Hispanopedia Wiki
Articulo de referencia

Análisis de redes sociales

Un gráfico de tendencias para el término "teszt" en Twitter en una herramienta de monitorización de redes sociales. El análisis de redes sociales o la monitorización de redes so...

Hispanopedia WikiContenido en espanolLectura gratuita
Un gráfico de tendencias para el término "teszt" en Twitter en una herramienta de monitorización de redes sociales.

El análisis de redes sociales o la monitorización de redes sociales es el proceso de recopilar y analizar datos de redes sociales como Facebook , Instagram , LinkedIn o Twitter . Una parte del análisis de redes sociales se denomina monitorización de redes sociales o escucha social . Los profesionales del marketing suelen utilizarla para rastrear conversaciones en línea sobre productos y empresas. Un autor la definió como «el arte y la ciencia de extraer valiosas perspectivas ocultas de grandes cantidades de datos de redes sociales semiestructurados y no estructurados para permitir una toma de decisiones informada y perspicaz». [ 1 ]

Proceso

El análisis de redes sociales generalmente sigue tres pasos fundamentales: identificación de datos, análisis de datos e interpretación de la información. Para guiar este proceso, los analistas suelen comenzar definiendo una pregunta u objetivo claro. Las cinco W y la H —quién , qué , dónde , cuándo , por qué y cómo— sirven como un marco útil para formular estas preguntas, ayudando a los analistas a identificar las fuentes de datos más relevantes y determinar los métodos analíticos apropiados. [ 2 ] Para optimizar este trabajo, se han desarrollado diversas herramientas analíticas específicas, junto con las funciones analíticas nativas que ofrecen directamente las plataformas de redes sociales, lo que permite a las organizaciones centralizar y gestionar sus datos en un flujo de trabajo unificado. [ 3 ]

Identificación de datos

La identificación de datos es el proceso de identificar los subconjuntos de datos disponibles en los que centrarse para el análisis. Los datos brutos son útiles una vez interpretados. Después de que los datos se han analizado, pueden comenzar a transmitir un mensaje. Cualquier dato que transmita un mensaje significativo se convierte en información. A grandes rasgos, los datos sin procesar adoptan las siguientes formas para traducirse en un mensaje exacto: datos ruidosos; datos relevantes e irrelevantes; datos filtrados; solo datos relevantes; información; datos que transmiten un mensaje vago; conocimiento; datos que transmiten un mensaje preciso; sabiduría; datos que transmiten un mensaje exacto y la razón que lo respalda. Para obtener sabiduría de los datos sin procesar, necesitamos comenzar a procesarlos, refinar el conjunto de datos incluyendo los datos en los que queremos centrarnos y organizar los datos para identificar la información. En el contexto del análisis de redes sociales, la identificación de datos significa "qué" contenido es de interés. Además del texto del contenido, queremos saber: ¿quién escribió el texto? ¿Dónde se encontró o en qué plataforma de redes sociales apareció? ¿Nos interesa la información de una ubicación específica? ¿Cuándo alguien dijo algo en las redes sociales? [ 2 ]

Los atributos de los datos que deben tenerse en cuenta son los siguientes:

  • Estructura : Los datos estructurados son aquellos que se han organizado en un repositorio formateado —normalmente una base de datos— de manera que sus elementos puedan ser direccionados para un procesamiento y análisis más eficaces. Los datos no estructurados , a diferencia de los datos estructurados, son los que presentan menor formato. [ 4 ]
  • Idioma : El idioma cobra importancia si queremos conocer el sentimiento de una publicación en lugar del número de menciones.
  • Región : Es importante asegurar que los datos incluidos en el análisis provengan únicamente de la región del mundo en la que se centra dicho análisis. Por ejemplo, si el objetivo es identificar los problemas de agua potable en la India , debemos asegurarnos de que los datos recopilados sean exclusivamente de la India .
  • Tipo de contenido: El contenido de los datos puede ser Texto (texto escrito fácil de leer y comprender si se conoce el idioma), Fotos (dibujos, bocetos sencillos o fotografías), Audio (grabaciones de audio de libros, artículos, charlas o debates) o Vídeos (grabaciones, transmisiones en directo).
  • Plataforma: El contenido para redes sociales se genera en diversos lugares, como sitios de noticias y redes sociales (por ejemplo, Facebook , Twitter ). Dependiendo del tipo de proyecto para el que se recopilen los datos, la plataforma adquiere gran importancia.
  • Tiempo: Es importante recopilar los datos publicados dentro del período de tiempo que se está analizando.
  • Propiedad de los datos: ¿Los datos son privados o de acceso público? ¿Existen derechos de autor sobre los datos? Estas son preguntas importantes que deben abordarse antes de recopilar datos.
Proceso de análisis de redes sociales [ 5 ]

