¿Cómo funciona el análisis de

sentimientos?
El análisis de opinión utiliza varios métodos y algoritmos de
procesamiento del lenguaje natural (PNL), que veremos con más
detalle en esta sección.
Los principales tipos de algoritmos utilizados incluyen:
 Sistemas basados en reglas que realizan análisis de
sentimientos basados en un conjunto de reglas creadas
manualmente.
 Sistemas automáticos que dependen de técnicas de
aprendizaje automático para aprender de los datos.
 Sistemas híbridos que combinan enfoques automáticos y
basados en reglas.
Enfoques basados en reglas
Por lo general, un sistema basado en reglas utiliza un conjunto de
reglas creadas por humanos para ayudar a identificar la
subjetividad, la polaridad o el tema de una opinión.
Estas reglas pueden incluir varias técnicas desarrolladas en
lingüística computacional, tales como:
 Stemming , tokenización , etiquetado y análisis de  parte del
discurso .
 Léxicos (es decir, listas de palabras y expresiones).
Aquí hay un ejemplo básico de cómo funciona un sistema basado
en reglas:
1. Define dos listas de palabras polarizadas (por ejemplo,
palabras negativas como mala , peor , fea , etc. y palabras
positivas como buena , mejor , hermosa , etc.).
2. Cuenta el número de palabras positivas y negativas que
aparecen en un texto dado.
3. Si el número de apariciones de palabras positivas es mayor
que el número de apariciones de palabras negativas, el sistema
devuelve un sentimiento positivo y viceversa. Si los números son
pares, el sistema devolverá un sentimiento neutral.
Los sistemas basados en reglas son muy ingenuos ya que no tienen
en cuenta cómo se combinan las palabras en una secuencia. Por
supuesto, se pueden utilizar técnicas de procesamiento más
avanzadas y agregar nuevas reglas para admitir nuevas
expresiones y vocabulario. Sin embargo, agregar nuevas reglas
puede afectar los resultados anteriores y todo el sistema puede
volverse muy complejo. Dado que los sistemas basados en reglas a
menudo requieren ajustes y mantenimiento, también necesitarán
inversiones regulares.
Enfoques automáticos
Los métodos automáticos, a diferencia de los sistemas basados en
reglas, no se basan en reglas diseñadas manualmente, sino
en técnicas de aprendizaje automático . Una tarea de análisis de
sentimientos generalmente se modela como un problema de
clasificación, mediante el cual un clasificador recibe un texto y
devuelve una categoría, por ejemplo, positiva, negativa o neutral.
Así es como se puede implementar un clasificador de aprendizaje
automático:

