O uso da análise de sentimentos no Twitter para avaliar a opinião do público consumidor a respeito do sistema operacional mobile Android 10

Abstract

O crescente avanço do desenvolvimento da tecnologia e o consequente aumento da utilização das chamadas mídias sociais contribuem para uma ampla produção de dados na Web. Visto que os usuários da Internet utilizam tais mídias sociais como meio de divulgação para criar, compartilhar e expressar suas opiniões referentes a determinados produtos e/ou serviços, estas tornaram-se fonte valiosa de informação para as organizações. A partir da identificação de padrões de sentimentos por meio do emprego de técnicas computacionais aplicadas sobre o conteúdo, as organizações dispõem de uma oportunidade de investigar a opinião dos seus consumidores sobre sua marca e principalmente utilizar as métricas geradas como guia para tomadas de decisões futuras mais assertivas. Diante desse cenário, o presente trabalho apresenta a aplicação de técnicas e ferramentas da área de Processamento de Linguagem Natural (PLN) para extrair significado de textos publicados dentro da rede social Twitter. Baseou-se em técnicas de mineração de texto para executar o processo de extração de dados, juntamente com a prática do tratamento dos mesmos e por fim, a exploração de algoritmos de classificação de sentimentos, capazes de avaliar a polaridade dos textos Ao final desse processo, por meio da solução de Business Intelligence construída, apresentou-se a avaliação dos resultados, referente aos valores extraídos da análise de sentimentos do estudo de caso realizado. Neste caso, o produto escolhido foi o sistema operacional mobile Android 10. Obteve-se, a partir dos testes com a biblioteca Pattern utilizada em PLN, um nível de acurácia de 85% para o modelo de classificação de polaridade utilizado. Por fim, os resultados retornados a partir da análise de sentimento da opinião dos consumidores do Android 10 revelam um sentimento majoritariamente positivo do público em relação ao produto, visto que, dos tweets classificados, mais de 75% foram considerados positivos pelo modelo de classificação adotado. Ademais, são demonstradas com detalhamento as ferramentas que auxiliaram o desenvolvimento desta técnica através da utilização da linguagem de programação Python, bem como as bibliotecas empregadas para análise de dados.