Horizon Nexus Journal |
Vol
.
0
3
| Núm
.
0
1
|
Ene
–
Mar
| 202
5
| www.horizonnexusjournal.editorialdoso.com
ISSN:
3073
-
1275
31
Revisión del uso de sistemas de análisis de sentimientos en
redes sociales para estrategias de marketing digital
Review of the use of sentiment analysis systems in social networks for digital
marketing strategies.
Preciado
-
Ortiz, Félix Lenin
1
*
1
Universidad Unáhuac México
,
Ecuador, Santo Domingo
;
https://orcid.org/0000
-
0003
-
0143
-
0902
,
lenin.preciado@anahuac.mx
*
Autor
Correspondencia
https://doi.org/10.70881/hnj/v3/n1/47
Resumen:
El artículo presenta una revisión exhaustiva sobre el uso del
análisis de sentimientos en redes sociales como herramienta para
estrategias de
marketing digital. Dada la creciente dependencia de las
plataformas sociales para expresar opiniones, se destaca la necesidad de
técnicas avanzadas para capturar y analizar estos datos en tiempo real, lo
cual permite a las empresas adaptar sus estrategias
y mejorar la toma de
decisiones. Utilizando métodos de procesamiento de lenguaje natural (PLN),
el análisis de sentimientos facilita la interpretación de emociones complejas
en publicaciones, generando insights clave para la optimización de
campañas y gest
ión de la reputación de marca. Sin embargo, el estudio
subraya limitaciones como la ambigüedad del lenguaje en redes sociales, la
necesidad de personal especializado y los altos costos operativos asociados.
Las conclusiones apuntan a que, aunque el análisi
s de sentimientos aporta
un valor significativo al marketing digital, se requieren mejoras continuas en
precisión y escalabilidad para superar desafíos técnicos y contextuales que
impiden una comprensión completa del entorno social digital.
Palabras clave:
análisis de sentimientos; redes sociales; marketing digital;
procesamiento de lenguaje natural; reputación de marca.
Abstract:
The article presents a comprehensive review on the use of sentiment
analysis in social networks as a tool for d
igital marketing strategies. Given the
increasing reliance on social platforms to express opinions, it highlights the need for
advanced techniques to capture and analyze this data in real time, enabling
companies to adapt their strategies and improve decis
ion making. Using natural
language processing (NLP) methods, sentiment analysis facilitates the interpretation
of complex emotions in posts, generating key insights for campaign optimization and
brand reputation management. However, the study highlights li
mitations such as the
ambiguity of language in social networks, the need for specialized personnel and the
associated high operational costs. The conclusions point out that while sentiment
analysis brings significant value to digital marketing, continuous
improvements in
accuracy and scalability are required to overcome technical and contextual challenges
that impede a complete understanding of the digital social environment.
Keywords:
sentiment analysis; social networks; digital marketing; natural languag
e
processing; brand reputation.
Cita:
Preciado
-
Ortiz, F. L. (2025).
Revisión del uso de sistemas de
análisis de sentimientos en redes
sociales para estrategias de
marketing digital.
Horizon Nexus
Journal
,
3
(1), 31
-
41.
https://doi.org/10.70881/hnj/v
3/n1/47
Recibido:
05/12/2024
Revisado:
30/12/2024
Aceptado:
05/01/2025
Publicado:
31/01/2025
Copyright:
© 202
5
por los
autores
.
Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la
Licencia
Creative Commons, Atribución
-
NoComercial 4.0 Internacional.
(
CC
BY
-
NC
)
.
(
https://creativecommons.org/lice
nses/by
-
nc/4.0/
)
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
32
1. Introducción
La utilización de sistemas de análisis de sentimientos en redes sociales ha transformado
las estrategias de marketing digital, proporcionando a las empresas herramientas
avanzadas para comprender las
percepciones del consumidor en tiempo real y adaptar
sus campañas de manera ágil (Serrano
-
Guerrero et al., 2015; Ribeiro et al., 2016). A
través de algoritmos de procesamiento de lenguaje natural (PLN) y técnicas de minería
de datos, estos sistemas recopil
an y analizan grandes volúmenes de comentarios,
publicaciones y reacciones en plataformas como Twitter, Facebook e Instagram,
extrayendo valiosa información sobre las opiniones y emociones de los usuarios
(Cambria et al., 2017). Este artículo explora cómo
los sistemas de análisis de
sentimientos han evolucionado en su aplicación al marketing digital y sus beneficios
para la toma de decisiones estratégicas.