Análisis de datos

El análisis de datos es el conjunto de actividades que ayudan a transformar datos brutos en información valiosa, lo que a su vez conduce a una nueva base de conocimiento y valor comercial . En otras palabras, el análisis de datos es la fase que toma datos filtrados como entrada y los transforma en información valiosa para los analistas. Se pueden realizar muchos tipos diferentes de análisis con datos de redes sociales, incluyendo análisis de publicaciones, sentimiento , factores que influyen en el sentimiento, geografía, datos demográficos , etc. El paso de análisis de datos comienza una vez que sabemos qué problema queremos resolver y sabemos que tenemos datos suficientes para generar un resultado significativo. ¿Cómo podemos saber si tenemos suficiente evidencia para justificar una conclusión? La respuesta a esta pregunta es: no lo sabemos. No podemos saberlo a menos que comencemos a analizar los datos. Si durante el análisis encontramos que los datos no son suficientes, reiteramos la primera fase y modificamos la pregunta. Si se cree que los datos son suficientes para el análisis, necesitamos construir un modelo de datos. [ 2 ]

Desarrollar un modelo de datos es un proceso o método que utilizamos para organizar los elementos de datos y estandarizar cómo se relacionan entre sí. Este paso es importante porque queremos ejecutar un programa informático sobre los datos; necesitamos una forma de indicarle al ordenador qué palabras o temas son importantes y si ciertas palabras se relacionan con el tema que estamos explorando.

En el análisis de nuestros datos, resulta útil contar con diversas herramientas para obtener una perspectiva diferente de las discusiones en torno al tema. El objetivo es configurar las herramientas para que rindan al máximo en una tarea específica. Por ejemplo, si consideramos una nube de palabras , al tomar una gran cantidad de datos sobre profesionales de la informática, como el "arquitecto de TI", sin duda la palabra más frecuente sería "arquitecto". Este análisis también se centra en el uso de las herramientas. Algunas herramientas pueden ser eficaces para determinar el sentimiento, mientras que otras pueden ser más eficaces para desglosar el texto en una estructura gramatical que nos permita comprender mejor el significado y el uso de diversas palabras o frases. Al realizar un análisis, es difícil enumerar cada paso del proceso. Se trata de un enfoque iterativo, ya que no existe una forma preestablecida de hacerlo. [ 2 ]

La taxonomía y las conclusiones derivadas de ese análisis son las siguientes:

  • Profundidad del análisis: Estadísticas descriptivas simples basadas en datos en tiempo real , análisis ad hoc sobre datos acumulados o análisis profundo realizado sobre datos acumulados. Esta dimensión del análisis depende en gran medida del tiempo disponible para obtener los resultados de un proyecto. Puede considerarse como un amplio espectro, donde el tiempo de análisis varía desde unas pocas horas hasta varios meses. Este análisis puede responder a los siguientes tipos de preguntas:
    • ¿Cuántas personas mencionaron Wikipedia en sus tuits?
    • ¿Qué político obtuvo el mayor número de "me gusta" durante el debate ?
    • ¿Qué competidor está recibiendo más menciones en el contexto de los negocios sociales ?
  • Capacidad de la máquina: Cantidad de CPU necesaria para procesar conjuntos de datos en un período de tiempo razonable. Las cifras de capacidad deben considerar no solo las necesidades de CPU, sino también la capacidad de red necesaria para recuperar los datos. Este análisis puede realizarse en tiempo real, casi en tiempo real, mediante exploración ad hoc o análisis profundo. El análisis en tiempo real en redes sociales es una herramienta importante para comprender la percepción pública de un tema determinado a medida que se desarrolla, lo que permite reaccionar o realizar un cambio de rumbo inmediato. En el análisis casi en tiempo real, se asume que los datos se ingieren en la herramienta a una velocidad inferior a la del tiempo real. El análisis ad hoc es un proceso diseñado para responder a una pregunta específica. El resultado del análisis ad hoc suele ser un informe o resumen de datos. Un análisis profundo implica un análisis que abarca un período prolongado y maneja una gran cantidad de datos, lo que generalmente se traduce en un alto requerimiento de CPU. [ 2 ]
  • Ámbito de análisis: El ámbito de análisis se clasifica generalmente en redes sociales externas e internas. La mayoría de las veces, cuando se utiliza el término redes sociales, se hace referencia a las redes sociales externas. Esto incluye el contenido generado por sitios populares de redes sociales como Twitter , Facebook y LinkedIn . Las redes sociales internas incluyen las redes sociales empresariales , que son redes sociales privadas utilizadas para facilitar la comunicación dentro de la empresa. [ 6 ]
  • Velocidad de los datos: La velocidad de los datos en las redes sociales se puede dividir en dos categorías: datos estáticos y datos en movimiento. Las dimensiones de la velocidad de los datos en movimiento pueden responder preguntas como: ¿Cómo cambia el sentimiento de la población general sobre los jugadores durante el transcurso del partido? ¿El público expresa un sentimiento positivo sobre el jugador que está perdiendo el partido? En estos casos, el análisis se realiza a medida que llegan los datos. En este análisis, la cantidad de detalles producidos está directamente correlacionada con la complejidad de la herramienta o sistema analítico . Una herramienta altamente compleja produce una mayor cantidad de detalles. El segundo tipo de análisis en el contexto de la velocidad es un análisis de datos estáticos. Este análisis se realiza una vez que los datos se han recopilado por completo. Realizar este análisis puede proporcionar información como: ¿Cuál de los productos de su empresa tiene más menciones en comparación con otros? ¿Cuál es el sentimiento relativo en torno a sus productos en comparación con el producto de un competidor? [ 2 ]

Interpretación de la información

Las conclusiones derivadas del análisis pueden ser tan variadas como la pregunta original planteada en la primera etapa. En esta fase, dado que los usuarios de negocio no técnicos son quienes reciben la información, la forma de presentar los datos cobra importancia. ¿Cómo se pueden interpretar los datos de manera eficiente para que sirvan de base para una buena toma de decisiones? La visualización (gráficos) de la información es la respuesta a esta pregunta. [ 7 ]

Las mejores visualizaciones son aquellas que revelan algo nuevo sobre los patrones y relaciones subyacentes en los datos. La revelación de estos patrones y su comprensión desempeñan un papel fundamental en el proceso de toma de decisiones. Principalmente, existen tres criterios a considerar al visualizar datos.

  • Comprender a la audiencia : antes de crear la visualización , establezca un objetivo: transmitir gran cantidad de información en un formato fácilmente asimilable por el consumidor. Es importante responder a las preguntas "¿Quién es la audiencia?" y "¿Se puede asumir que la audiencia conoce la terminología utilizada?". Una audiencia de expertos tendrá expectativas diferentes a las de una audiencia general; por lo tanto, es necesario considerar dichas expectativas. [ 8 ]
  • Establezca un marco claro: el analista debe asegurarse de que la visualización sea sintáctica y semánticamente correcta. Por ejemplo, al usar un ícono, el elemento debe ser similar a lo que representa, y su tamaño, color y posición deben comunicar significado al espectador. [ 8 ]
  • Contar una historia : la información analítica es compleja y difícil de asimilar; por lo tanto, el objetivo de la visualización es comprenderla y darle sentido. La narración ayuda al espectador a comprender mejor los datos. La visualización debe presentar la información en una estructura narrativa que sea fácil de recordar. Esto es importante en muchos casos en los que el analista no es la misma persona que toma las decisiones. [ 8 ]
  • Además de las plataformas de nivel empresarial, los particulares y los creadores de contenido suelen utilizar herramientas más pequeñas para monitorizar de forma sencilla el comportamiento de la audiencia y las métricas de participación.

