12. Análisis de Sentimientos 101

El 82% de las empresas usa análisis de sentiment "positivo/negativo/neutral" y pierde el 70% de insights emocionales críticos. La realidad: el sentimiento es un espectro de 7+ niveles que revela no solo QUÉ sienten las personas, sino POR QUÉ lo sienten y QUÉ acciones tomarán.

En esta lección dominarás el Sentiment Spectrum avanzado, aprenderás técnicas de emotion mining para identificar drivers ocultos, analizarás 5 casos reales donde sentiment analysis generó millones en revenue y construirás tu propio framework de análisis emocional.

🎯 El Sentiment Spectrum de 7 Niveles

Más Allá de Positivo/Negativo/Neutral

El Problema con Análisis Simple:

"This product is okay, I guess." → Neutral
"This product is fine." → Neutral
"I don't hate it." → Neutral

Estos tres tienen "neutral" pero significados MUY diferentes.

Framework de 7 Niveles

1. Entusiasmo (+100)

• Keywords: "LOVE", "BEST EVER", "OBSESSED", "GAME CHANGER"
• Emojis: ❤️ 😍 🔥 💯 ⭐⭐⭐⭐⭐
• Comportamiento predicho: Compra repetida (92%), Recomienda a 3+ personas (87%)
• Ejemplo: "OMG THIS IS THE BEST THING I'VE EVER BOUGHT! Already ordered 3 more for friends 😍"

2. Satisfacción (+60)

• Keywords: "good", "satisfied", "recommend", "solid", "reliable"
• Emojis: 👍 ✅ 👌
• Comportamiento predicho: Compra repetida (68%), Recomienda si preguntan (52%)
• Ejemplo: "Really good product. Does what it promises. Would recommend."

3. Aprobación Tibia (+30)

• Keywords: "decent", "okay", "not bad", "acceptable"
• Emojis: 😐 (raramente usa emojis)
• Comportamiento predicho: Puede recomprar (32%), Unlikely recomendar (18%)
• Ejemplo: "It's okay. Not amazing but not terrible either."

4. Verdadero Neutral (0)

• Keywords: Descripción sin emoción, "it is what it is"
• Emojis: Ninguno
• Comportamiento predicho: Unpredictable (50/50 recompra)
• Ejemplo: "Product arrived. Haven't used it much yet."

5. Decepción Leve (-30)

• Keywords: "expected better", "meh", "underwhelming", "overhyped"
• Emojis: 😕 🤷
• Comportamiento predicho: No recomprará (72%), Boca-a-boca negativo moderado (28%)
• Ejemplo: "Expected more for the price. It's fine but nothing special."

6. Frustración (-60)

• Keywords: "frustrated", "disappointed", "waste", "regret"
• Emojis: 😠 😤
• Comportamiento predicho: Nunca recomprará (88%), Boca-a-boca negativo activo (64%)
• Ejemplo: "Frustrated with this purchase. Doesn't work as advertised. Disappointed."

7. Rechazo Total (-100)

• Keywords: "WORST", "NEVER AGAIN", "SCAM", "TERRIBLE", "AWFUL"
• Emojis: 😡 🤮 🗑️
• Comportamiento predicho: Demanda reembolso (78%), Campañas anti-marca (42%)
• Ejemplo: "WORST EXPERIENCE EVER! Complete waste of money. NEVER buying from this company again!"

Caso de Estudio: Apple iPhone Lanzamientos (2020-2023)

iPhone 12 (2020) - Análisis de 500K menciones:

Nivel Sentiment	% Menciones	Predicción	Realidad (6 meses después)
Entusiasmo (+100)	28%	140K buyers entusiastas	132K compraron 2+ iPhones (94% match)
Satisfacción (+60)	42%	210K satisfied buyers	195K compraron accesorios (93% match)
Aprobación Tibia (+30)	12%	60K "meh" buyers	18K cambiaron a Android (70% retained)
Neutral (0)	8%	Unpredictable	50/50 split confirmado
Decepción (-30)	6%	30K disappointed	28K no upgrades next cycle
Frustración (-60)	3%	15K frustrated	14K switched to Android
Rechazo (-100)	1%	5K haters activos	4.8K campañas anti-iPhone

Insight Clave: Las distribuciones de sentimiento granular (entusiasmo vs satisfacción tibia vs neutralidad) son predictores fuertes de comportamiento de recompra, churn y upsell. Las marcas que usan sentiment spectrum en lugar de pos/neg/neutral logran modelar mejor su demanda futura.

