comunicador, donde
prima el factor sinceridad (A4 y A7).

Por otro lado, las marcas pueden verse perjudicadas en menor manera si es que
la influencer (A5). De la relación influencer-auspiciador existe evidencia de que
algunas las seguidoras de Fashions Blogger peruanas son totalmente
conscientes o se han dado cuenta de que estas últimas cobran por promocionar
los productos que aparecen en sus vídeos (A8). Luego, la intención de compra
en un producto recomendado por una influencers es más efectiva cuando estas
ofrecen descuentos asociados a sus nombres (A4). Finalmente, existen artículos
que por su naturaleza especial no despiertan una especial intención de compra,
tal es el caso de la perfumería, y esto se puede deber al hecho de que no es
posible apreciar el olor mediante YouTube”

Resultado: Frases relevantes relacionadas a los rasgos psicodemográficos

en seguidoras de influencers peruanas de moda y estilo en YouTube.

B1: “No hay nada más pesado que una chibola pulpina, de esas fanáticas que te
celebran todo sin criticar, parece que no pensaran y solo siguen lo que les dices”

50
B2: “Siempre he creído que las mujeres menos femeninas y alguna que otra leca
las odian. Yo no, a mí me encanta que compartas tus tips. Te queremos”

En cuanto a los aspectos psicodemográficos, existen algunas menciones a

resaltar. En primer lugar, al parecer existe una relación directa entre el hecho de
ser joven e influenciable, al menos desde la perspectiva de algunas seguidoras
de influencers de moda y estilo de acuerdo con la frase (B1).

Llama la atención la segunda frase (B2), en ella una usuaria indica que aquellas
mujeres que tienen un comportamiento menos femenino son menos proclives a
ser afines a las influencers de moda. Esta atribución sugiere el hecho de que,
entre las mismas mujeres, existen quienes tienden a ser menos femeninas, y
que dicho rasgos está relacionado al hecho de estar menos interesada en moda
y estilo.

Frases relevantes relacionadas al Social Media en seguidoras de

influencers peruanas de moda y estilo en YouTube.

C1: “No sé cómo termine viendo este video, ah, sí, estaba chequeando tus fotos
en Instagram y me interesó ese vestido”

C2: “Siempre he dicho que tus más fieles seguidoras estamos en YouTube.
Instagram también es genial, pero cuando tengo tiempo siempre chequeo tus
vídeos.”

C3: “Creo que te sigo en todas mis redes sociales. Hasta en tu Twitter que anda
medio muerto, pero igual me sirve para darme un salto en tus publicaciones”

C4: Trata de actualizar más tú Facebook, sé que ya no jala como antes, pero no
te olvides de tu público no tan pulpina”

Las frases C1 y C3 sugieren que otras plataformas como Instagram y Twitter

sirven como puente para llegar a YouTube, aunque la primera es más útil en este
sentido; a la segunda se le atribuye el hecho de tener poca actividad. No
obstante, cabe resaltar el hecho de que es probable que quienes sigan a una
Fashion Blogger en Twitter, también lo hagan desde Instagram. Un elemento
asociado a ello es el tiempo, ya que ver un video en YouTube requiere más
tiempo libre que ver una publicación en Twitter e Instagram

Por otro lado, la frase C2 atribuye un nivel de lealtad al hecho de seguir a la

influencer en una plataforma específica. YouTube requiere algo más de
dedicación para ser apreciada. El nivel de lealtad probablemente haga referencia

51
al término engagement. Por último, en C4 queda evidencia de que Facebook
tampoco es la red que más concita atención entre las influencers, al menos
desde la perspectiva de los seguidores.

Frases representativas que evidencia la influencia de la social media en el

consumo caso de influencers de moda y estilo y la marca Benetton en The
Color Run

F1: Ya tengo el verde. Quiero el azul.

F2: “Ha venido la pena la cola para conseguir eso”

F3: “Te ves hermosa, no importa el color, quiero ese producto”

F4: “¿Me dan descuento si doy tu nombre o algo así?”

F5: “Sí, te vi con eso en el evento, me gustó, aunque no recordaba el nombre de

la marca”

F6: “Muy bonito, ¿lo tienen en celeste?”

F7: “Todo salió bonito”

De los comentarios reconocidos como representativos se debe notar algo en

particular. Nadie ha mencionado la marca (solo el producto). Los comentarios
son todos positivos (a favor de la experiencia en el contexto de The Color Run).

En primer lugar, es posible obtener comentarios de cada usuario de Instagram.

El problema radica en que la mayoría hará énfasis en los componentes felices
(algo muy propio de Instagram).

¿Qué aspectos valiosos de estos comentarios evidencian relación con el

trabajo? Una importante proporción de los usuarios tiene asociada otra red social
a su cuenta en Instagram, ya sea Facebook o Twitter. Es aquí donde el trabajo
tiene relevancia. Los comentarios en Instagram indican si el usuario que ingresó
el comentario tiene al menos cierta intención de compra (consumo impulsado por
el Social Media), pero Instagram no es capaz de siquiera aproximarse un poco a
la personalidad del usuario.

Es por ello por lo que marcas como Benetton pueden emplear el diagnóstico de
sus clientes potenciales en redes sociales. Modelos como el que están
propuestos en la investigación pueden contribuir a ello. Pero para ello es
necesario saber que un modelo resulta significativo.

Benetton como marca pueden explotar la información asociada a las variables

psico demográficas. Así, por ejemplo, determinar a sus clientes que reflejen

52
 determinadas edades mentales, estilos más femeninos y con determinados
índices de liderazgo. En cuanto a esto último, una de las características que
pretenden resaltar los influencers, puede ser medida en base al comportamiento
en redes sociales. Benetton, por ejemplo, podría determinar el surgimiento de
microinfluencers en base a sustento numérico. Un microinfluencer debería
evidenciar liderazgo en su comportamiento social media, además de tener una
considerable cantidad de seguidores.

5.2. Resultados Cuantitativos

5.2.1. Resultados de la encuesta

En lo que a seguidoras de influencers de moda y estilo, las actitudes hacia el

contenido generado por distintos usuarios en YouTube es el siguiente:

Bueno 3.86

Bonito 4.26

Agradable 4.02

Importante 3.24

Útil 3.98

Figura 5: Escala de Actitud hacia el contenido generado por usuarios en YouTube en el caso de
seguidoras de Influencers de Moda y Estilo

Base: Total de participantes

Fuente: Encuesta – Privada Elaboración: Propia

Por tanto, en el caso de seguidoras de influencers, la utilidad no es la actitud de

más importante. En cambio, sí lo es que un contenido sea bonito o agradable.
La actitud más débil es el hecho de que contenido sea visto como importante.

Debe tomarse en consideración también las redes sociales que son empleadas
por seguidoras de influencers. Estas son principalmente cuatro: YouTube,
Twitter, Instagram y Facebook.

53
 53.21%
51.28%

33.65%

25.00%
23.72% 24.04%
22.12% 21.79%
20.19%

16.99%
15.71%
14.10% 14.10%
11.86% 11.86%
10.58% 9.62%
9.29%
8.01%

2.88%

Facebook Youtube Twitter Instagram

Nunca Casi Nunca Algunas Veces A menudo Siempre

Figura 6: Medio que es usado para seguir influencers peruanas de moda y estilo
Fuente: Encuesta Privada - Base: Total de Participantes

Del gráfico anterior es posible inferir que Instagram es la red social más
empleada por seguidoras de influencers. YouTube es la segunda en importancia,
Facebook es la tercera y Twitter la última. Probablemente esto se deba al hecho
de que Instagram es mucho más rápida en cuanto al acceso. YouTube requiere
de mayor tiempo disponible para ser visualizada. Facebook y Twitter no son las
más populares en el caso de quienes desean visualizar contenido generado por
influencers. No obstante, ello no significa que no puedan ser estudiadas en
especial si se toma en cuenta que se estudia variables psicodemográficas que
son obtenidas a partir de redes sociales. Dado que YouTube es una plataforma
que es importante para alcanzar los objetivos de la investigación, conviene
estudiar el comportamiento de las seguidoras de influencers

54
 41.03%

35.90%

31.41%
28.21%
27.24% 26.60%
25.96% 26.28% 25.64%
23.72% 24.04% 21.47%
23.40%
22.12% 22.44% 22.12% 21.79%
21.47%
18.91% 18.27% 18.27% 18.91%
17.31% 16.67%
15.38% 16.03%
15.06%
14.10%
13.14%
10.90%
9.62%
8.65%
7.05%
5.13% 5.77%

Miro el contenido Busco el contenido Marco como favorito un Recomiendo el contenido Realizo comentario sobre Me suscribo al contenido Subo un contenido
generado por el influencer generado por el influencer contenido generado por el generado por el influencer el influencer generado por el influencer generado por el influencer
influencer] a alguien
NUNCA CASI NUNCA ALGUNAS VECES A MENUDO SIEMPRE

Figura 7: Actividades realizadas por seguidoras de influencers en la red social YouTube

Fuente: Encuesta Privada

Base Total de Participantes

55
Las actividades más realizadas por seguidoras de influencers de moda y estilo en
YouTube son mirar el contenido y buscar más. Entre las actividades menos frecuentes
está el hecho de realizar comentarios. A pesar de ello dichos comentarios pueden ser
aprovechados.