Los procesos de entrenamiento y predicción

En el proceso de capacitación (a), nuestro modelo aprende a
asociar una entrada particular (es decir, un texto) a la salida
(etiqueta) correspondiente en función de las muestras de prueba
utilizadas para la capacitación. El extractor de características
transfiere la entrada de texto a un vector de características. Los
pares de vectores de características y etiquetas (por
ejemplo , positivo , negativo o neutro ) se introducen en el algoritmo
de aprendizaje automático para generar un modelo.
En el proceso de predicción (b), el extractor de características se
utiliza para transformar entradas de texto invisibles en vectores de
características. Estos vectores de características se introducen en el
modelo, lo que genera etiquetas predichas (de
nuevo, positivas , negativas o neutrales ).
Extracción de características del texto
El primer paso en un clasificador de texto de aprendizaje
automático es transformar la extracción de texto o la vectorización de
texto, y el enfoque clásico ha sido la bolsa de palabras o la bolsa de
ngramas con su frecuencia.
Más recientemente, se han aplicado nuevas técnicas de extracción
de características basadas en incrustaciones de palabras (también
conocidas como vectores de palabras ). Este tipo de
representaciones hace posible que las palabras con un significado
similar tengan una representación similar, lo que puede mejorar el
rendimiento de los clasificadores.
Algoritmos de clasificación
El paso de clasificación generalmente involucra un modelo
estadístico como Naïve Bayes, Regresión logística, Máquinas de
vectores de soporte o Redes neuronales:
 Naïve Bayes : una familia de algoritmos probabilísticos que
utiliza el Teorema de Bayes para predecir la categoría de un
texto.
 Regresión lineal : un algoritmo muy conocido en estadística
utilizado para predecir algún valor (Y) dado un conjunto de
características (X).
 Máquinas de vectores de soporte : un modelo no probabilístico
que utiliza una representación de ejemplos de texto como
puntos en un espacio multidimensional. Los ejemplos de
diferentes categorías (sentimientos) se asignan a distintas
regiones dentro de ese espacio. Luego, a los nuevos textos se
les asigna una categoría basada en similitudes con los textos
existentes y las regiones a las que se asignan.
 Aprendizaje profundo : un conjunto diverso de algoritmos que
intentan imitar el cerebro humano, mediante el uso de redes
neuronales artificiales para procesar datos.
Enfoques híbridos
Los sistemas híbridos combinan los elementos deseables de las
técnicas automáticas y basadas en reglas en un solo sistema. Una
gran ventaja de estos sistemas es que los resultados son a menudo
más precisos.
Desafíos del análisis de sentimientos
Los científicos informáticos han intentado desarrollar clasificadores
de sentimientos más precisos y superar las limitaciones en los
últimos años. Echemos un vistazo más de cerca a algunos de los
desafíos que enfrentan:
Subjetividad y tono
La detección de textos subjetivos y objetivos es tan importante
como analizar su tono. De hecho, los llamados textos objetivos no
contienen sentimientos explícitos. Digamos, por ejemplo, que tiene
la intención de analizar el sentimiento de los dos textos siguientes:
El paquete es lindo.
El paquete es rojo.
La mayoría de la gente diría que el sentimiento es positivo para el
primero y neutral para el segundo, ¿verdad? Todos
los predicados (adjetivos, verbos y algunos sustantivos) no deben
ser tratados de la misma manera con respecto a cómo crean
sentimientos. En los ejemplos anteriores, bonito es
más subjetivo que rojo .
Contexto y polaridad
Todos los enunciados se pronuncian en algún momento, en algún
lugar, por y para algunas personas, entiendes el punto. Todos los
enunciados se pronuncian en contexto. Analizar el sentimiento sin
contexto se vuelve bastante difícil. Sin embargo, las máquinas no
pueden aprender sobre contextos si no se mencionan
explícitamente. Uno de los problemas que surgen del contexto son
los cambios en la polaridad . Mire las siguientes respuestas a una
encuesta:
Todo de eso.
¡Absolutamente nada!
Imagine que las respuestas anteriores provienen de las respuestas
a la pregunta ¿Qué le gustó del evento?  La primera respuesta sería
positiva y la segunda sería negativa, ¿verdad? Ahora, imagine que
las respuestas provienen de las respuestas a la pregunta ¿Qué le
disgustó del evento?  Lo negativo en la pregunta hará que el análisis
de sentimientos cambie por completo.
Se necesitará una gran cantidad de preprocesamiento o
posprocesamiento para tener en cuenta al menos parte del
contexto en el que se produjeron los textos. Sin embargo, cómo
preprocesar o postprocesar datos para capturar los bits de
contexto que ayudarán a analizar el sentimiento no es sencillo.
Ironía y sarcasmo
Cuando se trata de ironía y sarcasmo , las personas expresan sus
sentimientos negativos con palabras positivas, lo que puede ser
difícil de detectar para las máquinas sin tener una comprensión
profunda del contexto de la situación en la que se expresó un
sentimiento.
Por ejemplo, mire algunas posibles respuestas a la pregunta: ¿Le
gustó su experiencia de compra con nosotros?
Si seguro.  ¡Tan suave!
¡No uno, sino muchos!
¿Qué sentimiento asignarías a las respuestas anteriores? La
primera respuesta con un signo de exclamación podría ser
negativa, ¿verdad? El problema es que no hay una señal textual que
ayude a una máquina a aprender, o al menos cuestione ese
sentimiento, ya que sí, y seguramente a menudo pertenecen a
textos positivos o neutrales.
¿Qué tal la segunda respuesta? En este contexto, el sentimiento es
positivo, pero estamos seguros de que puede encontrar muchos
contextos diferentes en los que la misma respuesta puede
expresar un sentimiento negativo.
Comparaciones
Cómo tratar las comparaciones en el análisis de sentimientos es
otro desafío que vale la pena abordar. Mira los textos a
continuación:
Este producto es insuperable.
Esto es mejor que las herramientas más antiguas.
Esto es mejor que nada.
La primera comparación no necesita ninguna pista contextual para
clasificarse correctamente. Está claro que es positivo.
Sin embargo, el segundo y el tercer texto son un poco más difíciles
de clasificar. ¿Los clasificaría como neutrales , positivos o
incluso negativos ? Una vez más, el contexto puede hacer la
diferencia. Por ejemplo, si las 'herramientas más antiguas' en el
segundo texto se consideran inútiles, entonces el segundo texto es
bastante similar al tercer texto.
Emojis
Hay dos tipos de emojis según Guibon et al. . Los emojis
occidentales (p. Ej .: D) están codificados en solo uno o dos
caracteres, mientras que los emojis orientales (p. Ej. ¯ \ _ (ツ) _ / ¯)
son una combinación más larga de caracteres de naturaleza
vertical. Los emojis juegan un papel importante en el sentimiento
de los textos, particularmente en los tweets.
Tendrá que prestar especial atención al nivel de los caracteres, así
como al nivel de las palabras, al realizar análisis de sentimientos en
tweets. También se podría necesitar mucho preprocesamiento. Por
ejemplo, es posible que desee preprocesar el contenido de las
redes sociales y transformar los emojis occidentales y orientales en
tokens y ponerlos en la lista blanca (es decir, siempre tomarlos
como una característica para fines de clasificación) para ayudar a
mejorar el rendimiento del análisis de sentimientos.
Aquí hay una lista bastante completa de emojis y sus caracteres
unicode que pueden ser útiles al preprocesar.
Definiendo Neutral
La definición de lo que entendemos por neutral es otro desafío a
abordar para realizar un análisis de sentimiento preciso. Como en
todos los problemas de clasificación, definir sus categorías -y, en
este caso, la etiqueta neutral- es una de las partes más importantes
del problema. Lo que quieres decir
con neutral , positivo o negativo importa cuando entrenas modelos
de análisis de sentimientos. Dado que los datos de etiquetado
requieren que los criterios de etiquetado sean consistentes, una
buena definición del problema es imprescindible.
Aquí hay algunas ideas para ayudarlo a identificar y
definir textos neutrales :
1. Textos objetivos. Los llamados textos objetivos no contienen
sentimientos explícitos, por lo que debe incluir esos textos en la
categoría neutral.
2. Información irrelevante. Si no ha procesado previamente sus
datos para filtrar información irrelevante, puede etiquetarlos
como neutrales. Sin embargo, ten cuidado! Solo haga esto si
sabe cómo esto podría afectar el rendimiento general. A veces,
 agregará ruido a su clasificador y el rendimiento podría
empeorar.
3. Textos que contienen deseos. Algunos deseos como, desearía
que el producto tuviera más integraciones son generalmente
neutrales. Sin embargo, aquellos que incluyen comparaciones
como, ojalá el producto fuera mejor, son bastante difíciles de
clasificar
¿Qué tan preciso es el análisis de
sentimientos?
Esto es lo que es el análisis de sentimientos: es una tarea
tremendamente difícil incluso para los seres humanos. Dicho esto,
los clasificadores de análisis de sentimientos podrían no ser tan
precisos como otros tipos de clasificadores. Recuerde que el
acuerdo entre anotadores es bastante bajo y que las máquinas
aprenden de los datos con los que se alimentan (ver arriba).
Dicho esto, podrías estar diciendo, ¿vale la pena el esfuerzo? La
respuesta es simple: ¡vale la pena! Lo más probable es que las
predicciones del análisis de sentimientos sean incorrectas de vez
en cuando, pero al usar el análisis de sentimientos, tendrá la
oportunidad de hacerlo correctamente alrededor del 70-80% de las
veces que envíe sus textos para su clasificación.
Si usted o su empresa no han utilizado el análisis de sentimientos
antes, verán algunas mejoras muy rápidamente. Para casos de uso
típicos, como enrutamiento de tickets, monitoreo de marca y
análisis de VoC (ver más abajo), esto significa que ahorrará mucho
tiempo y dinero, lo que es probable que esté invirtiendo en el
trabajo manual interno hoy en día. sus equipos sienten cierta
frustración y aumentan su productividad (o la de su empresa).