Técnicas

Para implementar estas técnicas, los analistas suelen utilizar métricas integradas en la plataforma, como los paneles de control nativos que ofrecen Instagram, LinkedIn o Twitter. Para casos de uso más avanzados que requieren monitorización multiplataforma, análisis de sentimiento o inteligencia de audiencia, se utiliza software especializado de escucha social como Brandwatch , Sprout Social , Meltwater , Hootsuite , Pulsar y Brand24 .

Impactos en la inteligencia empresarial

Investigaciones recientes sobre análisis de redes sociales han enfatizado la necesidad de adoptar un enfoque basado en inteligencia empresarial para recopilar, analizar e interpretar datos de redes sociales. [ 9 ] [ 10 ] Las redes sociales presentan una fuente de datos prometedora, aunque desafiante, para la inteligencia empresarial. Los clientes discuten voluntariamente sobre productos y empresas, lo que proporciona una visión en tiempo real del sentimiento y la adopción de la marca. [ 11 ] Las redes sociales son una de las herramientas más importantes para los profesionales del marketing en el panorama mediático en rápida evolución. Las empresas han creado puestos especializados para gestionar su marketing en redes sociales. Estos argumentos están en línea con la literatura sobre marketing en redes sociales que sugiere que las actividades en redes sociales están interrelacionadas y se influyen mutuamente. [ 12 ]

Moon e Iacobucci (2022) [ 13 ] se centraron en las aplicaciones de marketing de la analítica de redes sociales. Dichas aplicaciones incluyen el comportamiento del consumidor en redes sociales, el impacto de las redes sociales en el rendimiento de la empresa, la estrategia empresarial, la gestión de productos/marcas, el análisis de redes sociales, la privacidad del consumidor y la seguridad de los datos en redes sociales, y el contenido ficticio/sesgado en redes sociales. En particular, la privacidad del consumidor y la seguridad de los datos son cada vez más importantes en el universo de las redes sociales dado el creciente riesgo derivado de las filtraciones de datos en redes sociales . De manera similar, las publicaciones sospechosas en redes sociales han aumentado significativamente junto con el crecimiento de las redes sociales. Luca y Servas (2015) [ 14 ] informaron que las empresas tienen un incentivo potencial para usar publicaciones falsas cuando tienen mayor competencia. Por lo tanto, mejorar nuestra capacidad para identificar y monitorear publicaciones sospechosas (por ejemplo, reseñas falsas en Yelp) se ha convertido en una parte importante de la gestión de plataformas de redes sociales. [ 15 ]

Muruganantham y Gandhi (2020) propusieron un modelo de toma de decisiones multicriterio (MCDM) para demostrar que las preferencias, los sentimientos, el comportamiento y los datos de marketing de los usuarios de redes sociales están relacionados con el análisis de redes sociales. Los usuarios de Internet están estrechamente conectados y muestran un alto grado de influencia mutua en la ideología social y las redes sociales, lo que a su vez afecta la inteligencia empresarial. [ 16 ]

Papel en la política internacional

Las posibles amenazas del análisis y la minería de datos en redes sociales en el ámbito político se revelaron a finales de la década de 2010. En particular, la participación de la empresa de minería de datos Cambridge Analytica en las elecciones presidenciales de Estados Unidos de 2016 y el Brexit han sido casos representativos que muestran los peligros que surgen al vincular la minería de datos en redes sociales con la política. Esto ha planteado la cuestión de la privacidad de los datos de las personas y los límites legales que deben establecerse para las empresas de ciencia de datos en relación con la política en el futuro. Ambos ejemplos que se enumeran a continuación demuestran un futuro en el que el big data puede cambiar el panorama de la política internacional. Es probable que la política y la tecnología evolucionen juntas a lo largo del próximo siglo. En los casos de Cambridge Analytica, los efectos del análisis de datos en redes sociales han tenido repercusión en todo el mundo a través de dos grandes potencias mundiales: Estados Unidos y el Reino Unido.

