• Está más enfocada en investigación de mercados, mientras la etnografía puede tener fines más sociológicos.

• Utiliza datos textuales generados por usuarios (comentarios, reseñas, publicaciones, etc.).

🔧 Etapas:

1. Planeación y definición del tema.

2. Selección de comunidad digital.

3. Recolección y clasificación de datos.

4. Análisis e interpretación del contenido.

5. Informe de resultados.

🧠 Aspectos Avanzados:

• Puede ser encubierta o abierta, dependiendo del enfoque ético.

• Integra el análisis semiótico y de discurso.

• Puede complementarse con análisis de sentimiento o minería de texto

📊 Elementos Clave:

• Nodos: individuos o cuentas.

• Enlaces: conexiones entre nodos (seguimientos, menciones, mensajes).

• Métricas: grado de centralidad, densidad, influencia, cohesión, etc.

🧠 Aspectos Avanzados:

• Usa algoritmos como PageRank, modularidad para encontrar comunidades, o Betweenness para detectar influenciadores.

• Puede analizar tanto estructuras estáticas como dinámicas (cómo evolucionan las redes en el tiempo).

• Herramientas: Gephi, NodeXL, Netlytic, Brandwatch.

📎 Aplicaciones:

• Identificación de influencers.

• Detección de nodos clave en la difusión de campañas.

• Monitoreo de crisis reputacionales.

• Cualitativo: interpretación profunda del significado de los mensajes.

• Cuantitativo: conteo y categorización de palabras, menciones, hashtags, etc.

🧠 Aspectos Avanzados:

• Puede incluir análisis semántico, lingüístico y de discurso.

• Se apoya de minería de texto, machine learning y análisis de sentimiento.

• Técnicas como el topic modeling (LDA) permiten descubrir temas ocultos en grandes corpus de datos.

🛠️ Herramientas comunes:

• NVivo

• MAXQDA

• R (paquetes como tm, quanteda)

• Python (NLTK, spaCy)

• Volumen

• Velocidad

• Variedad

• Veracidad

• Valor

⚙️ Herramientas y Tecnologías:

• Hadoop

• Spark

• NoSQL (MongoDB)

• Lenguajes: Python, R, Scala

• Plataformas: Google BigQuery, AWS, Azure

🧠 Aspectos Avanzados:

• Predicción de tendencias de comportamiento del consumidor.

• Detección de anomalías y prevención de crisis.

• Modelos de IA y Machine Learning aplicados al marketing digital.

• Se basa en la observación participativa en espacios digitales como foros, chats, blogs o redes sociales.

• Implica inmersión del investigador en la comunidad digital, respetando normas éticas y culturales del entorno virtual.

🧠 Aspectos Profundos:

• Requiere construir relaciones digitales auténticas.

• Permite observar prácticas digitales en tiempo real, facilitando la recolección de datos cualitativos.

• Se apoya de herramientas como grabadores de pantalla, capturas de interacción, bitácoras y software etnográfico.

📎 Aplicaciones:

• Estudios de comunidades online específicas (e.g., gamers, fandoms, subculturas).

• Investigación de mercados para productos con fuerte presencia digital.