Tesis Rodrigo Rojo - Tweets Audiencia

UniversidaddeChile
FacultaddeEconomayNegocios
EscueladeEconomayAdministracin

Existealgunarelacinentrela
AudienciaTelevisivaylaCantidadde
Tweetssobreunprograma:ElCasode
MundosOpuestos
SeminarioparaOptaralTtuloProfesionaldeIngeniero
Comercial,MencinAdministracin
Estudiante
RODRIGOROJOPIZARRO
ProfesorGua:
RodrigoUribeBravo
Santiago,Chile
Otoo,2012
Dedicatoria
A mis padres, Vernica y Rodrigo, por siempre brindarme su apoyo y cario
incondicional, a Nelson por las conversaciones nocturnas, y a mis hermanos Gonzalo y
Franciscaporcondimentarmdaada.
Amisamigos,amigasypolola,poracompaarmeenesasinfinitascampaasdelmundo
realquemehanconvertidoenloquesoy,graciasporsucario,tiempoycompaa.
AmisqueridosprofesoresFlixLizama,SergioOlavarrieta,IsmaelOliva,CsarOrtegay
Rodrigo Uribe, por brindarme las mejores oportunidades y consejos que me han permitido
aprenderycrecerenmpasoporestacarrera.
Agradecimientos
ATimeIbope,enlaspersonasdeMaximianoValenzuelayCristianBuzeta,porsutiempo,
disposicin y conocimientos de la industria, y por facilitar los datos sin los cuales esta
investigacinnosepodrahaberllevadoacabo.
AlaAgenciaDigitalCardumen,enlaspersonasdeArielJeriayArturoGonzlez,porsus
consejosyconocimientosdelaindustriadigitalsinloscualeslaideadeestainvestigacinno
hubierasurgido.
Y finalmente a Rodrigo Uribe, profesor gua de esta tesis, sin el cual sta no tendra ni
piesnicabeza,graciasportusconsejosylasoportunidadesquemehasdado.
ii
TabladeContenido
Dedicatoria...........................................................................................................................i
Agradecimientos...................................................................................................................ii
TabladeContenido..............................................................................................................iii
ndicedeIlustracionesyCuadros.......................................................................................vii
ndicedeTablas..................................................................................................................vii
ResumenEjecutivo..............................................................................................................ix
I Introduccin...................................................................................................................1
a)
Antecedentes.........................................................................................................1
b)
Eldebatedelatelevisindigital............................................................................2
c)
Elproblemayesteestudio.....................................................................................2
II
MarcoTerico............................................................................................................4
a)
Queslaaudiencia................................................................................................4
Lostresmodelosbsicosdeaudiencia........................................................................4
Modelosmixtos...........................................................................................................6
b)
LafragmentacindelasAudiencias.......................................................................7
c)
MidiendolaAudienciadeTV...............................................................................10
d)
SobreTwitter.......................................................................................................11
ElTweetcomoeWordofMouth.............................................................................11
MidiendoTweets.......................................................................................................12
Twittercomoproxydelaaudiencia..........................................................................14
TwitterylaTelevisin................................................................................................14
Twittercomopredictoromedidadeotrofenmeno...............................................16
iii
III
Elpresenteestudio:ElcasodelprogramaMundosOpuestos.............................17
a)
CaractersticasdelprogramaMundosOpuestos.............................................17
b)
ConsideracionesRelevantessobreloshorariosdeTransmisin.........................18
c)
ConsideracionesRelevantessobreelContenidodelprograma..........................20
IV
Objetivos..................................................................................................................21
a)
ObjetivoGeneral..................................................................................................21
b)
ObjetivosEspecficos............................................................................................21
PreguntasdeInvestigacineHiptesis...................................................................22
VI
Mtodo....................................................................................................................24
a)
DiseodelaInvestigacin....................................................................................24
b)
Seleccindelprogramaaanalizar.......................................................................24
c)
Muestra................................................................................................................25
d)
AnlisisdeDatos..................................................................................................26
VII
Resultados................................................................................................................28
a)
PerfildelaAudienciaTelevisivadeMundosOpuestos.......................................28
b)
ComportamientodelosTweetssobreMundosOpuestos..................................31
c)
RelacinentreRatingyTweetsdeMundosOpuestos........................................34
d)
TemporalidadentreRatingyTweetssobreMundosOpuestos..........................37
Ratingcomovariabledependiente............................................................................37
CantidaddeTweetscomovariabledependiente......................................................41
VIII Discusin..................................................................................................................45
IX
Bibliografa...............................................................................................................51
Anexos......................................................................................................................55
Anexo1ResultadosEstudioNielsen...........................................................................55
iv
Anexo2NotasMetodolgicas.....................................................................................56
MedicindeAudiencia..............................................................................................56
MedicindeTwitter..................................................................................................57
PalabrasClavesenMundosOpuestos...................................................................58
Anexo3PooldePalabrasClaves................................................................................61
Anexo4Tweetsdaanteriornecesariosparasubirunpuntoporcentualderating..64
Anexo5:OutputsSPSSRegresinLinealSimpleconRatingcomoVariableDependiente
.................................................................................................................................................65
RatingTotal(%)..........................................................................................................65
Rating4a12Aos(%)...............................................................................................66
Rating13a17Aos(%).............................................................................................67
Rating18a24Aos(%).............................................................................................68
Rating25a34Aos(%).............................................................................................69
Rating35a49Aos(%).............................................................................................70
Rating50a64Aos(%).............................................................................................71
Rating65a99Aos(%).............................................................................................72
RatingABC1(%).........................................................................................................73
RatingC2(%)..............................................................................................................74
RatingC3(%)..............................................................................................................75
RatingD(%)...............................................................................................................76
RatingHombres(%)...................................................................................................77
RatingMujeres(%)....................................................................................................78
RatingConTVdePago(%).........................................................................................79
RatingSinTVdePago(%)..........................................................................................80
Anexo6OutputSPSSRegresinLinealSimpleconCantidaddeTweetscomoVariable
Dependiente............................................................................................................................81
RatingTotal(%)..........................................................................................................81
Rating4a12Aos(%)...............................................................................................82
Rating13a17Aos(%).............................................................................................83
Rating18a24Aos(%).............................................................................................84
Rating25a34Aos(%).............................................................................................85
Rating35a49Aos(%).............................................................................................86
Rating50a64Aos(%).............................................................................................87
Rating65a99Aos(%).............................................................................................88
RatingABC1(%).........................................................................................................89
RatingC2(%)..............................................................................................................90
RatingC3(%)..............................................................................................................91
RatingD(%)...............................................................................................................92
RatingHombres(%)...................................................................................................93
RatingMujeres(%)....................................................................................................94
RatingconTVdePago(%).........................................................................................95
RatingSinTVdePago(%)..........................................................................................96
vi
ndicedeIlustracionesyCuadros
Ilustracin1DiagramadeModelosdeAudiencia...............................................................5
Ilustracin2ExtractoResultadosEstudiodeNielsensobreUsodeTabletsySmartphones
alverTelevisin...........................................................................................................................15
Ilustracin3PromedioRating(%)segndadelasemana...............................................30
Ilustracin4FlujodeTweetsduranteelperiododeTransmisindeMundosOpuestos.31
Ilustracin5TweetsPromedioporDadelaSemana.......................................................33
Ilustracin6CantidaddeTweetsyRatingTotalporDadeEmisin................................34
Ilustracin7OutputdeRadian6alintroducirlaspalabrasclavessobreMundosOpuestos
.....................................................................................................................................................59
ndicedeTablas
Tabla1CantidaddeEmisionespordadelasemanaytipodetransmisin....................19
Tabla2ResumendeRatingPromedio(%)yDesviacinEstndarparaeltotaldelPeriodo
.....................................................................................................................................................29
Tabla3ResumendeTweetssobreMundosOpuestosporDadelaSemana..................32
Tabla 4 Resultados Correlacin entre Rating (%) y Cantidad de Tweets sobre Mundos
Opuestos......................................................................................................................................35
Tabla5RegresinLinealSimple:RatingIndividuoscomoVariableDependiente............38
Tabla6RegresinLinealSimple:RatingEdadescomoVariablesDependientes..............38
Tabla7RegresinLinealSimple:RatingGSEcomoVariablesDependientes....................39
Tabla8RegresinLinealSimple:RatingSexocomoVariablesDependientes..................39
Tabla 9 Regresin Lineal Simple: Rating por Posesin de TV de Pago como Variable
Dependiente................................................................................................................................40
Tabla10RegresinLinealSimple,RatingTotalcomoVariableIndependiente................41
Tabla11RegresinLinealSimple,RatingporEdadcomoVariableIndependiente..........42
vii
Tabla12RegresinLinealSimple,RatingporGSEcomoVariableIndependiente...........43
Tabla13RegresinLinealSimple,RatingporSexocomoVariableIndependiente..........43
Tabla 14 Regresin Lineal Simple, Rating por Posesin de TV de Pago como Variable
Independiente..............................................................................................................................44
Tabla15DetalleTweetsNecesariosAyerparaSubirunPuntoPorcentualdeRatingHoy64
viii
ResumenEjecutivo
La forma de entender y usar los medios ha cambiado significativamente en las ltimas
dcadas.Graciasalvertiginosodesarrollodelastecnologasdelainformacinhannacidoyse
hanconsolidadomedios(Internet)quepermitenunainteraccinbidireccionalloscualessehan
acopladomsquereemplazadoalusodemediostradicionalesendiversasformas,unadelas
cuales se da a travs de los comentarios que realizan los espectadores a travs Twitter o
Facebook.
Por otro lado, existe en la actualidad el debate sobre la eliminacin o no del People
MeterOnline,herramientaquepermitemedirlasaudienciasentiemporeal,loquepuede
cambiar el cmo funciona la industria tal y como la conocemos. En base a esta inquietud el
presente estudio examin como es la relacin entre el nivel de audiencia y la cantidad de
comentariosacercadeunmismoprogramaenlaredsocialTwitterdemaneradedeterminarsi
esta medida es una alternativa viable para el Rating Online o se trata de una medicin
complementaria. Se utiliz el caso del programa chileno Mundos Opuestos de Canal 13, que
tuvounaltoniveldeaudienciaysetransmitidemanerafranjeadaenhorarioprimedurante
elprimersemestredelao2012,encontrndoseimportanteevidencia.
Enprimerlugarseencontrunacorrelacinsignificativaypositivaaltaentreelnivelde
audienciaylacantidaddetweetssobreelprogramaaniveltotalyencasitodoslossegmentos,
entregandoevidenciaempricasobreTwittercomounespejodeloqueescontingenteanivel
de sociedad. En segundo lugar se encontr que existe una relacin temporal a nivel diario
significativaparacasitodoslossegmentosentrelacantidaddetweetsdelaemisinanteriory
elratingactual,yviceversa.Sinembargolarelacintieneungradodeajustebajo.
Dadoloanteriorsepuedeafirmarquelacantidaddetweetspuedeserconsideradauna
mtrica paralela que est asociada al rating online al menos en un programa de alta
popularidad. Sin embargo, no se puede afirmar que ambas midan exactamente el mismo
fenmeno. Es posible hipotetizar que, ms que preferencia sobre un programa, evala su
popularidadentrminosdelasapreciacionesdelosdistintosespectadoresapartirdeloque
ix
estocurriendoenelprograma.Dichodeotromodo,elusodeTwitterpuedeserusadoms
biencomounamedidadeimpactosocialdelprogramatelevisivo.
I Introduccin
a) Antecedentes
Enlaactualidadlaspersonasseencuentraninmersasenunmundodondeexistengran
cantidaddemediosdecomunicacin,desdelosclsicosmediosdecomunicacinsocialhasta
los nuevos medios digitales. La existencia de esta gran variedad de medios provoca que las
audienciassefragmentenyseautoseleccionenescogiendoyparticipandodealgunodeestos.
Enestudiosrecientessehadescubiertoquelaaudiencianosedivideentrelosdistintosmedios
deformamediocntrica,sinoquesetraslapanentreellas,deformaqueunconsumidorpuede
estarparticipandoenmsdeunmedioalmismotiempo(Webster&Ksiazek,2012).
Es ms, con el acceso a las tecnologas de la informacin, los medios online han
permitidogenerarunainteraccinbidireccionalqueantesdelaexistenciadeinternetslose
remita a enviar cartas al director en diarios y revistas, o a llamadas telefnicas en vivo en
programas radiales y televisivos. Ahora, gracias a las herramientas de internet y las nuevas
plataformas, las personas son tanto receptores de la comunicacin como generadores de
contenido,enloqueesconocidocomoelfenmenodelaWeb2.0(Roman&Kuklinski,2007),
yenelcasoparticulardelatelevisin,losmiembrosdelaaudienciatelevisivapuedenemitir
susopiniones,ideasysentimientosconrespectoaloqueobservanatravsdemediosonline
como las redes sociales, blogs y foros debido a que no pueden hacerlo a travs del mismo
medioqueestnconsumiendo(TV).
Porotroladolosprogramasdetelevisinactualesestnaprovechandolainfraestructura
delosmediosonlinecomonuevasplataformasdeinteraccinentrelaaudienciayelprograma,
utilizandomedioscomoFacebookoTwitterparaquelaaudienciaemitasusopinionesoenve
preguntas para los entrevistados de programas de conversacin. Adems, dada la naturaleza
deestasplataformasonlinelainteraccinnosolosedaentreprogramaaudienciasinotambin
entredistintosmiembrosdelamismaaudienciadurantelatransmisindelprograma.
b) Eldebatedelatelevisindigital
En Chile desde el ao 2008 se encuentra en tramitacin la Ley de Televisin Digital, la
queenglobarlosreglamentosqueafectarnalaindustriatelevisivaanteelusodeestanueva
tecnologa, as como tambin los roles, deberes y restricciones que los distintos actores
pertenecientes a la industria debern asumir. Dentro de las indicaciones que se estn
estudiandoseincluyelaeliminacindelamedicindelPeopleMeterOnline,herramientade
medicin de audiencias de la empresa Time Ibope, que es ampliamente utilizada en la
industria,dondesemidelaaudienciademanerasimultneaalatransmisindeunprograma.
De aprobarse esta medida la medicin del rating televisivo solo se podr realizar de manera
overnight,esdecir,sepodrnconocerlosresultadosderatingperoconundadedesfase.En
palabras de la Comisin Mixta de Educacin y de Transporte y Telecomunicaciones esto se
debeaque "Esunsistemaqueperjudicaentregar unatelevisin de calidady cuando hay un
People Meter online, son otros los elementos que determinan qu programas ingresan a la
parrilla programtica de cada uno de los canales(La Tercera, 2012b) por el otro lado de la
moneda Elas Selman, fundador y socio de Time Ibope indica que se trata de una medida
inconstitucional y que no soluciona el problema de fondo, que es el de la calidad de los
programas(LaTercera,2012a).
c) Elproblemayesteestudio
Ante este escenario de incerteza sobre qu pasar sobre la medicin de audiencias de
maneraparalelaalatransmisindeunprogramay,sabiendoquelaliteraturaylaexperiencia
indicanquepuedeexistiralgunarelacinentreelconsumodemediosonlineyelconsumodel
mediostelevisivo,lapresenteinvestigacinbuscaridentificarculycmoeslarelacinentre
lasconversacionesgeneradassobreunprogramatelevisivoyelniveldeaudienciadeste.
En particular, se realizar un estudio de caso analizando las transmisiones del Reality
ShowMundosOpuestos,emitidoporCanal13enChileduranteelprimersemestrede2012,y
el volumen de conversaciones asociadas al programa en la red de microblogs Twitter para el
mismo periodo. La eleccin de este programa se da debido a sus caractersticas de ser un
programafranjeadoconcincotransmisionesalasemana,durante6mesesdeduracin,yserel
2
programa ms exitoso del ao en trminos de rating con 26,3 puntos promedio. (Khamis,
2012).
Para ello en una primera instancia se trabajar sobre la teora de audiencia, su
composicinysumedicin,paraluegohablarsobreTwitter,suuso,medicineimplicanciasen
relacin a las audiencias. As como tambin se revisarn estudios previos donde se haya
utilizadoTwittercomoelementodemedicin.Posteriormentesepresentarelcontextoenel
cul ocurre el presente caso de estudio, exponiendo los objetivos de la investigacin y la
metodologautilizada,destacndoselasparticularidadesquetienelamedicinenTwitterpara
estosfines.Finalmenteserealizarelanlisisdelosresultadosdelainvestigacintantoanivel
decadamediocomolainteraccinentreambos,ylasimplicanciasqueestarelacintienepara
laindustria,entrminosdelusodeTwittercomounproxydelamedicindeaudiencias.
II MarcoTerico
a) Queslaaudiencia
El concepto de audiencia es de vital importancia para el desarrollo de la presente
investigacindebidoaqueelfenmenoestudiadotieneensucentroelcomportamientodela
audienciaatravsdeunasituacindemultimedios,porellosepresentaracontinuacinlas
definicionesmsaceptadasdeaudiencia,conespecialnfasisenloqueconcierneaaudiencias
enelmediotelevisivoyenredessociales.
El trmino Audiencia es un concepto que si bien es entendido por muchos de los
tericosyagentesqueparticipadelaindustriadelosmedios,escomprendidoporlosusuarios