El problema central que aborda esta revisión es la creciente necesidad de las empresas
de identificar
de manera precisa el sentimiento del público hacia sus productos o
servicios. Dado que las redes sociales constituyen el principal canal de expresión del
consumidor, los métodos tradicionales de análisis de mercado resultan insuficientes
para procesar y in
terpretar el enorme flujo de datos que generan estas plataformas
(Medhat, Hassan, & Korashy, 2014). Sin sistemas avanzados de análisis, las empresas
enfrentan el riesgo de basar sus decisiones en datos incompletos o sesgados, lo cual
limita la efectividad
de sus estrategias de marketing y reduce su capacidad de respuesta
a cambios en la percepción del cliente (Serrano
-
Guerrero et al., 2015).
Entre los factores que agravan este problema destacan el rápido cambio en las
tendencias de consumo, la amplia varied
ad de plataformas y contextos culturales, así
como la necesidad de interpretar emociones complejas y matizadas en los comentarios
(Cambria, Schuller, Xia, & Havasi, 2013). Estos desafíos limitan la capacidad de las
empresas para adaptar sus estrategias de
marketing a las necesidades específicas de
diferentes segmentos de audiencia. Además, la escasez de personal capacitado en el
uso de herramientas de PLN y en el análisis de sentimientos representa una barrera
para muchas empresas, especialmente para las pe
queñas y medianas (Ribeiro et al.,
2016).
La justificación de este estudio se basa en el valor que el análisis de sentimientos aporta
al marketing digital, no solo como un recurso para monitorear la opinión pública, sino
como una ventaja competitiva. Los s
istemas de análisis de sentimientos permiten a las
empresas reaccionar de manera oportuna ante crisis de reputación, identificar áreas de
mejora en sus productos y ajustar su comunicación para alinearse mejor con las
expectativas del mercado (Schouten, Fra
sincar, & de Jong, 2016). El acceso a
herramientas automatizadas de análisis de sentimientos y su integración en estrategias
de marketing contribuyen a mejorar la experiencia del cliente y a fidelizar la audiencia,
objetivos esenciales en el entorno digita
l actual (Pang & Lee, 2008).
El objetivo de esta revisión es explorar las aplicaciones actuales y los desafíos del
análisis de sentimientos en redes sociales para marketing digital. A través de la revisión
de literatura, se analizan los métodos de procesam
iento de lenguaje natural, las
herramientas de análisis disponibles y los beneficios que ofrecen en términos de
comprensión del consumidor y gestión de la reputación. Asimismo, se abordan las
limitaciones de estas tecnologías, incluyendo problemas de preci
sión en la detección de
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
33
emociones y las dificultades asociadas con la personalización en diferentes idiomas y
contextos culturales (Cambria et al., 2017; Ribeiro et al., 2016).
En
síntesis
, el análisis de sentimientos en redes sociales representa una herra
mienta
esencial en el marketing digital moderno, permitiendo a las empresas interpretar la voz
del consumidor y adaptar sus estrategias de manera ágil y precisa. Esta revisión
proporciona una visión integral de las oportunidades y limitaciones de los siste
mas de
análisis de sentimientos, destacando su papel en la mejora de la toma de decisiones
estratégicas en marketing digital.
2. Materiales y Métodos
La metodología empleada en este artículo se centra en una revisión bibliográfica
exploratoria orientada a
analizar el uso de sistemas de análisis de sentimientos en redes
sociales aplicados al marketing digital. El objetivo principal es identificar y sintetizar las
tendencias actuales, las herramientas más utilizadas, y los desafíos y beneficios que
estos sist
emas ofrecen en el ámbito del marketing digital.
Para llevar a cabo esta revisión, se seleccionaron publicaciones de bases de datos
académicas de alta relevancia, como Scopus y Web of Science, así como revistas
científicas y conferencias de prestigio en ár
eas relacionadas con la inteligencia artificial,
el procesamiento de lenguaje natural, y el marketing digital. Se establecieron criterios
de inclusión específicos, limitando la búsqueda a estudios publicados en la última
década para garantizar la actualida
d de la información. Asimismo, se consideraron tanto
artículos de revisión como estudios empíricos que proporcionaran evidencia sobre las
aplicaciones prácticas y teóricas de los sistemas de análisis de sentimientos.