Otra característica interesante que analizar es el hecho de saber si las personas que
terminan comprando productos debido a que en parte el mismo fue sugerido por una
influencer termina siendo para su propio uso para regalar. Los resultados sugieren que
la mayoría de compradores adquiere el producto para sí mismo.

15.70%

84.30%

Lo compro principalmente para mí

Lo compro principalmente para regalar

Figura 8: Distribución con respecto al destinatario de la compra recomendada por la influencer de moda
y estilo en YouTube
Base Total de Participantes - Fuente: Encuesta Privada

En cuanto a los productos que son adquiridos por recomendación de influencers, estos
son:

Joyas 5.50%

Perfume 11.50%

Calzado 17.30%

Accesorio
s
36.20%

Vestidos 29.50%

Figura 9: Tipo de Proyecto con mayor probabilidad de ser adquirido en base a recomendación de
influencer de moda y estilo en YouTube
Fuente: Encuesta Privada - Base: Total de Participantes
5.2.2. Resultados del Modelo Propuesto

En primer lugar, es necesario probar el modelo que incluye a todas las variables:

𝑃(𝐶_𝑆) = 𝑔 (𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑐𝑖ó𝑛, 𝑙𝑖𝑑𝑒𝑟𝑎𝑧𝑔𝑜, 𝑔é𝑛𝑒𝑟𝑜_𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜, 𝑒𝑑𝑎𝑑_𝑚𝑒𝑛𝑡𝑎𝑙, 𝑒𝑑𝑢_𝑓ℎ)

Tabla 7: Prueba Omnibus sobre los coeficientes del Modelo

Chi-
square df Sig.
Paso Step 221.600 5 .000
1
Block 221.600 5 .000
Modelo 221.600 5 .000
Elaboración: Propia

La prueba Omnibus tiene como Hipótesis nula que todos los coeficientes del modelo
(logístico binario) son 0 a excepción de la constante (Aguayo, 2012). Dado que los
niveles de significancia son inferiores a 0.05, entonces la hipótesis nula es rechazada.
Luego, se acepta que algunas de las variables del modelo tienen un coeficiente
diferente a cero (Tranmer & Elliot, s.f.). Esta información puede ser complementada
con la siguiente tabla:

Tabla 8: Estadísticos de Bondad de Ajuste

Estadística Independiente Full

Observaciones 403 403
Suma de los pesos 403.000 403.000
DF 402 397
-2 Log(Likelihood) 485.567 263.967
R²(McFadden) 0.000 0.456
R²(Cox and Snell) 0.000 0.423
R²(Nagelkerke) 0.000 0.604
AIC 487.567 275.967
SBC 491.566 299.961
Interacción 0 12

Elaboración: Propia

En la tabla anterior los estadísticos más importantes son los valores de R². Para el
modelo, dadas todas las variables, la variabilidad del indicador preferencia de consumo
influenciada por el social media (0 = improbable, 1 = probable) queda explicada entre
un 42.3% y 60.4% por las variabilidades de los indicadores psicodemográficos. Este
nivel de ajuste puede ser considerado aceptable para el modelado de acuerdo con
(Tranmer & Elliot, s.f.)

57
Luego, queda analizar la primera tabla de clasificación:

Predicción
Probabilidad de que el consumo sea
influenciado por el Social Media Porcentaje
Improbable Probable Correcto
Paso 0 Probabilidad Improbable 0 117 0.0
de que el
Probable
consumo sea
influenciado
por el Social 0 286 100.0
Media

Porcentaje Total 71.0

Elaboración: Propia

El modelo tiene una especificidad alta (100%) y una sensibilidad nula (0%) con las
variables predictores, lo cual es adecuado en un modelo aceptable. Por último, en
cuanto a cada una de las variables se obtiene:

Tabla 9: Variable en la ecuación del modelo

B S.E. Wald df Sig. Exp(B)

Liderazgo -10.766 1.361 62.613 1 0.000 0.000
Satisfacción Vida -6.48 2.142 9.148 1 0.020 0.002
Edad Mental -0.251 0.054 21.95 1 0.000 0.778
Género Estimado
1.922 0.34 31.971 1 0.000 6.833
(femenino)
Edu_fh (educación) 0.01 0.01 1.029 1 0.310 1.01
Constante 11.539 1.684 46.959 1 0.000

Elaboración: Propia

En la tabla anterior está evidenciada las primeras relaciones entre la variable

dependiente con las independientes bajo el modelo propuesto. Dado que el nivel de
significancia es de 0.05; es necesario retirar del modelo al índice de Fernández–
Huerta, variables vinculadas a la educación en la escritura. Dicho de otra forma, bajo
el modelo propuesto el hecho de que el Social Media influya o no en el caso de las
seguidoras de influencers peruanas de moda es independiente del nivel de instrucción
que evidencian al momento de escribir en la red social Twitter. Luego, existe una
relación inversa entre satisfacción con la vida, liderazgo y satisfacción con la vida y la
variable del tipo consumo. Por el contrario, el género estimado (femenino) tiene
impacto positivo en la variable dependiente asociado al hecho de consumir productos
influenciado por el Social Media,

58
El modelo, entonces, queda como sigue:
𝑃(𝐶_𝑆) = 𝑔 (𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑐𝑖ó𝑛, 𝑙𝑖𝑑𝑒𝑟𝑎𝑧𝑔𝑜, 𝑔é𝑛𝑒𝑟𝑜_𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜, 𝑒𝑑𝑎𝑑_𝑚𝑒𝑛𝑡𝑎𝑙)

TABLA 10: E STADÍSTICOS DE BONDAD DE AJUSTE PARA EL MODELO MODIFICADO

Estadística Independencia Full

Observaciones 403 403
Sumade los pesos 403.000 403.000
DF 402 398
-2 Log(Likelihood) 485.567 265.006
R²(McFadden) 0.000 0.454
R²(Cox and Snell) 0.000 0.421
R²(Nagelkerke) 0.000 0.602
AIC 487.567 275.006
SBC 491.566 295.001
Iteración 0 12
Elaboración: Propia

En este modelo, los valores de R-cuadrado ha disminuido en un porcentaje casi ínfimo

en comparación al modelo que incluía todas las variables. En este caso la probabilidad
de consumo influenciada por el Social Media queda explicada entre un 42.1% y 60.2%
por las variables dependientes, exceptuando la variable del tipo educación (excluida).

Tabla 11: Variables en la ecuación del modelo modificado

B S.E. Wald df Sig. Exp(B)

Liderazgo -10.578 1.336 62.643 1 0.000 0.000
Satisfacción Vida -6.283 2.103 8.929 1 0.003 0.002
Paso
1a Edad Mental -0.245 0.053 21.186 1 0.000 0.782

Género Estimado
1.923 0.338 32.324 1 0.000 6.844
(Femenino)

Constante 11.729 1.674 49.073 1 0.000

Elaboración: Propia

De la tabla anterior, es posible inferir que todas las variables deben permanecer en el
modelo: ninguna debe ser excluida. Este segundo modelo tiene mayor consistencia
que el primero en este aspecto.

Sin embargo, todavía, no se está ante un modelo que pueda ser calificado como
adecuado. Es recomendable aplicar el test específico para determinar si efectivamente
el modelo se ajusta a una regresión binaria. Los resultados son como siguen:

59
Tabla 12: Test de Hosmer- Lemeshow

Estadística Chi-square DF Pr > Chi²

Hosmer-
Lemeshow
Statistic 10.652 9 0.300

Elaboración: Propia

En este caso, el p-valor asociado es de 0.30; lo cual favorece al modelado, ya que

valores por debajo del nivel de significancia (0.05) evidenciarían que la regresión
logística binaria no es el método más adecuado para el modelo propuesto, situación
que no se ha producido.

A fin de enriquecer, los resultados puede aplicarse el Test de Kolmogorv-Smirnov en

los residuos no estandarizados.

Tabla 13: Prueba de Kolmogorov – Smirnov

Difference between observed

and predicted probabilities
N 403
Normal Parameters Mean .0000000
Std.
Deviation .31097116
Most Extreme Differences Absolute .219
Positive .138
Negative -.219
Test Statistic .219
Asymp. Sig. (2-tailed) ,000

Dado que el nivel de significancia supera el valor de 0.05, entonces es posible afirmar
que los residuos del modelado no poseen una distribución normal.

Por último, es posible construir la tabla de predictibilidad del modelo tal como sigue:

T ABLA 14: TABLA DE CLASIFICACIÓN DEL MODELO MODIFICADO

Predicción
Probabilidad de que el consumo
sea influenciado por el Social
Media Porcentaje
Improbable Probable Correcto
Paso 0 Probabilidad de que el Improbable 77 40 65.8
consumo sea influenciado
por el Social Media Probable
17 269 94.1
Porcentaje Total 85.9

Elaboración: Propia

60
 En promedio el modelo tiene un nivel de acierto de 85.9%. Esto también favorece al
modelado, ya que un modelo adecuado debería alcanzar al menos un 75% (Addinsoft,
2014).

Luego, es posible estimar la curva ROC para el modelo:

ROC Curve (AUC=0.915)

1

0.8
Sensitivity

0.6

0.4

0.2

0
0 0.2 0.4 0.6
1 - Specificity 0.8 1

Figura 10: Curva ROC para el Modelo

El modelado, empleando la perspectiva de la Curva ROC puede recibir el calificativo

de muy bueno, ya que el área bajo la curva supera al valor de 0.90 (Addinsoft, 2014).