de medios como una descripcin ambigua sobre s mismos. (McQuail, 1997). Dada esta
ambigedad sobre la definicin de la audiencia Webster (1998) realiza una revisin
bibliogrfica con la finalidad de organizarlas basadas en sus similitudes. Para ello plantea el
diagramaquepuedeobservarseenlaIlustracin1dondedescribelastresprincipalesformas
deentenderlaaudiencia,asaber:(1)AudienciacomoMasa,(2)AudienciacomoResultadosy
(3) Audiencia como Agente. Adems, define la existencia de modelos mixtos en los cules se
cruzanalmenosdosdelosprincipalesmodelos.
Lostresmodelosbsicosdeaudiencia
Audiencia como Masa: Es la forma ms comn de entender a la audiencia. Bajo este
modelolaaudienciaesvistacomounagrancoleccindegenterepartidaatravsdeltiempoy
elespacioqueactandeformaannimaytienenpocooningnconocimientoacercadelotro.
Sondefinidoscomouna entidadenbaseasu exposicincomnalos medios.Respondeala
preguntaQumediosconsumelagente?(J.Webster&Phalen,1997).
AudienciacomoResultado:Eselmodelodominadorenlosestudiossobremedios.Esta
vetadepensamientotratasobrecmolagenteesafectadaporlosmedios.Generalmente,se
refleja en las preocupaciones acerca del poder de los medios de comunicacin que puede
producir efectos perjudiciales en los individuos, y por ende, en la sociedad como un todo.
Independiente si se busca generar algo bueno o un dao, este tipo de modelos posiciona al
4
individuoconunrolcompletamentereactivo.RespondealapreguntaQuhacenlosmediosa
lagente?(Zilmann&Bryant,1994).
Audiencia como Agente:Eselopuestoalaaudienciacomoresultados,yaquevealas
personas como agentes libres que escogen que medios van a consumir, otorgndoles su
propias interpretaciones a los mensajes que encuentran, generando significados propios y,
generalmente, utilizando los medios para ajustarse a s mismos. Bajo este modelo es la
audiencia la que acta sobre el medio, y no al revs. Responde a la pregunta Qu hace la
genteconlosmedios?(Zilmann&Bryant,1985).
Ilustracin1DiagramadeModelosdeAudiencia
Fuente:ExtradadeTheAudience(Webster,1998)
Modelosmixtos
Los modelos mixtos son modelos tradicionales de entender la audiencia pero que
cumplen al mismo tiempo con caractersticas de por lo menos 2 de los modelos bsicos de
audiencia.Lasinterseccionesymodelospertenecientesaellas,segnWebster(1998),sonlas
siguientes:
Audiencia como Masa y como Resultado: considera (1) el modelo de Marketing de
Masas,dondetodaslasaudienciassonconceptualizadascomomasasatomizadas,peroconel
objetivodepodercomprenderymanejarvariosresultados.Asuvezenglobaa(2)laTeorade
SociedaddeMasas,dondelaaudienciaesvistacomounamasaaisladadeindividuosqueson
inherentemente susceptibles a la manipulacin (Adorno & Horkheimer, 1997). Finalmente
tambinconsideraa(3)AnlisisdeCultivacin(Gerbner&Gross,1976)y(4)EspiraldelSilencio
(NoelleNeumann, 1993), que consisten en dos teoras surgidas desde el espectro poltico
(izquierdayderecha,respectivamente),dondeseasumealaaudienciacomounasociedadde
masas atomizada en individuos que estn encerradas en sus hogares por miedo a salir o
calladaspormiedoasercondenadosalostracismo.
AudienciacomoResultadoycomoAgente:considera(1)modelosdePreferenciasdela
Audiencia (Rust, Kamakura, & Alpert, 1992) y modelos de Eleccin de Programas (Steiner,
1952),ambosasumenquelaspreferenciasindividualesconducenalaeleccindeprogramas,y
que,porende,elagregadoestaseleccionesformanmercadososegmentosdeaudienciaalos
quelaindustriavaaresponder.Adems,consideraestudioscentradosenla(2)Sociologadel
Gusto (Gans, 1974), en donde en vez de enfocarse en el espectador individual se conforman
colectivos alrededor de patrones de gustos y consumo de medios. Adems de centrarse en
Modelos de Eleccin en Masa (Lewis, 1981), que estn afectados por los determinantes
socioculturalesdelgusto.
Audiencia como Masa y como Agente: considera el (1) Paradigma Dominante (Gitlin,
1978), donde la gente es conceptualizada como miembros de redes sociales. En vez de ser
vulnerables a la manipulacin directa de los medios, las personas activamente seleccionan y
reinterpretan los mensajes que encuentran. Dentro de la misma lnea el (2) Interaccionismo
6
Simblico(Katz&Lazarfeld,1955),planteaquelosmensajestienenunsignificadoperoqueno
es evidente en s mismo, debe ser aprendido, por lo que el individuo debe interpretar los
medios.Asumiendotantoelroldepblicocomodeactor.
Audiencia como Masa, como Agente y como Resultado: en esta interseccin se
encuentran (1) Mercado de las Ideas, donde la audiencia est interesada en temas de
importanciapblicayestinclinadaadebatirsobreestosenpblico.Porotroladola(2)Esfera
Pblica (Habermas, 1991) es bastante similar, donde la audiencia est interesada en debates
racionales sobre temas que afectan a todos. Finalmente, varios otros modelos son colocados
bajolaetiquetadel(3)PostModernismo,dondeporunladolosmiembrosdelaaudienciason
identificados comohbilesconsumidoresde culturaycreadores designificadomsalldela
manipulacinideolgicay,porotro,sonconsumidosporlossistemasdemediosdeloscuales
formanparte.Larpidaexpansindelacantidaddemedios,sudiversidadyelritmodeestas
comunicacionessobrepasanlahabilidaddelosindividuosparainterpretarsussignificadosde
formaracional(Harms&Dickens,1996).
b) LafragmentacindelasAudiencias
Independientedecomoseaconsideradalaaudiencia,enlaactualidadconelsurgimiento
delasnuevastecnologasdelainformacin,unusuariooconsumidorpuedesertantoemisor
como receptor al mismo tiempo, en una relacin bidireccional que hace que las nociones
anteriormente nombradas sobre las audiencias vean variar los roles de los medios y sus
consumidores.
De esta forma las audiencias por un lado se ven incrementadas, con el surgimiento de
nuevos medios donde se emiten los contenidos (redes sociales, ms canales de televisin,
nuevasrevistasyperidicos,entreotros)peroasuvezlasaudienciassehandiversificadoentre
distintosmediosdebidoasumayorcantidad,fragmentndose(McQuail,2000).
La fragmentacin resulta de la interaccin de los medios y las audiencias, para poder
comprenderla Webster (2011) utiliza la Teora de la Estructuracin desarrollada por el
socilogoAnthonyGiddens(1984)paraexplicarelfenmenodelafragmentacin.Ensta,los
7
medios son vistos como proveedores de recursos (Proveedores de Medios) que los agentes
(Usuarios de Medios) se apropian para lograr sus objetivos. Para que esto ocurra de manera
efectiva ambas partes confan plenamente en regmenes de informacin (Mediciones de
Medios)paramonitorearelconsumo.
Los proveedores de medios son la causa ms clara de la fragmentacin debido al
aumento de los media outlets y de los productos compitiendo por atencin del pblico. Esto
ocurre ya sea porque un medio establecido se expande (i.e. Televisin) o cuando un nuevo
medio entra en competencia (i.e. Internet o las Redes Sociales) (Napoli, 2003; J. G. Webster,
2010).Lamentablemente,lacantidaddeatencinquepuedeentregarlaaudienciaeslimitada
yescasa.
Por otro lado, los usuarios de medios utilizan los recursos segn sus preferencias,
reflejandoenellassusestadosdenimo,actitudesogustos,perosusaccionessonracionales
entantosirvenasuspredisposicionespsicolgicas.Losusuariosentoncespuedenescogerun
pocodecadacosaoenfocarseenunsolotema,einclusohacerusodelaexposicinselectiva
(Ksiazek,Malthouse,&Webster,2010).
Sin embargo, los usuarios no pueden estar seguros, aunque se trate de una marca o
emisora conocida, que el producto le entregue la satisfaccin esperada hasta que haya
consumido la oferta. Para disminuir este problema los usuarios manejan repertorios de
mediosquelimitansusopcionesyminimizanloscostosdebsqueda.Ademsconfanenlas
recomendaciones,dondelasredessocialesjueganunpapelrelevante.
Conrespectoalasmedicionesdemedios,losproveedoresdemediosdebensercapaces
deverqueestnhaciendolosusuariosdemaneradesaberquetienenunaaudiencia,yajustar
susestrategiasdemaneradeaumentareltamaodestaymonetizarlosresultados.Estetipo
de mediciones se denomina Regmenes de Informacin de Mercado (Andrews & Napoli,
2006).EnChileestasmedicionessonentregadasporterceros,comoTimeIbopeparaelcasode
la audiencia televisiva y empresas digitales como Cardumen para el caso de audiencias
online.
Para el caso de los usuarios, ellos tambin tienen mediciones sobre los medios que
utilizan,confiandoensistemasdebsquedayrecomendaciones.Colectivamentesonllamados
RegmenesdeInformacindeUsuarios(J.G.Webster,2010).Lamayoradelasredessociales
entreganherramientasparasaberquehicieronoconsumieronloscompaerosconsumidores,
por ejemplo con el Me Gusta en Facebook o el Retweet en Twitter. (Cho & Roy, 2004;
Salganik,Dodds,&Watts,2006).
Deestamaneralosregmenesdeinformacinporsimismospuedenpromoveromitigar
procesosdefragmentacindelasaudiencias(Anand&Peterson,2000).
Webster & Ksiazek (2012) plantean que el estudio de las audiencias fragmentadas se
puede ver desde dos puntos de vista, (1) Fragmentacin MediaCntrica, donde la unidad de
anlisis son los proveedores de medios en forma discreta, siendo este el ms utilizado en la
literatura,entantosemidelacantidaddeaudienciaparacadamedioenunperiododetiempo
determinado.Laotraformadeverloesla(2)FragmentacinUsuarioCntrica,dondelaunidad
de anlisis es el individuo y se mide segn la cantidad de medios utiliza, pudiendo estar
repartido en una gran cantidad de medios o concentrado en unos pocos. Los estudios ms
relevantesenestavetasonlosdeRepertoriosdeMedios.
Un complemento para ambos tipos de estudios es el de la (3) Fragmentacin
AudienciaCntrica, que busca ser una forma de ver las audiencias a un macro nivel, al
caracterizaralasaudienciasentantolosotrosmediosqueutilizan.Esenpartemediacntrica
ya que describe a las audiencias por los proveedores de medios particulares, y en parte
usuariocntricaalreflejarlavariedadderepertoriosdelosmiembrosdelaaudiencia,queson
agregadosalniveldecadaaudiencia.Deestaformasepuedevercomolaatencinpblicaest
dispersaenelambientedemedios.Esms,estaformadeanalizaralaaudienciafragmentada
permite ver que existe una gran cantidad de duplicidad en las audiencias, indicando que hay
patronesdesobreposicinenelconsumodedistintosmediosporpartedelosmiembrosdela
audiencia(Webster&Ksiazek,2012).
c) MidiendolaAudienciadeTV
Parapoderestudiarla,laaudienciadeTVsemideatravsdelRating.Esterepresentael
porcentaje de hogares o individuos (en el caso del rating personas), de un universo objetivo
previamente definido, que estn viendo un programa de televisin en un momento
determinado. Luego de ser medido, el rating es entregado en puntos, donde cada punto
correspondeaqueel1%deltargetreferidohasidoespectadormediodeleventoestudiado,el
quevariardependiendodeltamaodeluniversoconsiderado(TimeIbope,2009).
EnChilelamedicindelratingtelevisivolarealizalaempresaTime Ibope,a travsdel
sistemaPeopleMeter,queconsisteenlainstalacindeundispositivoelectrnicodelmismo
nombre que se instala en las casas de una muestra maestra probabilstica de ms de 6 mil
hogares.EnpalabrasdesuGerenteGeneral,PatricioMoyano:
Lamedicinde audienciaatravsdel sistemaPeople Meter correspondeaun estudio
cuantitativodescriptivoquetienecomoobjetivoprincipaleldescribirelcomportamientodela
poblacinenfuncindelaaudienciatelevisivaestimandoindicadoresdesintonarating,de
hbitosalcanceyfrecuenciayglobales,comoeltiempopromediodeaudiencia,consumoper
cpita,etctera(ANDAAsociacinNacionaldeAvisadores,2012).
Entrminossimpleseldispositivoinstaladoencadahogarescapazderegistrar,minuto
a minuto, las siguientes variables: encendido de la televisin, seleccin de canal, tiempo de
permanencia en un canal, cambios de canal y personas que ven la televisin (esto ltimo
permiterealizaranlisisaniveldeindividuos).
Para poder calcular el rating se utilizan las bases de datos obtenidas por el proceso
descrito.Parapoderrealizarunanlisiscomparable,cadahogarsepesaoponderaporun
factorqueindicalacantidaddehogaresoindividuosquerepresentadeluniversoobjetivo.Por
ejemplo para calcular el rating hogar, se hace el cociente entre el nmero de hogares
representados por los que miran televisin y el nmero total de hogares del universo. De la
mismaformasecalculanelratingparacualquierotrotarget.
10
d) SobreTwitter
Twitter es una red de informacin en tiempo real creada el 13 de Julio de 2006, que
conectaalaspersonasconlasltimashistorias,ideas,opinionesynoticiassobreloquecada
uno encuentra interesante (Twitter, 2012a), se le considera una red social de microblogging,
donde los usuarios pueden expresar sus ideas en menos de 140 caracteres en mensajes
llamadosTweets(Twitter,2012b).
En Twitter cada usuario tiene la posibilidad de seguir slo a las cuentas que estime
conveniente,funcionandocomounareddeinformacinadhocalusuario.Deestaformacada
usuarioescogelostemasqueseadesumayorintersyalosemisoresdesdeloscualesrecibe
lainformacin.
Adems,cadausuariopuederealizaruntweetdesdeunamultituddedispositivosyasea
desdeelsitioweboaplicacinoficialesparasmartphonesytablets,ascomoatravsdeSMSo
aplicaciones de terceros que hacen uso de su Interfaz de Programacin de Aplicaciones
(conocido como API, por sus siglas en ingls). Esto permite que Twitter sea considerado una
herramientadecomunicacinmultiplataforma.
ElTweetcomoeWordofMouth
El WordofMouth (WOM) es el proceso de transmisin de informacin de persona a
personayjuegaunrolimportanteenlasdecisionesdecompradelosconsumidores(Richins&
RootShaffer, 1988). Su influencia radica en la confianza que sienten las personas por sus
conocidos,familiayamigos,enlaformadereferenciasacercadeproductos,serviciosoideas.
EnlaactualidadelWOMpuedeocurrirencontextosdesituacionescotidianasdeldaadade
manera fsica (cara a cara) o de manera online, esta ltima denominada Electronic Wordof
Mouth(eWOM).Laspersonastiendenaconfiarenlasopinionesdegentefueradesucrculo
social inmediato (Duan, Gu, & Whinston, 2008) lo que permite que el eWOM sobrepase la
barrera de lo fsico manteniendo las caractersticas generales de una comunicacin WOM.
Finalmente,lasconversacionesonlinesobreunproductooserviciosonunaformafcilycosto
efectivademedirelWOM(Godes&Mayzlin,2004).
11
Bajoestalneadepensamiento,loscomentariosyopinionesemitidasenplataformasde
microblogging como Twitter, son ledas, interpretadas y reemitidas por personas que han
decididoseguiralemisor,potenciandosualcanceyfuncionandocomounaformadeeWOMde
maneraasncronaynoinvasiva(Jansen&Zhang,2009).Apesardetratarsedeunaformade
WOM que no tiene el componente de la interaccin cara a cara, se considera como una va
poderosaderealizarWOMyaqueesinmediato(elcontenidosepuedegenerarenelmomento
delconsumodeunproductoodeinteraccinconunamarca),tieneunalcancesignificativo(el
contenido puede ser consumido por ms de un individuo al mismo tiempo y puede ser
replicado y reemitido por estos), es creble y accesible por otros (HennigThurau, Gwinner,
Walsh,&Gremler,2004).
MidiendoTweets
ParausarTwittercomomediodeestudiarlapopularidadosentimientosdelosusuarios
haciaunproducto,marcaoservicio,sedebebuscarenprimerlugarlacantidaddevecesque
eseelementofuemencionadoenlaredsocial.Dadalanaturalezadeestaredpuedenexistir
muchas formas en que las personas se refieren al elemento a medir (en el extremo, tantas
formascomoemisoresposibles)porloqueesnecesariorealizarunprocesoderecoleccinde
palabrasclavesquelaspersonasutilizanalmomentodereferirsealproductooservicio,las
quepuedenvariardesdeelnombredelelemento,marcasopersonajesasociados.
En particular, los usuarios han utilizado una forma especial de palabras claves definida
durante la escritura del mensaje llamada Hashtag, sta consiste en escribir el smbolo #
seguido de una cadena concatenada de texto que hace referencia a un evento, hecho o
situacin. El uso del hashtag es una convencin creada orgnicamente por la comunidad de
usuarios para agregar mayor nivel de contexto y agregar metadata a las conversaciones en
Twitteruotrasredes(Messina,2010;Twitter,2011).Esimportantedestacarqueelhashtagno
hacedistincinentemaysculasyminsculas(e.g.eslomismodecir#HashTagque#hashtag).
AtravsdelainfraestructuradeTwitter,haciendousodesuAPIdebsquedas,diversos
programaspuedenbuscarpalabrasclavesenloscomentariosyconversacionesdelaredsocial
entretodossusmiembrosquetenganunperfilpblico,entregandounalistaostreamdelos
12
tweetsqueincluyendichaspalabrasclavesparaunperiododenomsdeunasemana(Twitter
Team,2012a),osimplementelacantidaddetweetsgeneradosporlosusuarioseneseperiodo.
Engenerallasdistintas herramientas quesehan generadoalrededorde estaplataforma han
logradoidearmecanismosparacapturardatosconhastaunmesdeantigedadoms,peroen
su mayora son de pago, como por ejemplo Radian6 (http://www.radian6.com/) y
Peoplebrowsr(http://www.Peoplebrowsr.com/).
Con la informacin recolectada sobre un conjunto de palabras claves en Twitter se
puedenrealizardiversasmedicionescomoson:
Popularidad:cantidaddetweetssobreuntpicoenuntiempodeterminado.
Sentimiento/Emocin:anlisisdeloscontenidosdeuntweet,entantosonuna
apreciacin positiva, neutral o negativa sobre un tpico en un tiempo
determinado(Jansen&Zhang,2009;Souza&Vieira,2012;Thelwall,Buckley,&
Paltoglou, 2011). Existen diversos medios para realizar este anlisis, desde el
mtodo manual (donde el investigador cataloga cada tweet como positivo,
neutroonegativo)hastaalgoritmosavanzadosbasadosenmtodosdeminera
dedatosyenanlisissemntico(Akcora&Bayir,2010).
Influencia:culesycuntossonlosusuariosmsinfluyentesquehablaronsobre
untpicoenuntiempodeterminado,existenvariasmedidasdeinfluenciacomo
soncantidaddeseguidores,deretweets,odemencionessobreunusuario(Cha,
Haddadi,Benevenuto,&Gummadi,2010).
13
Twittercomoproxydelaaudiencia
Dada la fragmentacin de audiencias existente en la actualidad y en base al modelo
audienciacntrico, de es de sumo inters conocer cmo es la relacin que existe entre el
comportamientodedosaudienciasdondeunindividuoformaparte.
En particular para este estudio se considerar la audiencia televisiva del reality show
MundosOpuestosysucontraparteenlareddemicrobloggingTwitter.Dadoquehastalafecha
noseharealizadoalgnestudioparaidentificarlarelacinentrelaaudienciadeTwitteryde
un programa de televisin, se hace necesario revisar que estudios se han realizado con la
intencindecomoTwitter,entrminosdevolumendeconversacionesosuviralidad,esuna
medidaoindicadordeelementosnopertenecientesaestaredsocial.
Deestaformaenunaprimerainstanciaserevisarndosestudiosdondeseidentificala
duplicidad existente entre la audiencia de Twitter y la Televisin. En segundo lugar se
expondrnunestudioqueutilizaaTwitterparaidentificarotrosfenmenos, en particularse
tratadelcasodemtricasdeimpactodeartculosacadmicos.
TwitterylaTelevisin
El13deOctubrede2011,Nielsenpublicensublogunestudiodelusosimultaneode
Tablets y Smartphones al ver televisin en Estados Unidos, un extracto de los resultado se
encuentra en la Ilustracin 2, los resultados completos se encuentran en el Anexo 1. Se
estableci que un 42% de los usuarios de estos aparatos visitaba redes sociales durante el
programaocomerciales.Enparticularalevaluarporsexoelusoderedessocialesdurantela
transmisin del programa fue mayor para el caso de las mujeres (48% mujeres vs 35%
hombres).Lomismosucedaduranteloscomerciales(47%mujeresvs36%hombres).
14
QuhacenlosdueosdeTabletySmartphones
mientrasvenTelevisin?
47%
VisitaRedesSociales(durantecomerciales)
36%
42%
48%
VisitaRedesSociales(duranteprograma)
42%
UsuariosMujeres
UsuariosHombres
35%
UsuariosdeTabletySmartphone
Ilustracin2ExtractoResultadosEstudiodeNielsensobreUsodeTabletsy
SmartphonesalverTelevisin
Fuente:NielsenWire2011
PorellorevisaremoselsiguienteestudiorealizadoenChileafinalesdelao2011,donde
laagenciaIntelligenx,patrocinadaporIABChileyconelapoyodegrandesempresas,realizel
Censo Twitter 2011, en el cul se trat de caracterizar al usuario chileno. Se realiz una
encuesta online distribuida viralmente por los usuarios chilenos de Twitter. La muestra
consisti entre 1.705 y 5.851 casos, debido a gente que contest de manera incompleta la
encuesta.
En relacin al uso de Twitter, el 94% de los encuestados declar utilizar Twitter en su
casa. Adems, el 67% del total de encuestados dijo utilizar esta plataforma mientras vea
televisin(Intelligenx,2011).
Enbasealosresultadosdeambosestudiospodemosdarnoscuentaqueefectivamente
existeduplicidaddeaudiencias,aunamismapersonaestarformandopartededosaudiencias
al mismo tiempo. Sin embargo no podemos determinar en base a esto que lo que se est
comentandoenredessocialestengarelacinconloqueseestviendoenlatelevisin,porlo
queunodelosobjetivosdelpresenteestudioesanalizardicharelacin.
15
Twittercomopredictoromedidadeotrofenmeno
UnodelosprincipalesestudiosdondeseutilizaTwitterparamedirunfenmenoajenoa
laplataformaeselrealizadoporEysenbach(2011)enelculutilizalacantidaddetweetsque
incluyeron links a publicaciones acadmicas del Journal of Medical Internet Research (JMIR)
entre Julio 2008 y Noviembre 2011, para predecir la cantidad de citas bibliogrficas de una
publicacin.
Al comparar la cantidad de tweets a travs del tiempo con la cantidad de citas
bibliogrficas de un artculo en Google Scholar se descubri que exista una correlacin de
Pearson moderada pero significativa (entre 0,42 y 0,72) entre la cantidad de tweets y la
cantidaddecitas.
Porotrapartesedescubriquelafrecuenciadetweetsseguaunaleydepoderdurante
eltiempo,siendoestaunarelacinestadsticaentredoscantidadesdondelafrecuenciadeun
eventovaracomounpoderdeunatributodeeseevento.Enparticularsedescubriquela
mayorcantidaddetweetssegenerabanduranteelprimerdadesdelapublicacindelartculo
en la web y su volumen disminua a travs del tiempo. Finalmente se determin que los
artculosaltamentecitadospuedenserpredichosporlosartculosaltamentetweeteados con
un93%deespecificidady75%desensibilidad.
Seplanteaentoncesquelostweetssonunamedidadeimpactosocialqueincrementalas
citas bibliogrficas o refleja las cualidades inherentes del artculo que tambin predicen las
citas. Sin embargo no miden lo mismo que las citas bibliogrficas, debido a su distinta
naturalezatemporalypblico.
16
III El presente estudio: El caso del programa Mundos