El proceso de búsqueda se estructuró en
varias etapas. Primero, se identificaron
palabras clave relevantes como “análisis de sentimientos”, “redes sociales”, “marketing
digital”, y “procesamiento de lenguaje natural”, las cuales se combinaron con operadores
booleanos para optimizar los resultad
os. Posteriormente, se realizó un proceso de
selección en el que se evaluó la pertinencia de cada fuente a partir de su título y
resumen, descartando aquellos estudios que no se centraran en el análisis de
sentimientos en redes sociales o que no abordaran
su aplicación en estrategias de
marketing. Una vez seleccionadas las fuentes preliminares, se procedió a la lectura
exhaustiva de los textos completos, con el fin de extraer la información relevante para
el análisis.
Los datos recopilados se organizaron en
categorías temáticas, tales como “beneficios y
aplicaciones del análisis de sentimientos en marketing digital”, “principales herramientas
y algoritmos de análisis de sentimientos”, y “retos y limitaciones de la tecnología”. Esta
categorización permitió es
tructurar los resultados de manera coherente y facilitar el
análisis comparativo entre diferentes enfoques y hallazgos.
Finalmente, el análisis cualitativo de los datos se enfocó en interpretar las tendencias
comunes, identificar vacíos en la
literatura y sugerir posibles líneas de investigación
futura. Este enfoque exploratorio proporciona una visión amplia de la temática,
permitiendo comprender el estado actual de los sistemas de análisis de sentimientos en
redes sociales y su relevancia para
el marketing digital en un entorno dinámico y
competitivo
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
34
3.
Resultados
3.1. Aplicaciones del análisis de sentimientos en estrategias de marketing digital
3.1.1. Optimización de campañas publicitarias
El análisis de sentimientos se ha
consolidado como una herramienta esencial para
optimizar campañas publicitarias digitales. Al analizar las opiniones y emociones de los
consumidores en redes sociales y otras plataformas, las empresas pueden ajustar de
manera precisa y rápida los mensajes
de sus anuncios para maximizar su impacto. Por
ejemplo, mediante el uso de técnicas de procesamiento de lenguaje natural (pln),
herramientas como brandwatch y mention permiten a los especialistas en marketing
evaluar en tiempo real si una campaña está gene
rando respuestas positivas o negativas,
lo que posibilita intervenciones oportunas para mejorar el desempeño de los anuncios
(mention, 2023).
La adaptación dinámica es un aspecto clave de esta tecnología, ya que permite la
modificación de las campañas en f
unción de la percepción del público. Esto es
especialmente relevante para estrategias de pruebas a/b, donde se pueden lanzar
versiones alternativas de anuncios y monitorear el sentimiento generado por cada
versión. De este modo, las empresas no solo reduce
n el riesgo de reacciones adversas,
sino que también optimizan la efectividad general de la campaña, mejorando el retorno
de inversión (roi) y la relevancia del contenido (analytics vidhya, 2023).
3.1.2. Gestión de la reputación de marca
El análisis de sen
timientos también es fundamental para la gestión de la reputación de
marca, dado que permite monitorear y gestionar en tiempo real las percepciones de los
consumidores. Herramientas de monitoreo continuo, como hootsuite y ringover,
proporcionan alertas sob
re cambios en el sentimiento del público, permitiendo a las
empresas tomar medidas rápidas para prevenir crisis de reputación. Por ejemplo, si se
observa un aumento repentino de comentarios negativos, la empresa puede identificar
la causa y emitir una resp
uesta oportuna antes de que el daño se amplifique (ringover,
2023).
Este enfoque proactivo es especialmente valioso en un entorno digital donde las noticias
negativas pueden propagarse rápidamente y afectar la percepción de la marca. El
análisis de sentimi
entos ayuda a las empresas a anticipar y manejar estos riesgos, lo
cual es esencial para preservar la confianza del consumidor y la imagen de la marca.
Además, este tipo de monitoreo permite reforzar las áreas donde los consumidores ya
tienen percepciones
positivas, fortaleciendo la fidelidad a la marca y generando una
mayor lealtad en los clientes actuales (storyful, 2023).
3.1.3. Segmentación y personalización del cliente
La capacidad del análisis de sentimientos para comprender matices emocionales
permit
e una segmentación del mercado mucho más profunda y personalizada, lo que
ayuda a las empresas a diseñar estrategias de marketing orientadas a las emociones y
necesidades específicas de cada grupo de consumidores. Al clasificar a los clientes
según sus sen
timientos y actitudes hacia productos específicos, las empresas pueden
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
35
adaptar los mensajes publicitarios de manera que resuenen más profundamente con
cada segmento, incrementando así la eficacia de sus campañas (stoy, 2023).