Elecciones presidenciales de Estados Unidos de 2016

El escándalo que siguió a las elecciones presidenciales estadounidenses de 2016 involucró una relación tripartita entre Cambridge Analytica, la campaña de Trump y Facebook. Cambridge Analytica adquirió los datos de más de 87 millones [ 17 ] de usuarios de Facebook sin su conocimiento y los analizó en beneficio de la campaña de Trump. Al crear miles de puntos de datos sobre 230 millones de adultos estadounidenses, la empresa de minería de datos tenía el potencial de analizar qué individuos podrían ser persuadidos para votar por la campaña de Trump y luego enviar mensajes o anuncios a dichos objetivos e influir en la mentalidad de los usuarios. Ciertos votantes objetivo podían entonces estar expuestos a mensajes pro-Trump sin siquiera ser conscientes de la influencia política que se ejercía sobre ellos. Esta forma específica de segmentación, en la que individuos seleccionados son expuestos a una cantidad superior a la media de publicidad de campaña, se conoce como "microsegmentación" [ 18 ] . Todavía existe una gran controversia sobre la magnitud de la influencia que tuvo esta microsegmentación en las elecciones de 2016. A finales de la década de 2010, el impacto de la publicidad de microsegmentación y el análisis de datos de las redes sociales en la política no estaba claro, dado que se trataba de un campo tecnológico de reciente aparición.

Si bien esto constituyó una violación de la privacidad del usuario, la minería de datos y el marketing dirigido socavaron la rendición de cuentas pública a la que las entidades de redes sociales ya no están sujetas, distorsionando así el sistema electoral democrático y permitiendo que fuera dominado por plataformas de “contenido generado por el usuario [que] polarizó el mensaje de los medios”. [ 19 ]

Controversias en las elecciones presidenciales de Estados Unidos de 2020

El análisis de grupos políticos y publicaciones de Facebook realizado por la firma de análisis de redes sociales CounterAction ha demostrado el papel de los gigantes de las redes sociales en movimientos de protesta como los intentos de anular las elecciones presidenciales de Estados Unidos de 2020 y el ataque al Capitolio de Estados Unidos de 2021. [ 20 ] [ 21 ]

Christopher Wylie interviene en una protesta en Parliament Square tras el escándalo de datos de Cambridge Analytica y Facebook.

Brexit

Durante el referéndum del Brexit de 2016 , Cambridge Analytica generó controversia por el uso de datos recopilados de redes sociales. Un caso similar ocurrió cuando Cambridge Analytica sufrió una violación de seguridad y obtuvo datos de Facebook. Existía preocupación de que hubieran utilizado los datos para alentar a los ciudadanos británicos a votar a favor de abandonar la Unión Europea en el referéndum de la UE de 2016. [ 22 ] Después de una investigación de tres años, se concluyó en 2020 que no había habido ninguna participación en el referéndum. [ 23 ] [ 22 ] Además de Cambridge Analytica, varias otras empresas de datos, como AIQ [ 24 ] y el Centro Psicométrico de la Universidad de Cambridge [ 25 ] , fueron acusadas y luego investigadas por el gobierno británico por su posible abuso de datos para promover técnicas de campaña ilegales para el Brexit. [ 26 ] [ 27 ] El referéndum terminó con el 51,89 % de los votantes apoyando la salida del Reino Unido de la Unión Europea. Esta decisión final tuvo repercusiones en la política del Reino Unido y generó ondas expansivas en las instituciones políticas y económicas de todo el mundo. [ 28 ]