Opuestos
a) CaractersticasdelprogramaMundosOpuestos
Mundos Opuestos fue un reality show chileno realizado por Canal 13, bajo el alero del
productorejecutivoSergioNakasoneyanimadoporSergioLagosyKarlaConstant,siendoala
fechadelapublicacindeesteestudioelprogramamsexitosodelao2012con26,3puntos
promedioderatingyunpeakde38,4puntospromedioensuepisodiofinal(Khamis,2012).Su
primercaptuloseemitielda15deEnerode2012alas23horas,yfinalizelda27deJunio
de 2012, dentro de este periodo fueron transmitidos 129 captulos en horario prime
alcanzando una duracin de 6 meses al aire. Adems, durante Enero y Febrero se transmiti
Mundos Opuestos (en Bruto) que mostraban escenas sin editar de los participantes que
correspondan a elementos de la transmisin en horario prime del da anterior, emitiendose
117episodiosdeesteformatofranjeadodelunesaviernesalas17horasconunaduracinde
unahora.
Al programa, ingresaron 22 participantes (10 famosos y 12 desconocidos) y buscaban
competir por el premio final de $22.000.000 para cada ganador (uno masculino y uno
femenino). Debido a las altas exigencias fsicas del programa ocurrieron varios retiros de
personajes,alcanzndoseuntotalde29participantes.Adems,devezencuandoingresaban
visitas a las instalaciones del programa ya sean personajes famosos o familiares de los
participantes.
Losparticipantesdeesteprogramavivanenunacasadivididaendospartes:elmundo
del futuro, ambientado en un futuro prximo con instalaciones de ltimo nivel y todas las
ventajas de la tecnologa; y el mundo del pasado, ambientado en una poca pasada sin
comodidades y dnde los participantes deban realizar todo con sus propias manos. Los
participantesfuerondivididosendosgruposysemanaasemanacompetansiendoelequipo
ganador el que gozara de las ventajas del futuro. Dentro del equipo perdedor dos de sus
17
participantes iban a duelo de eliminacin por la votacin del Consejo del pasado y el
Consejodelfuturo,dondelosparticipantesdecadagruponominabanaunparticipantedel
pasado. Adems, se les una un tercer participante escogido por el pblico a travs del
Consejode todoslostiempos.Entrelostresparticipantesparticipaban en laCompetencia
de Salvacin donde uno de ellos se salvaba y luego los dos perdedores llegaban a la
CompetenciadeEliminacindondeelperdedorseretirabadelprograma.
En paralelo a esto, se realizaban otros dos tipos de competencias: la Competencia de
Bienestardondelaparejaganadora(compuestaporunhombreyunamujer)accedanauna
HabitacinSecretadondepodantenercontactoconunserqueridovavideoconferencia;yla
CompetenciaporlaInmunidaddecarcterindividualyporsexo,dondeentreelganadoryla
ganadoraelquehayatenidomayorvotacintelefnicaadquiraeltitulosemanaldeProtegido
detodoslosTiemposynopodasernominadoaeliminacin.
Al quedar solo 12 participantes (6 de cada sexo) se dej de competir por equipos y se
pasalaetapadecompetenciasindividualesporsexo.Alosganadoresdeestascompetencias
selespermitaaccederalMundodelFuturo,ylosperdedorescaanalMundodelPasado.El
participanteconmayorvotacintelefnicadecadasexopasdeformaautomticaalafinal.
b) ConsideracionesRelevantessobreloshorariosdeTransmisin
El programa mundos Opuestos posea una estrategia programtica que consista en
quesetransmitaencuatroformatos/horariosdistintos:
Mundos Opuestos: transmitido a partir de las 22 o 23 horas con una duracin

variableentre2y3horas.Duranteelprimertrimestredelaofuetransmitido
delunesajuevesyeldadomingo.Apartirdel1deAbrilde2012losdasde
emisin fueron de Lunes a Viernes, comenzando la transmisin entre las 22 y
22.30horasyconunaduracinentre1y3horas.
Mundos Opuestos en Bruto: transmitido de 17 a 18 horas, de lunes a viernes

durante todo el periodo del programa. Se mostraban escenas sin edicin
18
correspondientes a los hechos de la ltima transmisin en horario prime

(usualmente,delanocheanterior).
MundosOpuestosPremium:Apartirdel1deAbrilde2012latransmisindelos
domingospasalacategoradePremium,transmitindosedesdelas22horasy
conunaduracinde1hora.
MundosOpuestosLaFinal:Emisinespecialelda27deJuniode2012,donde
seenfrentaronlosfinalistas,desdelas22:30horashasta1:40horas.
En la siguiente tabla se puede apreciar la cantidad de emisiones para cada da de la

semanayparacadaformatodelprograma.
Dadela
Semana
Mundos
Opuestos
Lunes
Martes
Mircoles
Jueves
Viernes
Sbado
Domingo
Totalgeneral
24
23
23
22
12
Mundos
Opuestosen
Bruto
24
24
24
23
22
11
115
117
Mundos
Opuestos
Premium
1
12
13
Tabla1CantidaddeEmisionespordadelasemanaytipodetransmisin
Fuente:ConfeccinpropiaenbaseadatosdeTimeIbope(2012)
ComosepuedeapreciarlatransmisindeMundosOpuestosenBruto,sibienrepresenta
casiel50%delasemisiones(117casos)sucontenidonoesnuevoyaquesetratadeeventosya
transmitidos en el horario prime anterior pero sin ediciones. Adems, como se mencion
anteriormentesutransmisinserealizdemanerafranjeadaalas17horasdelunesaviernes
dentro del horario laboral. Dado lo anterior para el estudio slo se considerarn las
trasmisiones de Mundos Opuestos y de Mundos Opuestos Premium, ya que representan
contenidosnuevosysefranjearonenhorarioprime.
19
c) ConsideracionesRelevantessobreelContenidodelprograma
DadoqueenelpresenteestudiosebuscarnlasconversacionessobreMundosOpuestos
enlareddemicroblogsTwitter,esdevitalimportanciadeterminarquaspectosdelcontenido
del programa podan ser tweeteados, en base a esto se identifican 4 grupos importantes de
palabras que surgen a partir de Mundos Opuestos, a saber palabras (1) en relacin a los
personajes, (2) en relacin a la produccin y el programa, (3) en relacin a los eventos y
concursosdelprogramay(4)enrelacinalosvisitantesalprograma.VerAnexo3paratener
undetalledetodaslaspalabrasutilizadas.
20
IV Objetivos
a) ObjetivoGeneral
Determinar la relacin que existe entre el nivel de audiencia de un programa de
televisinyelvolumendeconversacionesasociadasalenmicroblogs,enespecficoTwitter.
b) ObjetivosEspecficos
DescribirlosperfilesdeaudienciayusodeTwitterrespectodeunprogramadeTV.
Determinar la relacin que existe entre el nivel de audiencia de un programa en cada
segmentosociodemogrfico(GSE,edadysexo)yelvolumendeconversacionesasociadasal
enTwitter.
Determinarlarelacinqueexisteentreelniveldeaudienciaconpresenciadetelevisin
depagoyelvolumendeconversacionesasociadasalenTwitter.
Establecerlarelacintemporalexistenteentreelniveldeaudienciadeunprogramayel
usodeTwitter(eneldaantesyeldadespus).
21
V PreguntasdeInvestigacineHiptesis
Dadoquesequierenconocerlasrelacionesqueexistenentreelniveldeaudienciadeun
programadetelevisinylacantidaddeconversacionesenTwitterrelacionadasaeste,existen
trespreguntasespecficasquesepuedenestablecer.
ConcernientealaduplicidadtericaquedebeexistirentrelasaudienciasdeTelevisiny
TwitterconrespectoaMundosOpuestos,surgelaprimerapregunta:
RQ1:CmoyaquniveleslarelacinexistenteentreelniveldeaudienciadeMundos
OpuestosyelvolumendeconversacionesenTwitterrelacionadasalprograma?
Concernientealadireccionalidadquepuedatenerlarelacinentreelniveldeaudiencia
televisivo del programa y la cantidad de tweets relacionados a este surgen las siguientes dos
preguntas:
RQ2:Elqueunprogramatengaunniveldeaudienciaaltoobajoafectaelvolumende
lasTweetssobreeseprograma?
RQ3: El que un programa tenga un alto o bajo volumen de Tweets afecta el nivel de
audienciaquelogradichoprograma?
En base a los estudios anteriores y a la existencia de la duplicidad de audiencias entre
TwitteryTelevisinpodemosplantearlasiguientehiptesis:
H1: Existe una relacin significativa entre el nivel de audiencia de un programa de
televisinydelosTweetsasociadosadichoprogramaenunamismatransmisin.
Porotraparte,segn(Eysenbach,2011)larelacinentreTwitteryotromediotiendea
serentiemporeal,trasladandoestoalmediotelevisivoseesperaraquelostweetssurjanen
paraleloalatransmisindelprograma.Debidoaestoseesperaque:
22
H2: No existe una direccionalidad entre los tweets sobre el programa de televisin y el
niveldeaudienciadeste,aniveldiario.
23
VI Mtodo
Elpresenteestudiobuscaanalizarlarelacinexistenteentreelniveldeaudienciadeun
programadetelevisinyelniveldeconversacionesenTwitterrelacionadosadichoprograma.
En particular se desarrollar un estudio de caso utilizando el Reality Show chileno Mundos
Opuestosanivelderatingindividuosdemaneraagregadaysecompararconelnivelagregado
de conversaciones en Twitter relacionadas a ste, en trminos de cantidad de tweets
relacionadosemitidoseldadeemisin.
a) DiseodelaInvestigacin
Para el estudio de caso, se utilizan dos fuentes de datos. Los primeros utilizados
correspondenalosdatosdeaudienciatelevisivaobtenidosporlaempresaTimeIBOPEdurante
todo el periodo de transmisin de Mundos Opuestos, esto es, desde el 15 de Enero de 2012
hasta el 27 de Junio de 2012, correspondiente a un total de 129 emisiones del programa en
horarioprime.
Con respecto a los datos de Twitter se utilizaron dos herramientas para capturar los
datos. La primera fue el programa Radian6 utilizado por la empresa Cardumen, en donde
utilizando un pool de palabras o keywords relacionadas al programa se determin que las
palabras ms utilizadas, y por tanto representativas del programa en esta red social, fueron
#MundosOpuestos,#MOyMundosOpuestos.Conestainformacinsepudorecuperarel
total de conversaciones diarias relacionadas a dichas palabras entre los usuarios chilenos de
TwitterutilizandoelprogramaPeopleBrowsrparaelperiodocomprendidoentreel14deEnero
de 2012 y el 28 de Febrero de 2012, es decir, desde un da antes del comienzo de las
transmisionesdelprogramahastaundadespusdelfindeste.
b) Seleccindelprogramaaanalizar
SeescogiutilizarparaelanlisislosdatosdelprogramaMundosOpuestosdeCanal13,
debidoaquefueunodelosprogramasmsexitososdelprimersemestredelao2012enla
televisinchilena.Desdeelpuntodevistadelaaudienciatuvo26,3puntosderatingpromedio
24
durante todo el periodo de transmisin y alcanzando su peak de audiencia de 38,4 puntos

