Beruflich Dokumente
Kultur Dokumente
Carrera de Marketing
Asesor:
Mg. Carla Arriola Alvarado
Lima - Perú
2018
Dedicado a
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
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.
5
Capítulo I: Problema de Investigación
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.
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)
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).
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.
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)
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.
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.
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.
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).
15
2008). Las plataformas digitales han contribuido a hacer más horizontales las
relaciones entre consumidores y empresas (Verhellen, Dens, & De Pelsmacker,
2013).
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).
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)
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).
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.
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.
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).
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)
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).
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).
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).
24
desarrollo de una interacción unilateral. Este fenómeno se ha dado Los
aficionados a las telenovelas (Horton & Whol, 1056)
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).
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).
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.
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
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).
29
T ABLA 1: V ARIABLES PSICODEMOGRÁFICAS TRABAJADAS POR LA U NIVERSIDAD DE
C AMBRIDGE
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).
Donde:
31
2.3. Problemas, Objetivos e Hipótesis
T ABLA 2: M ATRIZ DE P ROBLEMAS , O BJETIVOS E HIPÓTESIS – 1RA P ARTE
P1: ¿El hecho de que las preferencias de consumo se OE1:: Determinar si bajo el modelo propuesto el hecho de H1: Bajo el modelo propuesto el hecho de que las
vean o no influenciadas por la social media guarda que las preferencias de consumo se vean o no preferencias de consumo se vean o no influenciadas
relación con los rasgos psicodemográficos que pueden influenciadas por el Social Media guarda relación con los por la social media guarda relación con los rasgos
obtenerse de la red social Twitter y la plataforma rasgos psicodemográficos que pueden obtenerse de la red psicodemográficos que pueden obtenerse de la red
YouTube en el caso de seguidoras de influencers social Twitter y la plataforma YouTube en el caso de social Twitter y la plataforma YouTube en el caso de
peruanas de moda y estilo bajo el modelo propuesto? seguidoras de influencers peruanas de moda y estilo seguidoras de influencers peruanas de moda y estilo.
P2: ¿El hecho de que las preferencias de consumo se O2: Determinar si bajo el modelo propuesto el hecho de H2: Bajo el modelo propuesto, el hecho de que las
vean o no influenciadas por el Social Media guarda que las preferencias de consumo se vean o no preferencias de consumo se vean o no influenciadas
relación con la satisfacción con la vida que evidencian las influenciadas por el Social Media guarda relación con la por el Social Media guarda relación con la satisfacción
seguidoras de influencers peruanas de moda y estilo en satisfacción con la vida que evidencian las seguidoras de con la vida que evidencian las seguidoras de
la red social Twitter bajo el modelo propuesto? influencers peruanas de moda y estilo en la red social influencers peruanas de moda y estilo en la red social
Twitter. Twitter.
P3: ¿El hecho de que las preferencias de consumo se O3: Determinar si bajo el modelo propuesto el hecho de H3: Bajo el modelo propuesto el hecho de que las
vean o no influenciadas por la Social Media guarda que las preferencias de consumo se vean o no influenciada preferencias de consumo se vean o no influenciadas
relación con el género estimado que evidencian las por el Social Media guarda relación con el género estimado por el Social Media guarda relación con el género
seguidoras de influencers peruanas de moda y estilo en que evidencian las seguidoras de influencers peruanas de estimado que evidencian las seguidoras de influencers
la red social Twitter bajo el modelo propuesto? moda y estilo en la red social Twitter. peruanas de moda y estilo en la red social Twitter.
32
TABLA 3: M ATRIZ DE PROBLEMAS , OBJETIVOS E HIPÓTESIS – 2 DA P ARTE
P4: ¿El hecho de que las preferencias de consumo se vean O4: Determinar si bajo el modelo propuesto el hecho de que H4: Bajo el modelo propuesto el hecho de que las
o no influenciadas por la Social Media guarda relación con las preferencias de consumo se vean o no influenciadas por el preferencias de consumo se vean o no influenciadas por
el nivel de liderazgo que evidencian las seguidoras de Social Media guarda relación con el nivel de liderazgo que el Social Media guarda relación con el nivel de liderazgo
influencers peruanas de moda y estilo en la red social evidencian las seguidoras de influencers peruanas de moda y que evidencian las seguidoras de influencers peruanas
Twitter bajo el modelo propuesto? estilo en la red social Twitter. de moda y estilo en la red social Twitter.