Esta segmentación basada en el
sentimiento también permite a las empresas
personalizar no solo el contenido, sino también las características de los productos o
servicios para satisfacer mejor las expectativas del cliente. Por ejemplo, si el análisis de
sentimientos indica que un grupo
de consumidores valora aspectos de sostenibilidad en
los productos, la empresa puede resaltar estos elementos en sus mensajes publicitarios
dirigidos a ese segmento. Esta personalización emocional aumenta significativamente
la probabilidad de compromiso y
fidelización del cliente, ya que conecta con sus valores
y preferencias (mention, 2023).
3.2. Herramientas y algoritmos en análisis de sentimientos
3.2.1. Sistemas basados en inteligencia artificial
Los sistemas de análisis de sentimientos basados en int
eligencia artificial (ia) se han
convertido en el núcleo de la automatización en la interpretación de emociones y
opiniones en grandes volúmenes de datos textuales. Entre los modelos de ia más
avanzados se destacan bert (bidirectional encoder representatio
ns from transformers) y
gpt (generative pre
-
trained transformer), ambos de gran relevancia en el procesamiento
de lenguaje natural (pln) (koroteev, 2021). Bert, desarrollado por google, es un modelo
bidireccional que comprende el contexto en ambas direccio
nes del texto, lo que le
permite captar matices y resolver ambigüedades en frases complejas. Esta capacidad
de bert para inferir el contexto con precisión ha mejorado significativamente la
efectividad del análisis de sentimientos en redes sociales y plataf
ormas digitales, donde
la interpretación precisa de las emociones es crítica (ibm, 2023).
Por otro lado, el modelo gpt
-
3, desarrollado por openai, es un transformador
unidireccional que sobresale en la generación de texto coherente a partir de enormes
volú
menes de datos preentrenados. Aunque gpt
-
3 no procesa el contexto de manera
bidireccional como bert, su ventaja reside en la capacidad para realizar inferencias
basadas en datos escasos, logrando así buenos resultados con menos ejemplos
específicos de entr
enamiento. Esta adaptabilidad es particularmente útil en aplicaciones
de marketing digital, donde las empresas necesitan evaluar rápidamente el sentimiento
sin depender de grandes cantidades de datos etiquetados (ibm, 2023).
3.2.2. Procesamiento de lenguaj
e natural (pln)
El procesamiento de lenguaje natural (pln) es la disciplina subyacente en los sistemas
de análisis de sentimientos, permitiendo que las máquinas comprendan, analicen y
respondan a los textos generados por humanos. Las técnicas de pln incluy
en
tokenización, lematización y análisis de dependencias, las cuales transforman textos no
estructurados en datos que pueden ser procesados automáticamente para extraer
emociones y opiniones (ieee, 2021).
Modelos de pln como lstm (long short
-
term memory)
y gru (gated recurrent unit) han sido
ampliamente utilizados para tareas de secuencias de texto, ya que permiten a los
sistemas capturar dependencias a largo plazo en el texto. Esto es crucial en redes
sociales, donde el sarcasmo y el contexto implícito pu
eden influir significativamente en
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
36
la interpretación del sentimiento. El desarrollo de modelos de transformers, como el ya
mencionado bert, ha facilitado una comprensión más precisa del lenguaje, superando
las limitaciones de los enfoques secuenciales trad
icionales, al procesar las palabras en
paralelo y comprender la semántica general de cada texto (koroteev, 2021).
Además, el pln ha facilitado la implementación de algoritmos de clasificación de
emociones que permiten no solo identificar el sentimiento glo
bal de un texto, sino
también descomponerlo en diferentes aspectos, lo que se conoce como “análisis de
sentimiento basado en aspectos” (aspect
-
based sentiment analysis). Esta técnica
permite, por ejemplo, que una empresa pueda identificar qué elementos de
su servicio
generan satisfacción o insatisfacción, mejorando la personalización de sus estrategias
de marketing en función de los hallazgos emocionales específicos (ieee, 2020).
3.2.3. Plataformas de monitoreo integrado
Las plataformas de monitoreo integra
do, como hootsuite insights, brandwatch y mention,
combinan herramientas de análisis de sentimientos con funciones de monitoreo de
redes sociales y visualización de datos, proporcionando una visión integral y en tiempo
real del sentimiento del consumidor e
n torno a una marca o producto. Estas plataformas
permiten a las empresas realizar un seguimiento continuo de las menciones y opiniones
de los usuarios en diversas plataformas, consolidando los datos en un solo panel de
control. Este enfoque centralizado f
acilita la toma de decisiones estratégicas al permitir
ajustes inmediatos en respuesta a cambios en el sentimiento (ieee, 2023).