promedioenelepisodiofinal,einclusiveempatandoenperiodoestivalconlatransmisinde
unodeloseventosmsdestacadosenChile:elFestivaldelaCancindeViadelMar,durante
elmesdeFebrero.
Adems,desdeelpuntodevistadelasconversacionesenTwitteresteprogramacuenta
condoscaractersticasquepresentan unaventaja metodolgicaalmomentoderecopilarlos
datos: (1) al tratarse de un programa donde los personajes y el programa mismo son la
temtica,lostweetscapturandichasvariablesy,(2)alserunprogramaconunnmerolimitado
de personajes y sucesos especficos existe facilidad para construir el pool de keywords
relevantes.
c) Muestra
ConrespectoalaaudienciatelevisivaseutilizarondatosdelRatingminutoaminutode
Mundos Opuestos obtenidos mediante la herramienta People Meter de la empresa Time
IBOPEparacadaunadelastransmisionesdelprogramaenhorarioprime(129transmisiones)
ocurridas entre el 15 de Enero y el 27 de Junio de 2012. Segn lo establecido en el
EstablishmentSurveydeTimeIBOPE,lamuestrautilizadaporlaempresaconsideraunpanelde
6.500 personas en 600 hogares distintos a lo largo del pas, sobre 4 aos y que poseen
televisin (Time Ibope, 2012). Este panel representa estadsticamente la distribucin de la
poblacinsegnelCenso2002,considerandoalosgrupossocioeconmicosABC1,C2,C3yD,
en el Gran Santiago ms las ciudades de Antofagasta, Valparaso, Via del Mar, Talcahuano,
ConcepcinyTemuco.
ConrespectoaTwitterlamuestracorrespondealostweetsemitidosporusuariosdela
redsocialresidentesenChileduranteelperiododel14deEnerohastael28deJuniode2012,
secontabilizaronslolostweetsquecontenanlassiguientespalabras:(1)#MundosOpuestos,
(2)#MO,(3)MundosOpuestosy(4)MundosOpuestos.Entotalseobtuvieron2.090.980tweets
durantetodoelperiodoanalizadoconsupeakelda27deJuniode2012con99.142tweets,
correspondientealdadelafinaldelprograma.
25
Para un detalle de cmo se calcula el Rating y como se realiz el proceso de

determinacin de palabras claves y extraccin de tweets revisar el Anexo 2 Notas
Metodolgicas.
d) AnlisisdeDatos
Seconstruyunabase dedatoscon eltotaldetransmisionesenhorarioprime,donde
para cada una se registr el rating total de la transmisin tanto de manera porcentual como
numrica, adems se registraron los rating segmentados por grupo socioeconmico (GSE),
tramosdeedad,sexo,yposesinonodetelevisindepago,todoestosdatosextradosdela
informacin facilitada por Time Ibope. Por otra parte para cada transmisin se registr la
cantidad de tweets relacionados al programa emitidos el da anterior, el mismo da de
transmisinyaldasiguientedeestaencolumnasseparadas.
LuegoserealizunanlisisdelaaudienciatelevisivaydelasconversacionesenTwitter
por separado, para perfilar cada medio y su audiencia, y de paso descubrir elementos
relacionadosalcomportamientodecadaunaalolargodeltiempo.
Posteriormente se desarroll un anlisis para determinar la relacin que existe entre
ambos medios, para ello se identificaron tres tipos de relaciones, siendo X el da de
transmisin:
1. AudienciadeldaXyConversacionesdeldaX.
2. ConversacionesdeldaX1yAudienciadeldaX.
3. AudienciadeldaXyConversacionesdeldaX+1.
Laprimerarelacinbuscaidentificarlarelacinentrelasaudienciasdeambosmediosen
trminosdeduplicidaddeaudiencias,esdecir,seesperaquelagentequeconversaenTwitter
sobre Mundos Opuestos en un momento determinado est viendo el programa en ese
momento. Para ello se realiz un Anlisis de Correlacin entre ambas variables buscando
responderalapreguntadeinvestigacinRQ1.
26
Lasegundaytercerarelacionesbuscandeterminarelefectotemporalquepuedaexistir
entre los medios, de manera de contestar a las preguntas de investigacin RQ2 y RQ3,
concernientesaladireccionalidaddelarelacin.ParaelloserealizunModelodeRegresin
LinealSimple,paradeterminarlarelacintemporal.
27
VII Resultados
En la siguiente seccin se presentarn los resultados del anlisis de datos, buscando
responderlaspreguntas deinvestigacinanteriormente planteadas.Paraelloestaseccinse
divide en dos partes, en la primera se identificarn las caractersticas de cada medio por
separado. Posteriormente se desarrollar el anlisis sobre la relacin entre ambos medios,
primeroaniveldecorrelacinentreelvolumendeconversacionesyelniveldeaudienciasobre
Mundos Opuestos y, en segundo lugar, en trminos de predictibilidad para averiguar la
direccionalidad del efecto a nivel diario, respondiendo de esta forma a las preguntas de
investigacin.
a) PerfildelaAudienciaTelevisivadeMundosOpuestos
ParapodercaracterizaralaaudienciadeMundosOpuestossecalcularonlospromedios
de rating porcentual segn Edad, Sexo, GSE y posesin o no de TV de Pago, durante todo el
periodo de transmisin del programa, con un total de 129 transmisiones consideradas. El
resumensepuedeverenlaTabla2.
Podemosapreciarqueelratingpromediofuemsaltoparalasmujeres(12,2contra7,3
para los hombres). En trminos de grupo socioeconmico fue ms alto para el segmento C3
(11,8)seguidoporelsegmentoC2(10,3)yelD(9),paraABC1fuede7,3.Enrelacinalaedad,
losgruposetariosquetuvieronunmayorratingpromediofueron25a34aos(11,2),50a64
(10,6),13a17(10,4)y35a47(10,3).Elmnimofueenelgrupode4a12aos(7,1).Engeneral
paracasitodoslossegmentoselratingfuemayorqueelratingpromediototal.Sepuededecir
quelaaudienciapromediodeesteprogramafuemayoralos13aosyconcentradaentrelos
25y64aos.Conrespectoalaposesinonodetelevisindepago,MundosOpuestostuvoun
ratingmayorparaquienesnotenantelevisindepagocon11,6versusun8,9paralosques
tuvieron.
28
Hombres
Mujeres
ABC1
C2
C3
D
4a12aos
13a17aos
18a24aos
25a34aos
35a47aos
50a64aos
64o+aos
RatingPromedio(%)
7,3
12,2
7,3
10,3
11,8
9,0
7,1
10,4
9,8
11,2
10,3
10,6
8,9
DesviacinEstndar
1,3
1,6
1,4
1,7
1,7
1,4
1,5
2,4
2,4
2,1
1,7
1,6
2,1
conTVdePago
8,9
1,3
sinTVdePago
11,6
1,6
9,9
1,3
Sexo
GSE
Edad
Plataforma
Total
Tabla2ResumendeRatingPromedio(%)yDesviacinEstndarparaeltotaldelPeriodo
Fuente:ConfeccinpropiaenbaseadatosdeTimeIbope(2012)
EnloquerespectaalosdasdetransmisinenlaIlustracin3sepuedeapreciarquelos
dasconmayorratinganiveldeindividuosfueronelMircoles(10,4),elLunesyMartes(ambos
con10,3)yelJueves(9,6).LatransmisinPremiumdelosdasDomingoquedaasrelegadaa
un cuarto lugar con 9,4. Esto se puede explicar por el hecho de que los primeros das de la
semanafueronlosdasdondeserealizabanlascompetenciasdeeliminacin.
29
PromedioRating
(%)segndadelasemana
RatingPromedio(%)
12
10
8
6
4
2
0
Rating(%)
Lunes
Martes
Mircole
s
Jueves
Viernes
Sbado
Domingo
10,3
10,3
10,4
9,6
8,7
6,6
9,4
Ilustracin3PromedioRating(%)segndadelasemana
Fuente:ElaboracinPropiacondatosdeTimeIBOPE(2012)
30
b) ComportamientodelosTweetssobreMundosOpuestos
Entre el 15 de Enero y el 27 de Junio se realizaron 2.090.980 tweets relacionados al
programa Mundos Opuestos. El da que ms tweets se realizaron fue el 27 de Junio,
correspondientealatransmisindelepisodiofinalcon99.142referencias.
70000
60000
CantidaddeTweets
50000
40000
30000
20000
10000
15012012
19012012
25012012
31012012
06022012
12022012
16022012
22022012
28022012
05032012
11032012
15032012
21032012
27032012
01042012
08042012
12042012
17042012
22042012
26042012
01052012
06052012
10052012
15052012
20052012
24052012
29052012
03062012
07062012
12062012
17062012
21062012
Ilustracin4FlujodeTweetsduranteelperiododeTransmisindeMundosOpuestos
Fuente:Elaboracinpropia
EnlaIlustracin4sepuedeapreciarelflujodetweetsparatodoelperiodo,exceptuando
el da de la final, que es anormal al flujo normal de tweets debido a su cantidad. Se puede
apreciarqueenunprimerperiodo(EneroFebrero)lacantidaddetweetsfuebastantemayora
ladelperiodoquelesigue,conunpromediode27.812tweetsporda.Estopuedeexplicarse
pordosefectos:unefectodenovedaddelprograma(quesevadesgastandoconeltiempoy
por ende la cantidad de menciones) y un efecto de disponibilidad temporal dado que
corresponde con el periodo estival donde hay mayor disponibilidad debido a la gente que se
encuentradevacaciones.Enelsegundoperiodo(MarzoJunio)elpromediodetweetsdiarioes
de 12.056 por transmisin. Adems, los mayores peaks de tweets en el periodo estival se
31
corresponden con los das lunes y jueves, das donde ocurran la Prueba de Eliminacin y la
CompetenciaporEquipos,respectivamente.
Sepuedeapreciarqueelpatrndelflujo(lneadetendenciaenelgrfico,encolorrojo)
correspondeconunaLeydePoder,talcomoafirmaEysenbach(2011)dondelamayorcantidad
detweetssedaenelperiodocercanoallanzamientodelprogramayvadisminuyendoconel
tiempo.
Con respecto a los das de transmisin, podemos ver en la Tabla 3 que el que tuvo un
mayornmerodeconversacionesfueeldalunesconunpromediode19.875tweets,loquese
explicaporelhechodequeendichodaocurranlaspruebasmsimportantesdelprograma(la
desalvacinyeliminacindeparticipantes).Esimportanterecalcarqueeldadomingoerael
dadetransmisindelprogramaensuemisinPremium,sinembargoquedarelegadoaun
quinto lugar en el nivel de conversaciones, al igual que sucedi con el rating a nivel de
individuos. En la Ilustracin 5 se puede apreciar el flujo de las conversaciones promedios en
Twitter.
Da
TotaldeTweets
PromediodeTweets
Lunes
Martes
Mircoles
Jueves
Viernes
Sbado
Domingo
477008
398302
425656
377142
106211
3646
303015
19875
17317
17736
17143
8851
3646
13175
Tabla3ResumendeTweetssobreMundosOpuestosporDadelaSemana
Fuente:ElaboracinPropia
32
TweetsPromedioporDadelaSemana
25000
TweetsPromedio
20000
15000
10000
5000
0
Tweets
Lunes
Martes
Mircole
s
Jueves
Viernes
Sbado
Domingo
19875
17317
17736
17143
8851
3646
13175
Ilustracin5TweetsPromedioporDadelaSemana
Fuente:ElaboracinPropia
33
c) RelacinentreRatingyTweetsdeMundosOpuestos
Como una primera aproximacin a la relacin que pueda existir entre el Rating y los
Tweets sobre Mundos Opuestos se puede apreciar en el siguiente grfico el flujo de tweets
paraeltotaldeemisionescontrastadoconelratingtotal(%).Engenerallospeaksparaambos
sedanenlasmismasemisionesyqueelvolumendetweetsporepisodiodisminuyealolargo
deltiempo(siendomayorenelperiodoestival).Destacaqueelmayorvolumendetweetsas
comoelpeakderating(%)sedanparalaemisindelafinaldeMundosOpuestos,elda27de
Juniode2012.
CantidaddeTweetsyRatingTotalporDadeEmisin
120000
100000
80000
60000
40000
20000
0
15012012
20
15
10
5
0
15022012
15032012
Tweets
15042012
15052012
15062012
Rating%Total
Ilustracin6CantidaddeTweetsyRatingTotalporDadeEmisin
TweetsenejeprimarioyRatingTotall(%)enejesecundario
Fuente:Elaboracinpropia
Pararesponderalaprincipalpreguntadeestainvestigacin(RQ1)sobrelaexistenciade
unarelacinentreelniveldeaudienciadeMundosOpuestasyelvolumendeconversaciones
enTwitterrelacionadasalprograma,serealizun AnlisisdeCorrelacin.Esteanlisisbusca
determinarculeselgradoderelacinysusignificanciaentrelacantidaddetweetsemitidos
durante el da de transmisin y el rating obtenido por el programa en ese mismo da de
transmisin.
34
ComosepuedeapreciarenlaTabla4paracasitodoslossegmentosderatingexisteuna
correlacin significativa (p<0,001), excepto para el Rating (%) de 65 a 99 aos (significativa a
p<0,05)yparaelRating(%)de50a64aos(nosignificativa).
CantidaddeTweets
Variable
Correlacin de Pearson Sig. (bilateral)
Total Rating (%)
0,547
,000
Rating (%) 4 a 12
0,477
,000
Rating (%) 13 a 17
0,567
,000
Rating (%) 18 a 24
0,501
,000
Rating (%) 25 a 34
0,426
,000
Rating (%) 35 a 49
0,477
,000
Rating (%) 50 a 64
0,141
,110
Rating (%) 65 a 99
-0,188
,033
Rating (%) ABC1
0,450
,000
Rating (%) C2
0,371
,000
Rating (%) C3
0,506
,000
Rating (%) D
0,444
,000
Rating (%) Hombres
0,613
,000
Rating (%) Mujeres
0,384
,000
Rating (%) Con TV de Pago
0,519
,000
Rating (%) Sin TV de Pago
0,459
,000
Tabla4ResultadosCorrelacinentreRating(%)yCantidaddeTweetssobreMundos
Opuestos.
EnVerdelascorrelacionespositivasmsintensas,enRojolascorrelacionesnegativasms
intensasyenAmarillolascorrelacionesdemenorintensidad.
Fuente:ElaboracinpropiaenbaseadatosdeTimeIbope(2012)
ComolomuestralaTabla4,lacorrelacinentreelTotaldeTweetsyelRatingTotalesde
0,547loqueindicaunarelacinsignificativapositivaentreelniveldeaudienciaylacantidadde
conversaciones.
35
DadoloanteriorpodemosconfirmarlahiptesisH11respondiendodemanerapositivaa
la primera pregunta de investigacin, con excepcin del Rating (%) 50 a 64 aos que no es
significativo.Adems,podemosafirmarquelacorrelacinsedaendireccinpositiva,esdecir,
aunamayoraudienciaporcentualentrminosderatingagregadoserelacionaconunmayor
nmerodetweetstotalesemitidosconrelacinalprogramaduranteeseda,conexcepcindel
Rating(%)65a99aos,quecorrelacionademaneranegativa.
LasmayorescorrelacionesobtenidasentreCantidaddeTweetsylosnivelesdeRatingse
danenRatingHombres(0,613),Rating13a17aos(0,567),RatingTotal(0,547)yRatingcon
TV de Pago (0,519). Lo que se condice con la mayor cantidad de usuarios hombres segn el
CensoTwitter2011destacandocomounaredsocialmsmasculina.
Es importante destacar que las correlaciones altas no se condicen necesariamente con
ratingsaltosenelperfilpromediodelaaudiencia,solosiendociertoparaelcasodelRatingde
13a17aosqueeraelsegundomayorsegmento(0,567decorrelacin,y10,4derating).Delo
anterior podemos determinar que aquellas veces que haba una mayor cantidad de tweets
sobreMundosOpuestoselratingparaestossegmentosfuemsalto.
1
H1: Existe una relacin significativa entre el nivel de audiencia de un programa de
televisin y de las conversaciones en Twitter asociadas a dicho programa en una misma
transmisin.
36
d) TemporalidadentreRatingyTweetssobreMundosOpuestos
Sin embargo, el anlisis de correlacin solo determina la relacin que existe y no su
temporalidad. Es por ello que a continuacin realizaremos un anlisis adicional utilizando
regresiones lineales entre los tweets del da anterior y el rating del da, y el rating del da
anteriorylostweetsdeldasiguiente.Deestaforma,intentaremosaproximarnosalapregunta
de si el nivel de tweets que mejor se asocia al nivel de audiencia es anterior, contingente o
posterioreneltiempo(yquepuedeserusadacomounaprimeraaproximacingenricaala
ideadepotencialcausalidadentreratingycantidaddetweets).
Ratingcomovariabledependiente
Conrespectoacmoafectanlostweetsdeldaanteriorsobreelratingdeldaactualse
realizar una regresin lineal por cada medicin del rating, siendo la cantidad de tweets la
variableexplicativa,siguiendolasiguienteecuacin:
%
Ecuacin1RegresinLinealconRating(%)comovariableexplicada
SerealizdicharegresinparacadatipodeRating:Total,porEdad,porGSE,porSexoy
porposesinonodeTVdePago.EldetalledecadaregresinseencuentraenelAnexo5.Con
respecto al Rating Individuos Total, se puede apreciar en la Tabla 5 que los tweets del da
anteriorexplicansignificativamente(p<0,05)eltotalderatingporcentualanivelagregadode
individuos,subiendounpuntoporcentualcada41000tweetsaproximadamente(undetallede
lacantidaddetweetsnecesariosparasubirunpuntoderatingseencuentraenelAnexo4),por
otroladolaconstanteexplica9,56delospuntosporcentualesdelrating.Adems,elestadstico
R2esde0,055indicandoquelacapacidadexplicativadeestemodeloesmuybaja.
37
VariableExplicada Constante
Total Rating (%)
Tweetsdaanterior
R2
RSME
9,56*** 0,0000243758096960413** 0,055 1,2258