Análisis de opinión Casos de uso y

aplicaciones
En esta sección, presentaremos casos de uso, aplicaciones y
ejemplos de cómo se puede usar el análisis de sentimientos para:
 Monitoreo de redes sociales
 Monitoreo de la marca
 Voz del cliente (VoC)
 Servicio al Cliente
 Investigación de mercado
Monitoreo de redes sociales
En la fatídica noche del 9 de abril de 2017, United Airlines retiró por la
fuerza a un pasajero de un vuelo sobrevendido. El incidente de
pesadilla fue filmado por otros pasajeros en sus teléfonos
inteligentes y publicado de inmediato. Uno de los videos, publicado
en Facebook, fue compartido más de 87,000 veces y visto 6,8
millones de veces antes de las 6 p.m.del lunes, solo 24 horas
después.
El fiasco fue magnificado horriblemente por la respuesta
despectiva de la compañía. El lunes por la tarde, United Airlines
tuiteó una declaración del CEO disculpándose por "tener que
acomodar a los clientes". Indique la indignación pública: puede
imaginar el día de campo en Twitter.
Este es exactamente el tipo de catástrofe de relaciones públicas
que puede evitar con el análisis de sentimientos. También es un
excelente ejemplo de por qué es importante preocuparse, no solo
si las personas están hablando de su marca, sino también
de cómo están hablando de ella. Más menciones no equivalen a
menciones positivas.
En la actualidad, las marcas de todas las formas y tamaños tienen
interacciones significativas con clientes, clientes potenciales e
incluso competencia en redes sociales como Facebook, Twitter e
Instagram. La mayoría de los departamentos de marketing ya están
sintonizados en menciones en línea en cuanto a volumen : miden
más charla a medida que más conocimiento de la marca. Hoy en
día, sin embargo, las empresas necesitan buscar información más
profunda. Al usar el análisis de sentimientos en las redes sociales,
podemos obtener una visión increíble de la calidad de la
conversación que está sucediendo en torno a una marca.
En resumen, el análisis de sentimientos se puede
utilizar para:
 Analice tweets y / o publicaciones de Facebook durante un
período de tiempo para detectar el sentimiento de una
audiencia en particular
 Monitoree las menciones de su marca en las redes sociales y
clasifique automáticamente por urgencia
 Dirige automáticamente las menciones de las redes sociales a
los miembros del equipo que mejor se adapten para responder
 Automatizar cualquiera o todos estos procesos.
 Obtenga una visión profunda de lo que sucede en sus canales
de redes sociales
Principales beneficios para el monitoreo de redes
sociales:
El análisis de opinión es útil en el monitoreo de redes sociales
porque te ayuda a hacer todo lo siguiente:
 Priorizar la acción. Lo que es más urgente: un cliente furioso
o un "¡gracias!" ¿gritar? Obviamente el cliente enojado. El análisis
de sentimientos le permite filtrar fácilmente las menciones no
leídas por positividad y negatividad, lo que le ayuda a priorizar
los problemas.
 Siga las tendencias a lo largo del tiempo.
 Sintonice un punto específico en el tiempo, es decir, el
período previo al lanzamiento de un nuevo producto o el día en
que cayó una pieza de mala prensa en particular.
 Mantente al tanto de la competencia. ¿Por qué no monitorear
las redes sociales de sus competidores de la misma manera que
usted controla las suyas? Si sintonizas de cerca, tal vez notes
que ha habido una respuesta negativa a una característica
particular de su nuevo producto, y respondes diseñando una
campaña de generación de leads dirigida exactamente a esa
brecha. Ni siquiera sabrán qué los golpeó.
Ejemplo: Trump vs Clinton, según Twitter
En el transcurso de unos meses durante las elecciones
presidenciales de EE. UU. De 2016, recopilamos y analizamos
millones de tuits que mencionan a Clinton o Trump publicados por
usuarios de todo el mundo. Clasificamos cada uno de esos tweets
con un sentimiento positivo , neutral o negativo .
Por ejemplo, aquí hay algunos tweets que analizamos:
 Negativo: “La discordia racial fue concebida, alimentada,
refinada y perpetuada por los estadounidenses, incluido el
padre de @ realDonaldTrump. ¡Ser realistas!"
 Neutral: "@HillaryClinton recibirá la primera pregunta en el
debate presidencial de esta noche, según @CBSNews
#ClintonVsTrump".
 Positivo: "¡Los estadounidenses confían en
@realDonaldTrump para hacer que nuestra economía vuelva a
ser excelente!"
 Positivo: “@wcve es increíble cómo nuestra ciudad lo ama y él
realmente ama a nuestra ciudad. @HillaryClinton hizo una gran
elección para el Vicepresidente. @timkaine ".
De este análisis simple y fácil, encontramos ideas interesantes:
 Más tweets mencionaron @realDonaldTrump (~ 450k / día)
que @HillaryClinton (~ 250k / día). Nuevamente, esto no es igual
a positividad, pero implica conocimiento de marca (y en el caso
de algo como elecciones, el conocimiento es clave).
 Para ambos candidatos, hubo más tweets negativos que
positivos. Dado que es Twitter y política, esto no fue una gran
sorpresa.
 Trump tuvo una mejor relación de Tweet positivo a negativo
que Clinton.
En resumen, más personas tuitearon sobre Trump, y un mayor
porcentaje de personas que tuitearon sobre Trump lo hicieron de
manera más positiva que las personas que tuitearon sobre Clinton.
Monitoreo de marca
No solo las marcas tienen una gran cantidad de información
disponible en las redes sociales, sino también en Internet. En lugar
de centrarnos en plataformas de redes sociales específicas como
Facebook y Twitter, podemos encontrar menciones en lugares
como noticias, blogs y foros, nuevamente, mirando no solo el
volumen de menciones, sino también la calidad de esas menciones.
En nuestro ejemplo de United Airlines, por ejemplo, el estallido
comenzó en las plataformas de redes sociales de unos pocos
pasajeros. En cuestión de horas, fue recogido por los sitios de
noticias y se extendió como un reguero de pólvora por todo
Estados Unidos. Luego, las noticias se extendieron a China y
Vietnam, ya que se informó que el pasajero era un estadounidense
de ascendencia chino-vietnamita y las personas acusaron a los
autores de la discriminación racial. En China, el incidente se
convirtió en el tema de tendencia número uno en Weibo, un sitio
de microblogging con casi 500 millones de usuarios.
Y de nuevo, todo esto está sucediendo a las pocas horas y días de
cuando ocurrió el incidente.
En resumen, el análisis de sentimientos se puede
utilizar para:
 Analice artículos de noticias, publicaciones de blog, debates
en foros y otros textos en Internet durante un período de
tiempo para ver el sentimiento de una audiencia en particular.
 Clasifique automáticamente la urgencia de todas las
menciones en línea de su marca
 Alerte automáticamente a los miembros designados del
equipo de las menciones en línea que conciernen a su área de
trabajo
 Automatizar cualquiera o todos estos procesos.
 Comprenda mejor la presencia en línea de una marca al
obtener todo tipo de información y análisis interesantes
Principales beneficios para el monitoreo de marca:
 Comprenda cómo evoluciona la reputación de su marca con
el tiempo
 Investigue a su competencia y comprenda cómo su
reputación también evoluciona con el tiempo.
 Identifique posibles crisis de relaciones públicas y sepa tomar
medidas inmediatas. Nuevamente, priorice qué incendios deben
apagarse de inmediato y qué menciones pueden esperar.
 Sintoniza un punto específico en el tiempo. Nuevamente, tal
vez desee ver solo las menciones de prensa el día de su
presentación de OPI, o el lanzamiento de un nuevo producto. El
análisis de sentimientos te permite hacer eso.
Ejemplo: Expedia Canadá
Alrededor de la época navideña, Expedia Canadá realizó una clásica
campaña de marketing de "escape invernal". Todo estaba bien,
excepto el violín estridente que eligieron como música de fondo. Es
comprensible que la gente recurriera a las redes sociales, blogs y
foros. Expedia se dio cuenta de inmediato y eliminó el
anuncio. Luego, crearon una serie de videos derivados: uno mostró
al actor original rompiendo el violín, y en otro, invitaron a un
seguidor real que se había quejado en Twitter a entrar y arrancar el
violín del actor. manos. Aunque su campaña original fue un
fracaso, Expedia pudo redimirse escuchando a sus clientes y
respondiendo.
Mediante el análisis de sentimientos (y el aprendizaje automático),
puede monitorear automáticamente todas las conversaciones
alrededor de su marca y detectar este tipo de escenario
potencialmente explosivo mientras todavía tiene tiempo para
desactivarlo.
Comentarios de los clientes
Las redes sociales y el monitoreo de la marca nos ofrecen
información inmediata, sin filtro e invaluable sobre el sentimiento
del cliente. Sin embargo, hay otros dos tesoros: las encuestas y las
interacciones de atención al cliente.
Las encuestas de Net Promoter Score (NPS) son una de las formas
más populares para que las empresas obtengan comentarios, y
comienzan haciendo una pregunta simple: ¿recomendaría esta
empresa, producto y / o servicio a un amigo o familiar?  - eso da como
resultado un número o puntaje simple. Las empresas utilizan estos
puntajes para identificar a los clientes como promotores, pasivos o
detractores. El objetivo es identificar la experiencia general del
cliente y encontrar formas de elevar a todos los clientes al nivel de
"promotor", donde teóricamente comprarán más, se quedarán
más tiempo y recomendarán a otros clientes.
Los datos de la encuesta numérica se agregan y evalúan
fácilmente, pero la siguiente pregunta en las encuestas de NPS
pregunta a los clientes por qué dejaron el puntaje que
hicieron. Esto desencadena una serie de respuestas abiertas que
son mucho más difíciles de analizar. Sin embargo, con el análisis de
sentimientos, estos textos pueden clasificarse en positivos y
negativos, lo que le da una idea más clara de por qué los clientes
dejaron las puntuaciones que hicieron.
En resumen, el análisis de sentimientos se puede
utilizar para:
 Analizar NPS agregados u otras respuestas de la encuesta
 Analizar interacciones agregadas de atención al cliente
 Haga un seguimiento del sentimiento del cliente sobre
aspectos específicos del negocio a lo largo del tiempo. Esto
agrega profundidad para explicar por qué el puntaje general de
NPS podría haber cambiado, o si aspectos específicos han
cambiado de forma independiente.
 Dirigirse a individuos para mejorar su servicio. Al ejecutar
automáticamente el análisis de opinión en las encuestas
entrantes, puede detectar clientes que son "muy negativos"
hacia su producto o servicio, para que pueda responderlos de
inmediato
 Determine si determinados segmentos de clientes se sienten
más seguros acerca de su empresa. Puede concentrarse en el
sentimiento de ciertas características demográficas, intereses,
personas, etc.
Principales beneficios para comprender la Voz del
Cliente (VoC):
 Utilice los resultados del análisis de sentimientos para
diseñar preguntas mejor informadas para formular en futuras
encuestas
 Comprender los matices de la experiencia del cliente a lo
largo del tiempo, junto con por qué y cómo están ocurriendo los
cambios.
 Empoderar a sus equipos internos brindándoles una visión
más profunda de la experiencia del cliente, por segmento y por
aspectos específicos del negocio.
 Responda más rápidamente a las señales y los cambios de
los clientes.
Ejemplo: proyecto McKinsey City Voices
En Brasil, el gasto público federal aumentó un 156% entre 2007 y
2015, mientras que la satisfacción de las personas con los servicios
públicos disminuyó constantemente. Insatisfecho con este
progreso contraproducente, el Departamento de planificación
urbana reclutó a McKinsey para ayudarlos a trabajar en una serie
de nuevos proyectos que se centrarían primero en la experiencia
del usuario, o en los viajes de los ciudadanos, al prestar
servicios. Este estilo de gobierno centrado en los ciudadanos ha
llevado al surgimiento de lo que llamamos Smart Cities.
McKinsey desarrolló una herramienta llamada City Voices, que lleva
a cabo encuestas de ciudadanos (clientes) en más de 150 métricas
diferentes, y luego ejecuta un análisis de opinión para ayudar a los
líderes a comprender cómo viven los electores y lo que necesitan,
para informar mejor las políticas públicas. Mediante el uso de esta
herramienta, el gobierno brasileño pudo detectar necesidades
urgentes, un sistema de autobuses más seguro, por ejemplo, y
mejorarlas primero.
Si incluso ciudades y países enteros, famosos por sus trámites
burocráticos y su ritmo lento, están incorporando los viajes de los
clientes y el análisis de sentimientos en sus procesos de toma de
decisiones, entonces las empresas innovadoras deben estar muy
por delante.
Servicio al Cliente
Todos conocemos el ejercicio: la experiencia estelar del cliente
significa una mayor tasa de clientes que regresan. Las empresas
líderes saben que la forma en que entregan es tan importante, si no
más, como lo que entregan. Los clientes esperan que su
experiencia con las empresas sea inmediata, intuitiva, personal y
sin complicaciones. De hecho, la investigación muestra que el 25%
de los clientes cambiarán a un competidor después de solo una
interacción negativa.
Ya vimos cómo podemos usar el análisis de sentimientos en
términos del VoC más amplio, por lo que ahora contactaremos a
los equipos de servicio al cliente.
El análisis de sentimientos se puede usar para:
 Automatice la clasificación de texto de todas las consultas
entrantes de atención al cliente
 Detecta rápidamente clientes descontentos y saca esos
boletos a la cima
 Dirigir consultas a miembros específicos del equipo más
adecuados para responder
 Obtenga una visión profunda de lo que sucede en su
atención al cliente
Principales beneficios para el servicio al cliente:
 Priorice el pedido para responder a los tickets, asegurándose
de abordar primero las necesidades más urgentes.
 Aumente la eficiencia mediante la asignación automática de
tickets a una categoría particular o miembro del equipo.
Ejemplo: análisis de interacciones de atención al cliente en Twitter
Solo por diversión, decidimos analizar cómo las cuatro principales
compañías telefónicas de los Estados Unidos (AT&T, Verizon, Sprint
y T-Mobile) manejan las interacciones de atención al cliente en
Twitter. Descargamos decenas de miles de tweets que mencionan
a las compañías (por nombre o por nombre), y las ejecutamos a
través de un modelo de sentimiento MonkeyLearn para clasificar
cada tweet como positivo , neutral o negativo . Luego usamos
nuestro nuevo Insight Extractor , que lee todo el texto como una
unidad, extrae las palabras clave más relevantes y devuelve las
oraciones más relevantes, incluida cada palabra clave.
Aquí hay algunas ideas:
 T-Mobile tuvo, con mucho, el mayor porcentaje de tweets
positivos
 Verizon fue la única compañía con más tweets negativos que
positivos.
 Las principales palabras clave para tweets positivos en
Verizon incluyen términos típicos como "teléfono nuevo",
"gracias" y "servicio al cliente de calidad". Las interacciones clave
entre clientes y agentes fueron formales y algo secas.
 Las principales palabras clave para tweets positivos en T-
Mobile incluyeron nombres de agentes de atención al cliente, ya
que su equipo tiene una mayor participación, así como
conversaciones de tipo de ida y vuelta con sus seguidores.
En resumen, esto podría implicar que una toma más personal y
atractiva de las redes sociales provoca respuestas más positivas y
una mayor satisfacción del cliente.