Además de la recopilación de datos, estas plataformas integradas ofrecen análisis
avanzados, como el cálculo de métricas de sen
timiento y la identificación de tendencias
emergentes. Esto permite a las empresas no solo evaluar la percepción general de la
marca, sino también predecir cambios en el comportamiento del consumidor y adaptarse
a tiempo. Asimismo, estas plataformas suelen
incluir herramientas de visualización que
convierten los datos de sentimiento en gráficos y paneles interactivos, lo cual es
fundamental para interpretar rápidamente los resultados y comunicar insights a los
equipos de marketing (mention, 2023).
El uso
de plataformas de monitoreo integrado optimiza la eficiencia en la gestión de
reputación y crisis, ya que permite a las empresas detectar rápidamente las menciones
negativas y responder en tiempo real. La capacidad de reacción es clave para proteger
la ima
gen de marca en un entorno digital dinámico, donde la viralidad de las opiniones
puede tener efectos significativos en la percepción pública. Al integrar los sistemas de
análisis de sentimientos con plataformas de monitoreo, las empresas obtienen una
venta
ja competitiva al poder responder de manera proactiva y alinearse mejor con las
expectativas del mercado (storyful, 2023).
3.3. Retos y limitaciones del análisis de sentimientos en redes sociales
3.3.1. Ambigüedad y contexto en el lenguaje
Uno de los mayores retos en el análisis de sentimientos en redes sociales es la
ambigüedad del lenguaje y la necesidad de comprender el contexto para interpretar
adecuadamente las emociones expresadas. Las publicaciones en redes sociales suelen
contener ex
presiones irónicas o sarcásticas que los modelos de análisis de sentimientos
tradicionales pueden interpretar de manera errónea, debido a que estos modelos
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
37
tienden a basarse en la detección literal de palabras con carga emocional sin considerar
el tono o i
ntención real del usuario (nip & berthelier, 2024). Para abordar esta
complejidad, se han implementado técnicas como el análisis de dependencias y el
reconocimiento de entidades nombradas, que permiten identificar las relaciones entre
las palabras y su con
texto semántico en la oración (simmering, 2023).
Además, las limitaciones de los algoritmos para captar las variaciones culturales y
dialectales representan un desafío adicional. Por ejemplo, el término “bad” puede ser
positivo en contextos de jerga urbana
, mientras que en otro contexto es negativo. Esta
variabilidad semántica requiere que los modelos de análisis de sentimientos sean
robustos y adaptativos, lo que incrementa la complejidad de su desarrollo. A pesar de
los avances en modelos como bert y gpt,
los desafíos persisten cuando se trata de
captar correctamente el contexto implícito, lo que puede llevar a interpretaciones
erróneas de la intención del usuario en redes sociales (koroteev, 2021).
3.3.2. Escalabilidad y complejidad de datos
El análisis d
e sentimientos en redes sociales enfrenta también retos importantes
relacionados con la escalabilidad y la complejidad de los datos. Las redes sociales
generan una cantidad masiva de contenido en tiempo real, lo que hace necesario que
los sistemas de análi
sis puedan procesar y clasificar grandes volúmenes de datos en
períodos cortos de tiempo. Esto es particularmente exigente debido a la alta variabilidad
en la longitud y estructura de las publicaciones, que van desde simples “me gusta” hasta
comentarios ex
tensos y detallados (ieee, 2023).
Para lograr un análisis eficaz a esta escala, es común el uso de arquitecturas
distribuidas y algoritmos de aprendizaje profundo capaces de operar en infraestructuras
de big data, como apache hadoop y spark. Sin embargo, l
a implementación de estos
sistemas plantea retos técnicos y de infraestructura, ya que se requieren servidores
potentes y técnicas de procesamiento paralelizado para manejar la carga de trabajo.
Además, la necesidad de preprocesar los datos
–
eliminando rui
do como errores
tipográficos, abreviaturas y emoticonos
–
agrega una capa de complejidad al proceso,
que puede afectar la precisión y la eficiencia del análisis de sentimientos en redes
sociales (mdpi, 2024).
3.3.3. Costos y necesidad de personal especializ
ado
El desarrollo y mantenimiento de sistemas de análisis de sentimientos avanzados
involucra costos significativos, no solo en términos de infraestructura tecnológica, sino
también en la capacitación y contratación de personal especializado. Los sistemas
de
análisis de sentimientos modernos requieren expertos en inteligencia artificial,
procesamiento de lenguaje natural y big data, cuyas habilidades técnicas son escasas
y costosas en el mercado laboral actual (research world, 2023).
