El <\/span>mood targeting <\/span><\/i>es segmentar a la audiencia en funci\u00f3n de su <\/span>estado de \u00e1nimo<\/b>. Es decir, supone subir un escal\u00f3n y no s\u00f3lo tener en cuenta el entorno del anuncio sino interpretar c\u00f3mo se siente el usuario durante la navegaci\u00f3n. Mientras una persona visualiza un contenido o lee un art\u00edculo, se siente de una determinada forma y, para algunas marcas o campa\u00f1as, acertar a interpretar bien ese estado de \u00e1nimo supone una oportunidad para incrementar el <\/span>engagement.<\/span><\/i>\u00a0<\/span><\/p>\n Y, \u00bfc\u00f3mo se puede descifrar el sentimiento de la audiencia? Para ello, la <\/span>inteligencia artificial y el <\/b>machine learning<\/i><\/b><\/a> son la clave puesto que permiten identificar y predecir los comportamientos de los usuarios.\u00a0<\/span><\/p>\n Un ejemplo de c\u00f3mo conocer y aprender sobre las emociones de los usuarios est\u00e1 en Facebook y en sus famosas reacciones para cada publicaci\u00f3n. O tambi\u00e9n existen <\/span>softwares <\/span><\/i>capaces de interpretar, a trav\u00e9s del <\/span>reconocimiento facial<\/b>, el sentimiento que genera un art\u00edculo o un v\u00eddeo a una persona.\u00a0<\/span><\/p>\n![\"\"](\"\/app\/uploads\/sites\/2\/2022\/01\/FacebookReactions.png\")
\n