La reputación desempeña una importante función de señalización en un mundo con información imperfecta, y las empresas se esfuerzan por preservarla. En este estudio, evalúo empíricamente el papel de la reputación en las empresas que utilizan Twitter. Los resultados confirman que recibir tuits negativos, muchos de ellos con quejas, se correlaciona estrechamente con un bajo rendimiento empresarial, lo que pone de manifiesto la importancia de las redes sociales (RS) en una época en la que la información se difunde con rapidez y facilidad.
La reputación es un activo muy valioso, casi imposible de recuperar una vez perdida (Tirole, 1996). Esto tiene un mayor impacto en los sectores cuyos clientes no pueden observar la calidad de un producto antes de comprarlo, en cuyo caso la calidad pasada se convierte en un indicador de la calidad presente o futura (Shapiro, 1983). Además, cuando los clientes identifican un producto que no cumple las normas, los efectos negativos pueden extenderse a otros productos de la marca afectada e incluso a productos de marcas no afectadas (Toledo y Villas-Boas, 2016).
Para hacer un seguimiento de la reputación, las empresas pueden vigilar de cerca la experiencia de sus clientes. Una investigación reciente de MIT Sloan y Google muestra que las empresas que hacen un seguimiento de sus clientes y desarrollan la experiencia del cliente más allá del embudo de ventas son las que hacen crecer su negocio.
La llegada del mundo digital cambió la manera de preservar la reputación. Antes de que las redes sociales se generalizaran, las empresas recibían información sobre las quejas con cierto retraso. Gracias a las RS, ahora tienen acceso más rápido a las opiniones de un público más amplio. Sin embargo, las empresas que utilizan las RS aumentan la exposición de su reputación. Los empleados, clientes, proveedores, etc., pueden ofrecer comentarios en tiempo real, que potencialmente pueden influir en la reputación de una empresa.
La metodología
Este estudio analiza si una cuenta de Twitter ayuda a las empresas a hacer un seguimiento más estrecho de su reputación. El análisis empírico se basa en datos de Twitter recopilados de los encuestados de la Encuesta Mundial de Gestión que tienen una cuenta de Twitter. La encuesta incluye empresas de distintos sectores y me centro en las presentes en el Reino Unido y Estados Unidos.
Identifiqué manualmente estas cuentas de Twitter (o nombres de usuario), excluyendo, por ejemplo, las dedicadas a la contratación de personal. Utilicé los nombres de usuario para recopilar aleatoriamente tuits públicos dirigidos a la empresa mediante consultas a la interfaz de programación de aplicaciones (API) de Twitter.
En este análisis, utilizo alrededor de 4 millones de tuits recopilados entre enero de 2016 y mayo de 2017. En enero de 2016, solo unas 400 de las 3.000 empresas tenían una cuenta de Twitter. Curiosamente, mis datos sugieren que existe una asociación entre tener una cuenta de Twitter y ser productiva, controlando por sector.
Dada la alta dimensionalidad y el carácter ruidoso de los tuits, la clasificación y el modelado plantean desafíos naturales. Para superarlos, trabajo con la asignación latente de Dirichlet supervisada (sLDA) (Blei y McAuliffe, 2007) y represento de forma concisa los temas semánticos del conjunto de tuits.
En primer lugar, para obtener las variables de respuesta, construyo un vocabulario basado en el Cambridge Thesaurus y en Guiso et al. (2015). Clasifico los tuits e identifico siete aspectos que pueden reflejar la opinión del público sobre el rendimiento de las empresas: medio ambiente, innovación, quejas, valores corporativos, personal de la empresa, crecimiento y otros. A continuación, asocio cada tuit con una respuesta.
En segundo lugar, modelo conjuntamente las palabras restantes de los tuits y las respuestas, y calculo estimaciones de sLDA o temas latentes para cada empresa. Evalúo la calidad de la estimación mediante validación cruzada de cinco particiones y la medición de R^2 predictivo.
Dado que las palabras del vocabulario quizá no reflejen adecuadamente el sentido de lo que el público expresa en Twitter, complemento este análisis realizando un análisis de sentimiento (Feuerriegel y Proellochs, 2017). Esto me permite etiquetar cada palabra de un tuit como positiva, negativa o neutra. Por tanto, un tuit se considera negativo si la proporción de palabras negativas supera la de palabras positivas y neutras. A partir de esta clasificación, calculo una variable de negatividad (que oscila entre 0 y 1), correspondiente a la negatividad media presente en los tuits dirigidos a la empresa.
Por último, combino las estimaciones de sLDA y del análisis de sentimiento y examino la relación entre las quejas y la negatividad, por un lado, y la productividad de las empresas al final del período estudiado, por otro. La productividad se basa en el rendimiento del capital empleado (de Orbis Bureau Van Dijk). Estimo regresiones que incluyen las estimaciones de sLDA de las quejas para cada empresa, la negatividad media de la empresa, la interacción entre ambas y algunos controles adicionales, como el tamaño y el país de origen de la empresa, si es multinacional y el sector al que pertenece.
Productividad
De los siete temas latentes de sLDA, las quejas probablemente sean el canal más directo hacia la reputación. Además, la negatividad en torno a las quejas sin resolver o mal gestionadas afecta a la reputación y puede perjudicar la productividad de las empresas. Por ello, me centro en el efecto heterogéneo de las quejas junto con la negatividad. La interpretación es que las quejas que no se resuelven y generan comentarios negativos en Twitter pueden perjudicar el rendimiento empresarial. Por el contrario, el impacto se atenúa si las quejas se resuelven rápidamente. La figura 1 se elaboró a partir de este análisis.
Figura 1. Diagrama de dispersión por intervalos de las regresiones de la productividad frente al efecto diferencial de la negatividad en torno a las quejas
Los gráficos de la figura 1 utilizan distintas muestras de empresas. El primer panel muestra los resultados de empresas de todos los sectores y los otros tres paneles se centran en sectores específicos. Los datos sugieren que existe otra heterogeneidad subyacente: las empresas de distintos sectores pueden verse afectadas de manera diferente por las quejas y la negatividad. El sector alimentario destaca como el que necesita gestionar las quejas con mayor urgencia, rapidez y eficacia para evitar pérdidas. El sector de la maquinaria muestra algunos patrones negativos, mientras que en el sector de los instrumentos y productos relacionados apenas parece haber relación.
La salvedad de estos resultados es que las empresas que reciben informes de quejas y comentarios negativos son menos productivas de por sí. Se necesitan más investigaciones para afirmar causalmente que la opinión de las personas en las RS puede afectar a la productividad de las empresas.
