Het kwantificeren van klantgevoelens voor merkperceptie-analyse van automerken met machine learning op Twitter

Waarom gevoelens op sociale media ertoe doen voor autofabrikanten

Elke dag praten miljoenen mensen op sociale media over merken, vaak eerlijker dan ze in een formele enquête zouden doen. Voor autofabrikanten onthullen deze losse berichten wat bestuurders echt van hun voertuigen en service vinden. Dit artikel onderzoekt hoe tweets over vijf grote automerken kunnen worden omgezet in één gemakkelijk leesbare score die aangeeft of de publieke stemming neigt naar positief of negatief — en hoe die stemming in de loop van de tijd verschuift.

Van online gepraat naar meetbare stemming

De onderzoekers vertrekken van een eenvoudig idee: in plaats van mensen langzaam en duur te bevragen, luister naar wat ze al online zeggen. Ze verzamelen bijna 16.000 Engelstalige tweets waarin BMW, Mercedes-Benz, Porsche, Tesla of Toyota worden genoemd, waarbij berichten van de officiële merkrekeningen zorgvuldig worden uitgesloten om zich op gewone gebruikers te concentreren. Met een geavanceerd taalmodel dat specifiek op tweets is getraind, wordt elk bericht als positief of negatief gelabeld. Neutrale, puur feitelijke berichten worden opzijgezet omdat ze niet duidelijk laten zien hoe mensen zich voelen.

Één score voor merkwelwillendheid

Met positieve en negatieve tweets in handen bouwt het team een Brand Polarity Score, of BPS. Dit getal loopt van -1 tot +1 en vergelijkt hoeveel lovende vermeldingen een merk krijgt met hoeveel klachten erover zijn. Een waarde boven nul betekent meer lof dan kritiek; onder nul zou op problemen wijzen. Voor de bestudeerde maand kwamen alle vijf autofabrikanten in positief gebied terecht, met Porsche en BMW voorop en Tesla als meest gemengde stemming. In tegenstelling tot ruwe tellingen van positieve tweets weegt de BPS lof en kritiek tegen elkaar af, wat een duidelijker beeld van de algehele merkwelwillendheid geeft.

Stemmingsschommelingen in de tijd volgen

De publieke opinie beweegt zelden in een rechte lijn. Een viraal lovend bericht, een terugroepactie of een grote productaankondiging kan de stemming voor een paar dagen snel doen kantelen. Om deze schommelingen vast te leggen, volgen de auteurs de Brand Polarity Score dag per dag voor elk automerk. Ze introduceren daarna een tweede maat, de Brand Polarity Position Indicator (BPPI), die werkt als een voortschrijdend gemiddelde: het accumuleert voorgaande dagen en dempt ruis. Pieken die in de dagelijkse score verschijnen, worden zachte bochten in de BPPI-curve, waardoor langzamere, meer betekenisvolle verschuivingen in reputatie zichtbaar worden in plaats van kortstondige uitbarstingen.

Wiens stem telt zwaarder?

Niet alle tweets zijn gelijk. Een blij bericht van een account met veel volgers, of een breed gedeelde klacht, kan veel meer mensen beïnvloeden dan een eenzame opmerking zonder interactie. Om dit te weerspiegelen creëert de studie een invloed-gewogen Brand Polarity Score (IwBPS). Elke tweet krijgt een gewicht op basis van hoeveel aandacht het ontving en hoe prominent de auteur is, aangepast voor de leeftijd van zowel de tweet als het account. De onderzoekers definiëren ook een cumulatieve versie van deze score, IwBPPI, om de langetermijnimpact van invloedrijke stemmen te volgen. Deze maten benadrukken welke merken worden opgehemeld — of naar beneden gehaald — door berichten die daadwerkelijk ver over het platform reizen.

De cijfers op de proef stellen

Om te controleren of hun maten betrouwbaar zijn, voeren de auteurs meerdere realiteitscontroles uit. Ze vergelijken hun favoriete tweetmodel met andere gangbare tools en constateren dat het het meest nauwkeurig is op een grote, gelabelde dataset. Ze laten zien dat plotselinge sprongen in hun scores samenvallen met echte nieuwsgebeurtenissen, zoals veiligheids-schandalen of aankondigingen van nieuwe technologieën. Ze vergelijken ook de resultaten van hun gekozen model met een commercieel systeem van een grote cloudprovider en vinden dat de patronen sterk overeenkomen. Ten slotte testen ze hoe gevoelig de scores zijn voor steekproeffouten en willekeurige fouten, en tonen aan dat de dagelijkse en cumulatieve indicatoren stabiel blijven, zelfs wanneer sommige labels opzettelijk worden verstoord.

Wat dit betekent voor algemeen begrip

Simpel gezegd toont de studie aan dat het mogelijk is om rommelige, snel bewegende sociale-mediapraat om te zetten in een klein aantal duidelijke, betrouwbare cijfers die bijhouden hoe mensen over automerken denken. De basisscore zegt of het gesprek overwegend positief of negatief is, de cumulatieve indicatoren onthullen langetermijntrends in reputatie, en de invloed-gewogen versies laten zien of grote verschuivingen worden aangedreven door luide, breed gehoorde stemmen. Voor leken is de conclusie dat merken niet langer hoeven te gissen naar hoe de online menigte zich voelt of maanden te wachten op enquêteresultaten: door publieke tweets zorgvuldig te lezen met moderne taalhulpmiddelen kunnen ze hun positie bijna in realtime monitoren en reageren voordat kleine ergernissen uitgroeien tot blijvende schade.

Bronvermelding: 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

Trefwoorden: sentiment op sociale media, automerken, Twitter-analyse, merkreputatie, machine learning