Pred(Score ) = 1 / (1 + exp(-(11.729-10.578*Liderazgo-6.283*SatisfacciónVida-
0.245*Edad Mental+1.923*Género_Estimado(Femenino))))

La anterior ecuación representa la función matemática para la función binaria que

incluye tanto a la variable dependiente como a las independientes pertinentes en el
modelado.

5.3. Discusión de los resultados

En cuanto a la satisfacción con la vida, esta variable fue correlacionada positivamente con el
consumo (o compras) por Abbas, et.al (2016) para mujeres de Pakistán (aunque tuvo un
impacto mínimo). La investigadora indicó que puede haber variaciones de acuerdo con el
contexto sociocultural. Westenberg (2013), quien empleó entrevistas a profundidad que
posteriormente fueron analizadas con ATLAS TI, sugirió esta variable para analizar a las
seguidoras de influencers. La autora señaló que las participantes del estudio tenían rasgos de
no satisfacción con la vida. En cuanto a la investigación, los hallazgos son más similares a lo
segundo. La diferencia radica en que los hallazgos han sido realizados en base a una red
social en donde, ciertamente, se dan una cantidad considerable de conflictos en vivo.

En cuanto a la edad mental (más asociada a la madurez que a la edad cronológica), los
hallazgos sugieren que existe una correlación negativa entre dicha variable y la probabilidad
de ser influenciado por el Social Media. Esto coincide, en parte, con lo que indicaron los

61
investigadores por Pascual, et.al. (2015). La edad mental es una propuesta de la
investigación. En sentido inverso, a mayor edad mental, disminuye la probabilidad de que el
consumo se vea influenciado por elementos del Social Media, al menos en el caso de las
seguidoras de influencers de moda y estilo.

Luego, el género estimado es el resultado de un algoritmo en donde el instrumento mide la

probabilidad de que la persona posea un género masculino o femenino. El género ha sido
correlacionado con el consumo (o compras) en entornos online por Pascual, et.al. (2015).
Estos autores determinaron que sí existe relación entre el género y el tipo de producto a
adquirir. El género estimado aplicado al consumo fue una propuesta de Deitrick, et.al (2013).
La sugerencia de estos investigadores fue aplicable en el caso de seguidoras de influencers.
Aquellas mujeres que evidencien un comportamiento femenino en relación al contenido textual
de la red social Twitter son más proclives a ser influenciadas por el Social Media en cuanto a
decisiones de consumo.

Después, las investigaciones de Lepisto & Vähäjylkkä, (2017) y Quercia, et. al. (2011)
sugieren estudiar el liderazgo de los consumidores. Los hallazgos de la investigación sugieren
que en el caso de las seguidoras de influencers peruanas de moda y estilo existe una relación
negativa entre el hecho de ser influenciado por un entorno Social Media en las decisiones de
consumo y el liderazgo potencial que muestra las individuas en la red social ya trabajada. Este
hallazgo complementa lo señalado por Ribeiro-et.al. (2016), quien indicó que los seguidores
no son proclivesa autopercibirse como líderes.

O'Mahony, et.al. (2010) mencionaron que no hay una diferencia significativa entre el nivel
educativo reflejado en la escritura y el hecho de que un comentario sea visto como útil. Es el
único antecedente que relaciona a la educación reflejada en la escritura y un comportamiento
en un entorno Social Media. En el caso de las seguidoras de influencers en una red social
(Twitter), los resultados evidencian que el nivel educativo en la escritura es independiente de
la probabilidad de que la persona sea influenciada en sus decisiones de consumo por un
entorno Social Media. Debe de considerarse que O'Mahony, et.al. (2010) emplearon
indicadores para la escritura en inglés (SMOG y Flesch), mientras que en el caso de las
seguidoras de Fashion Bloggers fue empleando el índice de Fernández-Huerta. Por otro lado,
es necesario recordar que Twitter es una red que se caracteriza por la simplicidad en cuanto
al contenido textual.

Ya propiamente con respecto a YouTube, ciertamente esta plataforma se ha posicionado

como una de las más importantes para las influencers y sus seguidoras, aunque por motivos
de disponibilidad de tiempo, las seguidoras utilizan Instagram (y en menor medida Twitter) a

62
fin de redirigirse a YouTube si es que algún contenido es de su particular interés. Esta relación
entre componentes del Social Media ya existía y fue mencionada por Manning, (2014).

En cuanto a las influencers y YouTube, las seguidoras con capaces de construir un nivel de
percepción en cuanto a la honestidad o naturalidad que expresa las influencers peruanas de
moda y estilo. Este elemento ya había sido mencionado por Burke (2016) y Chi (2011). Por
otro lado, existen elementos cercanos a las variables psicodemográficas mencionadas por
Popov (2017). Estas se dan en forma de atribución hacia otros grupos, estas atribuciones
estan vinculadas también a la edad, el estilo femenino y el liderazgo. Esto relación ha sido
demostrada durante la etapa cualitatica de la investigación.

Finalmente, los comentarios realizados por quienes siguen influencers peruanas de moda en
YouTube sugieren que el consumo en base a la recomendación de Fashion Bloggers está
sujeto a variables clásicas como el precio, disponibilidad e ingreso personal. La influencia,
además, depende de la naturaleza del producto, tal como lo los perfumes. Estos,
aparentemente tienen menor probabilidad de ser adquiridos en base a recomendaciones de
una Fashion Bloggers en YouTube. En este sentido, es posible complementar la propuesta
de IBM (2017),la cual se basa en el modelo Big Five.

63
 Capítulo VI: Conclusiones y Recomendaciones

6.1. Conclusiones
Uno de los principales hallazgos de la investigación es que sí se puede modelar las
preferencias de consumo influenciadas por el Social Media en función a variables
psicométricas ya mencionadas a excepción de la educación en el caso de usuarias seguidoras
de Fashion Bloggers o influencers de moda y estilo. Las preferencias de consumo guardan
relación inversa con liderazgo, satisfacción con la vida y edad mental; y directa con género
estimado (estilo femenino en la comunicación). En contraste, dichas preferencias son
independientes del nivel de educación reflejado en la escritura (índice de Fernández-Huerta).

Bajo el modelo propuesto, una de las variables que tiene incidencia en las preferencias de
consumo influenciadas por el Social Media es el liderazgo. En otras palabras, existe relación
entre la preferencia de consumo influenciadas por el Social Media y el liderazgo que
evidencian las seguidoras en Twitter de influencers especializadas en moda y estilo. Esta
relación es del tipo inversa. Esta relación guarda relación con lo mencionado por Ribeiro et.al.
(2016).

La edad mental, por otro lado, también guarda relación inversamente proporcional con
respecto a las preferencias de consumo influenciadas por el Social Media. Los antecedentes
de la investigación hacen mención a la edad cronológica, la cual no necesariamente es igual
a la edad mental. Por tanto, este es un aporte que complementa anteriores hallazgos y guarda
coherencia con la literatura, más específicamente con lo señalado por Pascual, et.al. (2015).

El estilo femenino en la comunicación, en contraste con las dos variables independientes

mencionadas y de acuerdo con los resultados obtenidos, existe una relación directa entre el
estilo femenino en la redacción y preferencias de consumo influenciadas por el Social Media.
Los comentarios con estilo femenino afirman la conectividad con las fashion bloggers. Las
sugerencias realizadas por Deitrick, et.al. (2013) tenían sustento: era relevante estudiar
patrones de consumo con el género aparente.

Luego, la satisfacción con la vida también guarda una relación inversamente proporcional con
las preferencias de consumo influenciadas en el caso de seguidoras de Fashions Blogger
especializadas en moda y estilo. Esta es la cuarta y última variable en importancia de todas
aquellas que si guardan relación con la variable dependiente bajo el modelo propuesto. Este
hallazgo fue encontrado a partir de las sugerencias de Westenberg (2013), aunque los
resultados fueron ligeramente diferentes a los de Abbas,et.al. (2016).

64
La última variable, el índice de Fernández-Huerta, variable asociada con la educación no
guarda relación con la variable dependiente. Esto quiere decir que el hecho de que las
seguidoras de influencers peruanas se vean influenciadas por elementos del Social Media no
guarda relación con la educación que reflejan en su escritura, al menos no es Twitter.
Ciertamente en los antecedentes se ha correlacionado a la educación con el comportamiento
de compra, pero no existía un estudio acerca de la educación con la escritura. Los hallazgos
de la investigación sí enriquecen los hallazgos de O'Mahony, et.al. (2010) en cuanto a
comportamiento en espacios virtuales basados en la escritura.

YouTube, como elemento del Social Media, es mucho más valiosa que Twitter para las
influencers de moda y estilo en el Perú. No obstante, si Twitter todavía tiene cierta
supervivencia es debido a que sirve como puerta de entrada hacia YouTube. Así, por ejemplo,
si la influencer escribe “No te pierdas mi nuevo vídeo acerca de blusas en” más una URL, es
posible que las seguidoras hagan clic si están interesadas. Lo mismo ocurre con Instagram,
plataforma que hoy domina el sector de la moda y estilo. Dicha red social también constituye
una puerta a YouTube y es mucho más efectiva que Twitter. Una posible explicación a esto
es que los tópicos vinculados a moda y estilo tienen un fuerte componente visual, mientras
que en Twitter el contenido textual es más abundante.