***p<0,001**p<0,05*p<0,1
Tabla5RegresinLinealSimple:RatingIndividuoscomoVariableDependiente
Enrelacinalratingsegmentadoporedad,podemosverenlaTabla6quelacantidadde
puntos porcentuales de rating explicado para cada segmento en base a los tweets del da
anterior es muy baja, necesitndose un rango de entre 11.000 tweets (Rating 13 a 17 aos)
hasta45.000tweets(Rating35a49aos)parasubirunpuntoderating.Adems,laconstante
explicaunabasede6,495puntosporcentuales(Rating4a12aos)hasta10,83(Rating50a64
aos).Sinembargoelgradodeajustedelosmodelosesbastantebajo(R2entre0,025y0,196),
especialmenteentrelos25y64aos.Esimportantedestacarquelostweetssonsignificativos
entodosloscasos,peroqueenlossegmentosde25a34(p<0,05),35a49(p<0,1)y50a54
(p<0,1)elgradodesignificanciaesmenor.
Tweetsdaanterior
R2
RSME
Rating (%) 4 a 12
6,495***
0,000048862679049891***
Rating (%) 13 a 17
9,24***
0,0000887207356467171***
Rating (%) 18 a 24
8,85***
0,196 2,1769
0,0000780221921666198*** 0,148 2,2682
Rating (%) 25 a 34
10,66***
0,0000392382755180984**
0,049 2,0956
Rating (%) 35 a 49
9,98***
0,0000225680975104659*
0,027 1,6468
Rating (%) 50 a 64
10,83***
-0,000021847791455487*
Rating (%) 65 a 99
0,149 1,4144
0,025 1,6375
9,68***
-0,0000608455320562408*** 0,116 2,0365
***p<0,001**p<0,05*p<0,1
Tabla6RegresinLinealSimple:RatingEdadescomoVariablesDependientes
Conrespectoalratingcorrespondienteacadasegmentosegngruposocioeconmico
losresultadossemuestranenlaTabla7.Talcomosepuedeapreciar,elgradodeajustedel
modeloesmuybajo,especialmenteparaelRatingC2,conunR2de0,004.Porotroladola
cantidaddeTweetseneldaanteriorsonsignificativosparaelRatingABC1(p<0,001),yparael
RatingC3yD(p<0,05),sinembargoparaelsegmentoC2lostweetsnosonunpredictorvlido.
38
Finalmente,laconstanteexplicaengranmedidalospuntosderatingdecadaprograma,
lograndounmximo11,31puntosporcentualesparaelcasodelsegmentoC3.
Tweetsdaanterior
R2
RSME
Rating (%) ABC1
6,84***
0,0000353052141689866***
0,095 1,3164
Rating (%) C2
10,2***
9,003E-06
0,004 1,6738
Rating (%) C3
11,31***
0,0000380200366889595**
0,069 1,6937
Rating (%) D
8,67***
0,0000219744782220974**
0,038 1,3443
***p<0,001**p<0,05*p<0,1
Tabla7RegresinLinealSimple:RatingGSEcomoVariablesDependientes
Enrelacinalsexodelaaudiencialosresultadosdelasregresionessepuedenverenla
Tabla8,enprimerainstanciaesimportantedestacarladiferenciaenelgradodeexplicacinde
lacantidaddetweetsparacadasexo,conunR2de0,109paraelniveldeaudienciamasculinay
un0,015paralafemenina.Sibienamboscorrespondenaunbajoniveldeajusteladiferencia
entreellosrefuerzalanocindequeTwittercomoredsocialesunaredquetiendeaserms
masculina, an ms considerando el hecho de que los tweets no dan significativos para el
Rating Mujeres. Por otro lado la cantidad de tweets necesarios para aumentar un punto
porcentualderatingesdecercade29.000paraelratingmasculinoydecercade61.000parael
ratingfemenino.
Tweetsdaanterior
R2
RSME
Rating (%) Hombres
6,9***
0,0000345374584904685***
0,109 1,197
Rating (%) Mujeres
12,02***
1,621E-05
0,015 1,5679
***p<0,001**p<0,05*p<0,1
Tabla8RegresinLinealSimple:RatingSexocomoVariablesDependientes
Finalmente con respecto a la posesin o no de televisin de pago, podemos ver en la
Tabla 9 que el grado de ajuste en ambos casos es bastante bajo y muy similar (0,047 para
RatingconTVdePagoy0,045parasinTVdePago).Enamboscasoslostweetsemitidoscon
respectoalprogramaduranteeldaanteriorsonsignificativos(p<0,05)perosuvaloresbajo,ya
39
queparaaumentarenunpuntoporcentualsehacennecesarioscercade36.000tweetssinose
tieneTVdepagoyde43.000encasodetenerla.
VariableExplicada
Constante
Tweetsdaanterior
R2
RSME
8,6***
0,000023174492048393**
0,047 1,2617
11,25***
0,0000273998870924754**
0,045 1,5346
***p<0,001**p<0,05*p<0,1
Tabla9RegresinLinealSimple:RatingporPosesindeTVdePagocomoVariable
Dependiente
En base a los resultados anteriores se puede decir que en general la cantidad de
conversaciones en Twitter acerca del programa durante el da anterior a la emisin de ese
programaafectanpositivamenteelratingperodemaneramarginalportweet,necesitndose
muchasvecesunacantidadmayordeestosparaaumentarunpuntoporcentualenrelacinal
promedio de tweets reales que se dieron por episodio, que en periodo estival fue de 27.812
tweetsydesdeMarzoaJuniofuede12.056porepisodio.Aspodemosconfirmarquenuestra
hiptesisH2noescorrecta,entrminosdequelamayoradelasrelacionesentrelacantidad
detweetsdeldaanterioryelratingdelprogramasisonsignificativas,aunqueconungradode
ajustemuybajo.
Adems,elhechodequelosR2seencuentrenenunrangobajodesde0,025hasta0,196
nos indica que la cantidad de tweets del da anterior como variable nica de explicacin no
bastaparadarcuentadelfenmenodelratingyexistenvariablesrelevantesquenoseestn
considerando como pueden ser caractersticas inherentes del episodio anterior que puedan
explicar el rating del episodio que viene como por ejemplo nominaciones de participantes,
pruebasdeeliminacin,entreotras.
40
CantidaddeTweetscomovariabledependiente
Parapodercomprobarorechazarcompletamentelahiptesis(H2)sehacenecesariover
laotraposiblerelacintemporal,dondelacantidaddetweetsseveafectadaporelratingdel
programaanterior,atravsdelasiguienteregresinlinealsimple:
Ecuacin2RegresinLinealconCantidaddeTweetscomovariableexplicada
PorloqueserealizdicharegresinparacadatipodeRating:Total,porEdad,porGSE,
por Sexo y por posesin o no de TV de Pago. El detalle de los resultados de las diferentes
regresionessepuedeverenelAnexo6OutputSPSSRegresinLinealSimpleconCantidadde
TweetscomoVariableDependiente
En la Tabla 10 es posible ver que el Rating Total del episodio anterior afecta
positivamenteysignificativamentealacantidaddetweetsdeldasiguiente,aumentandocada
punto porcentual de rating en 1.873 tweets (p<0,05), la constante no es significativa al igual
queeltestFsobrelaconstante,porloquepodemosdecirquelostweetsapriorisolosurgen
enrespuestaaalgo.Sinembargo,elgradodeajustedelmodeloesbastantebajo(R2de0,036)
porloquepodemosdecirquedebenexistirotrasvariablesqueexpliquenenmejormedidala
cantidaddetweets.
VariableIndependiente Constante BetadeRating
Total Rating (%)
4980,58
1873,97**
R2
RSME
0,036 12299,621
***p<0,001**p<0,05*p<0,1
Tabla10RegresinLinealSimple,RatingTotalcomoVariableIndependiente
En lo que se refiere a cmo afectan los diferentes rating por edad de la audiencia del
episodio anterior a la cantidad de tweets del da posterior podemos ver que el rating es una
variablesignificativaypositivacuandosetratadelosrangosetariosde4a12aos(p<0,001),
13a17aos(p<0,001),18a23(p<0,05)y25a43(p<0,05),ademsessignificativaynegativa
41
enelrangode65a99aos(p<0,001),larelacinnodasignificativaenelrestodelosrangos
etarios. Sin embargo el grado de ajuste sigue siendo bajo y va disminuyendo a medida que
aumentalaedaddelaaudiencia(aexcepcindelratingpara65a99aos).Enloquerespecta
alaconstanteestasoloessignificativaparaelratingde65a99aos(p<0,001),rating50a64
(p<0,05)yratingde13a17aos(p<0,1).Sinembargoenlosdemsrangosnodasignificativo,
siendoapoyadoporeltestANOVAdondenosepuederechazarqueelbetadelaconstantesea
distintoacero(VerAnexo6).
R2
RSME
Rating (%) 4 a 12
5641,34
2693,27***
0,109 11824,337
Rating (%) 13 a 17
8211,38*
2096,77***
0,159 11443,751
Rating (%) 18 a 24
-379,66
1411,95**
0,077 12034,492
Rating (%) 25 a 34
1835,66
1046,53**
0,032 12320,995
Rating (%) 35 a 49
2869,19
1036,42
0,019 12404,453
Rating (%) 50 a 64
22693,11**
-869,94
0,013 12441,114
Rating (%) 65 a 99
29689,78***
-1815,18***
0,099 11891,628
***p<0,001**p<0,05*p<0,1
Tabla11RegresinLinealSimple,RatingporEdadcomoVariableIndependiente
Encuantoalasregresionesusandolosratingporgruposocioeconmicocomovariables
explicativas podemos ver que el rating ABC1 y C3 (p<0,05) y el rating D (p<0,1) dan
significativos,mientrasqueC2no.Adems,laconstantedanosignificativaparatodosloscasos
exceptoRatingC2(p<0,1),siendoademselnicocasoqueenqueserechazaeltestANOVA
sobrelaconstanteigualacero.Conrespectoalgradodeajustesepuedeapreciarqueestees
muybajo,especialmenteparaelRatingC2(R2de0,001).
42
R2
RSME
Rating (%) ABC1
1270,81
1680,29**
0,034 12306,727
Rating (%) C2
11604,64*
184,95
0,001 12520,675
Rating (%) C3
-8290,67
1848,55**
0,067 12096,983
Rating (%) D
1536,11
1338,05*
0,021 12389,574
***p<0,001**p<0,05*p<0,1
Tabla12RegresinLinealSimple,RatingporGSEcomoVariableIndependiente
Conrespectoalratingporsexopodemosverqueelgradodeajustealcanzacasiun20%
paralaregresinconelRatingHombrescomovariableexplicativa,potenciandolaideadeque
Twitteresunaredmsmasculina,loquesedestacaasuvezenquetantolaconstante(p<0,05)
yelbetadelrating(p<0,001)sonsignificativosypositivos.Adems,elratingmujerestienecero
gradodeajuste,yeltestANOVAnopermiterechazarlahiptesisdequelaconstanteseacero,
yelbetaderatingnodasignificativo.Dadoloanteriorpodemosafirmarqueelratingnoesun
predictorvlidoenelcasodelasmujeres.
Variable
Betade
Constante
R2
Independiente
Rating
Rating (%) Hombres
17409,48**
4211,69***
Rating (%) Mujeres
15411,43*
-155,41
RSME
0,182 11329,119
0
12522,11
***p<0,001**p<0,05*p<0,1
Tabla13RegresinLinealSimple,RatingporSexocomoVariableIndependiente
Finalmente, en relacin a la audiencia con posesin o no de TV de pago podemos
observarqueparalaregresincuandolagentetieneTVdepagoelbetadelratingespositivoy
significativo(p<0,05)mientrasqueparacuandonotienenestetipodetelevisinelRatingnoes
significativo.Enloquerespectaalaconstanteenamboscasosdanosignificativa.Elgradode
ajustedelmodeloesmarginalparaelcasosinTVdepago(R2=0,006)mientrasqueesbajopara
cuandosisetieneestetipodetelevisin(R2=0,056).
43
Variable
Betade
Constante
R2
Independiente
Rating
RSME
Rating (%) Con TV de