P5: ¿El hecho de que las preferencias de consumo se vean O5: Determinar si bajo el modelo propuesto el hecho de que H5: Bajo el modelo propuesto el hecho de que las
o no influenciadas por la Social Media guarda relación con las preferencias de consumo se vean o no influenciadas por el preferencias de consumo se vean o no influenciadas por
la edad mental que evidencian las seguidoras de Social Media guarda relación con la edad mental que el Social Media guarda relación con la edad mental que
influencers peruanas de moda y estilo en la red social evidencian las seguidoras de influencers peruanas de moda y evidencian las seguidoras de influencers peruanas de
Twitter bajo el modelo propuesto? estilo en la red social Twitter. moda y estilo en la red social Twitter.
P6: ¿El hecho de que las preferencias de consumo se vean O6: Determinar si bajo el modelo propuesto el hecho de que H6: Bajo el modelo propuesto el hecho de que las
o no influenciadas por la Social Media guarda relación con las preferencias de consumo se vean o no influenciada por el preferencias de consumo se vean o no influenciada por
el nivel de educación que evidencian las seguidoras de Social Media guarda relación con el nivel de educación que el Social Media guarda relación con el nivel de educación
influencers peruanas de moda y estilo en la red social evidencian las seguidoras de influencers peruanas de moda y que evidencian las seguidoras de influencers peruanas
Twitter bajo el modelo propuesto? estilo en la red social Twitter. de moda y estilo en la red social Twitter.
Elaboración: Propia
33
Capítulo III: Metodología
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).
3.2. Categorías
Las categorías de estudios son una deducción lógica del marco teórico. Estas son:
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
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.
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.
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.
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.
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).
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).
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)
3.6.7. 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.
41
con traducciones al idioma español. El instrumento puede ser configurado para
procesar publicaciones en Facebook y Twitter (Popov, 2017).
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.
43
Nota: Los círculos representan inicio y fin, los paralelogramos procesos, los rectángulos son productos y el
rombo representa decisión.
Elaboración: Propia
44
en un contenido textual (Virseda & Román, 2006). Con las encuestas solo es necesario
tabular los resultados en una hoja de cálculo.
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.).
45
Capitulo IV: Actividades y Recursos Disponibles
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
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
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”.
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”.
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.
A1: “Me gustó mucho lo que recomendaste, pero no he podido comprarlo porque
no lo encontré en la tienda”
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”
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”
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”
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.
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”
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.
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.
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.
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
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%
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
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%
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:
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:
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
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:
Elaboración: Propia
58
El modelo, entonces, queda como sigue:
𝑃(𝐶_𝑆) = 𝑔 (𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑐𝑖ó𝑛, 𝑙𝑖𝑑𝑒𝑟𝑎𝑧𝑔𝑜, 𝑔é𝑛𝑒𝑟𝑜_𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜, 𝑒𝑑𝑎𝑑_𝑚𝑒𝑛𝑡𝑎𝑙)
Género Estimado
1.923 0.338 32.324 1 0.000 6.844
(Femenino)
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
Elaboración: Propia
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:
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).
0.8
Sensitivity
0.6
0.4
0.2
0
0 0.2 0.4 0.6
1 - Specificity 0.8 1
Pred(Score ) = 1 / (1 + exp(-(11.729-10.578*Liderazgo-6.283*SatisfacciónVida-
0.245*Edad Mental+1.923*Género_Estimado(Femenino))))
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.
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.
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).
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 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
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.
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.
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.
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?
Objetivo: Explorar el nivel de actividad de los usuarios en cuanto al contenido de las influencers.
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: ¿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: ¿Cómo reaccionan cuando sienten que su influencer favorita ha cometido un error? ¿Realizan algo
como internautas?
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.
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:
79
Anexo 3
P2: ¿El hecho de que las preferencias de consumo O2: Determinar si bajo el modelo propuesto el hecho
H2: Bajo el modelo propuesto, el hecho de que las
se vean o no influenciadas por el Social Media de que las preferencias de consumo se vean o no
preferencias de consumo se vean o no influenciadas por el
guarda relación con la satisfacción con la vida que influenciadas por el Social Media guarda relación con Es medida en la escala de 0 a 100%. Por tanto,
Social Media guarda relación con la satisfacción con la vida Apply Magic Sauce
evidencian las seguidoras de influencers peruanas la satisfacción con la vida que evidencian las es una variable cuantitativa. Es una variable
que evidencian las seguidoras de influencers peruanas de
de moda y estilo en la red social Twitter bajo el seguidoras de influencers peruanas de moda y estilo independiente. Esta variable fue correlacionada
moda y estilo en la red social Twitter.