Por otro lado, a nivel teórico existe evidencia matemática que demuestra la compatibilidad
entre dos teorías. El modelo de consumo BIG 5 de IBM y la teoría psicométricas-
computarizada de la Universidad de Cambridge. De eso queda evidencia en indicadores como
el R-cuadrado, curva ROC y porcentaje de valores predichos. Ha quedado evidencia de la
abundante información que se puede extraer de entornos Social Media. Técnicas como la de
IBM y Cambridge son aproximaciones a la realidad, pero son un método válido como las
encuestas. Si la investigación se hubiera realizado en base a cuestionarios, probablemente el
cuestionario tendría que haber tenido 100 preguntas. Ello complicaría obtener respuestas
sinceras por parte de los participantes.

YouTube requiere mucha más atención por partes de los investigadores en marketing que
Twitter en lo relacionado a influencia en el consumo. El problema es que la plataforma de
vídeos no permite que se construya con facilidad los perfiles individuales de los seguidores,
es más viable construir la identidad del “Yo Digital” de los influencers. No obstante, sí sería
posible estudiar a los comentarios de cada vídeo como si se tratase de valoraciones
colectivas.

65
6.2. Recomendaciones
El modelo puede ser ampliado e incorporar otras variables como la tendencia política (liberal
o conservador); el área de interés en cuanto al conocimiento (arte, ingeniería, negocios, etc.);
el estatus de relación (solo, pareja, casado); y religión (católico, protestante, mormón y
otros).Todas estas variables pueden adicionarse en el modelado, pero requiere de un marco
teórico o evidencia cualitativa-exploratoria que las respalde a fin de evitar correlaciones falsas.

Los instrumentos empleados pueden servir como herramientas de segmentación. Las

influencers (o quienes se encarguen de administrar sus entornos de Social Media) pueden
emplear las herramientas presentadas a fin de conocer mejor las características del público
al que llegan. No en vano, el análisis de perfiles digitales forma parte de las nuevas tendencias
en la investigación de mercado y está particularmente involucrada en estrategias de CRM.

Los datos de Twitter ofrecen un mundo de posibilidades en cuanto a ubicación física. Cada
tweet posee datos de geolocalización. A pesar de que es una red social que ha retrocedido
en popularidad, ciertamente el hecho de brindar datos de localización le otorga un valor
agregado. En base a los datos de ubicación es posible aproximarse a la residencia del usuario,
pero también es posible conocer parte de su rutina. Si es que los tweets suelen ser lanzados
desde una universidad local en La Molina durante ciertos días y horas, lo más probable es
que se trate de un estudiante a tiempo completo y si a esta rutina repentinamente se incorpora
un nivel de actividad considerable y permanente en el centro financiero de San Isidro,
entonces es altamente probable que dicha estudiante ya formé parte del mundo laboral.

Existe evidencia de la relación inversa entre liderazgo, satisfacción con la vida y el nivel de
influencia del Social Media en el consumo. Esto es aprovechable no solo para las influencers,
sino también para otras marcas que busquen ser referentes de liderazgo o asociarse a la
felicidad. Desde luego, esto implica una serie de tácticas de marketing. El rol del género
estimado es otro elemento a considerar: existen mujeres que pueden presentar rasgos
masculinos en cuanto a su forma de expresarse en redes sociales. Esto no favoreces a las
decisiones de consumo impulsadas por influencia del Social Media, al menos en el caso de
seguidoras de influencers de moda y estilo.

No ha sido intención de la tesis sugerir que las campañas se hagan en Twitter. Eso no es
efectivo. Pero todavía se debe reconocer el potencial digital de Twitter como red social para
construir perfiles digitales de los consumidores. De hecho, las estadísticas de Google Trends
indican que existe un orden en cuanto a las búsquedas relacionadas a Moda y Estilo en el
Perú

66
Figura 11: Comparativo entre las búsquedas relacionadas a Moda y Estilo de acuerdo según elemento del social
media YouTube vs. Twitter vs. Instagram – enero 2015- Octubre 2018
Fuente: Google Trends (2018)

El gráfico anterior evidencia que YouTube está siendo alcanzado por Instagram en temas de
moda y estilo. Twitter concentra actualmente la quinta parte del tráfico de YouTube en cuanto
a temas de moda y estilo (y con tendencia a no aumentar). Por ello todavía puede estudiarse
dicha plataforma, pues con las otras dos difícilmente podría construirse un perfil digital. La
idea es conocer huellas digitales de los usuarios.

Las empresas deben desarrollar estrategias de Marketing basados en la influencia del Social
Media. Conocer las características de su público objetivo es más sencillo si se emplea técnicas
como las mostradas en el presente documento. Esto también aplica para las fashion bloggers,
quienes cuentan con una cantidad considerable de seguidoras. En Facebook, por ejemplo,
las influencers de moda y estilo pueden acceder a parte de los datos de quienes den un “me
gusta” a sus respetivas fanpages.

Finalmente, las empresas deben tomar una especial consideración por el estilo femenino en
cuanto al comportamiento en entornos Social Media. Es una variable muy poco explorada y
que puede ser importante como lo sugieren los resultados de la investigación.

67
 Capítulo VII: Limitaciones e investigaciones futuras

7.1. Limitaciones de la investigación

Las teorías que respaldan a los instrumentos Watson Personality Insights (IBM) y Apply Magic
Sauce (Universidad de Cambridge) no pretenden ser absolutas. Los instrumentos (softwares)
representan a modelos que intentan aproximarse a la realidad. En este sentido son iguales a
las encuestas. Los métodos computarizados presentados toman como inputs lo que los
individuos pretenden mostrar en sus redes sociales. Si bien es cierto que existen
investigaciones que respaldan a los instrumentos ya mencionados, ciertamente, también
presentan limitaciones que podrían ser complementadas con encuestas. La calidad de los
datos dependerá del nivel de coherencia entre la personalidad virtual y la real.

Ciertamente se han tomado medidas para evitar los datos con cuentas falsas, pero el
algoritmo no es perfecto. No obstante, es preferible emplear mecanismos automatizados
citados por revistas internacionales de investigación que emplear criterios no estandarizados
(Severyn, et.al. 2014). El sesgo siempre estará presente en los distintos métodos, pero lo ideal
es minimizarlo.

El lenguaje de Twitter puede admitir significados que no son fáciles de entender. Las máquinas
todavía no pueden detectar con fiabilidad los sarcasmos, las bromas y las referencias a
elementos externos. En este sentido pueden existir ciertas inconsistencias. Así, por ejemplo,
si una usuaria escribe la siguiente frase: “Amiga, te voy a matar”, ello no significa que tenga
una personalidad homicida, simplemente es una referencia propia de la jerga entre personas
que se tienen confianza. Y a pesar de que las aplicaciones de IBM y Cambridge están
entrenadas para ese tipo de casos (de ahí que se suela mencionar el término machine
learning), todavía está muy distante el día en que las máquinas puedan entender plenamente
el comportamiento humano.

7.2. Investigaciones Futuras

Es natural que las personas puedan desanimarse a contestar un cuestionario si es que este
resulta particularmente largo. Las investigaciones futuras pueden integrar ambas
metodologías. Así, por ejemplo, si se deseara conocer si existe correlación entre
determinados rasgos de la personalidad y la preferencia por una determinada influencer, bien
podría enviarse un cuestionario vía Twitter o Facebook en donde se haga una sola pregunta:
¿Cuál es su Fashion Bloggers favorita? En base a ello sería posible correlacionar la variable
categórica (influencer preferida) y ciertos atributos de la personalidad que son obtenibles a
partir de la red social del encuestado. Este método representa un cruce entre los elementos
tradicionales y aquellos que aplican últimas tecnologías.

68
Es posible monitorear a cuentas que se consideren representativas. Existen usuarios de redes
sociales que son considerados como microinfluencers, individuos que, por ejemplo, pueden
tener 500 o 1000 seguidores. Resultaría interesante estudiar la intermediación que ejercen
los microinfluencers entre los influencers y los usuarios finales (siempre y cuando el
microinfluencer comparta contenido generado por la influencer). Este fenómeno puede ser
estudiado empleando la metodología considerada en este estudio.

Ya se ha mencionado en las recomendaciones la posibilidad de hacer cruces de información

entre redes sociales. Las imágenes y vídeos posteados en Instagram que son datos
aprovechables. Una línea de investigación futura sería analizar los ratios de respuesta a
anuncios en Instagram. De hecho, es posible obtener más métricas de Instagram. Pero su
uso requiere de técnicas más sofisticadas que permitan analizar imágenes: los “me gusta” y
los comentarios dependerán de la naturaleza de la imagen subida. El problema aquí abarca
otra disciplina que analice imágenes de la misma forma que la Minería de Datos puede
procesar textos.

Figura 12: Ejemplo de las métricas en Instagram disponibles para el estudio

Fuente: Instagram

Queda en manos de otros investigadores el explotar los datos de Twitter y correlacionar los
datos que se puedan obtener de otras redes sociales, siempre y cuando quede evidencia de
que las cuentas pertenecen a las mismas personas.