Pago
-6947,33
2301,43**
0,056 12166,162
Rating (%) Sin TV de

Pago
6587,73
597,05
0,006 12489,387
***p<0,001**p<0,05*p<0,1
Tabla14RegresinLinealSimple,RatingporPosesindeTVdePagocomoVariable
Independiente
44
VIII Discusin
Enelpresenteestudioserealizunanlisissobrelarelacinexistenteentreelratingo
nivel deaudienciadeun programadetelevisinylacantidaddetweets generadosenla red
social Twitter acerca de dicho programa. En particular, se analiz el caso del reality show
chileno Mundos Opuestos de Canal 13, emitido de manera franjeada en horario prime entre
Enero y Junio del ao 2012, siendo el programa de TV ms exitoso del ao al momento del
estudiocon26,3puntosderating.
Bajo este contexto el estudio analiz la relacin entre el nivel de audiencia medido en
puntos de Rating (%) a nivel de individuos de manera agregada y la Cantidad de Tweets
emitidosacercadelprogramaparacadatransmisin,tantoaniveldecorrelacincomoanivel
detemporalidad(alanalizarlostweetsdeldaanterioroposteriorrespectivamente).
Enprimerlugarseobservquelacorrelacinentreelniveldeaudienciadeunprograma
ylacantidaddetweetsemitidoselmismodadelatransmisindelprogramaessignificativaa
nivelderatingtotalyencasitodoslossegmentos(nodasignificativaenlaaudienciade50a64
aos),esms,larelacinsedademanerapositivaparatodosloscasosexceptoelsegmento
etariode65a99aos,quetuvounacorrelacinnegativade0,188.Assepuedeafirmarque
existe evidencia suficiente para comprobar la hiptesis 1 en el contexto de un programa de
muy alta audiencia en horario prime, ya que efectivamente existe una correlacin positiva y
significativaentrelostweetsyelniveldeaudienciaaniveltotalyencasitodoslossegmentos.
En particular las relaciones ms fuertes se dan a nivel del segmento Hombres, a nivel
Total,dentrodelrangoetariode13a17aos,cuandoseposeeTVdePagoyenelsegmento
C3. Esto se puede interpretar en el sentido que se considera que Twitter es una red ms
masculina, en tanto son quienes emiten ms comentarios. Por otro lado el que exista una
correlacinaltaconelsegmentode13a17aossurgecomounaideanatural,debidoaque
formanpartedelageneracinY,quesiemprehatenidoaccesoalatecnologayparaelloses
algonaturalelusodeloscomputadoresylasredessociales.ConrespectoalaTVdePago,se
interpreta que el tener acceso se da en gran medida de forma de pack junto al acceso a
45
internet y telfono, de esta forma la probabilidad de que una persona con cable escriba un
tweetesmsaltaquealguiensinTVdePago.
Enconclusin,podemosinterpretarquelacorrelacinatodoslosnivelessedaanteuna
duplicacin aparente de audiencias, tal como planteaba Webster (2012), la que se puede
entenderdesdeelconceptodelastrespantallas,siendolaprimeralatelevisin,lasegundael
computadorylaterceraundispositivomvil(telfonootablet).As,unapersonapuedeestar
consumiendo un programa de televisin y participando a su vez como audiencia en otros
medios(e.g.RedesSocialescomoFacebookoTwitter,sitiosweb,entreotros).
Desde una perspectiva conceptual Twitter, en tanto fenmeno social, es un espejo de
otros fenmenos sociales, como en este caso un programa de alta audiencia, por lo que las
temticasqueseconversanytransmitenenformadetweetssenutrendeaquelloselementos
delcontextosocialquepuedenconsiderarsedealtoimpacto,comoocurrecuandohaypartidos
de futbol de la seleccin nacional, festivales de alta convocatoria (e.g. Via del Mar,
Lollapalooza),onoticiasimportantesanivelpas.
Porotraparte,dadalanaturalezadelatelevisincomounmediounidireccionaldondea
travs de la televisin un espectador no es capaz de interactuar, el uso de redes sociales
surgecomounaalternativapararealizarunacomunicacinbidireccionalatravsdeunmedio
paraleloquesilopermite.
Relacionando lo anterior con la problemtica del estudio, se demuestra que para un
programa con las caractersticas de Mundos Opuestos, como son una alta audiencia,
transmisindemanerafranjeadaenhorarioprime,ydondelospersonajesyeventos,ascomo
elprogramamismo,sonlostemasdeintersparalaaudiencia,lacantidaddetweetsesuna
mtricaalternativaviablesobreelniveldeaudienciadelosindividuosdemaneraagregada.Sin
embargo,lanaturalezadelostweetsnomideexactamenteelmismofenmenodelrating,ya
quemidereaccionessocialessobrelastemticasdelprogramaynonecesariamenteelnivelde
audiencia, pero a nivel compuesto una gran cantidad de tweets si indica popularidad de un
programa. Se plantea que la cantidad de tweets puede ser una mtrica alternativa al rating
para programas de alta audiencia y que posean caractersticas similares a Mundos Opuestos,
46
como pueden ser otros reality shows, series de ficcin o teleseries, pero con las
consideracionesdelcaso.
Ensegundolugaryconrespectoalarelacintemporalquepuedaexistirentreelnivelde
audienciaylacantidaddetweets,serealizarondosestudiosusandounmodeloderegresin
lineal.Elprimeroutilizlacantidaddetweetsdelaemisinanteriorparaexplicarelratingdela
emisin actual, y el segundo emple el rating actual para explicar los tweets de la emisin
siguiente.
Enelprimerescenariosepudodetectarquelostweetssipermitenexplicarlosdistintos
niveles de audiencia, excepto para el grupo C2 y las Mujeres, y con un nivel de significancia
aceptableperobajoparalosgruposde35a49aosyde50a64aos.Sinembargoelnivelde
ajustedelasdistintasregresionesesbastantebajoyenmuchasvariablescasimarginalporlo
quesibienlarelacinessignificativanoessuficienteparaexplicarelfenmenodelrating,por
lo que se hace necesario extender el estudio para incluir otras variables como pueden ser
caractersticas del programa a nivel de contenido o de programacin, como son eventos
ocurridos en los distintos episodios o los das y horarios de transmisin. De esta manera
podemosafirmarqueanteunprogramadealtaaudienciayenhorarioprimeexisteevidencia
paraafirmarqueanivelsignificativoperomarginallostweetsemitidoseldaanteriorpermiten
explicarparcialmentelosnivelesdeaudiencia.
EnelsegundoescenariosepudodetectarqueelniveldeaudienciadeMundosOpuestos
permiteexplicarenalgunoscasoselniveldetweetsdeldasiguiente,enparticularestoocurre
aniveldeRatingTotal,enlosrangosetariosde4a12,18a24,25a34y65a99aos,ypara
los GSE ABC1 y C3, as como en el segmento Hombres y cuando se tiene TV de Pago. Sin
embargoelgradodeajustetambinesbajoencasitodaslasvariables.Enparticulardestaca
queelgradodeajusteconelsegmentomujeresesdeceroyeneldeloshombresesenelque
sedaconmayorajuste(R2de0,182).EstorefuerzalainterpretacindequeTwittersetratade
unareddondelaaudienciadeTVmasculinaemitesuscomentariossobreelprogramaqueest
viendo.Aligualqueconelescenarioanteriorsehacenecesarioextenderelestudioparaincluir
otras variables como caractersticas del programa a nivel de contenido o programacin que
47
puedan ser determinantes de la cantidad de tweets. As, podemos afirmar que ante un
programa de alta audiencia y en horario prime existe evidencia para afirmar que a un nivel
significativo pero marginal solo algunos segmentos de rating de la emisin de un programa
permitenexplicarparcialmentelacantidaddetweets.
Con los resultados de ambos escenarios es posible determinar que las relaciones
temporales efectivamente se dan en ambos sentidos pero a un nivel muy marginal
rechazndoseparcialmentelahiptesis2sobrelanoexistenciadedireccionalidad.Estopuede
interpretarseenbaseaqueTwitteresunaredquemideelimpactosocialdeunfenmenoen
el momento en que este ocurre, de esta manera es la correlacin el mejor descriptivo de la
relacinqueocurreentrelaaudienciaatravsdedosmediosdecomunicacin,debidoaqueel
impactodelfenmenosediluyeeneltiempo.
A modo de conclusin general, son 2 los principales hallazgos de la presente
investigacin.Elprimeroeslaexistenciadeunacorrelacinsignificativaypositivaaniveltotaly
decasitodoslossegmentosentreelniveldeaudienciadeunprogramadealtoratingpromedio
y en horario prime, y la cantidad de tweets relacionados a dicho programa emitido.
Validndosecomounamedidadelapopularidaddelprogramaentrminosdelimpactosocial.
Elsegundohallazgoeslaexistenciadeunarelacintemporalsignificativaperomarginal
a nivel diario, donde tanto la cantidad de tweets del da anterior o el rating del da anterior
afectanelcomportamientodelaotravariableeneldaactual.Sinembargo,elquelosgrados
deajustedelosdistintosmodelosseanbajosapoyalanocindequeeltweetesunelemento
quesucedeengeneralenparaleloalatransmisindeprogramayaseaantesdel,duranteo
despus.
Es importante destacar que el presente estudio posee un conjunto de limitaciones. En
primer lugar, se realiz a nivel agregado de la audiencia lo que puede estar ocultando
relacionesanivelindividualporloqueesnecesariodesarrollarestudiosquesehagancargode
este inconveniente. Adicionalmente, se hace necesario comprender los gatilladores externos
queprovoquenlaemisindetweets,demaneradepodercontrolarestosefectos,paraellose
recomiendaeldesarrollodeestudioscualitativosyexperimentales.
48
Una segunda limitacin es que las relaciones entre cantidad de tweets y nivel de
audiencia se estudiaron a nivel diario, por lo que relaciones en unidades ms pequeas de
tiemponoseestnconsiderando.Enbasealosresultadosdelpresenteestudio,seesperarala
existencia de relaciones temporales a nivel de minutos e incluso a nivel de horas en las
inmediatamente anteriores y posteriores a la emisin del programa que posean un grado de
ajustemayoraldelencontradoenelpresenteestudio,yaqueeltweetcomofenmenosocial
indica sobre un fenmeno que est ocurriendo, y en lapsos mayores de tiempo, como es el
niveldiario,lostemasdealtoimpactosonmuyvariablescomosucedeconlostrendingtopic
queentregaTwitterdiariamente.
Unaterceralimitacinserelacionaalafactibilidadtcnicaparamedirlasconversaciones
en Twitter, dado que es necesario monitorear un conjunto limitado de palabras claves
relacionadasalprogramadeestudio,sehacenecesarioidentificarculessonlaspalabrasms
importantesy,dependiendodelascaractersticasdelprogramadeestudio,puedequeestasea
unatareamuydemandantederecursos.Dadoloanteriorciertostiposdeprogramadondelos
temasquesetratannoseanpartedelprogramaensmismo,debenbuscarvasalternativas
parautilizarTwittercomounaformademedirsupopularidad,comopuedeserfomentareluso
dehashtagsespecialescomoelnombredelprograma.
Finalmente es importante estudiar cmo es la relacin ante programas que sean
estructuralmentedistintosaMundosOpuestos,esdecir,programasquesetransmitanenotros
horarios,quenoseanfranjeadosoqueposeannivelespromedioobajosdeaudiencia.Deesta
manerasepodrevaluarsiefectivamenteTwitterestasociadoconelniveldeaudienciaenun
contexto de la TV como escenario con niveles de audiencia muy dismiles entre canales e
intracanales o simplemente ocurre ante un segmento limitado de formatos de programa y
horarios.
Futurasinvestigacionesdebenindagarencmosonlasrelacionesentreestasvariables
ante otros tipos de programa tanto a nivel de los elementos del programa como de las
decisiones en tanto su transmisin como son el da de emisin y el horario. Adems, es
importanteidentificarqucaractersticasdelosprogramasobajoqucondicionessegatillan
49
lasconversacionesenTwitteracercadeunprogramadetelevisin,demaneradeidentificarel
umbralapartirdelcuallasrelacionesencontradasenesteestudiosevuelvensignificativas.
50
IX Bibliografa
1. ANDA Asociacin Nacional de Avisadores. (2012). Los desafos de la medicin
de
Rating.
Marketing
y
Ventas,
1520.
Retrieved
from
http://www.anda.cl/PDFrevista/rev_mym_julio_2012.pdf
2. Adorno, T. W., & Horkheimer, M. (1997). The culture industry: Enlightment as
mass deception. In J. Curran, M. Gurevich, & J. Woolacott (Eds.), Mass
communicationandsociety(pp.349383).London:Arnol.
3. Akcora, C. G., & Bayir, M. A. (2010). Identifying Breakpoints in Public Opinion.
InformationStorageandRetrieval,6266.doi:10.1145/1964858.1964867
4. Anand,N.,&Peterson,R.A.(2000).Whenmarketinformationconstitutesfields:
Sensemakingofmarketsinthecommercialmusicindustry.OrganizationScience,
11(3),OrganizationScience.
5. Andrews, K., & Napoli, P. M. (2006). Changing market information regimes: A
case study of the transition to the BookScan audience measurement system in
theU.S.bookpublishingindustry.JournalofMediaEconomics,19(2),3354.
6. Cha,M.,Haddadi,H.,Benevenuto,F.,&Gummadi,K.P.(2010).Measuringuser
influence in twitter: The million follower fallacy. Proceedings of the Fourth
International AAAI Conference on Weblogs and Social Media (pp. 1017).
Retrieved
from
https://www.aaai.org/ocs/index.php/ICWSM/ICWSM10/paper/viewFile/1538/18
26
7. Cho, J., & Roy, S. (2004). Impact of search engines on page popularity.
ProceedingsofWWWConference(pp.2029).NewYork.
8. Cobo Roman, C., & Pardo Kuklinski, H. (2007). Planeta Web 2.0: Inteligencia
colectivaomediosfastfood.Inteligenciacolectivaomediosfastfood.(0,1ed.).
MxicoDF.:GrupdeRecercadInteraccionsDigitals,UniversitatdeVic.Retrieved
fromhttp://tic.leon.uia.mx/temporal/planetaWeb/planeta_web2.pdf
9. Duan,W.,Gu,B.,&Whinston,a.(2008).Thedynamicsofonlinewordofmouth
and product salesAnempiricalinvestigationofthe movieindustry. Journalof
Retailing,84(2),233242.doi:10.1016/j.jretai.2008.04.005
10. Eysenbach,G.(2011).Correction:CanTweetsPredictCitations?MetricsofSocial
Impact Based on Twitter and Correlation with Traditional Metrics of Scientific
Impact.JournalofMedicalInternetResearch,13(4),e123.doi:10.2196/jmir.2041
11. Gans,H.(1974).Popularcultureandhighculture:Ananalysisandevaluationof
taste.NewYork:BasicBooks.
12. Gerbner, G., & Gross, L. (1976). Living with television: The violence profile.
JournalofCommunication,26,173199.
13. Giddens, A. (1984). The constitution of society: Outline of the theory of
structuration.Berkeley,CA:UniversityofCaliforniaPress.
14. Gitlin,T.(1978).Mediasociology:Thedominantparadigm.TheoryandSociety,6,
205253.
51
15. Godes, D., & Mayzlin, D. (2004). Using Online Conversations to Study Wordof
Mouth
Communication.
Marketing
Science,
23(4),
545560.
doi:10.1287/mksc.1040.0071
16. Habermas, J. (1991). The structural transformation of the public sphere.
Cambridge,MA:MassachusettsInstituteofTechnology.
17. Harms, J. B., & Dickens, D. R. (1996). Postmodern media studies: Analysis of
symptom?CriticalStudiesinMassCommunication,13,210227.
18. HennigThurau,T.,Gwinner,K.P.,Walsh,G.,&Gremler,D.D.(2004).Electronic
wordofmouth via consumeropinion platforms: What motivates consumers to
articulate themselves on the Internet? Journal of Interactive Marketing, 18(1),
3852.doi:10.1002/dir.10073
19. Intelligenx. (2011). Censo Twitter Conoce el poder de tus palabras Chile 2011
(pp. 117). Santiago. Retrieved from http://www.iab.cl/2012/02/16/censo
twitter2011/
20. Jansen,B.J.,&Zhang,M.(2009).TwitterPower:TweetsasElectronicWordof
Mouth.JournaloftheAmericanSocietyforInformationScienceandTechnology,
60(11),21692188.doi:10.1002/asi
21. Katz,E.,&Lazarfeld,P.F.(1955).Personalinfluence:ThepartplayedbyPeoplein
theflowofmasscommunications.GlencoeIL:FreePress.
22. Khamis, C. (2012). Canal 13 se apropia del rating en horario estelar del ao.
Publimetro.
Retrieved
September
1,
2012,
from
http://www.publimetro.cl/nota/espectaculos/canal13seapropiadelratingen
horarioestelardelano/xIQlhx!rRJ9Mn7pLA/?stop_mobi=yes
23. Ksiazek, T. B., Malthouse, E. C., & Webster, J. G. (2010). Newsseekers and
avoiders: Exploring patterns of total news consumption across media and the
relationship to civic participation. Journal of Broadcasting & Electronic Media,
54(4),551568.
24. LaTercera.(2012a).TimeIboperecurriraTribunalConstitucionalsiseprohbe
rating
online.
La
Tercera.
Retrieved
from
http://diario.latercera.com/2012/05/19/01/contenido/culturaentretencion/30
1088609timeiboperecurriraatribunalconstitucionalsiseprohiberating
online.shtml
25. La Tercera. (2012b, May 15). Senado da primer paso para prohibir el uso del
People Meter online. La Tercera Entretencin. Santiago. Retrieved from
http://www.latercera.com/noticia/entretencion/2012/05/6614610799senado
daprimerpasoparaprohibirelusodelPeopleMeteronline.shtml
26. Lewis, G. (1981). Taste cultures and their composition: Towards a new
theoretical perspective. In E. Katz & T. Szecsko (Eds.), Mass media and social
change.BeverllyHills,CA:Sage.
27. McQuail,D.(1997).AudienceAnalysis.(ThousandOaks,Ed.).CA:Sage.
28. McQuail,D.(2000).Masscommunicationtheory.Sage.
29. Messina, C. (2010). Hashtags. Twitter Fan Wiki. Retrieved July 27, 2012, from
http://twitter.pbworks.com/w/page/1779812/Hashtags
30. Napoli,P.M.(2003).Audienceeconomics:Mediainstitutionsandtheaudience
marketplace.NewYork,NY:ColumbiaUniversityPress.
52
31. Nielsen. (2011). 40% of Tablet and Smartphone Owners Use Them While
WatchingTV.NielsenWire.
32. NoelleNeumann,E.(1993).Thespiralofsilence.Chicago:UniversityofChicago
Press.
33. Richins, M. L., & RootShaffer, T. (1988). The Role of Involvement and Opinion
Leadership in Consumer WordofMouth: An Implicit Model Made Explicit.
AdvancesinConsumerResearch,15,3236.
34. Rust, R. T., Kamakura, W. A., & Alpert, M. I. (1992). Viewer preference
segmentation and viewing choice models of network television. Journal of
Advertising,21(1),118.
35. Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental study of
inequalityandunpredictabilityinanartificialculturalmarket.Science,311,854
856.
36. Souza,M.,&Vieira,R.(2012).Sentimentanalysisontwitterdataforportuguese
language. International Conference on Computational Processing of Portuguese
(pp.
241247).
Retrieved
from
http://www.springerlink.com/index/Y6N879128178L819.pdf
37. Steiner,P.O.(1952).Programpatternsandpreferences,andtheworkabilityof
competitioninradiobroadcasting.QuarterlyJournalofEconomics,66,194223.
38. Thelwall, M., Buckley, K., & Paltoglou, G. (2011). Sentiment in Twitter Events,
62(2),406418.doi:10.1002/asi
39. Time Ibope. (2009). Rating. Retrieved July 31, 2012, from
http://www.PeopleMeter.cl/timeibope/rating.asp
40. Time Ibope. (2012). No Title. Metodologia. Retrieved August 21, 2012, from
http://www.PeopleMeter.cl/timeibope/metodologia.asp
41. Twitter.(2011).Qusonlasetiquetas?(elsmbolodegato#).CentrodeAyuda.
Retrieved July 27, 2012, from https://support.twitter.com/articles/247830que
sonlasetiquetaselsimbolodegato
42. Twitter. (2012a). Acerca de Twitter. Sobre Nosotros. Retrieved July 23, 2012,
fromhttp://www.twitter.com/about
43. Twitter. (2012b). Cmo publicar un Tweet. Centro de Ayuda. Retrieved July 23,
2012, from https://support.twitter.com/articles/231254comopublicarun
tweet
44. Twitter Team. (2012a). Using the Twitter Search API. Twitter Developers.
RetrievedJuly27,2012,fromhttps://dev.twitter.com/docs/usingsearch
45. Twitter Team. (2012b). Rate Limiting. Twitter Developers. Retrieved August 20,
2012,fromhttps://dev.twitter.com/docs/ratelimiting
46. Webster, J. (1998). The Audience. Journal of Broadcasting & Electronic Media,
42(2),190207.
47. Webster, J. G. (2010). User information regimes: How social media shape
patternsofconsumption.NorthwesternUniversityLawReview,104(2),593612.
48. Webster, J. G. (2011). The Duality of Media: A Structurational Theory of Public
Attention. Communication Theory, 21(1), 4366. doi:10.1111/j.1468
2885.2010.01375.x
53
49. Webster,J.G.,&Ksiazek,T.B.(2012).TheDynamicsofAudienceFragmentation:
PublicAttentioninanAgeofDigitalMedia.JournalofCommunication,62(1),39
56.doi:10.1111/j.14602466.2011.01616.x
50. Webster, J., & Phalen, P. F. (1997). The mass audience: Rediscovering the
dominantmodel.(Mahwah,Ed.).NJ:Erlbaum.
51. Zilmann,D.,&Bryant,J.(1985).Selectiveexposuretocommunication.(Hillsdale,
Ed.).NJ:Erlbaum.
52. Zilmann,D.,&Bryant,J.(1994).Mediaeffects:Advancesintheoryandresearch.
(Hillsdale,Ed.).NJ:Erlbaum.
54
X Anexos
Anexo1ResultadosEstudioNielsen
55
Anexo2NotasMetodolgicas
Dada la complejidad de ambos medios y con el objetivo de que exista una mayor
comprensin de los resultados, en la presente seccin estableceremos por un lado como se
realiza la medicin de Audiencia Televisiva por parte de Time IBOPE y el People Meter ,
destacandosuselementosprincipalescomosonelRatingysucomposicin.
Por otro lado se establecer la manera en que se midieron los elementos asociados a
Mundos Opuestos en Twitter en trminos de volumen de conversaciones, sus principales
limitacionesylasherramientasutilizadasparaello.
MedicindeAudiencia
EnelpresenteestudioseutilizacomounidaddeanlisiselRatingPersonasensuforma
porcentuala nivelagregadopara cadatransmisin. Unpuntoderatingcorrespondea queel
1%deltargetreferidohasidoespectadormediodeleventoestudiado.Lacantidaddehogares
o individuos que represente cada punto de rating depende del tamao del universo que se
considere(TimeIbope,2009).
ElclculodelRatingserealizaenponderandoacadahogaroindividuosegnlacantidad
de hogares que representa de la poblacin total. La frmula con la que se calcula es la
siguiente:
Ecuacin3ClculodelRatingPorcentual(%)
Fuente:TimeIbope,2009
Donde eslacantidaddeminutosvistos, eslasumatoriadelospesosdelaunidad

