Determinación del nivel de percepción de usuario a través de estudios de análisis de sentimientos en el contexto del marketing
DOI:
https://doi.org/10.17981/ingecuc.18.2.2022.19Palabras clave:
computación afectiva, nivel de percepción, minería de opinión, polaridad, análisis de sentimientosResumen
Introducción: Los comentarios que realizan los clientes de las empresas en las redes sociales y portales de comercio electrónico sobre productos y servicios ofrecidos por estas, no solo permiten a las empresas determinar la percepción de los clientes para la toma de decisiones a nivel de marketing, sino que también sirven como referencia para otros clientes a tomar decisiones antes de comprar un producto. Una de las técnicas derivadas del procesamiento del lenguaje natural y la computación afectiva que permite determinar el de una opinión es el análisis de sentimiento.
Objetivo: Determinar un indicador cuantitativo del nivel de percepción mediante una ecuación matemática que involucra el valor de polaridad (positiva, negativa, neutra) de una opinión.
Metodología: Este trabajo se enfocó en la automatización del proceso de minería de opinión y la determinación del nivel de percepción mediante la identificación de las librerías más utilizadas e idóneas para el desarrollo de este trabajo; la identificación de ecuaciones matemáticas para determinar el nivel de percepción, la implementación de una herramienta para automatizar el proceso y la verificación de su utilidad mediante un caso de estudio.
Resultados: Por medio de una ecuación matemática que involucra las tres polaridades de una opinión obteniendo una herramienta automatizada en lenguaje Python, que hace uso de la librería Paralleldots.
Conclusiones: La herramienta desarrollada permite realizar estudios de minería de opinión en los que el valor agregado es la estimación de un nivel de percepción por opinión y general. El enfoque propuesto pretende servir como referencia para ser replicado y extrapolado en diferentes contextos de aplicación además del marketing.
Descargas
Citas
Baldasarri, “Computación Afectiva: tecnología y emociones para mejorar la experiencia de usuario”, Rev Inst Fac Informática, no. 3, pp. 14–15, Jun. 2016. Disponible en http://sedici.unlp.edu.ar/handle/10915/53441
G. Chanchí-Golondrino, C. Hernández-Londoño y M. Ospina-Alarcón, “Aplicación de la computación afectiva en el análisis de la percepción de los asistentes a una feria de emprendimiento del SENA,” Rev Cient, vol. 44, no. 2, pp. 215–227, Ene. 2021. https://doi.org/10.14483/23448350.18971
M. Pouromid, A. Yekkehkhani, M. Oskoei & A. Aminimehr, “ParsBERT Post-Training for Sentiment Analysis of Tweets concerning Stock Market,” presented at 26th International Computer Conference, Computer Society of Iran, CSICC, THR, IR, 3-4 Mar. 2021. https://doi.org/10.1109/CSICC52343.2021.9420569
H. Lin, T. Wang, G. Lin, S. Cheng, H. Chen & Y. Huang, “Applying sentiment analysis to automatically classify consumer comments concerning marketing 4Cs aspects,” Appl Soft Comput, vol. 97, pp. 1–10, Dec. 2020. https://doi.org/10.1016/J.ASOC.2020.106755
N. Srivats Athindran, S. Manikandaraj & R. Kamaleshwar, “Comparative Analysis of Customer Sentiments on Competing Brands using Hybrid Model Approach,” presented at 3rd International Conference on Inventive Computation Technologies, ICICT, CBE, IN, 15-16 Nov. 2018. https://doi.org/10.1109/ICICT43934.2018.9034283
F. Khan, U. Qamar & S. Bashir, “eSAP: A decision support framework for enhanced sentiment analysis and polarity classification,” Inf Sci, vol. 367-368, pp. 862–873, Nov. 2016. https://doi.org/10.1016/J.INS.2016.07.028