Investigación de mercado
Y como caso de uso final, el análisis de sentimientos permite todo
tipo de investigación de mercado y análisis competitivo. Ya sea que
esté explorando un nuevo mercado, anticipando tendencias
futuras o teniendo una ventaja sobre la competencia, el análisis de
sentimientos puede marcar la diferencia.
El análisis de sentimientos se puede usar para:
 Analice las reseñas de productos de su marca y compárelas
con la competencia.
 Genere informes semanales, mensuales o diarios, una
especie de sistema de alerta temprana
 Compare el sentimiento en los mercados internacionales
 Analice informes de mercado formales o revistas de negocios
para tendencias más amplias a largo plazo.
 Analice tweets y publicaciones en redes sociales para eventos
en tiempo real
 Analizar revisiones para comentarios de clientes sin filtrar
 Utilice el análisis de sentimientos basado en aspectos  para
obtener una visión más detallada de los detalles y la razón de
las tendencias opacas del mercado
Principales beneficios para la investigación de
mercado:
 Aproveche las nuevas fuentes de información
 Cuantificar la información cualitativa
 Agregue esa dimensión cualitativa a los conocimientos
cuantitativos ya recopilados
 Proporcione información en tiempo real en lugar de
retrospectiva
 Automatizado para informes regulares (quizás semanales)
 Rellene los vacíos donde los datos públicos son escasos, por
ejemplo, en los mercados emergentes.
Ejemplos: opiniones de hoteles en TripAdvisor
Nuestro equipo tenía curiosidad sobre cómo se siente la gente
acerca de los hoteles en varias ciudades importantes de todo el
mundo, por lo que descartamos y analizamos más de un millón de
comentarios de TripAdvisor. Buscamos hoteles en Londres, París,
Nueva York, Bangkok, Madrid, Pekín y Río de Janeiro.
Aquí hay algunas ideas:
 Las revisiones fueron en su mayoría positivas: en promedio,
el 82% de los comentarios fueron etiquetados con un
sentimiento positivo
 Los hoteles de Londres recibieron las peores críticas
 Los hoteles de Londres fueron vistos como más sucios que
los hoteles de Nueva York y con la peor comida en general.
Utilizamos el módulo de extracción de palabras clave para analizar el
contenido real de las críticas positivas / negativas, y encontramos
algunas ideas más interesantes:
 Las "cucarachas" solo aparecen en Bangkok. ¡Cuidado!
 "Croissants" aparece solo en París (como podríamos
esperar). Sorprendentemente, sin embargo, parecen ser una
decepción. Echando un vistazo más de cerca, pudimos concluir
que esto era más un reflejo en la comida de desayuno del hotel
que en la ciudad (¡uf!).