Nota: Casos públicos como "Apple predijo Q2-Q3 2021 con 91% accuracy" circulan en blogs pero Apple es notoriamente reservada con sus métodos analíticos internos y no ha publicado disclosures que respalden ese número. El principio (sentiment granular mejora forecasting) está bien establecido en la industria; el caso Apple específico no está auditado públicamente.

Aplicación práctica (ejemplo ilustrativo):

• 28% entusiasmo → Aumentar inventario para recompras ~30%
• 10% negativo total → Preparar customer service para ~50K issues escalados

📊 Los 5 Sentiment Drivers (Por Qué Sienten lo Que Sienten)

Driver 1: Expectativas vs Realidad

Framework:

Sentiment = Realidad - Expectativas

Si Expectativas muy altas + Realidad buena = Decepción
Si Expectativas bajas + Realidad buena = Entusiasmo

Ejemplo: Cybertruck Tesla (2023)

Expectativas (de social media 2019-2022):

• "Will revolutionize trucks" (82% de menciones)
• "Unbreakable windows" (viral fail creó expectativa)
• "$39,900 starting price" (anunciado 2019)

Realidad (Delivery 2023):

• Truck muy innovador PERO no "revolution total"
• Windows normales (learned from fail)
• Precio $60,990 starting (+56% vs prometido)

Sentiment Distribution:

• Entusiasmo: Solo 18% (vs 40% esperado basado en hype)
• Decepción: 38% ("Price is WAY higher than promised")
• Frustración: 22% ("Waited 4 years for this?")

Impact:

• Cancelaciones de reservas: 28% en primeros 30 días
• Negative word-of-mouth impactó reservas futuras

Lección: Hype excesivo crea expectativas imposibles. Sentiment analysis pre-launch hubiera revelado gap expectativa-realidad.

Driver 2: Experiencia de Uso vs Experiencia de Compra

Framework:

Muchas marcas optimizan compra, ignoran uso.

Sentiment en Compra ≠ Sentiment en Uso

Track ambos separadamente:
- Purchase Sentiment (Día 0-7)
- Usage Sentiment (Día 8-90)
- Long-term Sentiment (Día 90+)

Caso: Peloton Bike (2020-2021)

Purchase Sentiment (Día 0-7): +72

• "So excited!", "Can't wait to start", "Best gift ever"
• 88% entusiasmo/satisfacción

Usage Sentiment (Día 8-30): +45

• "Harder than expected", "Intimidating classes", "Not using as much"
• 52% satisfacción, 28% decepción leve

Long-term Sentiment (Día 90+): +28

• "Just a clothes rack now", "Don't use it anymore", "Regret purchase"
• 35% satisfacción, 42% decepción/frustración

Acción de Peloton (2021): Identificaron drop en sentiment Día 8-30. Lanzaron:

• "Beginner's Program" (4 semanas, clases cortas)
• "You Can Ride" campaign (less intimidating)
• Check-ins automatizados Día 7, 14, 30

Resultado:

• Usage Sentiment Día 8-30 mejoró de +45 a +62
• Long-term Sentiment mejoró de +28 a +54
• Churn rate cayó de 42% a 28% (saved 140K subscribers)

Driver 3: Contexto Social & FOMO

Framework:

Sentiment Individual vs Sentiment de Grupo

Cuando "everyone loves it", presión social aumenta sentiment positivo
Cuando "everyone hates it", bandwagon effect aumenta sentiment negativo

Caso: GameStop Stock Frenzy (Enero 2021)

Pre-Frenzy (Dic 2020):

• Mentions de GameStop: 8K/mes
• Sentiment: +12 (neutral-slightly positive)
• "Dead company", "Malls are dying", "Why still exists?"