69
Bibliografía

Aaker, D. (1991). Managing Brand Equity: Capitalizing on the Value of a Brand Name. New York: The
Free Press.
Abbas, T., Abrar, M., Saleem, R., & Iqbal, A. (2016). The Relationship of Life Satisfaction with Buying
Intention and Brand Behavior for Global Brand. European Journal of Business and
Management, 8(31), 97-105.
Addinsoft. (2014). Modelos para variable de respuesta binaria (Logit, Probit). Retrieved Octubre 21,
2018, from https://www.xlstat.com/es/soluciones/funciones/modelos-para-variable-de-
respuesta-binaria-logit-probit
Aguayo, C. (2012). Cómo hacer una Regresión Logística con SPSS© “paso a paso ". Documento de
discusión, Fundación Andaluza Beturia para la Investigación en Salud. Retrieved Setiembre
28, 2018, from http://www.fabis.org/html/archivos/docuweb/Regres_log_1r.pdf
Ajzen, I. (1975). Action Control. Berlin: Springer.
Albright, J. (2016). How Trump’s campaign used the new data-industrial complex to win the election.
London School of Economics. Retrieved Noviembre 3, 2018, from
http://eprints.lse.ac.uk/69110/1/blogs.lse.ac.uk-
How%20Trumps%20campaign%20used%20the%20new%20data-
industrial%20complex%20to%20win%20the%20election.pdf
Alfonso, V., Allison, D., Rader, E., & Gorman, B. (1996). The Extended satisfaction with life scale:
Development and psychometric property. Social Indicators Research, 38(3), 275–301.
Andreas, K., & Michael, H. (2010). Users of the world, unite! The challenges and opportunities of
social media. Business Horizons, 53(1), 59-68.
Arnoux, P., Xu, A., Boyette, N., & Mahmud, J. (2017). 25 Tweets to Know You: A New Model to
Predict Personality with Social Media. IBM. Retrieved Junio 22, 2018, from
https://pdfs.semanticscholar.org/5dda/c9b93d6f84b66efac45634cd7c5315620473.pdf
Bach, C., & Alessa, A. (2014). Data Mining and Knowledge Management for Marketing. International
Journal of Innovation and Scientific Research, 2(2), 321-328.
Barrio-Cantalejo, I., Simón-Lorda, P., & Melguizo, M. (2008). Validación de la Escala INFLESZ para
evaluar la legibilidad de los textos dirigidos a pacientes. Análisis de Sistemas Sanitario de
Navarra;, 31(2), 135-152.
Bellman, S., Lohse, G., & Johnson, E. (1999). Predictors of online buying behavior. Communications
of the ACM, 42(12), 98-105.
Blanco, A., & Gutiérrez, U. (2012). LEGIBILIDAD DE LAS PÁGINAS WEB SOBRE SALUD
DIRIGIDAS A PACIENTES Y LECTORES DE LA POBLACIÓN GENERAL. Revista Española
de Salud Pública, 76(4).
Boyd, D., & Ellison, B. (2007). Social Network Sites: Definition, History, and Scholarship. Journal of
Computer-Mediated Communication, 13(1), 210–230. doi:10.1111/j.1083-6101.2007.00393.x
Buchegger, S., & Hui, P. (2009). Groupthink and peer pressure: Social influence in online social
network groups. International Conference on Advances in Social Network Analysis and
Mining, (pp. 53-59). Berlin. Retrieved Mayo 24, 2018, from Retrieved from: https://www.net.t-
labs.tu-berlin.de/papers/HB-GPPSIOSNG-09.pdf
Burke, K. (2016). Social Butterflies: How Social Media Influencers are the New Celebrity
Endorsement. Retrieved from
https://vtechworks.lib.vt.edu/bitstream/handle/10919/78221/Burke_KE_T_2017.pdf?sequence
=1
Castelló, A., & Del Pino, C. (2015). La Comunicación Publicitaria con Influencers. Revista de
Marketing Aplicado, 14(1), 21-50.
Checchinato, F., & Gazzola, P. (2015). Content and Feedback Analysis of YouTube Videos: Football
Clubs and Fans as Brand Communities. Journal of Creative Communications, 10(2), 76-88.
doi:10.1177/0973258615569954
Chen, C. (2013). Exploring Personal Branding on YouTube. Journal of Interner Commerce, 12(4), 21-
36. doi:10.1080/15332861.2013.859041

70
Chi. (2011). Interactive digital advertising vs. virtual brand community: Exploratory study of user
motivation and social media marketing responses in Taiwan. Journal of Interactive
Advertising, 12(1), 44-61.
Costa, P., & McCrae, R. (1992). Revised NEO Personality Inventory (NEO-PI-R) and NEO Five-Factor
Inventory (NEO-FFI) Manual. In Psychological Assessment Resources .
Culotta, A., & Cutler, J. (2016). Mining Brand Perceptions from Twitter Social Networks. Marketing
Science, 35(3), 341-357. doi:10.1287/mksc.2015.0968
Dawson, S., & Bamossy, G. (1991). If we are what we have, what are we when we don’t have?
Journal of Social Behavior and Personality, 6(6), 363-384.
Deitrick, W., Miller, Z., Valyou, B., & Dickinson, B. (2013). Gender Identification on Twitter Using the
Modified Balanced Winnow. Communications and Network, 4(3), 189-195.
Deloitte. (2015). Disruption ahead: Deloitte’s point of view on IBM Watson. Reporte Técnico. Retrieved
Junio 28, 2018, from https://www2.deloitte.com/content/dam/Deloitte/us/Documents/about-
deloitte/us-ibm-watson-client.pdf
Dholakia, R., & Uusitalo, O. (2002). Switching to electronic stores: consumer characteristics and the
perception of shopping benefits. International Journal of Retail & Distribution Management,
30(10), 459-469.
Díaz, H., & López, R. (2016). Estudiando la validez de IBM Watson Personality Insights en una
muestra de estudiantes FEN como un acercamiento al perfil de cargo para la selección de
personal. Tesis de grado, Universidad de Chile , Facultad de Economía y Negocios ,
Santiago.
Diener, E. (1975). The satisfaction with life scale. Journal of personality assessment, 49(1), 71-75.
Diener, E. (1984). Subjective well-being. Psychological Bulletin, 95(3), 542-575.
Donthu, N., & Garcia, A. (1999). The internet shopper. Journal of Advertising Research, 39(3), 52-59.
Evans, M. (1989). Consumer behavior towards fashion. European Journal of Marketing, 23(7), 7-16.
Fan, Y., & Miao, Y. (2012). Effect of electronic word-of-mouth on consumer purchase intention: The
perspective gender differences. International Journal of Electronic Business Management,
10(3), 175-181.
Fernández-Cruz, J. (2017). Can Sentiment in Our Words be Quantified? An Introduction to Lingmotif,
a senimental analysis tool and its educational application. International Congress on the
Didactis of the English Language, 2(1).
Fishbein, M., & Ajzen, L. (1975). Belief, Attitude, Intention, and Behavior: An Introduction to Theory
and Research. Reading,MA: Addison-Wesley.
Forbes, C. (2016). Examining the Beauty Industry’s Use of Social Influencers. Elon Journal of
Undergraduate Research in Communications, 7(2), 78-87.
GFK Perú. (2017). Influencers. Investigación de Mercado.
Gibson, M. (2016). YouTube and bereavement vlogging: Emotional exchange between strangers.
Journal of Sociology, 52(4), 631-645. doi:doi.org/10.1177/1440783315573613
Golbeck, J., Robles, C., Edmodson, M., & Turner, K. (2011). Predicting Personality from Twitter. 2011
IEEE Third International Conference on Social Computing. Boston.
doi:10.1109/PASSAT/SocialCom.2011.33
Goldsmith, R., & Horowitz, D. (2006). Measuring Motivations for Online Opinion Seeking. Journal of
Interactive Advertising, 6(2), 2-14.
Gonzáles, R. (2017). Hacking the citizenry? Personality profiling, ‘big data’ and the election of Donald
Trump. Working Paper, Yale University, Department of Computer Science. Retrieved
Noviembre 5, 2018, from http://www.cs.yale.edu/homes/jf/Gonzalez.pdf
Hamid, N., & Ishak, M. (2015). Facebook, YouTube and Instagram: Exploring Their Effects on
Undergraduate Students’ Personality Traits. The Journal of Social Media in Society, 4(2).
Haridakis, P., & Hanson, G. (2009). Social interaction and co-viewing with YouTube: Blending mass
communication reception and social connection. Journal of Broadcasting & Electronic Media,
53(2), 317-335.
Hennig-Thurau, T., & Walsh, G. (2004). Electronic word of mouth: Motives for and consequences of
reading customer articulations on the internet. International Journal of Electronic Commerce,
8(2), 51-74. doi:10.1080/10864415.2003.11044293

