Quantifier le sentiment des clients pour l’analyse de la perception des marques automobiles à l’aide de l’apprentissage automatique sur Twitter

Pourquoi les ressentis sur les réseaux sociaux comptent pour les constructeurs automobiles

Chaque jour, des millions de personnes parlent des marques sur les réseaux sociaux, souvent de façon plus directe qu’elles ne le feraient dans un sondage formel. Pour les constructeurs automobiles, ces publications informelles révèlent ce que les conducteurs pensent réellement de leurs véhicules et de leurs services. Cet article examine comment des tweets portant sur cinq grandes marques automobiles peuvent être convertis en un score unique, facile à lire, qui indique si l’humeur publique penche vers le positif ou le négatif — et comment cette humeur évolue dans le temps.

Du bavardage en ligne à une humeur mesurable

Les chercheurs partent d’une idée simple : au lieu de demander aux gens ce qu’ils pensent via des enquêtes lentes et coûteuses, il faut écouter ce qu’ils disent déjà en ligne. Ils collectent près de 16 000 tweets en anglais mentionnant BMW, Mercedes-Benz, Porsche, Tesla ou Toyota, en excluant soigneusement les publications des comptes officiels des marques pour se concentrer sur les utilisateurs ordinaires. À l’aide d’un modèle de langage avancé entraîné spécifiquement sur des tweets, chaque message est étiqueté comme positif ou négatif. Les publications neutres, purement factuelles, sont mises de côté, car elles n’expriment pas clairement un ressenti.

Un score unique pour le capital sympathie d’une marque

Avec les tweets positifs et négatifs en main, l’équipe construit un Brand Polarity Score, ou BPS. Ce nombre varie de -1 à +1 et compare le nombre de mentions favorables à celui des plaintes. Une valeur supérieure à zéro signifie plus d’éloges que de critiques ; en dessous de zéro, la marque serait en difficulté. Pour le mois étudié, les cinq constructeurs se situaient en territoire positif, Porsche et BMW étant en tête tandis que Tesla affichait l’humeur la plus mitigée. À la différence des simples décomptes de tweets positifs, le BPS met en balance éloges et critiques, offrant une image plus nette du capital sympathie global.

Suivre les variations d’humeur dans le temps

L’opinion publique évolue rarement de façon linéaire. Un post viral de louanges, un rappel de produit ou une grande annonce peuvent rapidement faire basculer le sentiment pendant quelques jours. Pour saisir ces variations, les auteurs suivent le Brand Polarity Score au jour le jour pour chaque constructeur. Ils introduisent ensuite une seconde mesure, le Brand Polarity Position Indicator (BPPI), qui fonctionne comme une moyenne glissante : il accumule les jours passés et lisse le bruit. Les pics apparents dans le score quotidien deviennent des courbes plus douces dans le BPPI, mettant en évidence des changements de réputation plus lents et plus signifiants plutôt que des flambées éphémères.

La voix de qui compte le plus ?

Tous les tweets ne se valent pas. Un commentaire enthousiaste d’un compte très suivi, ou une plainte largement partagée, peut influencer bien plus de monde qu’une remarque isolée sans engagement. Pour refléter cela, l’étude crée un Influence-weighted Brand Polarity Score (IwBPS). Chaque tweet reçoit un poids basé sur l’attention qu’il a reçue et la notoriété de son auteur, ajusté en fonction de l’ancienneté du tweet et du compte. Les chercheurs définissent aussi une version cumulative de ce score, IwBPPI, pour suivre l’impact à plus long terme des voix influentes. Ces mesures mettent en lumière quelles marques sont portées — ou tirées vers le bas — par des publications qui se diffusent réellement largement sur la plateforme.

Tester la robustesse des chiffres

Pour vérifier que leurs mesures sont fiables, les auteurs réalisent plusieurs contrôles de terrain. Ils comparent leur modèle de tweet préféré à d’autres outils populaires et constatent qu’il est le plus précis sur un grand jeu de données étiqueté. Ils montrent que les sauts soudains dans leurs scores coïncident avec des événements réels, comme des scandales de sécurité ou des annonces technologiques. Ils comparent également les résultats de leur modèle choisi avec un système commercial d’un grand fournisseur cloud et trouvent une forte concordance des tendances. Enfin, ils testent la sensibilité des scores aux biais d’échantillonnage et aux erreurs aléatoires, montrant que les indicateurs quotidiens et cumulatifs restent stables même lorsque certains labels sont délibérément perturbés.

Qu’est-ce que cela signifie pour la compréhension quotidienne

Concrètement, l’étude démontre qu’il est possible de transformer le bavardage désordonné et rapide des réseaux sociaux en un petit ensemble de chiffres clairs et fiables qui suivent le ressenti des gens à l’égard des marques automobiles. Le score de base indique si la conversation est surtout positive ou négative, les indicateurs cumulatifs révèlent les tendances de réputation à plus long terme, et les versions pondérées par l’influence montrent si de grands changements sont provoqués par des voix fortes et largement entendues. Pour le grand public, la conclusion est que les marques n’ont plus à deviner l’humeur en ligne ni à attendre des mois pour des résultats d’enquête : en lisant attentivement les tweets publics avec des outils linguistiques modernes, elles peuvent surveiller leur image presque en temps réel et réagir avant que de petites mécontentements ne se transforment en dommages durables.

Citation: 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

Mots-clés: sentiment sur les réseaux sociaux, marques automobiles, analyse Twitter, réputation de marque, apprentissage automatique