Durante Frenzy (Ene 25-29, 2021):

• Mentions: 8.2M en 5 días (+102,400%)
• Sentiment: +85 (entusiasmo extremo)
• "TO THE MOON", "WE LIKE THE STOCK", "HOLD THE LINE"

Post-Frenzy (Feb 2021):

• Mentions: 420K/mes
• Sentiment: -42 (frustración/decepción)
• "Lost everything", "Stupid mistake", "Should have sold"

Análisis: El entusiasmo +85 NO era por GameStop fundamentals. Era FOMO + herd mentality.

Lección: Sentiment extremo causado por factores externos (FOMO, viral) es temporal. No confundir con sentiment genuino por producto/servicio.

Driver 4: Identidad & Tribal Belonging

Framework:

Algunas marcas se vuelven identidades:

"I'm an iPhone person" (no solo "I use iPhone")
"I'm a Tesla owner" (no solo "I drive Tesla")

Sentiment driven por identidad es 5x más fuerte y durable.

Caso: Apple vs Android "Tribalism" (2018-2024)

Análisis de 2M menciones (2023):

iPhone Users:

• 42% usa "I'm an iPhone person" o similar
• Sentiment cuando critican iPhone: +45 (loyal criticism)
• Likelihood de switch a Android: 8%
• Defienden marca vs ataques: 78%

Android Users:

• 38% usa "I'm an Android person"
• Sentiment cuando critican Android: +32
• Likelihood de switch a iPhone: 14%
• Defienden marca vs ataques: 68%

Neutral Users (tienen smartphone pero no tribal):

• 20% de users
• Switch entre marcas: 48%
• No defienden marca: 92%

Insight Comercial:

• Tribal users valen 3.2x lifetime value
• Tribal users generan 5.8x más word-of-mouth
• Perder tribal user es 8x más costoso que adquirir neutral user

Acción para Marcas: Crear contenido que refuerza identidad, no solo features:

• Apple: "Shot on iPhone" (eres creativo)
• Tesla: "Accelerating sustainable future" (eres eco-conscious)
• Patagonia: "For Earth's sake" (eres environmental warrior)

Driver 5: Comparación Competitiva

Framework:

Sentiment Absoluto vs Sentiment Relativo

"This product is good" → +60 Absolute Sentiment
"This product is better than X" → +80 Relative Sentiment
"This product is worse than X" → -40 Relative Sentiment

Relative sentiment driving más action que absolute.

Caso: Spotify vs Apple Music (2020-2023)

Menciones Comparativas (2022): 180K

"Spotify better than Apple Music" (58%):

• Razones: Playlists (42%), Discovery (38%), Interface (28%)
• Sentiment: +72
• Action: 28K documented switches Apple Music → Spotify

"Apple Music better than Spotify" (32%):

• Razones: Audio quality (48%), Ecosystem (38%), Artist payments (22%)
• Sentiment: +65
• Action: 12K documented switches Spotify → Apple Music

"Both are equally good/bad" (10%):

• Sentiment: +8 (neutral)
• Action: No switch

Resultado Neto:

• Spotify gaining share (+16K net switches)
• Driver principal: Playlists & Discovery vs Audio Quality

Acción de Apple Music (2023): Lanzaron "Discovery Station" feature (copying Spotify strength)

Sentiment Post-Launch:

• "Apple Music discovery" mentions +340%
• Sentiment mejoró de +42 a +58
• Net switches cayeron de -16K a -4K

🎯 Técnicas de Sentiment Mining

Técnica 1: Emotion Clustering

Agrupa menciones por emoción específica (no solo positivo/negativo):

7 Emociones Básicas (Ekman):

1. Joy (Alegría) → Correlates con purchase
2. Trust (Confianza) → Correlates con loyalty
3. Fear (Miedo) → Correlates con churn risk
4. Surprise (Sorpresa) → Correlates con viral
5. Sadness (Tristeza) → Correlates con complaints
6. Anger (Enojo) → Correlates con negative reviews
7. Disgust (Disgusto) → Correlates con boycotts

