Quantificando o sentimento do cliente para análise da percepção de marcas automobilísticas usando aprendizado de máquina no Twitter

Por que os sentimentos nas redes sociais importam para fabricantes de carros

Todos os dias, milhões de pessoas comentam sobre marcas nas redes sociais, frequentemente com mais sinceridade do que em uma pesquisa formal. Para as montadoras, essas postagens informais revelam o que os motoristas realmente pensam sobre seus veículos e serviços. Este artigo explora como tweets sobre cinco grandes marcas de automóveis podem ser transformados em uma única pontuação fácil de ler que mostra se o humor público está mais positivo ou negativo — e como esse humor muda ao longo do tempo.

Do bate-papo online ao humor mensurável

Os pesquisadores partem de uma ideia simples: em vez de perguntar às pessoas o que pensam por meio de pesquisas lentas e caras, ouça o que elas já estão dizendo online. Eles coletam quase 16.000 tweets em inglês que mencionam BMW, Mercedes-Benz, Porsche, Tesla ou Toyota, excluindo cuidadosamente publicações das próprias contas das marcas para focar em usuários comuns. Usando um modelo de linguagem avançado treinado especificamente em tweets, cada mensagem é rotulada como positiva ou negativa. Postagens neutras e puramente factuais são deixadas de lado, pois não mostram claramente como as pessoas se sentem.

Uma única pontuação para o goodwill da marca

Com tweets positivos e negativos em mãos, a equipe constrói uma Pontuação de Polaridade da Marca, ou BPS. Esse número varia de -1 a +1 e compara quantas menções favoráveis uma marca recebe contra quantas reclamações ela acumula. Um valor acima de zero significa mais elogios do que críticas; abaixo de zero sinalizaria uma marca em apuros. No mês estudado, as cinco montadoras ficaram em território positivo, com Porsche e BMW liderando e Tesla mostrando o humor mais misto. Ao contrário da contagem bruta de tweets positivos, a BPS pondera elogios e críticas em conjunto, oferecendo uma visão mais clara do goodwill geral.

Acompanhando oscilações de humor ao longo do tempo

A opinião pública raramente se move em linha reta. Uma postagem elogiosa que viraliza, um aviso de recall ou um grande anúncio de produto podem inclinar rapidamente o sentimento por alguns dias. Para capturar essas oscilações, os autores acompanham a Pontuação de Polaridade da Marca dia a dia para cada montadora. Em seguida, introduzem uma segunda medida, o Indicador de Posição da Polaridade da Marca (BPPI), que atua como uma média móvel: acumula os dias anteriores e suaviza o ruído. Picos que aparecem na pontuação diária tornam-se curvas suaves no BPPI, destacando mudanças mais lentas e significativas na reputação em vez de explosões de curta duração.

De quem a voz pesa mais?

Nem todos os tweets têm o mesmo valor. Um comentário satisfeito de uma conta com muitos seguidores, ou uma reclamação amplamente compartilhada, pode influenciar muito mais pessoas do que uma observação solitária sem engajamento. Para refletir isso, o estudo cria uma Pontuação de Polaridade da Marca ponderada por Influência (IwBPS). Cada tweet recebe um peso baseado em quanto atenção recebeu e quão proeminente é seu autor, ajustado pela idade do tweet e da conta. Os pesquisadores também definem uma versão cumulativa dessa pontuação, IwBPPI, para acompanhar o impacto de longo prazo das vozes influentes. Essas medidas destacam quais marcas estão sendo elevadas — ou arrastadas para baixo — por publicações que realmente se espalham pela plataforma.

Colocando os números à prova

Para verificar se suas medidas são confiáveis, os autores realizam várias checagens de realidade. Eles comparam seu modelo de tweets preferido com outras ferramentas populares e descobrem que é o mais preciso em um grande conjunto de dados rotulado. Mostram que saltos súbitos em suas pontuações coincidem com eventos reais de notícias, como escândalos de segurança ou anúncios de novas tecnologias. Também comparam os resultados de seu modelo escolhido com um sistema comercial de um grande provedor de nuvem e encontram forte concordância nos padrões. Por fim, testam a sensibilidade das pontuações a peculiaridades de amostragem e erros aleatórios, demonstrando que os indicadores diário e cumulativo permanecem estáveis mesmo quando alguns rótulos são deliberadamente embaralhados.

O que isso significa para a compreensão cotidiana

Em termos simples, o estudo mostra que é possível transformar a conversa desordenada e rápida das redes sociais em um pequeno conjunto de números claros e confiáveis que acompanham como as pessoas se sentem sobre marcas de automóveis. A pontuação básica indica se a conversa é majoritariamente positiva ou negativa, os indicadores cumulativos revelam tendências de reputação de longo prazo e as versões ponderadas por influência mostram se grandes mudanças estão sendo impulsionadas por vozes altas e amplamente ouvidas. Para não especialistas, a conclusão é que as marcas não precisam mais adivinhar como o público online se sente nem esperar meses por resultados de pesquisas: ao ler cuidadosamente tweets públicos com ferramentas modernas de linguagem, elas podem monitorar sua posição quase em tempo real e responder antes que queixas menores se transformem em danos duradouros.

Citação: 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

Palavras-chave: sentimento em redes sociais, marcas automobilísticas, análise do Twitter, reputação da marca, aprendizado de máquina