Quantificare il sentimento dei clienti per l'analisi della percezione del marchio automobilistico usando machine learning su Twitter

Perché le sensazioni sui social contano per i produttori di auto

Ogni giorno milioni di persone parlano dei marchi sui social media, spesso con più sincerità rispetto a un sondaggio formale. Per le case automobilistiche, questi post informali rivelano cosa pensano davvero i guidatori dei loro veicoli e dei loro servizi. Questo articolo esplora come i tweet su cinque grandi marchi automobilistici possano essere trasformati in un unico punteggio facile da leggere che indica se l'umore pubblico tende al positivo o al negativo — e come questo umore cambia nel tempo.

Dalla chiacchiera online a uno stato d'animo misurabile

I ricercatori partono da un'idea semplice: invece di chiedere alle persone cosa pensano tramite sondaggi lenti e costosi, ascoltare ciò che già dicono online. Raccogliono quasi 16.000 tweet in inglese che menzionano BMW, Mercedes-Benz, Porsche, Tesla o Toyota, escludendo con cura i post degli account ufficiali dei marchi per concentrarsi sugli utenti comuni. Utilizzando un modello linguistico avanzato addestrato specificamente sui tweet, ogni messaggio viene classificato come positivo o negativo. I post neutrali e puramente informativi vengono messi da parte, perché non mostrano in modo chiaro come si sentono le persone.

Un unico punteggio per il buon volere del marchio

Con i tweet positivi e negativi a disposizione, il team costruisce un Brand Polarity Score, o BPS. Questo numero varia da -1 a +1 e confronta quante menzioni favorevoli riceve un marchio rispetto a quante lamentele ottiene. Un valore sopra zero significa più elogi che critiche; sotto zero indicherebbe un marchio in difficoltà. Nel mese studiato, tutti e cinque i produttori si collocano in territorio positivo, con Porsche e BMW in testa e Tesla che mostra l'umore più variegato. A differenza dei semplici conteggi di tweet positivi, il BPS pesa insieme elogi e critiche, offrendo un quadro più chiaro del buon volere complessivo.

Seguire le oscillazioni dell'umore nel tempo

L'opinione pubblica raramente si muove in linea retta. Un post virale di elogio, un avviso di richiamo o un grande annuncio di prodotto possono inclinare rapidamente il sentiment per alcuni giorni. Per catturare queste oscillazioni, gli autori tracciano il Brand Polarity Score giorno per giorno per ciascun produttore. Introducono poi una seconda misura, il Brand Polarity Position Indicator (BPPI), che funziona come una media mobile: accumula i giorni passati e attenua il rumore. Gli spike che appaiono nel punteggio giornaliero diventano pieghe più dolci nella curva del BPPI, evidenziando cambiamenti di reputazione più lenti e significativi piuttosto che esplosioni di breve durata.

Chi conta di più?

Non tutti i tweet hanno lo stesso peso. Un commento positivo da un account con molti follower, o una lamentela ampiamente condivisa, può influenzare molte più persone rispetto a un'osservazione isolata senza interazioni. Per riflettere questo, lo studio crea un Influence-weighted Brand Polarity Score (IwBPS). A ogni tweet viene assegnato un peso basato sull'attenzione che ha ricevuto e sulla rilevanza del suo autore, aggiustato per l'età sia del tweet sia dell'account. I ricercatori definiscono anche una versione cumulativa di questo punteggio, IwBPPI, per tracciare l'impatto a lungo termine delle voci influenti. Queste misure evidenziano quali marchi vengono sollevati — o trascinati verso il basso — da post che effettivamente si diffondono ampiamente sulla piattaforma.

Mettere i numeri alla prova

Per verificare che le loro misure siano affidabili, gli autori eseguono diversi controlli di realtà. Confrontano il loro modello preferito per i tweet con altri strumenti diffusi e riscontrano che è il più accurato su un ampio set di dati etichettato. Dimostrano che i salti improvvisi nei loro punteggi corrispondono a eventi di cronaca reali, come scandali sulla sicurezza o annunci di nuove tecnologie. Confrontano inoltre i risultati del modello scelto con un sistema commerciale di un grande provider cloud e trovano che i pattern concordano fortemente. Infine, testano la sensibilità dei punteggi a errori di campionamento e a rumore casuale, mostrando che gli indicatori giornalieri e cumulativi rimangono stabili anche quando alcune etichette vengono deliberatamente rimescolate.

Cosa significa per la comprensione quotidiana

In termini semplici, lo studio mostra che è possibile trasformare la confusa e rapida chiacchiera dei social media in un piccolo insieme di numeri chiari e affidabili che monitorano come le persone percepiscono i marchi automobilistici. Il punteggio di base indica se la conversazione è per lo più positiva o negativa, gli indicatori cumulativi rivelano tendenze di reputazione a più lungo termine e le versioni ponderate per l'influenza mostrano se grandi cambiamenti sono guidati da voci forti e ampiamente ascoltate. Per i non specialisti, la conclusione è che i marchi non devono più indovinare come la folla online si sente né aspettare mesi per i risultati dei sondaggi: leggendo con cura i tweet pubblici con strumenti linguistici moderni, possono monitorare la propria posizione quasi in tempo reale e reagire prima che piccoli malumori si trasformino in danni duraturi.

Citazione: 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

Parole chiave: sentimento sui social media, marchi automobilistici, analisi di Twitter, reputazione del marchio, machine learning