P. Mukherjee, Y. Badr, S. Doppalapudi, S. Srinivasan, R. Sangwan & R. Sharma, “Effect of Negation in Sentences on Sentiment Analysis and Polarity Detection,” Procedia Comput Sci, vol. 185, pp. 370–379, Jan. 2021. https://doi.org/10.1016/J.PROCS.2021.05.038
A. Moreno-Ortiz & J. Fernández-Cruz, “Identifying Polarity in Financial Texts for Sentiment Analysis: A Corpus-based Approach,” Procedia-Soc Behav Sci, vol. 198, pp. 330–338, Jul. 2015. https://doi.org/10.1016/J.SBSPRO.2015.07.451
G. Chanchí y A. Cordoba, “Análisis de emociones y sentimientos sobre el discurso de firma del acuerdo de paz en Colombia,” RISTI, no. E22, pp. 95–107, Mar. 2019. Available: http://www.risti.xyz/issues/ristie22.pdf
G. Chanchí, W. Campo y L. Sierra, “Estudio del atributo satisfacción en pruebas de usabilidad, mediante técnicas de análisis de sentimientos,” RISTI, no. E23, pp. 340–352, May. 2019. Disponible en https://search.proquest.com/openview/dc9c3ac1b6b131619f5c2c7bfa97c1c5/1.pdf?pq-origsite=gscholar&cbl=1006393
V. Gil, “Análisis de sentimientos sobre el impacto social de proyectos de vivienda en América Latina: el caso un TECHO para mi país (Colombia),” Rev. Espac., vol. 39, no. 44, pp. 30-37, May. 2018. Available: http://www.revistaespacios.com/a18v39n44/a18v39n44p30.pdf
J. García, P. Henríquez-Coronel, J. Pincai y J. Herrera-Tapia, “Analítica de Twitter para el estudio de las emociones primarias durante el terremoto de México 2017,” RISTI, no. E19, pp. 479–492, Dic. 2018. Disponible en https://www.proquest.com/openview/841aa93ba3c3df451770cecf46615e88/1?pq-origsite=gscholar&cbl=1006393
C. Arcila-Calderón, F. Ortega-Mohedano, J. Jiménez-Amores y S. Trullenque, “Análisis supervisado de sentimientos políticos en español: clasificación en tiempo real de tweets basada en aprendizaje automático,” Prof Inf, vol. 26, no. 5, pp. 973–982, Mar. 2017. https://doi.org/10.3145/epi.2017.sep.18
V. Ikoro, M. Sharmina, K. Malik & R. Batista-Navarro, “Analyzing Sentiments Expressed on Twitter by UK Energy Company Consumers,” presented at 5 International Conference on Social Networks Analysis, Management and Security, ICSNAMS, VAL, ES, 15-18 Oct. 2018. https://doi.org/10.1109/SNAMS.2018.8554619
S. Ainin, A. Feizollah, N. Anuar & N. Abdullah, “Sentiment analyses of multilingual tweets on halal tourism,” Tour Manag Perspect, vol. 34, pp. 1-8, Jan. 2019. https://doi.org/10.1016/J.TMP.2020.100658
M. Hung, E. Lauren, E. Hon, W. Birmigham, J. Xu, S. Su, S. Hon, J. Park, P. Dang & M. Lipsky, “Social network analysis of COVID-19 sentiments: Application of artificial intelligence,” J Med Internet Res, vol. 22, no. 8, pp. 1–13, Aug. 2020. https://doi.org/10.2196/22590
A. Reyes-Menendez, J. Saura & F. Filipe, “Marketing challenges in the #MeToo era: gaining business insights using an exploratory sentiment analysis,” Heliyon, vol. 6, no. 3, pp. 1–13, Jul. 2019. https://doi.org/10.1016/J.HELIYON.2020.E03626
K. Pratt, Design Patterns for Research Methods: Iterative Field Research, AAAI, May, 2020. Available from http://kpratt.net/wp-content/uploads/2009/01/research_methods.pdf
S. Rao, N. Monica, P. Nikhila, T. Tejasri & B. Maram, “Positivity Calculation using Vader Sentiment Analyser”, IJAER, vol. 4, no. 3, pp. 13–17, Mar. 2020. Available from http://ijeais.org/wp-content/uploads/2020/3/IJAER200303.pdf
E. Jacobs, “Mood: Harry Potter,” Erika Jacobs, Jul. 28, 2019. [Online]. Available: https://erika-jacobs.com/post/mood-harry-potter/
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 INGE CUC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista INGE CUC respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.
English
Español (España)