modelo propuesto? en la red social Twitter. Satisfacción con la vida positivamente con el consumo o compras
P3: ¿El hecho de que las preferencias de consumo O3: Determinar si bajo el modelo propuesto el hecho No se refiere al género real del usuario de la red
H3: Bajo el modelo propuesto el hecho de que las
se vean o no influenciadas por la Social Media de que las preferencias de consumo se vean o no social (todas son mujeres). El género estimado
preferencias de consumo se vean o no influenciadas por el
guarda relación con el género estimado que influenciada por el Social Media guarda relación con es el resultado de un algoritmo en donde el
Social Media guarda relación con el género estimado que
evidencian las seguidoras de influencers peruanas el género estimado que evidencian las seguidoras de instrumento mide la probabilidad de que la
evidencian las seguidoras de influencers peruanas de
de moda y estilo en la red social Twitter bajo el influencers peruanas de moda y estilo en la red social Género Estimado persona posea un género masculino o
moda y estilo en la red social Twitter.
modelo propuesto? Twitter. (Femenino) femenino. Apply Magic Sauce
Es medida en la escala de 0 a 100%. Por tanto,
P4: ¿El hecho de que las preferencias de consumo O4: Determinar si bajo el modelo propuesto el hecho es una variable cuantitativa. Es una variable
H4: Bajo el modelo propuesto el hecho de que las
se vean o no influenciadas por la Social Media de que las preferencias de consumo se vean o no independiente. Refleja el potencial para
preferencias de consumo se vean o no influenciadas por el
guarda relación con el nivel de liderazgo que influenciadas por el Social Media guarda relación con convertirse en líder. Las investigaciones de
Social Media guarda relación con el nivel de liderazgo que
evidencian las seguidoras de influencers peruanas el nivel de liderazgo que evidencian las seguidoras de Lepisto & Vähäjylkkä, (2017) y Quercia, et al
evidencian las seguidoras de influencers peruanas de
de moda y estilo en la red social Twitter bajo el influencers peruanas de moda y estilo en la red social (2011) sugieren estudiar el liderazgo de los
moda y estilo en la red social Twitter.
modelo propuesto? Twitter. consumidores. Ribeiro-Cardoso, et.al. (2016) ha
Liderazgo mencionado que los seguidores no son líderes. Apply Magic Sauce
P5: ¿El hecho de que las preferencias de consumo O5: Determinar si bajo el modelo propuesto el hecho Es una variable que mantiene relación con la
H5: Bajo el modelo propuesto el hecho de que las
se vean o no influenciadas por la Social Media de que las preferencias de consumo se vean o no madurez del individuo. Es del tipo cuantitativa.
preferencias de consumo se vean o no influenciadas por el
guarda relación con la edad mental que evidencian influenciadas por el Social Media guarda relación con La edad cronológica sí ha sido correlacionada
Social Media guarda relación con la edad mental que
las seguidoras de influencers peruanas de moda y la edad mental que evidencian las seguidoras de con el consumo por Pascual, et.al. (2015). La
evidencian las seguidoras de influencers peruanas de
estilo en la red social Twitter bajo el modelo influencers peruanas de moda y estilo en la red social edad mental es una propuesta de la
moda y estilo en la red social Twitter.
propuesto? Twitter. Edad Mental investigación. Apply Magic Sauce
P6: ¿El hecho de que las preferencias de consumo O6: Determinar si bajo el modelo propuesto el hecho
H6: Bajo el modelo propuesto el hecho de que las
se vean o no influenciadas por la Social Media de que las preferencias de consumo se vean o no Es la variable del tipo educación. Refleja el nivel
preferencias de consumo se vean o no influenciada por el
guarda relación con el nivel de educación que influenciada por el Social Media guarda relación con de instrucción de una persona en base a lo que
Social Media guarda relación con el nivel de educación que
evidencian las seguidoras de influencers peruanas el nivel de educación que evidencian las seguidoras escribe. El uso de la educación reflejada en la
evidencian las seguidoras de influencers peruanas de
de moda y estilo en la red social Twitter bajo el de influencers peruanas de moda y estilo en la red índice de Fernández escritura es una propuesta de la investigación.
moda y estilo en la red social Twitter.
modelo propuesto? social Twitter. Huerta - (Satisfacción) El valor es un índice que va desde 0 a 100. Legible
Elaboración: Propia