Anatomía del Trending Topic #LaAyudaImportaAnatomy of a Trending Topic

Por primera vez he participado en la creación de un TT (Trending Topic) para una buena causa: la protesta por los recortes en la ayuda al desarrollo mediante el hashtag #LaAyudaImporta. El conocer el hashtag de la campaña con antelación me ha permitido monitorizar los tweets lo desde su inicio y me ha dado la oportunidad de estudiar las condiciones de entorno de este hashtag para convertirse en TT en Madrid y en España, tanto como participante, como de forma virtual mediante el análisis de los datos. La siguiente imagen refleja la tasa de tweets por minuto (color azul Twitter) superpuesta en el tiempo con los TT medidos cada 10 minutos (color rojo). La Gráfica superior corresponde a la comparación con los TT de España y la inferior a los TT de Madrid.

Como se puede apreciar hubo una fuerte intensidad de publicación la primera hora que fue decayendo progresivamente salvo una reacción corta, pero intensa, a las 16:04 que corresponde a una plataforma de bots que retutitearon al usuario spam o hackeado @MyrthalaOrtega. En Madrid, el hashtag se posicionó como TT transcurridos 7 minutos manteniéndose hasta casi las 9 de la tarde. En España fueron necesarios 19 minutos para situarse en la 5º posición de TT y 44 minutos para ascender a la 3º posición, lográndose mantener casi dos horas y media como TT. Las condiciones de entorno fueron las siguientes

Preparación de la campaña Objetivo, personas y mensaje

• Definición de un objetivo: dar visibilidad por medio de Twitter al informe de la OCDE sobre la ayuda para el desarrollo en el que España no queda en buen lugar por los recortes que ha realizado desde 2008
• Convocatoria de un grupo de simpatizantes de la causa, algunos con bastantes seguidores en Twitter, reunidos en un espacio físico
• Creación de un conjunto de mensajes para difundir a libre elección de los voluntarios
• Selección del hashtag de la campaña, en este caso por votación de los participantes, entre una lista de hashtags propuestos
• Arranque de la campaña a las 13:30

Objetivo conseguido: Ser TT Es más fácil de lo que se supone ser TT

• 13:37 ► 5º TT Madrid: 170 tweets generados por 68 usuarios que tuietaron una media de 2,5 tweets durante 7 minutos
• 13:42 ► 1º TT Madrid: 315 tweets generados por 110 usuarios que tuitearon una media de 2,8 tweets durante 12 minutos
• 13:49 ► 5º TT España: 537 tweets generados por 161 usuarios que tuitearon una media de 3,34 tweets durante 19 minutos
• 14:14 ► 3º TT España: 1.161 tweets generados por 353 usuarios que tuitearon una media de 3,29 tweets durante 44 minutos

Mantenimiento como TT Existe una inercia para mantener el TT si hay un volumen suficiente de tweets

• Aunque a partir de las 15:00 bajó la frecuencia de publicación de los tweets, en Madrid se mantuvo como TT todo el día hasta que fue desbancado por el fútbol (Champions Leage Real Madrid-Borussia Dortmund)
• En España permaneció casi dos horas y media como TT pero la sesión del Congreso sobre la consulta catalana captó más atención y despareció

Los bots y la campaña El éxito de un hashtag atrae a los bots, unos para informar de los TT y otros para hacer spam.

• El primer tipo de bot examina periódicamente el estado de los TT e informa de las nuevas tendencias mediante tweets. Se detectaron dos bots de esta clase:
  • @trendinaliaES que alertó a las 13:52 que era el 3º TT (Momentos antes, a las 13:49, nosotros lo detectamos en la 5º posición en TT, parece que estuvo oscilando entre el 5º y el 3º puesto y dependiendo de la frecuencia de muestreo de los TT daba un valor u otro)
  • @ttesbot dio el aviso a las 13:58 situándolo en el 5º puesto de los TT
• El segundo tipo de bot, más del lado oscuro, abusando de éxito de un #hashtag incluye en sus tweets los TT para colarse en las conversaciones ajenas y propagar sus mensajes. Lo cierto es que a un ser humano no le engañan porque el texto del tweet no se corresponde con los hashtags que lleva asociados, pero para los programas que monitorizan tweets es un verdadero problema dar con ellos y filtrarlos. El caso más llamativo fue el spam de las 16:04 en el que 54 bots distintos hicieron RT a un usuario spam o hackeado cuyo tweet parece que ha sido borrado pero cuyo contenido era «Watch movies free: http://xxxxx #reAMUNTada #queremosvotar #3DemocratesaMadrid #LaAyudaImporta http://xxxxxxxx» (las urls las he borrado porque eran maliciosas)

Metodología usada

• Captura de Tweets con el Streaming API de Twitter
• Captura de los TT cada 10 minutos con el método GET trend/place del REST API de Twitter
• Elaboración del timeline de tweets con la herramienta @t-hoarder
• Gráfica generada con Tableau Public