Количественная оценка настроений клиентов для анализа восприятия автомобильного бренда с помощью машинного обучения в Twitter

Почему реакции в социальных сетях важны для автопроизводителей

Каждый день миллионы людей обсуждают бренды в соцсетях и часто говорят честнее, чем в формальных опросах. Для автокомпаний такие неформальные публикации показывают, что водители действительно думают о своих автомобилях и сервисе. В этой статье рассматривается, как твиты о пяти крупных автомобильных брендах можно свести к единому, легко читаемому показателю, отражающему, склоняется ли общественное настроение к позитиву или негативу — и как это настроение меняется со временем.

От онлайн-переписки к измеримому настроению

Исследователи исходят из простой идеи: вместо того чтобы задавать людям вопросы в медленных и дорогих опросах, стоит прислушаться к тому, что они уже пишут в сети. Они собирают почти 16 000 англоязычных твитов, в которых упоминаются BMW, Mercedes-Benz, Porsche, Tesla или Toyota, тщательно исключая сообщения от аккаунтов самих брендов, чтобы сосредоточиться на обычных пользователях. С помощью продвинутой языковой модели, обученной специально на твитах, каждое сообщение маркируется как положительное или отрицательное. Нейтральные, чисто фактические посты откладываются в сторону, поскольку они не дают ясного представления о чувствах людей.

Единый показатель доброй воли к бренду

Имея положительные и отрицательные твиты, команда строит показатель полярности бренда (Brand Polarity Score, BPS). Это число варьируется от −1 до +1 и сопоставляет количество благоприятных упоминаний с количеством жалоб. Значение выше нуля означает больше похвалы, чем критики; значение ниже нуля сигнализировало бы о проблемах бренда. За исследуемый месяц все пять автопроизводителей оказались в положительной зоне: лидировали Porsche и BMW, а у Tesla настроение было наиболее смешанным. В отличие от простого подсчёта положительных твитов, BPS учитывает одновременно похвалу и критику, давая более ясную картину общей доброй воли.

Отслеживание колебаний настроения во времени

Общественное мнение редко движется по прямой. Виральный пост с похвалой, объявление об отзыве или крупное анонсирование продукта могут быстро изменить настроение на несколько дней. Чтобы зафиксировать такие колебания, авторы отслеживают BPS по дням для каждого автопроизводителя. Затем они вводят второй показатель — индикатор позиции полярности бренда (Brand Polarity Position Indicator, BPPI), который действует как скользящая средняя: он аккумулирует предыдущие дни и сглаживает шум. Всплески в дневном показателе превращаются в плавные изгибы на кривой BPPI, подчёркивая более медленные и значимые сдвиги в репутации, а не кратковременные всплески.

Чьё мнение важнее?

Не все твиты равны. Положительный комментарий от аккаунта с большой аудиторией или широко распространённая жалоба могут повлиять на гораздо большее число людей, чем одиночное замечание без откликов. Чтобы отразить это, в исследовании создают взвешенный по влиянию показатель полярности бренда (Influence-weighted Brand Polarity Score, IwBPS). Каждому твиту присваивается вес в зависимости от того, сколько внимания он привлёк и насколько известен его автор, с корректировкой с учётом возраста самого твита и аккаунта. Исследователи также определяют кумулятивную версию этого показателя, IwBPPI, чтобы отслеживать долгосрочное влияние влиятельных голосов. Эти метрики показывают, какие бренды поднимаются или падают из‑за постов, которые действительно широко распространяются по платформе.

Проверка чисел на практике

Чтобы убедиться в надёжности своих показателей, авторы проводят несколько проверок реальностью. Они сравнивают выбранную модель для твитов с другими популярными инструментами и обнаруживают, что она самая точная на большой размеченной выборке. Они показывают, что резкие скачки в их показателях совпадают с реальными событиями в новостях, такими как скандалы по безопасности или анонсы новых технологий. Также они сравнивают результаты своей модели с коммерческой системой крупного облачного провайдера и находят сильное сходство в паттернах. Наконец, они тестируют чувствительность показателей к искажениям выборки и случайным ошибкам, показывая, что дневные и кумулятивные индикаторы остаются стабильными даже при намеренном перемешивании некоторых меток.

Что это значит для повседневного понимания

Проще говоря, исследование показывает: можно превратить небрежную, быстро меняющуюся переписку в соцсетях в небольшой набор чётких, надёжных чисел, которые отслеживают, как люди относятся к автомобильным брендам. Базовый показатель говорит, преобладает ли в обсуждении позитив или негатив; кумулятивные индикаторы выявляют долгосрочные тренды репутации; а взвешенные по влиянию версии показывают, вызваны ли крупные сдвиги громкими, широко услышанными голосами. Для неспециалистов вывод прост: брендам больше не нужно гадать, что думает онлайн‑аудитория, или ждать месяцы результатов опросов — аккуратно анализируя публичные твиты современными языковыми инструментами, они могут мониторить своё положение почти в реальном времени и реагировать, прежде чем мелкие недовольства перерастут в долговременный ущерб.

Цитирование: 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

Ключевые слова: настроения в социальных сетях, автомобильные бренды, анализ Twitter, репутация бренда, машинное обучение