Tutoriales y herramientas de
recursos de análisis de opinión
El análisis de sentimientos es un tema realmente vasto y los
principiantes pueden no saber cómo comenzar. Afortunadamente,
existen muchos recursos, desde tutoriales útiles hasta todo tipo de
cursos, artículos y documentos que se especializan en este
tema. En esta sección, nuestro objetivo es brindarle una breve
descripción de cómo comenzar con el análisis de sentimientos.
1. Lee lo básico
Antes de sumergirse en literatura y tutoriales sobre análisis de
sentimientos, asegúrese de comprender los conceptos básicos del
análisis de sentimientos. Quizás repase estas secciones una vez
más:
 Los fundamentos del análisis de sentimientos.
 Diferentes tipos de análisis de sentimientos.
 Los beneficios del análisis de sentimientos.
 Cómo funciona el análisis de sentimientos.
Si ya está familiarizado con el tema, puede explorar literatura de
análisis de sentimientos más avanzada .
2. Pruebe una herramienta en línea
Un buen próximo paso en su viaje para aprender más sobre el
análisis de sentimientos es jugar y experimentar con
una herramienta de análisis de sentimientos .
Al tener experiencia de primera mano, puede comprender
rápidamente cómo el análisis de sentimientos clasifica las
expresiones. También aprenderá rápidamente cuáles son los
desafíos y las advertencias de esta tecnología.
A continuación, puede probar diferentes modelos que fueron
entrenados por MonkeyLearn para un conjunto diverso de tareas de
análisis de sentimientos. Siéntase libre de experimentar con
diferentes expresiones y ver cómo se comportan los diferentes
modelos y hacer predicciones.
Si obtiene un resultado extraño, podría deberse a que la expresión
que ha utilizado no fue reconocida por el modelo (todavía). Intente
ingresar más palabras para ver cómo esto afecta los resultados.
Además, puede usar MonkeyLearn para crear un modelo
personalizado para el análisis de sentimientos para obtener
resultados específicos que se adapten a su dominio e interés.
Análisis de sentimientos entre dominios
Este es un clasificador de análisis de sentimientos entre dominios para
textos en inglés. Funciona bien en cualquier tipo de texto. Si no
está seguro de qué modelo de análisis de opinión utilizar, le
recomendamos que utilice este.
Prueba con tu propio texto
Clasificar texto
Resultados
ETIQUETA
CONFIANZA

Positivo

100%
Tweet Sentimiento
Este modelo se puede utilizar para clasificar tweets en inglés de
acuerdo con su sentimiento (es decir , positivo , neutral o negativo ).
Prueba con tu propio texto
Clasificar texto
Resultados
ETIQUETA
CONFIANZA

Positivo
 36,0%
Sentimiento del producto
Este modelo clasifica las reseñas y opiniones de productos en inglés
como positivas o negativas según su opinión.
Prueba con tu propio texto
Clasificar texto
Resultados
ETIQUETA
CONFIANZA

Positivo

99,1%
Sentimiento del hotel
Este clasificador de análisis de sentimientos se formó con datos de
diferentes sitios de revisión de hoteles para distinguir entre buenas
y malas críticas.
Prueba con tu propio texto
Clasificar texto
Resultados
ETIQUETA
CONFIANZA