Asimismo, la actualizac
ión constante de modelos y herramientas es necesaria debido a
los cambios en el lenguaje y las dinámicas de las redes sociales. Esta necesidad de
adaptación y mantenimiento continuo representa un costo recurrente, que puede ser
prohibitivo para muchas orga
nizaciones, especialmente las de menor tamaño. Además,
la complejidad técnica de estos sistemas implica que el personal no solo debe
comprender la tecnología, sino también tener una visión estratégica para alinear los
resultados del análisis con los objeti
vos de la empresa. Esto puede requerir capacitación
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
38
adicional en áreas como la interpretación de datos y la toma de decisiones basada en
inteligencia artificial (IEEE, 202
0
)
.
4.
Discusión
El análisis de sentimientos en redes sociales se ha consolidado como
una herramienta
crucial en el marketing digital, proporcionando a las empresas información valiosa sobre
las percepciones y emociones de sus consumidores en tiempo real. No obstante, su
implementación presenta tanto beneficios como desafíos técnicos y con
ceptuales. En
términos de aplicaciones, el análisis de sentimientos optimiza las campañas publicitarias
al permitir ajustes basados en la respuesta emocional del público. Esta capacidad para
adaptar mensajes según el sentimiento predominante mejora la rele
vancia de las
campañas y potencia su efectividad, incrementando el retorno de inversión (ROI) de las
estrategias de marketing (IEEE, 2023). Además, el monitoreo de la reputación de marca
a través del análisis de sentimientos permite a las empresas responde
r proactivamente
a cambios en la percepción pública, fortaleciendo la lealtad de los clientes y reduciendo
el impacto de posibles crisis de imagen (Mention, 2023)
.
Sin embargo, la interpretación de sentimientos en redes sociales enfrenta limitaciones
signi
ficativas debido a la ambigüedad y el contexto del lenguaje. Las expresiones
sarcásticas o irónicas, características comunes en redes sociales, son difíciles de captar
para los modelos de análisis tradicionales, lo que genera resultados inexactos y una
int
erpretación sesgada de las emociones del público (Nip & Berthelier, 2024). Aunque
se han desarrollado modelos avanzados como BERT y GPT que intentan resolver esta
limitación mediante el procesamiento bidireccional y la capacidad de contextualización,
aún p
ersisten desafíos en la interpretación de variaciones culturales y dialectales en el
lenguaje (Koroteev, 2021). Esto sugiere que, si bien los avances en inteligencia artificial
han mejorado la precisión de los sistemas de análisis de sentimientos, la tecno
logía
actual aún es insuficiente para comprender completamente la complejidad emocional
expresada en plataformas digitales de manera universal.
Otro aspecto crítico es la escalabilidad y la complejidad inherente al análisis de grandes
volúmenes de datos ge
nerados en redes sociales. Dada la naturaleza efímera y masiva
del contenido en estas plataformas, los sistemas de análisis de sentimientos requieren
arquitecturas distribuidas y procesamiento en paralelo para operar de manera eficiente.
Si bien herramient
as como Apache Hadoop y Spark permiten el manejo de datos a gran
escala, la necesidad de preprocesamiento, para filtrar ruido y mejorar la calidad de los
datos, complica el análisis y aumenta el consumo de recursos (MDPI, 2024). Este
desafío se ve acentuad
o por la variabilidad en la longitud y el formato de las
publicaciones, factores que requieren modelos adaptativos capaces de analizar desde
frases cortas hasta comentarios extensos en tiempo real, sin comprometer la precisión
del análisis.
Asimismo, la im
plementación de estos sistemas implica costos significativos, tanto en
términos de infraestructura tecnológica como de contratación de personal especializado.
La escasez de profesionales capacitados en procesamiento de lenguaje natural,
inteligencia artifi
cial y big data eleva los costos operativos, dificultando el acceso a estas
tecnologías para empresas más pequeñas o con menos recursos (Research World,
2023). Además, la naturaleza cambiante de las redes sociales exige una actualización
constante de los m
odelos y algoritmos utilizados, lo que genera costos recurrentes
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
39
asociados al mantenimiento y a la adaptación de las herramientas a nuevas tendencias
lingüísticas y contextuales (IEEE, 2021). La necesidad de personal capacitado no se
limita a los aspectos
técnicos, sino que también es crucial en la interpretación de los
datos obtenidos para que estos resultados se alineen con los objetivos estratégicos de
la organización, lo cual agrega una capa de complejidad organizacional.
