El uso de medios digitales de consumidores y clientes ha facilitado mucho el acceso a una gran cantidad de datos de texto. Los clientes comentan en redes sociales, escriben reseñas, responden preguntas abiertas en encuestas y llaman a representantes de servicio al cliente cuyo contenido puede ser transcrito. Por otro lado, las empresas publican anuncios en redes sociales, envían correos electrónicos y emiten comunicados de prensa. A su vez, los periódicos han digitalizado sus noticias y las canciones también tienen letras. Según algunas estimaciones, entre el 80 % y el 95 % de todos los datos empresariales son no estructurados y la mayor parte de ellos son textos.

Este tipo de datos tiene el potencial de informar sobre el comportamiento de los clientes. Sin embargo, en su estado inicial, solo son textos sin sentido que deben procesarse e interpretarse para que sean útiles en comprender al cliente y desarrollar mejores estrategias de marketing. El análisis textual computarizado ha surgido como una herramienta para realizar este análisis de datos no estructurados, tipo texto, e interpretarlos con más facilidad. Además, permite procesar una gran cantidad de datos que tardarían demasiado tiempo en sistematizarse de manera manual. Por el contrario, el advenimiento de la inteligencia artificial (IA), mediante herramientas como ChatGPT, ha permitido el surgimiento de modelos capaces de hacer análisis textuales con gran precisión.

Análisis de sentimiento mediante modelos de IA y enfoques léxicos

ChatGPT realiza el análisis de sentimiento mediante un modelo de lenguaje basado en IA y redes neuronales de tipo transformer. No utiliza léxicos predefinidos ni reglas fijas, sino que identifica patrones de lenguaje y contexto a partir de su entrenamiento con grandes volúmenes de datos. Evalúa el sentimiento de un texto mediante la interpretación del tono, las emociones y las palabras clave, incluso en casos de lenguaje figurado, ironía o sarcasmo. A diferencia de los métodos léxicos, ChatGPT comprende el contexto completo y ofrece una interpretación más matizada y precisa en situaciones complejas o ambiguas.

Los modelos basados en léxicos y reglas lingüísticas, como Lingmotif, evalúan palabras y expresiones con polaridad predefinida y ajustan sus análisis mediante reglas de contexto. Es decir, analizan textos mediante la comparación de palabras con un diccionario almacenado de términos positivos, negativos y neutros. Asimismo, emplean reglas lingüísticas para ajustar el sentimiento, según modificadores como "muy" o "no". 

A diferencia de ChatGPT, Lingmotif proporciona métricas cuantitativas como el Text Sentiment Score (TSS) y el Text Sentiment Intensity (TSI), lo que permite un análisis estructurado y comparable. Sin embargo, no aprende con el tiempo, como lo haría un modelo de machine learning, sino que se limita a consultar el diccionario y aplicar reglas para determinar el sentimiento. 

ChatGPT destaca por interpretar el contexto y los matices emocionales complejos. Utiliza algoritmos de aprendizaje supervisado o no supervisado para entrenar el modelo en grandes conjuntos de datos. Asimismo, aprende patrones complejos y reconoce emociones mediante entrenamiento con datos etiquetados. También puede interpretar ironía, sarcasmo y contexto implícito. En ese sentido, para un análisis más exacto, se evidenció que ChatGPT requiere un entrenamiento previo con las palabras típicas del contexto. 

¿Cómo analizar los comentarios en redes sociales con IA?

Para realizar un análisis textual con IA de los comentarios y las publicaciones en redes sociales, deben recopilarse y luego pegarse en un modelo como ChatGPT para que este evalúe el sentimiento (positivo, negativo o neutro). La IA analizará el contexto, el tono y las emociones, incluso en casos de ironía o lenguaje figurado. Por último, interpretará los resultados y patrones detectados. Es importante formular un prompt claro y específico para guiar el análisis e indicar con claridad el contexto. Por ejemplo, en la figura 1, se precisa que son reviews de clientes, aunque este contexto podría precisarse todavía más. 

Figura 1

Resultados del análisis textual en ChatGPT de comentarios sobre una empresa de servicios

Una vez emitidos los primeros resultados, es necesario revisar si la clasificación fue positiva, negativa o neutra. En el caso de la figura 1, fue necesario entrenar el modelo con algunas palabras clave que no fueron detectadas como negativas, por lo que se sugiere probar una muestra de texto y entrenarlo con palabras que podrían ser omitidas según el contexto.

A partir del ejemplo, deducimos que los resultados del análisis textual permiten identificar patrones y opiniones de los clientes. Esta información ayuda a diseñar una mejor estrategia de marketing, mejorar la experiencia del cliente y responder de manera más efectiva a sus necesidades y expectativas. También permite detectar posibles casos de insatisfacción y responder a ellos mediante nuevos productos y servicios. ¿Has empleado plataformas de IA para realizar este tipo de análisis? Cuéntanos tu experiencia.

Aprende más participando en el curso Marketing analítico 2 en 1, online + offline: decisiones basadas en datos del PEE Empresarial de ESAN. 

Referencias

• Berger, J., Humphreys, A., Ludwig, S., Moe, W. W., Netzer, O., & Schweidel, D. A. (2020). Uniting the Tribes: Using Text for Marketing Insight. Journal of Marketing, 84(1), 1-25.
• OpenAI. (2025). ChatGPT (versión del 9 de marzo) [Modelo de lenguaje de gran tamaño]. https://chat.openai.com/chat 
• Tecnolengua. (2021). Lingmotif: Sentiment analysis tool [Software]. Universidad de Málaga. https://www.uma.es.