71
Hernández, G., Ramírez, G., Villatoro, E., & Jiménez, H. (2017). Aplicaci ́on web para identificar
personalidad,género y edad de usuarios en Twitter. Research in Computing Science, 115, 93-
106.
Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la Investigación (Quinta ed.).
México: McGraw Hill.
Hidalgo, M., & Segarra, J. (2017). The Youtuber Phenomenon and its Transmedia Expansion.
Analysis of Youth Empowerment in Social Media. Revista de Investigación USAL, 3(15).
doi:10.14.201
Hiller, R., & Kim, J. (2014). Online Music, Sales Displacement, and Internet Search: Evidence from
YouTube. Center of Analysis of Property Rights an Innovation, 13(2), 1-30.
Hofmann, M., & Chisholm, A. (2015). Text Mining and Visualization: Case Studies Using Open-Source
Tools. Chapman and Hall/CRC .
Horton, D., & Whol, R. (1056). Mass communication and parasocial interaction: Observations on
intimacy at a distance. Psychiatry, 19, 215-219.
IBM. (2017). Watson Personality Insights - Preferencias de Consumo. Retrieved Agosto 13, 2018,
from https://console.bluemix.net/docs/services/personality-
insights/preferences.html#preferences
IPMark. (2018). Estudio Global Sobre Microinfluencers. Estudio de Mercado. Retrieved Noviembre 8,
2018, from https://ipmark.com/wp-
content/uploads/2018/09/SPANISH_I_Estudio_Global_de_MicroInfluencers_SocialPubli_com.
pdf
Joines, J., Scherer, C., & Scheufele, D. (2003). “Exploring motivations for consumer web use and their
implications for e-commerce. Journal of Consumer Marketing, 20(2), 90-108.
Jung-Lin, D., Han, J., & Chambourova, L. (2017). Identifying Fashion Accounts in Social Networks.
University of Illinois, Urbana-Champaign, Identifying Fashion Accounts in Social Networks.
Retrieved Octubre 22, 2018, from
https://kddfashion2017.mybluemix.net/final_submissions/ML4Fashion_paper_21.pdf
Khriyenko, O., Nguyen, C., & Marek, P. (2016). IBM Watson. Reporte Técnico, MIT. Retrieved Agosto
29, 2018, from http://users.jyu.fi/~olkhriye/IBM/IBM_Watson.pdf
Korgaonkar, P., & Wolin, L. (1999). A multivariate analysis of web usage. Journal of Advertising
Research, 38(1), 7-21.
Kosinski, M., Stilwell, D., & Graepel, D. (2013). Private traits and attributes are predictable from digital
records of human behavior. Proceedings of the National Academy of Sciences of the United
States of America, 110(15), 5802-5805. doi:10.1073/pnas.1218772110
Kotu, V., & Deshpande, B. (2014). Predictive Analytics and Data Mining: Concepts and Practice with
RapidMiner. Morgan Kauffman.
Kumar, S., Morstatter, F., & Liu, H. (2014). Twitter Data Analytics. Springer.
Lahuerta, E., & Cordero, R. (2016). Looking for the perfect tweet. The use of data mining techniques
to find influencers on twitter. Computers in Human Behavior, 64, 575-583.
Lepisto, E., & Vähäjylkkä, A. (2017). YouTubers’ impact on viewers’ buying behavior. Tesis de
maestría, JAMK University of Applied Sciences. Retrieved Agosto 23, 2018, from
https://www.theseus.fi/bitstream/handle/10024/132972/Lepisto_Emmi_Julia_Vahajylkka_Miina
.pdf?sequence=1
Liikanen. (2012). Three Metrics for Measuring User Engagement with Online Media and a YouTube
Case Study. Aalto University, Helsinki Institute for Information Technology. Retrieved from
https://arxiv.org/ftp/arxiv/papers/1312/1312.5547.pdf
Lougharn, T., & McDonald, B. (2014). Measuring Readability in Financial Disclosures. Journal of
Finance, 69(4), 1643-1661. doi:10.1111/jofi.12162
Maimon, O., & Rockach, L. (2010). Data Mining and Knowledge Discovery Handbook. New York:
Springer.
Manning, J. (2014). Definition and classes of Social Media. In K. Harvey, Encyclopedia of social media
and politics (pp. 1158-1162). Ca: Sage.
Manterola, C., & Pineda, V. (2008). El valor de “p” y la “significación estadística”. Revista Chilena de
Cirugía , 60(1), 86-89.

72
Martinez, T. (2015). Validez de constructo de la versión española del Big Five Personality Trait Short
Questionnaire (BFPTSQ) en adultos. Tesis de grado, Universitat Jaume I . Retrieved
Noviembre 2, 2018, from
http://repositori.uji.es/xmlui/bitstream/handle/10234/133365/TFG_Martinez%20Mompo_Tania.
pdf;sequence=1
Maslow, A. (1991). Motivación y Personalidad. Madrid: Díaz de Santos.
Microsoft. (2016). Excel 2016. Retrieved from https://www.microsoft.com/en-gb/smb/articles/top-5-
benefits-of-microsoft-excel
Modahl, M. (2000). Now or Never: How Companies Must Change to Win the Battle for the Internet
Consumer. New York: Harper Business.
Moreno-Ortiz, A. (2017). Lingmotif: Sentiment Analysis for the Digital Humanities. Proceedings of the
Software Demonstrations of the 15th Conference of the European Chapter of the Association
for Computational Linguistics. doi:10.18653/v1/E17-3019
Muros, B. (2011). Revista Electrónica Interuniversitaria de Formación del Profesorado. 14(2), 49-56.
Navarro-Beltrá, M., Miquel-Segarra, S., & García, I. (2017). El uso del potencial dialógico de Twitter: el
caso de las marcas de moda. Ámbitos, 36, 1-14.
O'Mahony, M., Cunningham, P., & Smyth, B. (2010). Predicting helpful product reviews. 21st Irish
Conference on Artificial Intelligence and Cognitive Science. Galway.
Pace, S. (2008). YouTube: an opportunity for consumer narrative analysis? Qualitative Market
Research: An International Journal, 11(2), 213-226. doi:10.1108/13522750810864459
Pandey, P., & Mishra, M. (2015). Research Methodology: Tools and Tecnniques. Brigde Center.
Pascual, F., Agudo, A., & Chaparro, J. (2015). Influences of gender and product type in online
purchasing. Journal of Business Research, 68(7), 1550-1556.
Popov, V. (2017). The Promise of Psychometric Analytics in Procurement Intelligence. Documento de
discusión, University of Cambridge, The Psychometrics Center. Retrieved Setiembre 12,
2018, from http://thecoeclub.com/presentation/barcelona/vesselin-popov.pdf
PricewaterhouseCoopers. (2015). ¿Moda por un tubo? La relación con el cliente omnicanal en el
sector de la moda en España. Retos y Oportunidades. Retrieved Diciembre 25, 2017, from
https://www.pwc.es/es/publicaciones/retail-y-consumo/assets/moda-por-un-tubo-relacion-
cliente-omnicanal-sector-moda.pdf
Quercia, D., Kosinki, M., Stilwell, D., & Crowcroft, J. (2011). Our Twitter Profiles, Our Selves:Predicting
Personality with Twitter. IEEE Third Inernational Conference on Social Computing.
doi:10.1109/PASSAT/SocialCom.2011.26
Ribeiro-Cardoso, P., Teixeira, S., & Santos, A. (2016). Liderazgo de opinión de moda, adhesión a la
innovación y actitud hacia la publicidad entre los consumidores portugueses. Revista
Mediterránea de Comunicación, 7(2), 101-115.
Ritter, R., Lee, J., & Hernandez, I. (2014). Christians Are Happier, More Socially Connected, and Less
Analytical Than Atheists on Twitter. Social Psychological and Personality Science, 5(2).
doi:10.1177/1948550613492345
Rizo García, M. (2007). Alfred Shütz y la teoría de la comunicación. Questión, 1(15), 9-18.
Robie, C., & Brown, D. (2005). The big five in the USA and Japan. Journal of Management
Development, 24(8), 720-736. doi:10.1108/02621710510613744
Rosenthal, S. (2015). Detecting Influencers in Social Media Discussions. Tesis doctoral, Columbia
University. Retrieved Abril 14, 2018, from
http://www.cs.columbia.edu/~sara/publications/thesis-detecting_influencers.pdf
Sarchi, E. (2018). Predicción de personalidad de perfiles de Facebook utilizando aprendizaje
automático como apoyo a la selección de personal de talento humano. Universidad de las
Fuerzas Armadas - ESPE, Departamento de Ciencias de la Computación . Retrieved Octubre
19, 2018, from http://repositorio.espe.edu.ec/handle/21000/14165
Schütz, A. (1972). Fenomenología del mundo social. Introducción a la sociología comprensiva.
Buenos Aires: Paidós.
Severyn, A., Moschitti, A., & Uryupina, O. (2014). Opinion Mining on YouTube. Proceedings of the
52nd Annual Meeting of the Association for Computational Linguistics, (pp. 1252–1261).
Baltimore.

