Twitter上の機械学習を用いた自動車ブランド認知分析のための顧客感情の定量化

なぜ自動車メーカーにとってソーシャルメディアの感情が重要なのか

毎日、何百万もの人々がソーシャルメディアでブランドについて語っており、しばしば形式的な調査よりも率直な意見が表れます。自動車メーカーにとって、こうしたカジュアルな投稿はドライバーが自社の車やサービスについて本当にどう感じているかを示します。本稿では、5つの主要自動車ブランドに関するツイートを、世論が肯定的か否定的か、そしてその感情が時間とともにどう変化するかを示す、単一の読みやすいスコアに変換する方法を解説します。

オンラインの雑談から測定可能なムードへ

研究者たちは単純な発想から出発します。遅く費用のかかる調査で人々に何を考えているか尋ねる代わりに、彼らがすでにオンラインで発している声に耳を傾ける、というものです。BMW、Mercedes‑Benz、Porsche、Tesla、Toyotaに言及する英語のツイート約1万6千件を収集し、ブランド自身のアカウントからの投稿は除外して一般ユーザーの投稿に注目しました。ツイート専用に学習された高度な言語モデルを用い、各メッセージを肯定的か否定的かにラベル付けします。純粋に事実を伝える中立的な投稿は、人々の感情を明確に示さないため除外します。

ブランドの好意を示す単一のスコア

肯定的ツイートと否定的ツイートが揃ったところで、チームはブランド偏向スコア（Brand Polarity Score, BPS）を構築します。この数値は-1から+1の範囲で、好意的な言及の数と不満の数を比較します。値がゼロを上回れば称賛が批判を上回っていることを意味し、ゼロ未満ならブランドに問題があることを示します。研究対象の1か月間では、5社ともプラス圏にあり、PorscheとBMWが上位で、Teslaは最も混在したムードを示しました。単純な肯定ツイートのカウントと異なり、BPSは称賛と批判を合わせて重み付けするため、全体的な好意をより明確に表します。

ムードの変動を時間軸で追う

世論はめったに一直線には動きません。バイラルな称賛投稿、リコールの通知、大きな製品発表は、数日間で感情を急変させることがあります。こうした変動を捉えるために、著者らは各自動車メーカーについて日ごとのブランド偏向スコアを追跡します。さらに第二の指標としてブランド偏向位置指標（Brand Polarity Position Indicator, BPPI）を導入します。これは移動平均のように過去の日々を累積してノイズをなだらかにします。日々のスコアで現れる急騰はBPPIの曲線では緩やかな変化となり、短期的な盛り上がりよりも重要度の高い、ゆっくりとした評判の変化を浮かび上がらせます。

どの声がより影響力を持つのか？

すべてのツイートが同等というわけではありません。フォロワーの多いアカウントからの好意的なコメントや広く共有された不満は、エンゲージメントのない一件の投稿よりもはるかに多くの人に影響を及ぼします。これを反映するために、本研究では影響力を重み付けしたブランド偏向スコア（Influence-weighted Brand Polarity Score, IwBPS）を作成します。各ツイートには、受けた注目度や投稿者の著名性、およびツイートやアカウントの経過時間を調整した重みが与えられます。研究者らはまた、このスコアの累積版であるIwBPPIを定義し、影響力のある声が長期的に与える影響を追跡します。これらの指標は、実際に広く拡散する投稿によってどのブランドが持ち上げられ、あるいは引きずり下ろされているかを明らかにします。

数値を検証する

指標が信頼できることを確認するために、著者らは複数の現実検査を実施します。最も好ましいツイートモデルを他の一般的なツールと比較し、大規模なラベル付きデータセット上で最も正確であることを示します。スコアの急激な変動が安全性スキャンダルや新技術の発表といった実際のニュースイベントと一致することも示します。さらに、選択したモデルの結果を主要クラウドプロバイダの商用システムと比較し、パターンが強く一致することを確認します。最後に、サンプリングの偏りやランダムな誤りに対する感度をテストし、ラベルを意図的にいくつか入れ替えても日次および累積指標が安定していることを示します。

日常的な理解にとっての意味

平たく言えば、この研究は、混沌とした速いペースのソーシャルメディア上の雑談を、ブランドに対する人々の感情を追跡する明確で信頼できる少数の数値に変換することが可能であることを示しています。基本スコアは会話が概ね好意的か否かを示し、累積指標は長期的な評判の傾向を明らかにし、影響力重み付け版は大きな変動が声の大きい広く届く投稿によるものかどうかを示します。専門家でない人にとっての結論は、ブランドがオンラインの大勢の気分を推測したり数か月間調査結果を待ったりする必要はなく、現代の言語処理ツールで公開ツイートを注意深く読み取ることで、ほぼリアルタイムに自社の立ち位置を監視し、些細な不満が持続的なダメージに発展する前に対処できるということです。

引用: 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

キーワード: ソーシャルメディアの感情, 自動車ブランド, Twitter分析, ブランド評判, 機械学習