Positivo

95,8%

3. Aprende de un tutorial
Hay un tutorial de análisis de sentimientos para casi todos:
codificadores, no codificadores, vendedores, analistas de datos,
agentes de soporte, vendedores, lo que sea. En esta sección,
compartiremos una selección de tutoriales para que pueda
encontrar algo en su callejón.
Tutoriales de análisis de sentimientos para
codificadores
Para aquellos que se sienten cómodos con el código y las API,
puede encontrar rápidamente todo tipo de guías y recursos paso a
paso. Python es el lenguaje de programación más común para
tutoriales sobre análisis de datos, aprendizaje automático y PNL
(incluido el análisis de sentimientos), pero R se está poniendo al día
rápidamente, especialmente con los tutoriales dirigidos a
científicos de datos y estadísticos.
Análisis de los sentimientos de los 100 principales subreddits
con Python
Este es un tutorial de análisis de sentimientos y raspado web de
Python que proporciona una guía paso a paso sobre cómo analizar
los 100 subreddits principales según el sentimiento de sus
comentarios.
Comienza explicando cómo usar Beautiful Soup , una de las
bibliotecas de Python más populares para el raspado web, para
extraer datos de las páginas web. El autor utiliza esta biblioteca
para extraer los principales subreddits de la página web y obtener los
nombres de los 100 principales subreddits (subreddits como / r /
funny, / r / AskReddit y / r / todayilearned).
Una vez que obtiene los nombres de los subreddits, usa la biblioteca
Praw para interactuar con la API de Reddit y extraer los comentarios
de estos subreddits.
Finalmente, el autor explica cómo usar TextBlob para realizar
análisis de opinión sobre los comentarios extraídos.
Código: https://github.com/jg-fisher/redditSentiment
Análisis de opinión de las revisiones de Slack usando R
Imaginemos que somos el equipo de Slack y estamos buscando una
manera fácil y confiable de obtener datos sobre los sentimientos
de los usuarios sobre nuestro producto. Podemos recurrir a las
revisiones en línea para responder algunas preguntas importantes.
Pero, cuando hay miles de reseñas, puede ser difícil clasificar todos
estos comentarios y obtener la información que estamos
buscando. Simplemente hay demasiados comentarios para
procesar manualmente.
Con esto en mente, hemos proporcionado una guía paso a paso de
cómo se puede llevar a cabo una fisuras análisis de los sentimientos
de los exámenes de parafina utilizando R .
Analiza algunos miles de revisiones de Slack en el sitio de revisión
de productos Capterra y obtiene una gran información de los datos.
Análisis del sentimiento del estado de la Unión con R
Kaggle es un gran recurso para todo tipo de tutoriales relacionados
con la ciencia de datos. En este análisis del sentimiento en el tutorial de
R de Rachael Tatman, puede aprender cómo el autor analizó el
sentimiento del discurso del Estado de la Unión, que es un discurso
anual dado por el Presidente de los Estados Unidos al Congreso.
Este mensaje es una oportunidad para que el presidente informe a
los ciudadanos estadounidenses (y al mundo) sobre cómo le está
yendo al gobierno con respecto a asuntos que son importantes
para los Estados Unidos.
Al analizar los diferentes mensajes de estos discursos del Estado de
la Unión, es posible obtener muchas ideas interesantes, como
cómo ha cambiado el sentimiento con el tiempo o qué presidentes
recibieron más comentarios negativos o positivos.
Las armas de elección en este tutorial son el paquete Tidytext para
usar un léxico de sentimientos y el paquete ggplot2 para crear las
diferentes visualizaciones de nuestro análisis.
Como primer paso, el autor procede a tokenizar los datos, lo que
básicamente significa tomar el texto de los discursos y dividirlo en
sus palabras individuales. Luego, compara estos tokens con una
lista de palabras con sentimientos positivos o negativos asociados
(un léxico de sentimientos) y crea algunas visualizaciones usando el
paquete ggplot.
Al final del tutorial, el autor proporciona algunos ejercicios que son
útiles para obtener práctica adicional y una comprensión más
profunda del análisis de sentimientos.
Análisis de sentimientos de Tweets usando NLTK
Si eres un codificador de Python y quieres aprender a entrenar tu
primer clasificador de texto para el análisis de sentimientos, hay
una guía paso a paso sobre el análisis de sentimientos de Twitter
usando Python y NLTK . El autor utiliza Natural Language
Toolkit NLTK para entrenar a un clasificador que puede predecir el
sentimiento de un nuevo tweet.
Para comenzar, el autor explica cómo extraer una lista de
características de un conjunto predefinido de tweets positivos y
negativos. Estas características son un conjunto de palabras
distintivas que se pueden usar para representar cada tweet y son
una parte clave del entrenamiento de un clasificador.
Luego, aprenderá cómo preparar los datos de capacitación que
contienen los conjuntos de características etiquetadas. Finalmente,
procede a entrenar un clasificador Naive Bayes , un algoritmo simple
pero poderoso que funciona particularmente bien con problemas
de procesamiento del lenguaje natural.
Una vez que ha entrenado a un clasificador, el autor procede a
explicar cómo usar este modelo para clasificar un nuevo tweet
entrante.
Análisis de sentimientos en canciones usando R
Si está buscando un tutorial más avanzado sobre análisis de
sentimientos utilizando R, entonces
Si está buscando un tutorial más avanzado sobre análisis de
sentimientos con R, aprenda a usar el paquete Tidytext para realizar
análisis de sentimientos en las canciones de Prince .
El autor comienza analizando información básica como la
diversidad léxica de las letras de Prince. Luego, explora diferentes
léxicos de sentimientos (incluidos AFINN , Bing y NRC ) y qué tan bien
encajan para analizar las letras de Prince. Luego, se procede a
explicar cómo realizar un análisis de sentimiento de manera
efectiva en todas las canciones de Prince. Una vez que tiene el
sentimiento, explora el sentimiento de las letras a lo largo de los
años y proporciona una explicación práctica sobre cómo los
bigrams afectan el sentimiento.
Este tutorial requiere una comprensión básica de los datos
ordenados, ya que utiliza dplyr para la transformación de datos
y ggplot2 para las visualizaciones.
Análisis de sentimientos de Tweets usando Scikit-learn y Jupyter
Notebook
Scikit-learn es una herramienta simple y eficiente para el análisis de
datos, que se utiliza con mayor frecuencia para la clasificación,
regresión y agrupación de datos. Es una de las bibliotecas más
utilizadas en el aprendizaje automático, ya que es potente pero
accesible para todos. Si realmente quiere aprender sobre análisis
de datos y aprendizaje automático, hay un tutorial fácil de seguir con
scikit-learn para ayudarlo a comenzar.
Explica cómo entrenar un modelo de regresión logística para el
análisis de sentimientos. Comienza mostrando cómo configurar
adecuadamente nuestro entorno, incluido el jupyter notebook, una
aplicación que permite la creación rápida de prototipos y el
intercambio de proyectos relacionados con datos.
Posteriormente, el autor procede a explicar cómo preparar y
vectorizar nuestros datos con scikit-learn. Finalmente, entrena un
clasificador lineal y muestra cómo evaluar el modelo y calcular la
precisión del modelo.
Análisis de sentimientos en Python usando MonkeyLearn
Aunque los marcos de código abierto son excelentes debido a su
flexibilidad, a veces puede ser una molestia usarlos si no tiene
experiencia en aprendizaje automático o PNL. La mayoría de los
frameworks de código abierto no tienen modelos previamente
entrenados que pueda usar de inmediato; Tendrás que entrenar a
uno desde cero. Además, deberá construir la infraestructura
adecuada para la capacitación y la implementación del modelo de
modelos de aprendizaje automático.
En cambio, es mejor que pruebe una API SaaS para el análisis de
sentimientos, como MonkeyLearns. Aprenda cómo hacer análisis de
sentimientos con Python usando la API de MonkeyLearn y comience a
usar un modelo de análisis de sentimientos preconstruido con solo
seis líneas de código. Luego, entrene su propio modelo de análisis
de sentimientos personalizado con la interfaz de usuario fácil de