Véase también

Referencias

  1. ^ Sponder, Marshall; Khan, Gohar F. (2017). Analítica digital para marketing . Nueva York, Nueva York. ISBN 9781138190672OCLC 975370877​​ {{cite book}}: CS1 mantenimiento: falta el editor de ubicación ( enlace )
  2. 1 2 3 4 5 6 Ganis, Matthew; Kohirkar, Avinash (2015). Análisis de redes sociales: Técnicas y perspectivas para extraer valor empresarial de las redes sociales . Nueva York: IBM Press. págs. 40–137 . ISBN  978-0-13-389256-7.
  3. ↑ Piskin, Serkan (30 de diciembre de 2022). Dominando el marketing en redes sociales 2023: La guía esencial para propietarios de negocios . ISBN 979-8-3720-8527-5.
  4. ↑ "¿Qué son los datos estructurados? - Definición de WhatIs.com" . WhatIs.com . Consultado el 6 de diciembre de 2016 .
  5. ↑ Ganis, Matthew; Kohirkar, Avinash (2015). Análisis de redes sociales: Técnicas y perspectivas para extraer valor empresarial de las redes sociales . Nueva York: IBM Press. págs. 247–248 . ISBN  978-0-13-389256-7.
  6. ↑ Kitt, Denise (24 de mayo de 2012). "Explicación de las redes sociales empresariales" . CRM Switch . Recuperado el 5 de noviembre de 2016 .
  7. ↑ Steele, Julie (15 de febrero de 2012). "Por qué importa la visualización de datos" . O'Reilly Media . Recuperado el 11 de diciembre de 2016 .
  8. 1 2 3 "Los tres elementos de las visualizaciones de datos exitosas" . Harvard Business Review . Consultado el 11 de diciembre de 2016 .
  9. ↑ Ruhi, Umar (2014). "Análisis de redes sociales como práctica de inteligencia empresarial: panorama actual y perspectivas futuras" . Journal of Internet Social Networking & Virtual Communities : 1–12 . doi : 10.5171/2014.920553 . S2CID 167544401 . 
  10. ↑ Fan, W., y Gordon, MD (1 de junio de 2014). "El poder del análisis de redes sociales". Association for Computing Machinery. Communications of the ACM , 57, 6, 74.
  11. ↑ Lu, Y., Wang, F., & Maciejewski, R. (1 de enero de 2014). "Inteligencia empresarial a partir de las redes sociales: un estudio del VAST Box Office Challenge". IEEE Computer Graphics and Applications , 34, 5.)
  12. ↑ Saboo, AR, Kumar, V., & Ramani, G. (1 de septiembre de 2016). "Evaluación del impacto de las actividades en redes sociales en las ventas de marcas humanas". International Journal of Research in Marketing , 33, 3, 524-541.
  13. ↑ Moon, Sangkil; Iacobucci, Dawn (28 de febrero de 2022). "Análisis de redes sociales y sus aplicaciones en marketing" . Foundations and Trends in Marketing . 15 (4): 213– 292. doi : 10.1561/1700000073 . ISSN 1555-0753 . S2CID 247201448. Archivado del original el 11 de diciembre de 2022. Recuperado el 11 de diciembre de 2022 .  
  14. ↑ Luca, Michael; Zervas, Georgios (1 de diciembre de 2016). "Fake It Till You Make It: Reputation, Competition, and Yelp Review Fraud" . Management Science . 62 (12): 3412–3427 . doi : 10.1287/mnsc.2015.2304 . hdl : 2144/40313 . ISSN 0025-1909 . Archivado del original el 11 de diciembre de 2022. Recuperado el 11 de diciembre de 2022 . 
  15. ↑ Moon, Sangkil; Kim, Moon-Yong; Bergey, Paul K. (2019-09-01). "Estimación del engaño en las reseñas de consumidores basada en términos extremos: análisis comparativo de plataformas de reserva de hoteles abiertas frente a cerradas" . Journal of Business Research . 102 : 83–96 . doi : 10.1016/j.jbusres.2019.05.016 . ISSN 0148-2963 . S2CID 181482746 .  