73
Siersdorfer, S., Chelaru, S., & Nejdl, W. (2014). Analyzing and Mining Comments and Comment
Ratings on the Social Web. ACM Transactions on the Web, 8(3), 51-65. doi:10.1145/2628441
Smith, A., & Fischer, E. (2010). How does brand-related user-generated content differ across
YouTube, Facebook, and Twitter? Journal of Interactive Marketing, 26(2), 102-113.
Sorce, P., Perotti, V., & Widrick, S. (2005). Attitude and age differences in online buying. International
Journal of Retail & Distribution Management, 33(2), 122-132.
doi:10.1108/09590550510581458
Sproles, G., & Kendall, E. (1986). A methodology for profiling consumers. Decision making styles.
Journal of Consumer Affair, 20, 267–279.
Sureka, A., & Kumaraguru, P. (2010). Mining YouTube to Discover Extremist Videos, Users and
Hidden Communities. Asia Information Retrieval Symposium, (pp. 13-24). New Delhi.
Sylwester, K., & Purver, M. (2015). Twitter Language Use Reflects Psychological Differences between
Democrats and Republicans. Plos One, 9, 1-18. doi:10.1371/journal.pone.0137422
Tanveer, A., Muhammad, A., Rizwan, S., & Asif, I. (2016). The Relationship of Life Satisfaction with
Buying Intention and Brand Behavior for Global Brand. European Journal of Business and
Management, 8(31), 97-105.
ThinkWithGoogle. (2012). The YouTube Generation - Think with Google. Estudio de Mercado.
Retrieved Noviembre 3, 2018, from
https://www.thinkwithgoogle.com/_qs/documents/2617/introducing-gen-c-the-youtube-
generation_research-studies_HCZW05n.pdf
Tranmer, M., & Elliot, M. (s.f.). Binary Logistic Regression. Documento de trabajo, The University of
Manchester, Cathie Marsh Centre for Census and Survey Research. Retrieved Mayo 21,
2018, from http://hummedia.manchester.ac.uk/institutes/cmist/archive-publications/working-
papers/2008/2008-20-binary-logistic-regression.pdf
Tridetti, S. (2016). Social network analysis : detection of influencers in fashion topics on Twitter. Tesis
de maestría, HEC, Ecole de gestion de l'ULg. Retrieved Octubre 21, 2018, from
https://matheo.uliege.be/bitstream/2268.2/1348/6/memoire.pdf
Verhellen, Y., Dens, N., & De Pelsmacker, P. (2013). Journal of Electronic Commerce Research.
CONSUMER RESPONSES TO BRANDS PLACED IN YOUTUBE MOVIES: THE EFFECT OF
PROMINENCE AND ENDORSER EXPERTISE, 14(4), 287-299.
Virseda, F., & Román, J. (2006). Minería de datos y Aplicaciones. Documento de Discusión,
Universidad Carlos III de Madrid, Instituto de Cultura y Tecnología. Retrieved Mayo 21, 2018,
from http://www.it.uc3m.es/jvillena/irc/practicas/06-07/22.pdf
Wang, C. (2015). Do People Purchase What They Viewed from Youtube? : the Influence of Attitude
and Perceived Credibility of User-Generated Content on Purchase Intention. Tesis doctoral,
Florida State Uiversity, The Graduate School. Retrieved Diciembre 21, 2017, from
https://fsu.digital.flvc.org/islandora/object/fsu:253059/datastream/PDF/view
Westenberg, W. (2013). The influence of YouTubers on teenagers A descriptive research about the
role YouTubers play in the life of their teenage viewers. Tesis de maestría, University of
Twente. Retrieved Agosto 19, 2018, from
http://essay.utwente.nl/71094/1/Westenberg_MA_BMS.pdf
Wolmer, M., Weninger, F., & Knaup, T. (2010). YouTube Movie Reviews: In, Cross, and Open-domain
Sentiment Analysis in an Audiovisual Context. IEEE INTELLIGENT SYSTEMS, 20(2), 1-7.
doi:10.1.1.433.4397
Yeo, T. (2010). Modeling personality influences on YouTube usage. Fourth International AAAI
Conference on Weblogs and Social Media. New York. Retrieved Mayo 11, 2018, from
https://www.aaai.org/ocs/index.php/ICWSM/ICWSM10/paper/viewFile/1493/1901
Youyou, W., Kosinski, M., & Stilwell, D. (2015). Proceedings of the National Academy of Sciences of
the United States of America, 112(4), 1036-1040. doi:10.1073/pnas.1418680112
Yu, C. (2014). Visualizing brand personality and personal branding : case analysis on Starbucks and
Nike brand value co-creation on Instagram. Tesis de maestría, Iowa. Retrieved from
http://ir.uiowa.edu/etd/1304/
Zietek, N. (2016). Influencers Marketing. Tesis de Maestría, The Swedish School of Textiles.
Retrieved Abril 21, 2018, from https://hb.diva-
portal.org/smash/get/diva2:972106/FULLTEXT01.pdf

74
Anexo 1 - Ficha Técnica: Focus Group Piloto

Grupo: Objetivo: Mujeres Adultos jóvenes de 18 a más, pertenecientes a los NSE A, B, residentes
de Lima Metropolitana, y que además sepan el significado del término influencer.
Muestreo: Intencional
Cantidad: Dos
Instrumento: Guía de Pautas autorizada por Asesor de Tesis
Guía de Pauteo
Muy buenas (días/tardes), somos dos estudiantes de la USIL que estamos realizando una investigación
con el objetivo de recabar información para un estudio acerca del impacto de las influencers y
comportamiento de compra. Por tal motivo, le pedimos de su tiempo para conversar acerca de este
tema tan importante y por favor siéntanse con libertad de dar su opinión sin ninguna restricción, ya que
todo lo que Uds. nos digan será tratado de manera confidencial. No hay respuestas buenas ni malas
sólo buscamos sus respuestas. Les damos las gracias por su participación
Reglas de Juego: Relajarse, No tema estar en desacuerdo, Grabación y audio.

Me gustaría saber sus nombres, edades y el lugar dónde viven

Fase de calentamiento

Tratar de temas de moda

Objetivo: Preguntas de control.

P: Cuéntennos, si se trata de temas de moda y estilo, ¿alguno de ustedes sigue a alguien en la internet
en busca de guía o consejo?

P: ¿Están familiarizados con el término influencer? ¿Quiénes son? (Explique)

P: ¿Han visto vídeos de influencers?

…. (Colocar un vídeo de corta duración de todas maneras) …

Objetivo: Explorar el nivel de actividad de los usuarios en cuanto al contenido de las influencers.

P: ¿Ha visto vídeos de influencers? ¿Por cuánto tiempo lo han hecho?

P: ¿Cómo suele ver los vídeos? ¿Emplea algún dispositivo específico (celular, Tablet, Laptop)?

P: Cuéntennos, ¿con qué frecuencia suelen observar vídeos o material de influencers relacionadas al
estilo, moda? ¿Varía esto si es en diferentes plataformas como YouTube, Instagram, Facebook? ¿Varía
de acuerdo tipo dispositivo que use (¿celular, Tablet, PC?

P: ¿Luego de ver el vídeo o una imagen publicada por una influencer relacionada a la moda o estilo,
qué actividad suelen realizar más? ¿Suelen dar un Like, comentan, comparten, buscan más contenido
generado por la usuaria o alguna otra actividad? ¿Por qué?

75
Objetivo: Conocer los atributos que valoran los seguidores con respecto a las influencers.

P: ¿Qué características poseen las influencers? ¿A qué atribuyen su éxito?

P: ¿Cuáles son los atributos que debería tener un influencer de moda y estilo? ¿Por qué?

Objetivo: Explorar acerca de la credibilidad que perciben los espectadores con respecto a las
influencers.

P: ¿Qué características tiene el contenido generado por la influencer para que tenga credibilidad?

P: ¿Consideran que existe alguna señal particular que indique que el contenido generado por la
influencer carece de credibilidad? (Analizar)

Objetivo: Explorar la interacción para social que experimentan los usuarios y sus influencers
favoritos.

Por favor, piensen en su influencer favorito, las siguientes preguntas están relacionadas a él.

P: ¿Ven a su influencer de moda y estilo favorita como una amiga?

P: ¿Cada cuánto tiempo ven o vuelven a ver a la influencer?

P: ¿Tienden a extrañarla cuando no realizan alguna publicación?

P: ¿Cómo reaccionan cuando sienten que su influencer favorita ha cometido un error? ¿Realizan algo
como internautas?

Objetivo: Explorar la relación entre las influencers y el comportamiento de compra

P: ¿Decide su compra al momento de ver a un a influencer sí o no?

P: ¿Has comprado o deseado comprar productos recomendados por una influencer?

P: ¿Han notado que los Influencers impactan en su comportamiento de compra de la misma forma que
cuando ya eligieron un producto, pero acabaron comprando otro similar que te recomendó una
influencer?

P: Si desean un producto recomendado por una Influencer, ¿qué tan cerca están de comprarlo?

P: Con respecto a la pregunta anterior, ¿qué factores externos condicionan que adquieran el producto?

P: ¿Ha recomendado o compartido comentarios negativos sobre los productos recomendados por una
influencer?

76
Anexo 2 Encuesta
Grupo: Objetivo: Mujeres Adultos jóvenes de 18 a 35, pertenecientes a los NSE A, B, residentes
de Lima Metropolitana, y que además sepan el significado del término influencer.
Participantes: 384 encuestas efectivas enviadas a través de Google Forms
Instrumento: Modelo de Encuesta aprobado por Asesor de Tesis

Instrumento
Hola, somos egresadas de la Universidad San Ignacio de Loyola. En esta ocasión requerimos
su apoyo llenando esta encuesta para nuestra investigación. Garantizamos que sus datos son
totalmente anónimos. Por favor sírvase en llenar el cuestionario de la forma más sincera
posible.