muestral,TeseltiempototaldeleventoyPeseltamaodelUniversodelaunidadmuestral.
56
MedicindeTwitter
ComosemencionanteriormentelaobtencindedatosdeTwitterserealizaatravsde
consultasasuSearchAPI (tweetspasados),RESTAPIyStreamingAPI(tweetsentranteso en
tiemporeal),utilizandodistintaspalabrasclavesparamedirlacantidad,contenidoyemisores
de los tweets. Existen dos limitaciones relevantes que es necesario tener en cuenta al
momentoderealizarmedicionesenTwitterusandosusservicios:
(1) Limitacin de Tweets por Consulta: cada consulta a la API est restringida a una
cantidaddeaproximadamente1500tweetsporconsulta(TwitterTeam,2012a).
(2) LimitacinTemporaldeTweets:sepuedenrealizar150consultasporhorasinestar
autentificadoenTwitter,o350siseestautentificado(TwitterTeam,2012b).
Para hacer uso de la API es necesario programar consultas o utilizar programas de
terceros que permiten realizarlas. En particular para esta investigacin se utilizaron dos
programas:Radian6paradeterminarqupalabrasclaveseranmsrelevantesparaelprograma
MundosOpuestos,yPeoplebrowsrpararecolectarlacantidaddetweetsdiariosdurantetodo
elperiododeemisindelprogramaparalaspalabrasclavesrelevantes.
Conrespectoalaspalabrasclavesurgeotroproblema:cadaposibletemaquesequiera
medirdebeidentificarlasdistintasformasenquelosusuariosserefierenaltemaatravsde
Twitter y a partir de ah generar un pool de palabras claves relevante para el estudio o
investigacin.Deestaformaesnecesariountrabajoprevioparadeterminarculessonestas
palabras.
En particular en relacin al mundo televisivo sucede que existen distintos tipos de
programadecaractersticasmuydismilesloquedificultalamedicin.Laposibilidadderealizar
la medicin mediante Twitter de programas depender de cul es el tema central del
programa.
Sielprogramaenparticularhablasobretemasdeactualidadotemasquevaranconel
tiempo(e.g.Noticiarios,Matinales),entonceslamedicinsedificultadebidoaquelaspersonas
hablan sobre el tema pero no necesariamente mencionan al medio, en especial si varios
57
programashablandel mismotema.Adems,sedificultalarecoleccindelostweetsaltener
queirvariandoyconociendolasdistintasformasenquelagentehabladeltemademanerade
poderrealizarlasmediciones.
Es decir, ante contenidos o temticas, que cumplan con ser dinmicas y contingentes,
realizar la medicin se complica a nivel de determinar si el tweet est hablando sobre el
programaoeltema.Anteestetipodesituacinlosprogramasdetelevisindeberanincentivar
elusodehashtagspropios(e.g.#nombreprograma).
Porotroladosielprogramaosuspersonajessoneltemaensmismos(e.g.teleseries,
realityshows)lamedicinsefacilitayaquelaspalabrasclavesengeneraltienenrelacinala
formaconlaquelosusuarioshablandelprogramaosuspersonajesyportantosonelementos
quepuedenperdurareneltiempoenqueelprogramaestalaire.
Untipodepalabraclavequealcanzagrannivelderelevanciaeseldenominadohashtag,
que como describimos anteriormente permite a los usuarios catalogar sus tweets entorno a
algn hecho o situacin. De esta forma en muchos casos la gente crea y utiliza un conjunto
limitadodehashtagsparareferirseaunprogramadetelevisin.
Finalmente,independientedelasconsideracionestomadasenlaeleccindelaspalabras
claves,almomentoderecopilarlasesnecesariorealizarunfiltroenlostweetsquenotengan
queverconeltemadeinters,porloqueexisteuntrabajodedepuracindelabaseobtenida
quenopuedeserpasadoporalto,especialmenteenelentornoacadmico.
PalabrasClavesenMundosOpuestos
En particular para Mundos Opuestos se realiz un proceso de observacin en Twitter
duranteel mesdeAbril de2012paraidentificarpalabrasclaves relevantesparaelanlisis,a
partir de stas y de palabras tericas que se consideraron relevantes se arm un pool de
palabras claves que, a grandes rasgos, consideraba: Palabras de la Competencia (ver seccin
Consideraciones Relevantes sobre el Contenido), Nombres y sobrenombres de los
Competidores y Animadores, y cuatro formas con que la gente se refera al programa:
58
#MundosOpuestos, #MO, Mundos Opuestos y MundosOpuestos (Ver Anexo 3 Pool de

PalabrasClaves,paravereldetalledelaspalabrasclavesutilizadas).
EstaspalabrasclavesfueroningresadasenelprogramaRadian6utilizadoporlaAgencia
Cardumen el da 8 de Junio de 2012 rescatando las conversaciones durante un mes con el
objetivo de determinar cules eran las palabras claves ms importantes utilizadas por los
usuariosdeTwitterparareferirsealoshechosdelprograma.ElprogramaentregaunaNubede
Tagsoetiquetas,dondeeltamaodelaspalabrasindicasufrecuencia.
EnlaIlustracin7podemosvereloutputgeneradoporelprogramaparaelperiododel8
deAbrilal8deJuniode2012,sepuedeapreciarquelapalabramsutilizadaparahablardel
programaeselhashtag#mundosopuestosyqueenmuchamenormedidaseutilizaelhashtag
#mo, lo que se puede explicar con el hecho de ser las siglas del programa y generalmente
utilizadocuandolapersonasequedabasincaracteres.
Ilustracin7OutputdeRadian6alintroducirlaspalabrasclavessobreMundosOpuestos
Fuente:Radian6,AgenciaDigitalCardumen,8deJuniode2012
Sinembargo,expertosde laAgenciaCardumenrecomendaronutilizardetodasformas
laspalabrasgenricasMundosOpuestosymundosopuestosyaqueexistenpersonasque
noutilizanelsistemadehashtagsy,adems,sondosvariacionesdelnombredelprogramaque
puedenserutilizadas.
59
De esta forma se determinaron las 4 palabras claves utilizadas en este estudio: (1)
#MundosOpuestos, (2) #MO, (3) Mundos Opuestos y (4) MundosOpuestos, las cuales fueron
posteriormente incluidas en el programa Peoplebrowsr una por una, para extraer el flujo de
tweets duranteundaantesdel primerepisodiohastaundadespus delafinaldeMundos
Opuestos, obteniendo as la cantidad de tweets diarias para cada palabra clave, las cuales
posteriormentefueronsumadasenunanicavariableconlaCantidaddeTweetsporda.
60
Anexo3PooldePalabrasClaves
Grupo de Palabras
Palabra Clave
Claves
Mundos
#mundosopuestos
Opuestos/Programa
#mo
MundosOpuestos
mundosopuestos
Produccion/Programa
SergioLagos
KarlaConstant
SergioNakasone
@nakagol
Nakasone
CarlaKonstant
karlitakonstant
Pruebade
Fases/Programa
Eliminacin
Eliminacin
PruebaporEquipos
Chronos
Eternia
Cronos
Ethernia
Verdes
Rojos
Pruebade
Inmunidad
Pruebade
Salvacin
Pruebas
individuales
Futuro
Renuncia
Pasado
Participantes/Particip
antes
JuanLacassie
y contiene
PazoWilmaoThiagooYamnaoNelsonTapiao
MurciRojasoCamilaNash
#MundosOpuestoso#MO
ChispaoHuaquioHuaquipanoJuanLacassieo
FranciscoHuaquipan
#MundosOpuestoso#MO
Chispa
PazVega
61
Grupo de Palabras
Claves
Palabra Clave
Paz
MarianaMarino
Mariana
Argentina
SebastinRoca
Roca
JoseLuisBibbo
Joche
DominiqueGallego
Dominique
Gallegos
Domi
YamnaLobos
Yamna
FranciscoRojas
Murci
MurciRojas
AnglicaSepulveda
Chuky
Chuqui
Anglica
AgustnPastorino
Agu
Agustn
NelsonTapia
Muela
Nelson
Tapia
DavidDub
Dubo
David
ThiagoCunha
Thiago
Chuchuca
WilmaGonzlez
Wilma
VivianaFlores
y contiene
62
Grupo de Palabras
Claves
Visitas/Programa
Palabra Clave
Vivi
Justin
AndrsLongton
Longton
StephanieCuevas
Fanny
CamilaNash
Nash
Chapu
MarioMoreno
RominaReyes
MichelleCarvalho
NicoleMoreno
Luli
Francisco
Huaiquipan
Huaqui
LuisJara
LuchoJara
Americo
TanzaVarela
Tanza
Francisco
Huaiquipan
Huaqui
Huaquipan
ArturoLongton
Ballero
AlvaroBallero
Wilma
y contiene
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
#MundosOpuestoso#MO
63
Anexo 4 Tweets da anterior necesarios para subir un punto

porcentualderating
En la siguiente tabla en la columna 3 se puede apreciar el detalle de la cantidad de
tweets necesarios el da anterior para aumentar en un punto porcentual el rating
correspondientedeldadehoy.
VariableExplicada
BetaTweetsdaanterior
Tweets/1PuntodeRating
Total Rating (%)
0,0000243758096960413**
41024
Rating (%) 4 a 12
0,000048862679049891***
20466
Rating (%) 13 a 17
0,0000887207356467171***
11271
Rating (%) 18 a 24
0,0000780221921666198***
12817
Rating (%) 25 a 34
0,0000392382755180984**
25485
Rating (%) 35 a 49
0,0000225680975104659*
44310
Rating (%) 50 a 64
-0,000021847791455487*
-45771
Rating (%) 65 a 99
-0,0000608455320562408***
-16435
Rating (%) ABC1
0,0000353052141689866***
28324
Rating (%) C2
9,003E-06
111070
Rating (%) C3
0,0000380200366889595**
26302
Rating (%) D
0,0000219744782220974**
45507
Rating (%) Hombres
0,0000345374584904685***
28954
Rating (%) Mujeres
1,621E-05
61702
0,000023174492048393**
43151
0,0000273998870924754**
36497
Tabla15DetalleTweetsNecesariosAyerparaSubirunPuntoPorcentualdeRatingHoy
64
Anexo5:OutputsSPSSRegresinLinealSimpleconRatingcomo
VariableDependiente
RatingTotal(%)
Resumen del modelo
Modelo
R cuadrado
,234a
R cuadrado
Error tp. de la
corregida
estimacin
,055
,047
1,2258
a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

Mundos Opuestos y #MO
ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
11,056
11,056
1 Residual
190,844
127
1,503
Total
201,900
128
Sig.
,008b
7,357
a. Variable dependiente: Total Rat %

b. Variables predictoras: (Constante), Suma de #MundosOpuestos, Mundos Opuestos y #MO
Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
1 Suma de #MundosOpuestos, Mundos
Opuestos y #MO
Error tp.
9,560
,157
2,438E-005
,000
Sig.
Beta
61,049 ,000
,234
2,712 ,008
a. Variable dependiente: Total Rat %
65
Rating4a12Aos(%)
Resumen del modelo
Modelo
R cuadrado
,386a
R cuadrado
Error tp. de la
corregida
estimacin
,149
,142
1,4144

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
44,426
44,426
1 Residual
254,067
127
2,001
Total
298,493
128
Sig.
,000b
22,207
a. Variable dependiente: rat% 4 a 12

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
6,495
,181
4,886E-005
,000
Sig.
Beta
35,944 ,000
,386
4,712 ,000
66
Rating13a17Aos(%)
Resumen del modelo
Modelo
R cuadrado
,442a
R cuadrado
Error tp. de la
corregida
estimacin
,196
,189
2,1769

ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
Media cuadrtica
146,464
146,464
1 Residual
601,824
127
4,739
Total
748,288
128
Sig.
,000b
30,908

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
9,240
,278
8,872E-005
,000
Sig.
Beta
33,227 ,000
,442
5,559 ,000
67
Rating18a24Aos(%)
Resumen del modelo
Modelo
R cuadrado
,384a
R cuadrado
Error tp. de la
corregida
estimacin
,148
,141
2,2682

ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
Media cuadrtica
113,271
113,271
1 Residual
653,376
127
5,145
Total
766,646
128
Sig.
,000b
22,017

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
8,854
,290
7,802E-005
,000
Sig.
Beta
30,555 ,000
,384
4,692 ,000
68
Rating25a34Aos(%)
Resumen del modelo
Modelo
R cuadrado
,221a
R cuadrado
Error tp. de la
corregida
estimacin
,049
,041
2,0956

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
28,648
28,648
1 Residual
557,707
127
4,391
Total
586,356
128
Sig.
,012b
6,524

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
10,662
,268
3,924E-005
,000
Sig.
Beta
39,826 ,000
,221
2,554 ,012
69
Rating35a49Aos(%)
Resumen del modelo
Modelo
R cuadrado
,164a
R cuadrado
Error tp. de la
corregida
estimacin
,027
,019
1,6468

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
9,477
9,477
1 Residual
344,399
127
2,712
Total
353,876
128
Sig.
,064b
3,495

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
9,984
,210
2,257E-005
,000
Sig.
Beta
47,458 ,000
,164
1,869 ,064
70
Rating50a64Aos(%)
Resumen del modelo
Modelo
R cuadrado
,159a
R cuadrado
Error tp. de la
corregida
estimacin
,025
,018
1,6375

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
8,882
8,882
1 Residual
340,539
127
2,681
Total
349,421
128
Sig.
,071b
3,312

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
10,829
,209
-2,185E-005
,000
Sig.
Beta
51,768 ,000
-,159
-1,820 ,071
71
Rating65a99Aos(%)
Resumen del modelo
Modelo
R cuadrado
,340a
R cuadrado
Error tp. de la
corregida
estimacin
,116
,109
2,0365

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
68,887
68,887
1 Residual
526,733
127
4,148
Total
595,620
128
Sig.
,000b
16,609

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
9,681
,260
-6,085E-005
,000
Sig.
Beta
37,209 ,000
-,340
-4,075 ,000
72
RatingABC1(%)
Resumen del modelo
Modelo
R cuadrado
,309a
R cuadrado
Error tp. de la
corregida
estimacin
,095
,088
1,3164

