قياس مشاعر العملاء لتحليل تصور العلامة التجارية للسيارات باستخدام التعلم الآلي على تويتر

لماذا تهم مشاعر وسائل التواصل الاجتماعي لصانعي السيارات

يوميًا يتحدث ملايين الأشخاص عن العلامات التجارية على وسائل التواصل الاجتماعي، وغالبًا ما يكونون أكثر صدقًا مما قد يظهر في استطلاع رسمي. بالنسبة لشركات السيارات، تكشف المنشورات العفوية عن ما يفكر السائقون فعليًا بشأن مركباتهم وخدماتهم. يستعرض هذا المقال كيف يمكن تحويل التغريدات حول خمس علامات سيارات رئيسية إلى درجة واحدة سهلة القراءة توضح ما إذا كان المزاج العام يميل إلى الإيجابية أم السلبية — وكيف يتغير هذا المزاج مع مرور الوقت.

من الثرثرة الإلكترونية إلى مزاج قابل للقياس

ينطلق الباحثون من فكرة بسيطة: بدلًا من سؤال الناس عما يعتقدون في استطلاعات بطيئة ومكلفة، استمع إلى ما يقولونه بالفعل عبر الإنترنت. يجمعون ما يقرب من 16,000 تغريدة باللغة الإنجليزية تذكر BMW أو Mercedes-Benz أو Porsche أو Tesla أو Toyota، مستثنين بعناية المنشورات الصادرة عن حسابات العلامات التجارية نفسها للتركيز على المستخدمين العاديين. باستخدام نموذج لغوي متقدّم مدرّب خصيصًا على التغريدات، تُصنّف كل رسالة على أنها إيجابية أو سلبية. تُستبعد المنشورات المحايدة أو الخبرية البحتة لأنها لا تعكس بوضوح كيف يشعر الناس.

درجة واحدة لحسن نية العلامة التجارية

مع جمع التغريدات الإيجابية والسلبية، يبني الفريق ما يسمونه مؤشر قطبية العلامة التجارية (BPS). يتراوح هذا الرقم من -1 إلى +1 ويقارن عدد الذكر الإيجابي الذي تتلقاه العلامة مقابل عدد الشكاوى. القيمة فوق الصفر تعني وجود مزيد من الثناء مقارنة بالنقد؛ والقيمة تحت الصفر تشير إلى علامة تواجه مشكلات. للشهر الذي درسه الفريق، وقعت جميع شركات السيارات الخمس في المجال الإيجابي، مع تقدم بورشه وبي إم دبليو، وتبيّن حالة تسلا الأكثر تباينًا. على عكس العدّات الخام للتغريدات الإيجابية، يوازن BPS بين الثناء والنقد معًا، مما يمنح صورة أوضح عن حسن النية العام.

متابعة تقلبات المزاج عبر الزمن

نادراً ما تتحرك الرأي العام بخط مستقيم. منشور مدح ينتشر بسرعة، أو إشعار سحب للسيارة، أو إعلان منتج كبير يمكن أن يميل المزاج خلال أيام قليلة. لالتقاط هذه التقلبات، يتتبع المؤلفون مؤشر قطبية العلامة التجارية يومًا بيوم لكل صانع سيارات. ثم يقدمون مقياسًا ثانويًا، مؤشر موضع قطبية العلامة التجارية (BPPI)، الذي يعمل مثل المتوسط المتحرك: يجمع أيامًا ماضية ويحد من الضجيج. التحركات الحادة التي تظهر في الدرجة اليومية تتحول إلى انحناءات أهدأ في منحنى BPPI، ما يبرز تحولات أبطأ وأكثر معنى في السمعة بدلاً من انفجارات قصيرة الأمد.

صوت من له وزن أكبر؟

ليست كل التغريدات متساوية. تعليق سعيد من حساب ذو متابعين كثيرين، أو شكوى انتشرت على نطاق واسع، يمكن أن تؤثر على عدد أكبر بكثير من الناس مقارنة بتعليق وحيد بلا تفاعل. لتعكس هذه الحقيقة، تبتكر الدراسة مؤشر قطبية العلامة الموزون بالتأثير (IwBPS). يُعطى كل تغريدة وزنًا بناءً على مقدار الانتباه الذي تلقت والمكانة التي يتمتع بها كاتبها، مع تعديل حسب عمر التغريدة والحساب. كما يعرّف الباحثون نسخة تراكمية من هذا المؤشر، IwBPPI، لتتبع التأثير طويل الأمد للأصوات المؤثرة. تبرز هذه المقاييس أي العلامات ترتفع — أو تنخفض — بفعل منشورات تنتقل فعليًا على نطاق واسع عبر المنصة.

اختبار الأرقام

للتأكد من موثوقية مقاييسهم، يجري المؤلفون عدة اختبارات واقعية. يقارنون نموذج التغريدة المفضل لديهم بالأدوات الشائعة الأخرى ويجدون أنه الأكثر دقة على مجموعة كبيرة معنونة من البيانات. يوضحون أن القفزات المفاجئة في مؤشراتهم تتطابق مع أحداث إخبارية حقيقية، مثل فضائح متعلقة بالسلامة أو إعلانات تكنولوجية جديدة. كما يقارنون نتائج نموذجهم بنظام تجاري من مزوّد سحابي كبير ويجدون تكاملًا قويًا في الأنماط. أخيرًا، يختبرون مدى حساسية المؤشرات لشوائب العينية والأخطاء العشوائية، مبينين أن المؤشرات اليومية والتراكمية تبقى مستقرة حتى عند خلط بعض الوسوم عمداً.

ماذا يعني هذا للفهم اليومي

بعبارات بسيطة، تُظهر الدراسة أنه من الممكن تحويل الثرثرة الفوضوية والسريعة على وسائل التواصل الاجتماعي إلى مجموعة صغيرة من الأرقام الواضحة والموثوقة التي تتتبع شعور الناس تجاه علامات السيارات. الدرجة الأساسية تُظهر ما إذا كان الحديث في المعظم متفائلًا أم متشائمًا، والمؤشرات التراكمية تكشف اتجاهات السمعة على المدى الطويل، والنسخ الموزونة بالتأثير توضح ما إذا كانت التحوّلات الكبيرة يقودها أصوات عالية ومسموعة على نطاق واسع. بالنسبة لغير المتخصصين، الخلاصة أن العلامات لم تعد مضطرة للتكهن بمشاعر الجمهور الإلكتروني أو الانتظار لأشهر لنتائج الاستطلاعات: بقراءة التغريدات العامة بعناية باستخدام أدوات لغوية حديثة، يمكنهم مراقبة موقعهم تقريبًا في الوقت الحقيقي والاستجابة قبل أن تتحول تذمرات صغيرة إلى أضرار طويلة الأمد.

الاستشهاد: Mathew, S.S., Hayawi, K., Venugopal, N. et al. Quantifying customer sentiment for automobile brand perception analysis using machine learning on Twitter. Sci Rep 16, 5703 (2026). https://doi.org/10.1038/s41598-026-35637-9

الكلمات المفتاحية: مشاعر وسائل التواصل الاجتماعي, علامات تجارية للسيارات, تحليل تويتر, سمعة العلامة التجارية, التعلم الآلي