usar de MonkeyLearn.
Tutoriales de análisis de sentimientos para personas
no técnicas
Hasta hace poco, el análisis de sentimientos era una tecnología de
nicho solo accesible para técnicos con habilidades de codificación y
experiencia en aprendizaje automático. Este ya no es el caso
gracias al aumento de una variedad de herramientas de análisis de
sentimientos fáciles de usar.
Los siguientes tutoriales pueden ayudarlo a comenzar con el
análisis de sentimientos sin una sola línea de código.
Análisis de sentimientos con Excel
Si bien todos sabemos cómo agrupar números con funciones de
Excel, analizar texto en hojas de cálculo sigue siendo un proceso
difícil y manual. Toma mucho tiempo dar sentido a los datos de
texto para crear informes y analizar tendencias. Pero
afortunadamente, hay una mejor manera. En lugar de pasar horas
revisando cada fila, analizando cada texto manualmente, puede
usar el análisis de sentimientos con Excel para ahorrar tiempo y hacer
más cosas.
MonkeyLearn te respalda, proporcionando una forma rápida y
sencilla de ejecutar análisis de sentimientos en tus hojas de cálculo de
Excel .
Primero, debe seleccionar un modelo de análisis de
sentimientos. Puede usar un modelo de análisis de sentimientos
previamente capacitado o crear su propio modelo creado con sus
propias etiquetas y criterios.
Luego, solo necesita cargar su archivo de Excel para ejecutar el
análisis de sentimientos con el modelo seleccionado. ¡Y
voilá! MonkeyLearn devolverá un nuevo archivo de Excel con los
datos originales más dos nuevas columnas: una con el resultado
del análisis de sentimientos y otra con la confianza del resultado.
Análisis de sentimientos con la mesa de ayuda
¿Estás interesado en conocer el sentimiento de un conjunto de
tweets? ¿O tal vez quiere entender que las respuestas de la
encuesta son positivas o negativas? No se preocupe, puede usar
herramientas de mesa de ayuda como Zapier para conectarse con
más de 1,000 aplicaciones, obtener los datos que necesita y
ejecutar su análisis de opinión.
Nuestro tutorial sobre análisis de sentimientos con Zapier lo guiará a
través de cómo crear un zap para obtener los datos que necesita y
ejecutar un análisis de sentimientos con MonkeyLearn, filtrar las
muestras por confianza para eliminar aquellas que puedan
conducir a predicciones inexactas y agregar ¡Un tercer paso para su
zap para guardar los resultados y crear todo tipo de visualizaciones
de datos!
Análisis de sentimientos en hojas de cálculo de Google
MonkeyLearn también puede activar sus hojas de Google con
análisis de sentimientos. Siga nuestra guía paso a paso, donde
explicamos cómo hacer análisis de sentimientos directamente en sus
Hojas de cálculo de Google utilizando nuestro complemento. También
repasamos algunas prácticas recomendadas y brindamos ejemplos
de cosas interesantes que puede hacer con sus datos.
Análisis de sentimientos con RapidMiner
RapidMiner es una plataforma donde puede crear procesos de
minería de datos sin ser un científico de datos
experimentado. Proporciona una interfaz de usuario amigable
donde puede crear flujos de trabajo de análisis de datos
completos, incluida la carga de datos, la ejecución de modelos de
aprendizaje automático y la creación de visualizaciones. Es fácil de
usar y alguien sin habilidades de codificación puede crear
rápidamente procesos automatizados y análisis de datos.
Hacer análisis de sentimientos con RapidMiner es bastante sencillo
con la extensión MonkeyLearn .
Primero, debe agregar los datos (es decir, una fuente) de su
computadora a RapidMiner. Puede cargar datos de un archivo CSV,
una base de datos o utilizar otras fuentes de datos disponibles en
el mercado de RapidMiner para importar datos de fuentes como
Facebook, SAS, Tableau y otros.
Como segundo paso, debe agregar el operador de clasificación
MonkeyLearn y conectarlo a la entrada (sus datos). Este operador
le permite usar clasificadores de texto disponibles en
MonkeyLearn, incluidos aquellos capacitados específicamente para
el análisis de sentimientos.
Finalmente, debe conectar la salida del operador de clasificación
MonkeyLearn al puerto de resultados, haga clic en 'ejecutar' y
¡listo! Aquí hay una introducción más completa sobre cómo configurar
la extensión Rapidminer para MonkeyLearn  .
Próximos pasos: literatura de investigación
Hasta ahora, ha leído sobre los conceptos básicos del análisis de
sentimientos, ha tenido experiencia de primera mano con los
modelos de análisis de sentimientos y posiblemente ha
configurado el análisis de sentimientos utilizando uno de los
tutoriales anteriores.
Ahora puede estar ansioso por subir de nivel sus habilidades y
aprender más sobre el análisis de sentimientos. En ese caso, el
siguiente paso sería profundizar en la investigación y la literatura
científica.
Artículos sobre análisis de sentimientos
La literatura sobre el análisis de sentimientos es masiva; Existen
más de 55,700 artículos académicos, artículos, tesis, libros y
resúmenes.
Los siguientes son los documentos más frecuentemente citados y
leídos en la comunidad de análisis de sentimientos en general:
 Minería de opinión y análisis de sentimientos  (Pang y Lee, 2008)
 Reconociendo la polaridad contextual en el análisis de sentimientos a
nivel de frase (Wilson, Wiebe y Hoffmann, 2005).
 Una encuesta de minería de opinión y análisis de sentimientos  (Liu y
Zhang, 2012)
 Análisis de sentimientos y minería de opinión (Liu, 2012)
Libros sobre análisis de sentimientos
Bing Liu es una eminencia en el campo y ha escrito un libro sobre
análisis de sentimientos y minería de opinión que es muy útil para
aquellos que comienzan la investigación sobre análisis de
sentimientos. Liu hace un trabajo maravilloso al explicar el análisis
de sentimientos de una manera que es altamente técnica, pero
comprensible. Liu cubre diferentes aspectos del análisis de
sentimientos, incluidas las aplicaciones, la investigación, la
clasificación de sentimientos mediante el aprendizaje supervisado
y no supervisado, la subjetividad de las oraciones, el análisis de
sentimientos basado en aspectos y más.
Cursos y conferencias
Otra buena manera de profundizar con el análisis de sentimientos
es dominar sus conocimientos y habilidades en el procesamiento
del lenguaje natural (PNL), el campo de la informática que se centra
en la comprensión del lenguaje 'humano'.
Al combinar el aprendizaje automático, la lingüística computacional
y la informática, la PNL permite que una máquina entienda el
lenguaje natural, incluidos los sentimientos, evaluaciones, actitudes
y emociones de las personas del lenguaje escrito.
Hay una gran cantidad de cursos, conferencias y recursos
disponibles en línea, pero el curso esencial de PNL es el curso
Stanford Coursera de Dan Jurafsky y Christopher Manning . Al tomar este
curso, obtendrá una introducción paso a paso al campo por parte
de dos de los nombres más reconocidos en la comunidad de PNL.
Si desea un curso más práctico, debe inscribirse en Data Science:
Natural Language Processing (NLP) en Python on Udemy. Este curso le
ofrece una buena introducción a la PNL y lo que puede hacer, pero
también lo hará construir diferentes proyectos en Python, incluido
un detector de spam, un analizador de opiniones y un artículo
giratorio. La mayoría de las conferencias son realmente cortas (~ 5
minutos) y el curso logra el equilibrio correcto entre contenido
práctico y teórico.
Conjuntos de datos de análisis de
sentimientos
La parte clave para dominar el análisis de sentimientos es trabajar
en diferentes conjuntos de datos y experimentar con diferentes
enfoques. Primero, necesitará obtener datos y adquirir un conjunto
de datos que usará para llevar a cabo sus experimentos.
Los siguientes son algunos de nuestros conjuntos de datos de
análisis de sentimientos favoritos para experimentar con el análisis
de sentimientos y un enfoque de aprendizaje automático. Están
abiertos y se pueden descargar gratis:
 Revisiones de productos : este conjunto de datos consta de
unos pocos millones de reseñas de clientes de Amazon con
calificaciones de estrellas, muy útiles para entrenar un modelo
de análisis de sentimientos.
 Reseñas de restaurantes : este conjunto de datos consta de 5,2
millones de reseñas de Yelp con estrellas.