  16. ↑ Muruganantham A.; Gandhi, G. Meera (2020-02-01). "Marco para el análisis de redes sociales basado en el modelo de toma de decisiones multicriterio (MCDM)" . Multimedia Tools and Applications . 79 (5): 3913– 3927. doi : 10.1007/s11042-019-7470-2 . ISSN 1573-7721 . S2CID 254869748 .  
  17. ↑ Hanna, Mina; Isaak, Jim (14 de agosto de 2018). "Privacidad de datos de usuario: Facebook, Cambridge Analytica y protección de la privacidad". Computer . 51 (8): 56– 59. doi : 10.1109/MC.2018.3191268 . S2CID 52047339 . 
  18. ↑ Tarran, Brian (29 de mayo de 2018). "¿Qué podemos aprender del escándalo de Facebook y Cambridge Analytica?" . Significance . 15 (3): 4– 5. doi : 10.1111/j.1740-9713.2018.01139.x .
  19. ↑ Santos, Tiago; Louçã y Helder Coelho, Jorge; Coelho, Helder (19 de febrero de 2020). "La Transformación Digital de la Esfera Pública". Investigación de sistemas y ciencias del comportamiento . 36 (6): 778. doi : 10.1002/sres.2644 . S2CID 210550036 . 
  20. ↑ Craig Silverman, Craig Timberg, Jeff Kao y Jeremy B. Merrill. (4 de enero de 2022). "Facebook propició un aumento de la desinformación y las amenazas de insurrección en los meses previos al ataque del 6 de enero, según muestran los registros". Sitio web de Defense One. Archivado el 9 de enero de 2022 en Wayback Machine . Consultado el 8 de enero de 2021.
  21. ↑ Craig Timberg, Elizabeth Dwoskin y Reed Albergotti. (22 de octubre de 2021). "Dentro de Facebook, 6 de enero: la violencia avivó la ira y el arrepentimiento por las señales de advertencia ignoradas". Sitio web del Washington Post. Archivado el 22 de octubre de 2021 en Wayback Machine . Consultado el 8 de enero de 2022.
  22. 1 2 "Cambridge Analytica 'no estuvo involucrada' en el referéndum del Brexit, dice el organismo de control" . BBC News . 7 de octubre de 2020. Archivado del original el 7 de octubre de 2020. Consultado el 13 de junio de 2022 .
  23. ↑ "Cambridge Analytica no hizo mal uso de los datos en el referéndum de la UE, dice el organismo de control" . The Guardian . 7 de octubre de 2020. Archivado del original el 13 de junio de 2022. Consultado el 13 de junio de 2022 .
  24. ↑ "AggregateIQ creó el software electoral de Cambridge Analytica, y aquí está la prueba" . Gizmodo . 26 de marzo de 2018. Archivado del original el 25 de abril de 2018. Consultado el 13 de junio de 2022 .
  25. ↑ Oficina del Comisionado de Investigación (6 de noviembre de 2018). «Investigación sobre el uso de análisis de datos en campañas políticas» (PDF) : 116. Archivado (PDF) del original el 9 de agosto de 2022. Recuperado el 13 de junio de 2022 .{{cite journal}}: Para citar una revista se requiere |journal=( ayuda )
  26. ↑ "Facebook suspende a la empresa canadiense AggregateIQ por escándalo de datos" . CNBC . 7 de abril de 2018. Archivado del original el 7 de abril de 2018. Consultado el 13 de junio de 2022 .
  27. ↑ "Empresa de datos violó las leyes de privacidad canadienses con su participación en el Brexit y campañas estadounidenses - investigación" . Reuters . 26 de noviembre de 2019. Archivado del original el 13 de enero de 2020. Consultado el 13 de junio de 2022 .
  28. ↑ "Resultados y participación en el referéndum sobre la UE" . www.electoralcommission.org.uk . 25 de septiembre de 2019. Archivado del original el 1 de abril de 2021. Consultado el 23 de octubre de 2022 .