Cuantificación del sentimiento del cliente para el análisis de la percepción de marcas de automóviles mediante aprendizaje automático en Twitter

Por qué importan las opiniones en redes sociales para los fabricantes de coches

Cada día, millones de personas hablan sobre marcas en las redes sociales, a menudo con más franqueza que en una encuesta formal. Para las compañías automovilísticas, estas publicaciones informales revelan lo que los conductores realmente piensan sobre sus vehículos y servicios. Este artículo examina cómo los tuits sobre cinco grandes marcas de automóviles pueden convertirse en una única puntuación fácil de interpretar que muestra si el ánimo público se inclina hacia lo positivo o lo negativo —y cómo ese ánimo cambia con el tiempo.

Del ruido en línea a un estado de ánimo medible

Los investigadores parten de una idea simple: en lugar de preguntar a las personas qué piensan mediante encuestas lentas y caras, escucha lo que ya dicen en línea. Recogen casi 16.000 tuits en inglés que mencionan BMW, Mercedes-Benz, Porsche, Tesla o Toyota, excluyendo cuidadosamente las publicaciones de las cuentas oficiales de las marcas para centrarse en usuarios habituales. Utilizando un modelo de lenguaje avanzado entrenado específicamente con tuits, cada mensaje se etiqueta como positivo o negativo. Las publicaciones neutrales o puramente informativas se dejan aparte, porque no muestran claramente cómo se sienten las personas.

Una única puntuación para la buena voluntad de la marca

Con tuits positivos y negativos en mano, el equipo construye una Puntuación de Polaridad de Marca, o BPS. Este número varía entre -1 y +1 y compara cuántas menciones favorables recibe una marca frente a cuántas quejas obtiene. Un valor por encima de cero significa más elogios que críticas; por debajo de cero indicaría una marca en apuros. En el mes estudiado, las cinco marcas se situaron en territorio positivo, con Porsche y BMW a la cabeza y Tesla mostrando el ánimo más dividido. A diferencia de los recuentos brutos de tuits positivos, la BPS pondera elogios y críticas conjuntamente, ofreciendo una imagen más clara de la buena voluntad general.

Siguiendo los altibajos del ánimo a lo largo del tiempo

La opinión pública rara vez se mueve en línea recta. Un tuit elogioso que se vuelve viral, un aviso de retirada o un gran anuncio de producto pueden inclinar rápidamente el sentimiento durante unos días. Para captar estos vaivenes, los autores rastrean la Puntuación de Polaridad de Marca día a día para cada fabricante. Luego introducen una segunda medida, el Indicador de Posición de Polaridad de Marca (BPPI), que actúa como un promedio móvil: acumula los días pasados y suaviza el ruido. Los picos que aparecen en la puntuación diaria se convierten en curvas suaves en el BPPI, resaltando cambios de reputación más lentos y significativos en lugar de estallidos efímeros.

¿A quién se le da más voz?

No todos los tuits tienen el mismo peso. Un comentario positivo de una cuenta con muchos seguidores, o una queja muy compartida, puede influir en mucha más gente que una observación solitaria sin interacción. Para reflejar esto, el estudio crea una Puntuación de Polaridad de Marca ponderada por influencia (IwBPS). A cada tuit se le asigna un peso basado en la atención que recibió y la prominencia de su autor, ajustado por la antigüedad tanto del tuit como de la cuenta. Los investigadores también definen una versión acumulada de esta puntuación, IwBPPI, para rastrear el impacto a más largo plazo de voces influyentes. Estas medidas destacan qué marcas se están viendo elevadas —o arrastradas— por publicaciones que realmente se propagan ampliamente en la plataforma.

Poniendo los números a prueba

Para comprobar que sus medidas son fiables, los autores realizan varias verificaciones de realidad. Comparan su modelo preferido de tuit con otras herramientas populares y encuentran que es el más preciso en un gran conjunto de datos etiquetado. Muestran que los saltos bruscos en sus puntuaciones coinciden con eventos noticiosos reales, como escándalos de seguridad o anuncios de nuevas tecnologías. También comparan los resultados de su modelo elegido con un sistema comercial de un gran proveedor cloud y encuentran una fuerte concordancia en los patrones. Finalmente, prueban la sensibilidad de las puntuaciones a sesgos de muestreo y errores aleatorios, demostrando que los indicadores diarios y acumulados permanecen estables incluso cuando algunas etiquetas se alteran deliberadamente.

Qué significa esto para la comprensión cotidiana

En términos sencillos, el estudio demuestra que es posible convertir el ruido desordenado y veloz de las redes sociales en un pequeño conjunto de números claros y fiables que rastrean cómo se sienten las personas sobre las marcas de automóviles. La puntuación básica indica si la conversación es mayoritariamente positiva o negativa, los indicadores acumulados revelan tendencias reputacionales a más largo plazo y las versiones ponderadas por influencia muestran si los grandes cambios los impulsan voces ruidosas y muy escuchadas. Para el público general, la conclusión es que las marcas ya no tienen que adivinar cómo se siente la multitud en línea ni esperar meses por resultados de encuestas: leyendo cuidadosamente los tuits públicos con herramientas modernas de lenguaje, pueden monitorizar su posición casi en tiempo real y reaccionar antes de que los pequeños descontentos se conviertan en daños duraderos.

Cita: 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

Palabras clave: sentimiento en redes sociales, marcas de automóviles, análisis en Twitter, reputación de marca, aprendizaje automático