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
23,193
23,193
1 Residual
220,069
127
1,733
Total
243,262
128
Sig.
,000b
13,385
a. Variable dependiente: rat% ABC1

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
6,839
,168
3,531E-005
,000
Sig.
Beta
40,671 ,000
,309
3,658 ,000
a. Variable dependiente: rat% ABC1
73
RatingC2(%)
Resumen del modelo
Modelo
R cuadrado
,065a
R cuadrado
Error tp. de la
corregida
estimacin
,004
-,004
1,6738

ANOVAa
Modelo
Suma de cuadrados
Regresin
1
gl
Media cuadrtica
1,508
1,508
Residual
355,807
127
2,802
Total
357,315
128
Sig.
,538
,464b
a. Variable dependiente: rat% C2

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
10,200
,214
9,003E-006
,000
Sig.
Beta
47,703 ,000
,065
,734 ,464
74
RatingC3(%)
Resumen del modelo
Modelo
R cuadrado
,262a
R cuadrado
Error tp. de la
corregida
estimacin
,069
,061
1,6937

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
26,897
26,897
1 Residual
364,329
127
2,869
Total
391,226
128
Sig.
,003b
9,376

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
11,315
,216
3,802E-005
,000
Sig.
Beta
52,291 ,000
,262
3,062 ,003
75
RatingD(%)
Resumen del modelo
Modelo
R cuadrado
,194a
R cuadrado
Error tp. de la
corregida
estimacin
,038
,030
1,3443

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
8,985
8,985
1 Residual
229,497
127
1,807
Total
238,482
128
Sig.
,028b
4,972
a. Variable dependiente: rat% D

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
8,673
,172
2,197E-005
,000
Sig.
Beta
50,503 ,000
,194
2,230 ,028
a. Variable dependiente: rat% D
76
RatingHombres(%)
Resumen del modelo
Modelo
R cuadrado
,330a
R cuadrado
Error tp. de la
corregida
estimacin
,109
,102
1,1970

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
22,195
22,195
1 Residual
181,959
127
1,433
Total
204,154
128
Sig.
,000b
15,491
a. Variable dependiente: rat% Hombres

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
6,906
,153
3,454E-005
,000
Sig.
Beta
45,161 ,000
,330
3,936 ,000
a. Variable dependiente: rat% Hombres
77
RatingMujeres(%)
Resumen del modelo
Modelo
R cuadrado
,124a
R cuadrado
Error tp. de la
corregida
estimacin
,015
,008
1,5679

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
4,887
4,887
1 Residual
312,186
127
2,458
Total
317,073
128
Sig.
,161b
1,988
a. Variable dependiente: rat% Mujeres

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
12,016
,200
1,621E-005
,000
Sig.
Beta
59,993 ,000
,124
1,410 ,161
a. Variable dependiente: rat% Mujeres
78
RatingConTVdePago(%)
Resumen del modelo
Modelo
R cuadrado
,217a
R cuadrado
Error tp. de la
corregida
estimacin
,047
,040
1,2617

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
9,993
9,993
1 Residual
202,164
127
1,592
Total
212,157
128
Sig.
,013b
6,278
a. Variable dependiente: rat% Con Cable

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
8,597
,161
2,317E-005
,000
Sig.
Beta
53,340 ,000
,217
2,506 ,013
a. Variable dependiente: rat% Con Cable
79
RatingSinTVdePago(%)
Resumen del modelo
Modelo
R cuadrado
,211a
R cuadrado
Error tp. de la
corregida
estimacin
,045
,037
1,5346

ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
13,969
13,969
1 Residual
299,100
127
2,355
Total
313,069
128
Sig.
,016b
5,932
a. Variable dependiente: rat% Sin Cable

Coeficientesa
Modelo
Coeficientes no
Coeficientes
estandarizados
tipificados
B
(Constante)
Opuestos y #MO
Error tp.
11,252
,196
2,740E-005
,000
Sig.
Beta
57,392 ,000
,211
2,435 ,016
a. Variable dependiente: rat% Sin Cable
80
Anexo6OutputSPSSRegresinLinealSimpleconCantidadde
RatingTotal(%)
Resumen del modelo
Modelo
R cuadrado
,189a
R cuadrado
Error tp. de la
corregida
estimacin
,036
,028
12299,621
a. Variables predictoras: (Constante), Total Rat %
ANOVAa
Modelo
Regresin
Suma de cuadrados
709024863,416
gl
Media cuadrtica
709024863,416
1 Residual
19212645392,832 127
151280672,385
Total
19921670256,248 128
Sig.
4,687
,032b
a. Variable dependiente: Suma de #MundosOpuestos, Mundos Opuestos y #MO

b. Variables predictoras: (Constante), Total Rat %
Coeficientesa
Modelo
Coeficientes no estandarizados Coeficientes tipificados

B
Error tp.
Sig.
Beta
(Constante)
-4980,584
8610,430
-,578 ,564
Total Rat %
1873,971
865,613
,189 2,165 ,032
81
Rating4a12Aos(%)
Resumen del modelo
Modelo
R cuadrado
,330a
R cuadrado
Error tp. de la
corregida
estimacin
,109
,102
11824,337
Media cuadrtica
a. Variables predictoras: (Constante), rat% 4 a 12
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
2165172100,237
2165172100,237
1 Residual
17756498156,011 127
139814946,110
Total
19921670256,248 128
Sig.
15,486 ,000b

b. Variables predictoras: (Constante), rat% 4 a 12
Coeficientesa
Modelo

B
Error tp.
(Constante)
-5641,344
4977,294
rat% 4 a 12
2693,267
684,400
Sig.
Beta
-1,133 ,259
,330
3,935 ,000
82
Rating13a17Aos(%)
Resumen del modelo
Modelo
R cuadrado
,406a
R cuadrado
Error tp. de la
corregida
estimacin
,165
,159
11443,751
Media cuadrtica
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
3289821079,157
3289821079,157
1 Residual
16631849177,091 127
130959442,339
Total
19921670256,248 128
Sig.
25,121 ,000b

Coeficientesa
Modelo

B
(Constante)
rat% 13 a 17
Error tp.
-8211,384
4449,814
2096,774
418,344
Sig.
Beta
-1,845 ,067
,406
5,012 ,000
83
Rating18a24Aos(%)
Resumen del modelo
Modelo
R cuadrado
,277a
R cuadrado
Error tp. de la
corregida
estimacin
,077
,069
12034,492
Media cuadrtica
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
1528386443,047
1528386443,047
1 Residual
18393283813,201 127
144829006,403
Total
19921670256,248 128
Sig.
10,553 ,001b

Coeficientesa
Modelo

B
Error tp.
Sig.
Beta
(Constante)
-379,659
4405,639
-,086 ,931
rat% 18 a 24
1411,949
434,641
,277 3,249 ,001
84
Rating25a34Aos(%)
Resumen del modelo
Modelo
R cuadrado
,180a
R cuadrado
Error tp. de la
corregida
estimacin
,032
,025
12320,995
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
642190419,682
Media cuadrtica
642190419,682
1 Residual
19279479836,566 127
151806927,847
Total
19921670256,248 128
Sig.
4,230
,042b

Coeficientesa
Modelo

B
Error tp.
Sig.
Beta
(Constante)
1835,661
5779,820
,318 ,751
rat% 25 a 34
1046,529
508,821
,180 2,057 ,042
85
Rating35a49Aos(%)
Resumen del modelo
Modelo
R cuadrado
,138a
R cuadrado
Error tp. de la
corregida
estimacin
,019
,011
12404,453
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
380121371,340
Media cuadrtica
380121371,340
1 Residual
19541548884,908 127
153870463,661
Total
19921670256,248 128
Sig.
2,470
,118b

Coeficientesa
Modelo

B
Error tp.
Sig.
Beta
(Constante)
2869,186
6858,933
,418 ,676
rat% 35 a 49
1036,420
659,405
,138 1,572 ,118
86
Rating50a64Aos(%)
Resumen del modelo
Modelo
R cuadrado
,115a
R cuadrado
Error tp. de la
corregida
estimacin
,013
,006
12441,114
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
264442368,556
Media cuadrtica
264442368,556
1 Residual
19657227887,692 127
154781321,950
Total
19921670256,248 128
Sig.
1,708
,194b

Coeficientesa
Modelo

B
(Constante)
rat% 50 a 64
Error tp.
Sig.
Beta
22693,109
7108,840
3,192 ,002
-869,944
665,556
-,115 -1,307 ,194
87
Rating65a99Aos(%)
Resumen del modelo
Modelo
R cuadrado
,314a
R cuadrado
Error tp. de la
corregida
estimacin
,099
,091
11891,628
Media cuadrtica
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
1962495203,498
1962495203,498
1 Residual
17959175052,750 127
141410827,187
Total
19921670256,248 128
Sig.
13,878 ,000b

Coeficientesa
Modelo

B
Error tp.
Sig.
Beta
(Constante)
29689,783
4467,049
6,646 ,000
rat% 65 a 99
-1815,180
487,255
-,314 -3,725 ,000
88
RatingABC1(%)
Resumen del modelo
Modelo
R cuadrado
,186a
R cuadrado
Error tp. de la
corregida
estimacin
,034
,027
12306,727
a. Variables predictoras: (Constante), rat% ABC1
ANOVAa
Modelo
Regresin
Suma de cuadrados
686819068,524
gl
Media cuadrtica
686819068,524
1 Residual
19234851187,724 127
151455521,163
Total
19921670256,248 128
Sig.
4,535
,035b

b. Variables predictoras: (Constante), rat% ABC1
Coeficientesa
Modelo

B
Error tp.
Sig.
Beta
(Constante)
1270,808
5849,684
,217 ,828
rat% ABC1
1680,289
789,052
,186 2,130 ,035
89
RatingC2(%)
Resumen del modelo
Modelo
R cuadrado
,025a
R cuadrado
Error tp. de la
corregida
estimacin
,001
-,007
12520,675
a. Variables predictoras: (Constante), rat% C2
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
Media cuadrtica
12222013,551
12222013,551
1 Residual
19909448242,697
127
156767308,998
Total
19921670256,248
128
Sig.
,078
,781b

b. Variables predictoras: (Constante), rat% C2
Coeficientesa
Modelo

B
(Constante)
rat% C2
Error tp.
11604,642
6920,048
184,946
662,372
Sig.
Beta
1,677 ,096
,025
,279 ,781
90
RatingC3(%)
Resumen del modelo
Modelo
R cuadrado
,259a
R cuadrado
Error tp. de la
corregida
estimacin
,067
,060
12096,983
a. Variables predictoras: (Constante), rat% C3
ANOVAa
Modelo
Regresin
Suma de cuadrados
1336871810,832
gl
Media cuadrtica
1336871810,832
1 Residual
18584798445,416 127
146336995,633
Total
19921670256,248 128
Sig.
9,136
,003b

b. Variables predictoras: (Constante), rat% C3
Coeficientesa
Modelo

B
(Constante)
rat% C3
Error tp.
-8290,674
7291,695
1848,549
611,594
Sig.
Beta
-1,137 ,258
,259
3,023 ,003
91
RatingD(%)
Resumen del modelo
Modelo
R cuadrado
,146a
R cuadrado
Error tp. de la
corregida
estimacin
,021
,014
12389,574
a. Variables predictoras: (Constante), rat% D
ANOVAa
Modelo
Regresin
Suma de cuadrados
426973494,133
gl
Media cuadrtica
426973494,133
1 Residual
19494696762,115 127
153501549,308
Total
19921670256,248 128
Sig.
2,782
,098b

b. Variables predictoras: (Constante), rat% D
Coeficientesa
Modelo

B
Error tp.
Sig.
Beta
(Constante)
1536,108
7263,136
,211 ,833
rat% D
1338,050
802,284
,146 1,668 ,098
92
RatingHombres(%)
Resumen del modelo
Modelo
R cuadrado
,426a
R cuadrado
Error tp. de la
corregida
estimacin
,182
,175
11329,119
a. Variables predictoras: (Constante), rat% Hombres
ANOVAa
Modelo
Suma de cuadrados
Regresin
3621354233,231
gl
Media cuadrtica
3621354233,231
1 Residual
16300316023,017 127
128348945,063
Total
19921670256,248 128
Sig.
28,215 ,000b

b. Variables predictoras: (Constante), rat% Hombres
Coeficientesa
Modelo

B
(Constante)
rat% Hombres
Error tp.
-17409,485
5906,185
4211,692
792,898
Sig.
Beta
-2,948 ,004
,426
5,312 ,000
93
RatingMujeres(%)
Resumen del modelo
Modelo
R cuadrado
,020a
R cuadrado
Error tp. de la
corregida
estimacin
,000
-,007
12522,110
a. Variables predictoras: (Constante), rat% Mujeres
ANOVAa
Modelo
Regresin
Suma de cuadrados
gl
Media cuadrtica
7658065,543
7658065,543
1 Residual
19914012190,705
127
156803245,596
Total
19921670256,248
128
Sig.
,049
,825b

b. Variables predictoras: (Constante), rat% Mujeres
Coeficientesa
Modelo

B
(Constante)
rat% Mujeres
Error tp.
15411,428
8664,558
-155,410
703,230
Sig.
Beta
1,779 ,078
-,020
-,221 ,825
94
RatingconTVdePago(%)
Resumen del modelo
Modelo
R cuadrado
,237a
R cuadrado
Error tp. de la
corregida
estimacin
,056
,049
12166,162
a. Variables predictoras: (Constante), rat% Con Cable
ANOVAa
Modelo
Suma de cuadrados
Regresin
1123702634,698
gl
Media cuadrtica
1123702634,698
1 Residual
18797967621,550 127
148015493,083
Total
19921670256,248 128
Sig.
7,592
,007b

b. Variables predictoras: (Constante), rat% Con Cable
Coeficientesa
Modelo

B
(Constante)
rat% Con Cable
Error tp.
Sig.
Beta
-6947,333
7502,317
-,926 ,356
2301,427
835,266
,237 2,755 ,007
95
RatingSinTVdePago(%)
Resumen del modelo
Modelo
R cuadrado
,075a
R cuadrado
Error tp. de la
corregida
estimacin
,006
-,002
12489,387
a. Variables predictoras: (Constante), rat% Sin Cable
ANOVAa
Modelo
Suma de cuadrados
Regresin
gl
Media cuadrtica
111600989,237
111600989,237
1 Residual
19810069267,012
127
155984797,378
Total
19921670256,248
128
Sig.
,715
,399b

b. Variables predictoras: (Constante), rat% Sin Cable
Coeficientesa
Modelo

B
(Constante)
rat% Sin Cable
Error tp.
Sig.
Beta
6587,730
8259,902
,798 ,427
597,054
705,864
,075 ,846 ,399
96

Tesis Rodrigo Rojo - Tweets Audiencia

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tesis Rodrigo Rojo - Tweets Audiencia

Caricato da

Copyright:

Formati disponibili

UniversidaddeChile

Un complemento para ambos tipos de estudios es el de la (3) Fragmentacin

III El presente estudio: El caso del programa Mundos

Mundos Opuestos: transmitido a partir de las 22 o 23 horas con una duracin

Mundos Opuestos en Bruto: transmitido de 17 a 18 horas, de lunes a viernes

correspondientes a los hechos de la ltima transmisin en horario prime

En la siguiente tabla se puede apreciar la cantidad de emisiones para cada da de la

durante todo el periodo de transmisin y alcanzando su peak de audiencia de 38,4 puntos

Para un detalle de cmo se calcula el Rating y como se realiz el proceso de

Correlacin de Pearson Sig. (bilateral)

Total Rating (%)

Rating (%) ABC1

Rating (%) Hombres

Rating (%) Mujeres

Rating (%) Con TV de Pago

Rating (%) Sin TV de Pago

9,56*** 0,0000243758096960413** 0,055 1,2258

Rating (%) ABC1

Rating (%) Hombres

Rating (%) Mujeres

Rating (%) Con TV de Pago

Rating (%) Sin TV de Pago

Rating (%) ABC1

Rating (%) Mujeres

Rating (%) Con TV de

Rating (%) Sin TV de

Donde eslacantidaddeminutosvistos, eslasumatoriadelospesosdelaunidad

#MundosOpuestos, #MO, Mundos Opuestos y MundosOpuestos (Ver Anexo 3 Pool de

Anexo 4 Tweets da anterior necesarios para subir un punto

Total Rating (%)

Rating (%) ABC1

Rating (%) Hombres

Rating (%) Mujeres

Rating (%) Con TV de Pago

Rating (%) Sin TV de Pago

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: Total Rat %

a. Variable dependiente: Total Rat %

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% 4 a 12

a. Variable dependiente: rat% 4 a 12

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% 13 a 17

a. Variable dependiente: rat% 13 a 17

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% 18 a 24

a. Variable dependiente: rat% 18 a 24

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% 25 a 34

a. Variable dependiente: rat% 25 a 34

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% 35 a 49

a. Variable dependiente: rat% 35 a 49

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% 50 a 64

a. Variable dependiente: rat% 50 a 64

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% 65 a 99

a. Variable dependiente: rat% 65 a 99

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% ABC1

a. Variable dependiente: rat% ABC1

a. Variables predictoras: (Constante), Suma de #MundosOpuestos,

a. Variable dependiente: rat% C2

9,56* 0,0000243758096960413 0,055 1,2258