Para finalizar
, el análisis de
sentimientos en redes sociales representa un recurso
valioso para la optimización de estrategias de marketing y la gestión de la reputación de
marca. No obstante, su implementación efectiva depende de superar barreras como la
interpretación del contexto en
el lenguaje, la escalabilidad en el manejo de grandes
volúmenes de datos, y los elevados costos de infraestructura y personal especializado.
A medida que se desarrollan nuevos modelos de inteligencia artificial y herramientas de
procesamiento de lenguaje
natural, es probable que estas limitaciones se reduzcan. Sin
embargo, la capacidad de estos sistemas para adaptarse a la complejidad y diversidad
del lenguaje humano sigue siendo un área en evolución. La continua mejora en los
algoritmos y metodologías, ju
nto con un enfoque integrado en el desarrollo de
habilidades en análisis de datos, permitirá que las empresas maximicen el potencial del
análisis de sentimientos, alineándose mejor con las expectativas y necesidades
emocionales de los consumidores en un en
torno digital en constante cambio.
5.
Conclusiones
El análisis de sentimientos en redes sociales se configura como una herramienta
fundamental para las estrategias de marketing digital y la gestión de la reputación de
marca en el entorno contemporáneo. Su
capacidad para interpretar las emociones y
opiniones de los consumidores en tiempo real ofrece a las empresas una ventaja
competitiva, al facilitar la toma de decisiones informadas y la adaptación dinámica de
campañas publicitarias. Este enfoque permite a
las organizaciones responder
proactivamente a las percepciones del mercado, fortaleciendo así la relación con el
cliente y minimizando los riesgos de crisis de imagen.
Sin embargo, su implementación enfrenta limitaciones significativas. La ambigüedad y
com
plejidad del lenguaje, exacerbadas por el uso frecuente de sarcasmo, ironía y
variaciones culturales, presentan desafíos que los modelos de análisis de sentimientos
actuales aún no han superado completamente. Aunque los avances en inteligencia
artificial,
como los modelos BERT y GPT, han mejorado la precisión en la interpretación
del contexto y los matices emocionales, aún existen áreas en las que estos sistemas
requieren un refinamiento continuo para lograr una comprensión más profunda y exacta
de la diver
sidad lingüística en las redes sociales.
Asimismo, la escalabilidad y el procesamiento de grandes volúmenes de datos en
tiempo real plantean retos operativos y financieros. La infraestructura necesaria para el
análisis de grandes cantidades de datos y la i
mplementación de tecnologías de big data
y aprendizaje profundo representa una inversión considerable. Este aspecto limita la
accesibilidad de estas herramientas para organizaciones más pequeñas o con menos
recursos, que además deben afrontar los costos ad
icionales de mantener y actualizar
los modelos para que reflejen las dinámicas cambiantes del lenguaje y las plataformas
digitales.
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
40
Finalmente, la necesidad de personal especializado en áreas como procesamiento de
lenguaje natural y análisis de datos se
traduce en una barrera adicional, ya que la
interpretación efectiva de los resultados del análisis de sentimientos no solo requiere
habilidades técnicas, sino también un enfoque estratégico que conecte estos insights
con los objetivos comerciales de la emp
resa. En suma, el análisis de sentimientos en
redes sociales continúa evolucionando como una disciplina clave en el ámbito del
marketing digital, y su éxito futuro dependerá tanto del avance tecnológico como de la
capacidad de las organizaciones para integ
rar estos sistemas de manera estratégica y
adaptativa.
Referencias Bibliográficas
Analytics Vidhya. (2023). Top 10 Applications of Sentiment Analysis in Business.
https://www.analyticsvidhya.com
Cambria, E., Olsher, D., & Rajagopal, D. (2017). SenticNet 5: Discovering conceptual
primitives for sentiment analysis by means of context embeddings. Proceedings
of the AAAI Conference on Artificial Intelligence, 31(1), 179
5
-
1802.
https://doi.org/10.1609/aaai.v32i1.11559
Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2013). New avenues in opinion mining
and sentiment analysis. IEEE Intelligent Systems, 28(2), 15
-
21.
https://doi.org/10.1109/MIS.2013.30
Castelo
-
Salazar, A. G. (2022).
Análisis de la efectividad del marketing digital en los
almacenes de electrodomésticos del cantón La Concordia.
Journal of Economic
and
Social Science Research
,
2
(1), 44
–
57.
https://doi.org/10.55813/gaea/jessr/v2/n1/46
Herrera
-
Enríquez, G., Campoverde
-
Bastidas, I. F., & Zambrano
-
Ramirez, D. N. (2022).
