Kvantifiering av kundsentiment för analys av bilmärkesuppfattning med maskininlärning på Twitter

Varför känslor i sociala medier betyder något för biltillverkarna

Varje dag pratar miljontals människor om märken i sociala medier, ofta ärligare än i en formell enkät. För biltillverkare avslöjar dessa spontana inlägg vad förare verkligen tycker om sina fordon och service. Den här artikeln undersöker hur tweets om fem stora bilmärken kan omvandlas till en enda, lättläst poäng som visar om allmänhetens stämning lutar åt det positiva eller negativa — och hur den stämningen förändras över tid.

Från nätprat till mätbar stämning

Forskarna utgår från en enkel idé: istället för att fråga människor vad de tycker i långsamma, dyra undersökningar, lyssna på vad de redan säger online. De samlar nästan 16 000 engelskspråkiga tweets som nämner BMW, Mercedes-Benz, Porsche, Tesla eller Toyota, och utesluter noggrant inlägg från märkenas egna konton för att fokusera på vanliga användare. Med en avancerad språkmodell tränad specifikt på tweets klassificeras varje meddelande som positivt eller negativt. Neutrala, rent faktabaserade inlägg läggs åt sidan, eftersom de inte tydligt visar hur folk känner.

En enda poäng för varumärkesgoodwill

Med positiva och negativa tweets i handen bygger teamet en Brand Polarity Score, eller BPS. Detta tal varierar från -1 till +1 och jämför hur många gynnsamma omnämnanden ett märke får mot hur många klagomål det får. Ett värde över noll innebär mer beröm än kritik; under noll skulle signalera ett märke i svårigheter. För den månad de studerade hamnade alla fem biltillverkarna i positivt territorium, med Porsche och BMW i topp och Tesla som visar den mest blandade stämningen. Till skillnad från rena räkningar av positiva tweets väger BPS beröm och kritik tillsammans och ger en tydligare bild av det övergripande förtroendet.

Följa humörsvängningar över tid

Allmänhetens åsikt rör sig sällan i en rak linje. Ett viralt berömsinlägg, ett återkallandemeddelande eller en stor produktlansering kan snabbt påverka sentimentet under några dagar. För att fånga dessa svängningar följer författarna Brand Polarity Score dag för dag för varje biltillverkare. De introducerar sedan en andra måttstock, Brand Polarity Position Indicator (BPPI), som fungerar som ett löpande medelvärde: det ackumulerar tidigare dagar och jämnar ut brus. Spikar som syns i den dagliga poängen blir mjuka böjar i BPPI-kurvan, vilket framhäver långsammare, mer meningsfulla förändringar i anseende snarare än kortlivade utbrott.

Vems röst väger tyngst?

Inte alla tweets är skapade lika. En positiv kommentar från ett konto med många följare, eller ett mycket delat klagomål, kan påverka många fler än en ensam kommentar utan engagemang. För att återspegla detta skapar studien en inflytande-viktad Brand Polarity Score (IwBPS). Varje tweet tilldelas en vikt baserat på hur mycket uppmärksamhet den fått och hur framträdande dess författare är, anpassat efter både tweetens och kontoets ålder. Forskarna definierar också en kumulativ version av denna poäng, IwBPPI, för att följa de långsiktiga effekterna av inflytelserika röster. Dessa mått lyfter fram vilka märken som lyfts upp — eller dras ner — av inlägg som faktiskt sprids långt över plattformen.

Sätta siffrorna på prov

För att kontrollera att deras mått är tillförlitliga genomför författarna flera verklighetskontroller. De jämför sin föredragna tweetmodell mot andra populära verktyg och finner att den är mest exakt på en stor, märkt datamängd. De visar att plötsliga hopp i deras poäng överensstämmer med verkliga nyhetshändelser, såsom säkerhetsskandaler eller nya teknikannonseringar. De jämför också resultaten från deras valda modell med ett kommersiellt system från en stor molnleverantör och finner att mönstren stämmer väl överens. Slutligen testar de hur känsliga poängen är för provtagningsavvikelser och slumpmässiga fel, och visar att de dagliga och kumulativa indikatorerna förblir stabila även när vissa etiketter medvetet förvrängs.

Vad detta betyder för vardaglig förståelse

Enkelt uttryckt visar studien att det är möjligt att omvandla rörigt, snabbföränderligt prat i sociala medier till ett litet antal klara, pålitliga siffror som spårar hur människor känner inför bilmärken. Den grundläggande poängen visar om samtalet mestadels är positivt eller negativt, de kumulativa indikatorerna avslöjar långsiktiga reputations-trender, och de inflytande-viktade versionerna visar om stora skift drivs av högljudda, vida spridda röster. För icke-specialister är slutsatsen att märken inte längre behöver gissa hur den onlinepubliken känner eller vänta månader på enkätresultat: genom att noggrant läsa offentliga tweets med moderna språkverktyg kan de övervaka sin ställning nästan i realtid och reagera innan små klagomål växer till bestående skada.

Citering: 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

Nyckelord: sentiment i sociala medier, bilmärken, Twitter-analys, varumärkesrykte, maskininlärning