 Reseñas de películas : este conjunto de datos consta de 1,000
críticas procesadas positivas y 1,000 negativas. También
proporciona 5,331 frases / fragmentos procesados positivos y
5,331 negativos.
 Revisiones de comida fina : este conjunto de datos consta de ~
500,000 revisiones de comida de Amazon. Incluye información
del producto y del usuario, clasificaciones y una versión de texto
sin formato de cada revisión.
 Sentimiento de las aerolíneas de Twitter sobre Kaggle  : este
conjunto de datos consta de ~ 15,000 tweets etiquetados
(positivo, neutral y negativo) sobre las aerolíneas.
 Primer sentimiento de Twitter del debate republicano : este
conjunto de datos consta de ~ 14,000 tweets etiquetados
(positivo, neutral y negativo) sobre el primer debate republicano
en 2016.
Si está interesado en un enfoque basado en reglas, la siguiente es
una lista variada de léxicos de análisis de sentimientos que serán
útiles. Estos léxicos proporcionan un conjunto de diccionarios de
palabras con etiquetas que especifican sus sentimientos en
diferentes dominios. Los siguientes léxicos son realmente útiles
para identificar el sentimiento de los textos:
 Léxicos de opinión para 81 idiomas : este conjunto de datos
contiene léxicos de opinión positivos y negativos para 81
idiomas.
 SentiWordNet : este conjunto de datos contiene alrededor de
29,000 palabras con un puntaje de opinión entre 0 y 1.
 Léxico de opinión para el análisis de sentimientos  : este conjunto
de datos proporciona una lista de 4,782 palabras negativas y
2,005 palabras positivas en inglés.
 Diccionario de opinión de Wordstat : este conjunto de datos
incluye ~ 4800 palabras positivas y ~ 9000 palabras negativas.
 Emoticon Sentiment Lexicon : este conjunto de datos contiene
una lista de 477 emoticones etiquetados como positivos,
neutros o negativos.
Herramientas de análisis de sentimientos y
API
Existen múltiples opciones en los sistemas de análisis de opinión
que se pueden consumir a través de una API o una interfaz de
usuario. En términos generales, se pueden clasificar en dos
categorías diferentes:
 Bibliotecas de código abierto
 Herramientas SaaS
Bibliotecas de código abierto
Dentro de las bibliotecas de código abierto, hay lenguajes de
programación como Python o Java que están particularmente bien
posicionados, ya que tienen una fuerte comunidad de ciencia de
datos y, como resultado, bibliotecas de código abierto para la
ciencia de datos, incluido el procesamiento del lenguaje natural. En
todos estos casos, debe tener un sólido conocimiento del
aprendizaje automático y la programación para poder utilizar las
bibliotecas con éxito.
API de análisis de opinión para Python
Python es uno de los principales lenguajes de programación para la
ciencia de datos y tiene una comunidad sólida y un gran conjunto
de opciones para implementar modelos de PNL.
Los siguientes son ejemplos notables:
Scikit-learn es la biblioteca de acceso para Machine Learning y tiene
herramientas útiles para la vectorización de texto. Entrenar un
clasificador sobre las vectorizaciones como frecuencia o
vectorizadores de texto tf-idf es muy sencillo. Scikit-learn tiene
implementaciones para Support Vector Machines, Naïve Bayes y
Logistic Regression, entre otras.
NLTK ha sido la biblioteca tradicional de NLP para Python. Tiene una
comunidad activa y, además de proporcionar funciones de bajo
nivel para PNL, también ofrece la posibilidad de entrenar
clasificadores de aprendizaje automático.
SpaCy es otra biblioteca de PNL reciente con una comunidad en
crecimiento. Al igual que NLTK, proporciona un conjunto sólido de
funciones de bajo nivel para PNL y soporte para la formación de
clasificadores de texto.
Con la tendencia de Deep Learning, en los últimos años, se ha
desarrollado un nuevo conjunto de bibliotecas de ciencia de datos
que tienen soporte para aplicaciones de PNL. Algunos de los más
notables:
TensorFlow . Desarrollado por Google, proporciona un conjunto de
herramientas de bajo nivel para construir y entrenar redes
neuronales. También hay soporte para la vectorización de texto,
tanto en la frecuencia de palabras tradicionales como en
incrustaciones de palabras más avanzadas.
Keras proporciona abstracciones útiles para trabajar con múltiples
tipos de redes neuronales como redes neuronales recurrentes (RNN)
y redes neuronales convolucionales (CNN) y apilar fácilmente capas de
neuronas. Keras se puede ejecutar sobre Tensorflow o
Theano. También proporciona herramientas útiles para la
clasificación de texto.
PyTorch es un marco reciente de Deep Learning respaldado por
algunas organizaciones prestigiosas como Facebook, Twitter,
Nvidia, Salesforce, la Universidad de Stanford, la Universidad de
Oxford y Uber. Rápidamente ha desarrollado una comunidad
fuerte.
API de análisis de opinión en Java
Java es otro lenguaje de programación con una comunidad sólida
en torno a la ciencia de datos con bibliotecas notables de ciencia de
datos para PNL.
 OpenNLP : un conjunto de herramientas que admite las tareas
de PNL más comunes, como la tokenización, la segmentación de
 oraciones, el etiquetado de parte del discurso, la extracción de
entidades con nombre, la fragmentación, el análisis, la detección
de lenguaje y la resolución de coreferencia.
 Stanford CoreNLP : un conjunto Java de herramientas básicas
de PNL proporcionadas por The Stanford NLP Group.
 Lingpipe : un kit de herramientas de Java para procesar texto
usando lingüística computacional. LingPipe se usa a menudo
para la clasificación de texto y la extracción de entidades.
 Weka : un conjunto de herramientas creadas por la
Universidad de Waikato para el procesamiento previo de datos,
clasificación, regresión, agrupamiento, reglas de asociación y
visualización.
Herramientas SaaS de análisis de sentimientos
Implementar un sistema de análisis de sentimientos desde cero no
es una tarea fácil. Por lo general, las empresas necesitan gastar
mucho tiempo, dinero y recursos en lo siguiente:
 Un equipo de ciencia de datos.
 Un equipo de desarrollo.
 Implementar y escalar la infraestructura para entrenar y
ejecutar los modelos.
 Implementación e implementación de una API para consumir
los modelos.
 Implementación de herramientas para etiquetar ejemplos de
capacitación.
 Ajuste de los hiperparámetros del modelo.
Si desea evitar estas molestias o no sabe cómo codificar, una
excelente alternativa es utilizar herramientas SaaS de análisis de
sentimientos. Puede usarlos fácilmente desde cualquier sistema a
través de su API, junto con cualquier lenguaje de
programación. Hay muchos lenguajes de programación donde se
construye el software, pero pocos de ellos tienen bibliotecas
sólidas para la ciencia de datos. Otra ventaja clave de estas
herramientas es que ni siquiera necesita saber cómo
codificar; Proporcionan integraciones con aplicaciones de terceros
como Google Sheets, Excel y Zapier para que pueda usar el análisis
de sentimientos de inmediato para analizar los datos.
La siguiente es una lista de herramientas de análisis de
sentimientos que vale la pena echar un vistazo:
 MonoAprende
 Google Cloud NLP
 IBM Watson
 Amazon Comprehend
 Lexalytics
 Aylien
 SignificadoCloud
 Rosetón

Palabras de despedida
El análisis de sentimientos se puede aplicar a innumerables
aspectos de los negocios, desde el monitoreo de marca y el análisis
de productos, hasta el servicio al cliente y la investigación de
mercado. Al incorporarlo a sus sistemas y análisis existentes, las
marcas líderes (sin mencionar ciudades enteras) pueden trabajar
más rápido, con mayor precisión, hacia fines más útiles.
El análisis de sentimientos ha ido más allá de un simple capricho
interesante y de alta tecnología, y pronto se convertirá en una
herramienta indispensable para todas las empresas de la era
moderna. En última instancia, el análisis de sentimientos nos
permite obtener nuevas ideas, comprender mejor a nuestros
clientes y capacitar a nuestros propios equipos de manera más
efectiva para que realicen un trabajo mejor y más productivo.

MonkeyLearn es una plataforma en línea que facilita el análisis de

texto con Machine Learning.
Si necesita ayuda para construir un sistema de análisis de
sentimientos para su negocio, comuníquese y lo ayudaremos a
comenzar.