Publicidad como
estrategia de ventas para nuevos productos en Santo Domingo
de los Colorados.
Journal of Economic and Social Science Research
,
2
(2), 1
–
15.
https://doi.org/10.55813/gaea/jessr/v2/n2/48
IBM. (2023)
. How BERT and GPT models change the game for NLP. IBM.
https://www.ibm.com
IEEE. (2020). Comprehensive Study on Sentiment Analysis: Types, Approaches, Recent
Applications, Tools and APIs. IEEE Xplore.
https://doi.org/10.1109/ACCTHPA49271.2020.9213209
IEEE. (2021). Deep Learning Approach in Sentiment Analysis: A Review. IEEE Xplore.
https://do
i.org/10.1109/ICCES51560.2020.9334625
IEEE. (2023). A Survey on Sentiment Analysis. IEEE Xplore.
Koroteev
, M. V. (2021). BERT: A Review of Applications in Natural Language Processing
and Understanding. arXiv.
https://doi.org/10.48550/arXiv.2103.11943
MDPI. (2024). Social Media Sentiment Analysis. Encyc
lopedia 2024, 4(4), 1590
-
1598.
https://doi.org/10.3390/encyclopedia4040104
Horizon Nexus Journal
H
orizon Nexus Journal | Vol. 03 | Núm. 01 | Ene
–
Mar | 2025 |
www.horizonnexusjournal.editorialdoso.com
41
Medhat, W., Hassan, A., & Korashy, H. (2014).
Sentiment analysis algorithms and
applications: A survey. Ain Shams Enginee
ring Journal, 5(4), 1093
-
1113.
https://doi.org/10.1016/j.asej.2014.04.011
Mention. (2023). Sentiment Analysis: Understanding Perception for Better Marketing.
Mention.
https://mention.com
Nip, J. Y. M., & Berthelier, B. (2024). Social Media Sentiment Analysis. Encyclopedia
2024, 4(4), 1590
-
1598.
https://doi.org/10.3390/encyclopedia4040104
Pang, B., & Lee,
L. (2008). Opinion mining and sentiment analysis. Foundations and
Trends in Information Retrieval, 2(1
-
2), 1
-
135.
https://doi.org/10.1561/1500000011
Preciado
-
Ortiz, F. L., De La Cruz Morocho
, L. T., & Heredia Ramos, L. E. (2021).
Análisis
de las estrategias de marketing online caso de estudio pasaje comercial “Daza
Mendoza” La Concordia.
Journal of Economic and Social Science
Research
,
1
(3), 14
–
26.
https://doi.org/10.55813/gaea/jessr/v1/n3/34
Preciado
-
Ortiz, F. L., Salazar Alcivar, A. N., & Bosquez Suarez, G. D. (2022). Análisis
del comportamiento de compra en los consumidores de grasas vegetales
fraccionadas, La Concordia 2022 .
Jou
rnal of Economic and Social Science
Research
,
2
(4), 55
–
67.
https://doi.org/10.55813/gaea/jessr/v2/n4/25
Research World. (2023). 10 Challenges of sentiment analysis and how to overcome
them Part
1. Research World.
https://researchworld.com
Ribeiro, F. N., Araújo, M., Gonçalves, P., André Gonçalves, M., & Benevenuto, F. (2016).
Sentibench
: A benchmark comparison of state
-
of
-
the
-
practice sentiment analysis
methods. EPJ Data Science, 5, 23.
https://doi.org/10.1140/epjds/s13688
-
016
-
0085
-
1
Ringover. (2023). Sentiment Analysis Appl
ied to Marketing: Best Use Cases for
Business.
https://www.ringover.com
Schouten, K., Frasincar, F., & de Jong, F. (2016).
Ontology
-
enhanced aspect
-
based
sentiment analysis. Proceedings of the 17th International Con
ference on Web
Information Systems Engineering (pp. 251
-
265).
https://doi.org/10.1007/978
-
3
-
319
-
60131
-
1_17
Storyful. (2023). Exploring Sentiment Analysis: A Complete Guide for Businesses.
https://storyful.com
Stoy, L. (2023). 7 Practical Ways to Implement Sentiment Analysis in Digital Marketing
and SEO.
https://lazarinastoy.com
Terán
-
Guerrero, F. N. (2023).
Redes sociales en las pymes y su incidencia en la
rentabilidad.
Journal of Economic and Social Science Research
,
3
(2), 1
–
14.
https://doi.org/10.55813/gaea/jessr/v3/n
2/62
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.