F1: Indíquenos su género ___

F2: indíquenos su edad ___
F3: ¿Está familiarizado con el término influencer? ___ Sí (Continuar) ___ No (Terminar)
P1- Señale su actitud hacia las personas que generan contenido o influencers (Generador de
contenido o influencer es una persona que genera muchos seguidores en Instagram, Facebook
o YouTube)

Totalmente En Ni de De acuerdo Totalmente

en Desacuerdo acuerdo ni de acuerdo
desacuerdo en
desacuerdo
Útil
importante
Agradable
Bonito
Bueno

P2. ¿Si se trata de moda y estilo al vestir, ¿tiene alguna influencer peruana favorita? Indique
cual

P3: Por favor indique cuál de los siguientes medios web usa para seguir a su influencer
favorita(o)
Nunca Casi Nunca Algunas A menudo Siempre
Veces
Facebook
YouTube
Instagram
Twitter
Otros

77
P4: Por favor indique cuál de los siguientes medios web usa para seguir a su influencer
favorita(o)
Nunca Casi Nunca Algunas A menudo Siempre
Veces
Facebook
YouTube
Instagram
Twitter
Otros

P5: Por favor califique las siguientes afirmaciones en base a su influencer favorita(o) *

Casi Algunas
Nunca A menudo Siempre
Nunca veces

Miro el contenido
generado por el (la)
influencer
Busco el contenido
generado por el (la)
influencer
Marco como favorito
un contenido
generado por el (la)
influencer
Recomiendo el
contenido generado
por el (la) influencer a
alguien
Realizo comentarios
en el contenido
generado por el (la)
influencer
Me suscribo al
contenido generado
por el (la) influencer
Subo un contenido
generado por el (la)
influencer
Seleccione la
respuesta "casi
nunca" para esta
pregunta

78
P6: ¿Qué tipo de producto adquiriría con mayor probabilidad en base a las recomendaciones de
una influencer de moda y estilo?
Vestido __
Accesorios ___
Calzado ___
Perfume ___
Joyas ___

P7: Sobre los productos que adquiere en base a las recomendaciones de una influencer de moda
y estilo, señale la alternativa que más se adecua a si situación:

__ Lo compro principalmente para mí

__ Lo compro principalmente para regalar.

79
Anexo 3
Tabla 15. Matriz de Consistencia:
Problema General
PG: ¿Cómo se vinculan el hecho de que las
preferencias de consumo se vean o no influenciadas
por el Social Media y los rasgos psicodemográficos
obtenidos de la plataforma YouTube y la red Social
Twitter en el caso de seguidoras de influencers
peruanas de moda y estilo?
Problemas Específicos
P1: ¿El hecho de que las preferencias de consumo
se vean o no influenciadas por la social media
guarda relación con los rasgos psicodemográficos
que pueden obtenerse de la red social Twitter y la
plataforma YouTube en el caso de seguidoras de
influencers peruanas de moda y estilo bajo el
modelo propuesto?
P2: ¿El hecho de que las preferencias de consumo
se vean o no influenciadas por el Social Media
guarda relación con la satisfacción con la vida que
evidencian las seguidoras de influencers peruanas
de moda y estilo en la red social Twitter bajo el
modelo propuesto?
P3: ¿El hecho de que las preferencias de consumo
se vean o no influenciadas por la Social Media
guarda relación con el género estimado que
evidencian las seguidoras de influencers peruanas
de moda y estilo en la red social Twitter bajo el
modelo propuesto?
P4: ¿El hecho de que las preferencias de consumo
se vean o no influenciadas por la Social Media
guarda relación con el nivel de liderazgo que
evidencian las seguidoras de influencers peruanas
de moda y estilo en la red social Twitter bajo el
modelo propuesto?
P5: ¿El hecho de que las preferencias de consumo
se vean o no influenciadas por la Social Media
guarda relación con la edad mental que evidencian
las seguidoras de influencers peruanas de moda y
estilo en la red social Twitter bajo el modelo
propuesto?
P6: ¿El hecho de que las preferencias de consumo
se vean o no influenciadas por la Social Media
guarda relación con el nivel de educación que
evidencian las seguidoras de influencers peruanas
de moda y estilo en la red social Twitter bajo el
modelo propuesto?
Elaboración: Propia
Objetivo General
OG: Explorar cómo se vinculan el hecho de que las
preferencias de consumo se vean o no influenciadas
por el Social Media y los rasgos psicodemográficos
obtenidos de la plataforma YouTube y la red Social
Twitter en el caso de seguidoras de influencers
peruanas de moda y estilo.
Objetivos Específicos
OE1:: Determinar si bajo el modelo propuesto el
hecho de que las preferencias de consumo se vean o
no influenciadas por el Social Media guarda relación
con los rasgos psicodemográficos que pueden
obtenerse de la red social Twitter y la plataforma
YouTube en el caso de seguidoras de influencers
peruanas de moda y estilo
O2: Determinar si bajo el modelo propuesto el hecho
de que las preferencias de consumo se vean o no
influenciadas por el Social Media guarda relación con
la satisfacción con la vida que evidencian las
seguidoras de influencers peruanas de moda y estilo
en la red social Twitter.
O3: Determinar si bajo el modelo propuesto el hecho
de que las preferencias de consumo se vean o no
influenciada por el Social Media guarda relación con
el género estimado que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter.
O4: Determinar si bajo el modelo propuesto el hecho
de que las preferencias de consumo se vean o no
influenciadas por el Social Media guarda relación con
el nivel de liderazgo que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter.
O5: Determinar si bajo el modelo propuesto el hecho
de que las preferencias de consumo se vean o no
influenciadas por el Social Media guarda relación con
la edad mental que evidencian las seguidoras de
influencers peruanas de moda y estilo en la red social
Twitter.
O6: Determinar si bajo el modelo propuesto el hecho
de que las preferencias de consumo se vean o no
influenciada por el Social Media guarda relación con
el nivel de educación que evidencian las seguidoras
de influencers peruanas de moda y estilo en la red
social Twitter.
Hipótesis General Variable Descripción Instrumento
HG: Existe vinculación en el hecho de que las preferencias
de consumo se vean o no influenciadas por el Social Media
Guía de Pautas
y los rasgos psicodemográficos obtenidos de la plataforma
Grado en que la persona evidencia que el (Focus) / Encuestas /
YouTube y la red Social Twitter en el caso de seguidoras
Consumo influenciado Social Media influye en sus decisiones de Software de Minería
de influencers peruanas de moda y estilo
por el Social Media compra de Datos
Hipótesis Específicas Variable Descripción Instrumento
Es la única variable dependiente del estudio. De
acuerdo con IBM es la probabilidad de que las
H1: Bajo el modelo propuesto el hecho de que las
Probabilidad de redes sociales influyan en un producto admite
preferencias de consumo se vean o no influenciadas por la
Preferencia de consumo dos valores. Admiten dos valores: 0
social media guarda relación con los rasgos Watson Personality
influenciada por el Social (improbable) y 1 (probable).
psicodemográficos que pueden obtenerse de la red social Insights
Media
Twitter y la plataforma YouTube en el caso de seguidoras
de influencers peruanas de moda y estilo.
H2: Bajo el modelo propuesto, el hecho de que las
preferencias de consumo se vean o no influenciadas por el
Es medida en la escala de 0 a 100%. Por tanto,
Social Media guarda relación con la satisfacción con la vida Apply Magic Sauce
es una variable cuantitativa. Es una variable
que evidencian las seguidoras de influencers peruanas de
independiente. Esta variable fue correlacionada
moda y estilo en la red social Twitter.
Satisfacción con la vida positivamente con el consumo o compras
No se refiere al género real del usuario de la red
H3: Bajo el modelo propuesto el hecho de que las
social (todas son mujeres). El género estimado
preferencias de consumo se vean o no influenciadas por el
es el resultado de un algoritmo en donde el
Social Media guarda relación con el género estimado que
instrumento mide la probabilidad de que la
evidencian las seguidoras de influencers peruanas de
Género Estimado persona posea un género masculino o
moda y estilo en la red social Twitter.
(Femenino) femenino. Apply Magic Sauce
Es medida en la escala de 0 a 100%. Por tanto,
es una variable cuantitativa. Es una variable
H4: Bajo el modelo propuesto el hecho de que las
independiente. Refleja el potencial para
preferencias de consumo se vean o no influenciadas por el
convertirse en líder. Las investigaciones de
Social Media guarda relación con el nivel de liderazgo que
Lepisto & Vähäjylkkä, (2017) y Quercia, et al
evidencian las seguidoras de influencers peruanas de
(2011) sugieren estudiar el liderazgo de los
moda y estilo en la red social Twitter.
consumidores. Ribeiro-Cardoso, et.al. (2016) ha
Liderazgo mencionado que los seguidores no son líderes. Apply Magic Sauce
Es una variable que mantiene relación con la
H5: Bajo el modelo propuesto el hecho de que las
madurez del individuo. Es del tipo cuantitativa.
preferencias de consumo se vean o no influenciadas por el
La edad cronológica sí ha sido correlacionada
Social Media guarda relación con la edad mental que
con el consumo por Pascual, et.al. (2015). La
evidencian las seguidoras de influencers peruanas de
edad mental es una propuesta de la
moda y estilo en la red social Twitter.
Edad Mental investigación. Apply Magic Sauce
H6: Bajo el modelo propuesto el hecho de que las
Es la variable del tipo educación. Refleja el nivel
preferencias de consumo se vean o no influenciada por el
de instrucción de una persona en base a lo que
Social Media guarda relación con el nivel de educación que
escribe. El uso de la educación reflejada en la
evidencian las seguidoras de influencers peruanas de
índice de Fernández escritura es una propuesta de la investigación.
moda y estilo en la red social Twitter.
Huerta - (Satisfacción) El valor es un índice que va desde 0 a 100. Legible