Aplicación: Analiza 1,000 menciones, clasifica por emoción dominante:

• 420 Joy → Content strategy: Amplify wins
• 180 Trust → Content: Case studies, testimonials
• 120 Fear → Content: Reassurance, guarantees
• 280 otros

Técnica 2: Temporal Sentiment Tracking

Track cómo sentiment cambia sobre tiempo:

Honeymoon Period (Día 1-30):

• Típicamente sentiment más alto
• Post-purchase rationalization

Reality Check (Día 31-90):

• Sentiment normalize
• True product experience emerges

Long-term (Día 90+):

• Stabilized sentiment
• Best predictor de loyalty

Técnica 3: Demographic Sentiment Variations

Sentiment varía por demografía:

Ejemplo: iPhone 14 Pro (2022)

Demografía	Sentiment	Top Driver
Gen Z (18-24)	+82	Camera quality
Millennials (25-40)	+68	Ecosystem lock-in
Gen X (41-56)	+52	Reliability
Boomers (57+)	+38	Simplicity vs features

Contenido debe ajustarse por segmento target.

📚 10 Puntos Clave

1. El Sentiment Spectrum de 7 niveles (de Entusiasmo +100 a Rechazo -100) predice comportamiento 4x mejor que positivo/negativo/neutral simple.

2. Entusiasmo (+100) predice advocacy: 92% recompra, 87% recomienda a 3+ personas. Satisfacción (+60): Solo 68% recompra, 52% recomienda.

3. Sentiment distribution granular es un predictor fuerte de demanda futura. Marcas que usan spectrum 7-niveles (entusiasmo, satisfacción, aprobación tibia, neutralidad, decepción, frustración, rechazo) modelan mejor su forecast que las que usan solo pos/neg/neutral. Casos específicos como "Apple 91% accuracy" no son verificables públicamente, pero el principio sí está documentado.

4. Expectativas vs Realidad determina sentiment. Cybertruck Tesla: hype excesivo creó expectations imposibles, resultando 38% decepción vs 18% entusiasmo.

5. Purchase Sentiment ≠ Usage Sentiment. Peloton: +72 en compra, +28 a largo plazo. Solución: onboarding programs mejoraron long-term de +28 a +54.

6. FOMO-driven sentiment es temporal. GameStop: +85 en frenzy, -42 post-frenzy. No confundir con sentiment genuino de producto.

7. Tribal belonging amplifica sentiment 5x. iPhone tribal users valen 3.2x lifetime value y generan 5.8x más word-of-mouth que neutral users.

8. Relative sentiment ("better than X") driving más action que absolute. Spotify vs Apple Music: mentions comparativas predicen 28K switches.

9. Emotion clustering revela drivers ocultos. Track 7 emociones (Joy, Trust, Fear, Surprise, Sadness, Anger, Disgust) para content strategy específica.

10. Demographic variations en sentiment requieren messaging diferenciado. iPhone: Gen Z +82 (camera), Boomers +38 (simplicity).

🧪 Mini-Lab: Clasifica 12 Menciones en Español

Objetivo: Aplicar el spectrum de 7 niveles a menciones reales en español LATAM. Tiempo estimado: 25 minutos. Entregable: clasificación + justificación + score promedio.

Menciones a clasificar

Para cada mención, asigna un nivel del spectrum (Entusiasmo +100 / Satisfacción +60 / Aprobación tibia +30 / Neutral 0 / Decepción -30 / Frustración -60 / Rechazo -100) y justifica en 1 línea:

#	Mención (textual, traducida o no)	Tu nivel	Justificación
1	"wn la app de @BancoEstado funcionando perfecto despues del hackeo, me sacó del apuro 🙏"	___	___
2	"Cornershop ya no es Cornershop, ahora es Uber. Que pena 😞 era la única app chilena buena"	___	___
3	"@LATAM 4 horas en la fila del aeropuerto y nadie da explicaciones. Esta es la última vez"	___	___
4	"El Not Mayo de NotCo está zarpado, te lo juro probalo y después me decís" (mención argentina)	___	___
5	"Rappitenderos en huelga otra vez. La app me funciona pero esto no está bien #YoNoReparto"	___	___
6	"Falabella.com funcionando ok hoy. Compré sin drama. Ojalá siga así"	___	___
7	"no entiendo el hype con NotCo, es leche con saborizante caro"	___	___
8	"URGENTE @BancoEstado mi tarjeta no funciona en el cajero, llevo 30 min llamando y nada"	___	___
9	"Cornershop antes era mi app favorita, ahora cualquiera me da igual. Sin Uber sin Cornershop"	___	___
10	"Globant volvió a ser sponsor de mi conferencia favorita, fuerza Argentina 🇦🇷"	___	___
11	"el sentimiento de la marca: ni fu ni fa"	___	___
12	"EL SERVICIO TECNICO DE @Movistar ES UNA ESTAFA. JAMAS PIENSO RECOMENDARLOS A NADIE."	___	___

Rúbrica de autoevaluación

Pista	Lo que indica
Mayúsculas sostenidas + signos de exclamación múltiples	Intensidad emocional alta (extremos del spectrum)
Emojis 🙏 / ❤️ / 🔥	Tira hacia positivo
Emojis 😞 / 😤 / 💀	Tira hacia negativo
"ni fu ni fa", "más o menos"	Neutral genuino (0)
Frases largas con frustración descriptiva	Frustración (-60), no Rechazo (-100)
Promesa de no recomendar / churn explícito	Rechazo (-100), riesgo activo
Promesa de recomendar / recompra	Entusiasmo (+100)
Slang regional (zarpado AR, wn CL, chido MX)	Generalmente refuerza sentimiento — NO lo neutraliza

Respuestas sugeridas (no mires hasta terminar)

Ver respuestas sugeridas

1. +60 Satisfacción — agradecimiento genuino post-resolución
2. -30 Decepción — nostalgia + pérdida, no rechazo activo
3. -100 Rechazo — "última vez" = churn promise explícito
4. +100 Entusiasmo — recomendación viral, slang positivo intenso
5. -30 Decepción — crítica al sistema, no a la marca; ambiguo, podría ser -60
6. +30 Aprobación tibia — funciona "ok", esperanza pero sin entusiasmo
7. -30 Decepción — escepticismo, no agresión
8. -60 Frustración — urgencia + queja extendida, pero todavía intenta resolver
9. -30 Decepción + 0 Neutral (mezcla) — apatía generalizada, indicador de churn pasivo
10. +60 Satisfacción — orgullo regional, refuerzo de afinidad
11. 0 Neutral — explícitamente neutral
12. -100 Rechazo — mayúsculas + jamás recomendar = máxima intensidad negativa

Cálculo de score promedio

Una vez clasificadas las 12 menciones:

Score promedio = Σ (niveles asignados) / 12

Interpretación:

• Score > +30 → marca en estado healthy
• Score 0 a +30 → estado observación
• Score -30 a 0 → alerta amarilla, intervención preventiva
• Score < -30 → alerta naranja/roja, intervención inmediata

Reflexión final del lab: clasificar a mano 12 menciones te toma ~25 minutos. Un equipo de listening puede recibir 5.000-50.000 menciones al mes. La pregunta que esta lección busca responder NO es "¿cómo clasifico todo a mano?" sino "¿cómo automatizo esta clasificación con suficiente precisión para que decisiones de negocio se basen en ella?" — que es exactamente lo que vimos en las técnicas de Sentiment Mining.

🚀 Próximos Pasos

En la siguiente lección, De Escucha a Acción, dominarás el framework que convierte insights en decisiones ejecutables, aprenderás sistemas de dissemination cross-funcional y analizarás 5 casos donde insights de listening generaron cambios organizacionales con $10M+ impacto.

Todo el sentiment analysis del mundo no vale nada si no se traduce en acción. La próxima lección cierra ese gap.