Análisis de sentimiento: qué mide de verdad y dónde se equivoca

El análisis de sentimiento es de esas cosas que suenan resueltas y no lo están. Pasas diez mil reseñas y veinte mil tickets por un modelo, te devuelve un 68 % de positivo, lo pintas en un cuadro de mando con un medidor verde y… nadie hace nada con ello. El número sube, el número baja, y la reunión del lunes sigue igual. Ese es el final habitual de la mayoría de proyectos de análisis de sentimiento que nos encontramos: técnicamente funcionan y operativamente no sirven para nada.

Esta guía va de lo contrario. De qué mide realmente una etiqueta de sentimiento, de los sitios concretos donde se equivoca (que son bastante predecibles), de cómo evaluar si tu clasificador está a la altura, y sobre todo de cómo pasar de «68 % positivo» a «el problema está en el paso de devolución del pedido y afecta a 400 clientes al mes».

¿Qué es el análisis de sentimiento y qué mide de verdad?

El análisis de sentimiento es clasificar un texto según la carga emocional que expresa: positivo, negativo, neutro. En su versión más útil añade intensidad y, sobre todo, sobre qué se expresa esa carga.

Lo que mide de verdad, y conviene tenerlo claro antes de prometer nada:

• Mide la expresión, no la experiencia. Un cliente puede estar furioso y escribir un ticket impecablemente educado. El modelo verá educación.
• Mide el texto que tienes, no el que no tienes. El cliente que se va sin decir nada no deja sentimiento que analizar. Para eso está la predicción de churn, que trabaja con comportamiento, no con palabras.
• Mide a nivel de documento salvo que le pidas lo contrario. «El producto es excelente pero la entrega fue un desastre» es una reseña mixta. Etiquetarla como «negativa» tira a la basura la mitad de la información.

Ese último punto es la frontera entre un proyecto que aporta y uno que no. El sentimiento global de una reseña es casi siempre redundante con la nota de estrellas que el cliente ya te ha dado. Lo que no tienes es el desglose por aspecto: entrega, precio, atención, producto, facturación. Ahí es donde está el dato nuevo.

Si tu análisis de sentimiento te dice lo mismo que la media de estrellas, no has construido nada: has construido una forma cara de calcular una media.

¿De dónde salen los textos y cuál conviene analizar primero?

No todas las fuentes tienen el mismo valor ni el mismo coste de preparación. Por orden de rentabilidad típica en una empresa mediana:

• Tickets de soporte. La mejor fuente, y casi siempre la olvidada. Son internos, tienen metadatos (cliente, producto, fecha, agente, tiempo de resolución) y describen problemas concretos. Si solo puedes atacar una fuente, ataca esta.
• Reseñas públicas. Marketplaces, fichas de negocio, portales sectoriales. Ventaja: incluyen a la competencia, así que puedes comparar. Inconveniente: sesgo de extremos (escribe el muy contento y el muy enfadado) y presencia de reseñas falsas.
• Encuestas con campo abierto. El «¿algo más que quieras contarnos?» del NPS. Volumen bajo, densidad altísima. Suele ser el mejor sitio para empezar a validar el modelo porque alguien de la casa ya las ha leído.
• Conversaciones de chat y WhatsApp. Útiles si ya tienes un chatbot o atención conversacional con histórico. Ojo: mucho ruido («hola», «gracias», «ok»).
• Redes sociales y menciones. Las más vistosas en una demo y las menos accionables. Volumen alto, relación con clientes reales baja, ironía por todas partes.

Antes de analizar nada, una advertencia que ahorra meses: estos textos contienen datos personales. Nombres, números de pedido, a veces documentos de identidad escritos a mano dentro del ticket. Si el procesamiento sale de tu entorno, eso hay que resolverlo antes, no después —lo tratamos en anonimización de datos.

¿Qué enfoque usar: diccionario, clasificador propio o modelo de lenguaje?

Tres familias, tres perfiles de coste y control. No hay ganador absoluto.

| | Diccionario / léxico | Clasificador entrenado | Modelo de lenguaje | |---|---|---|---| | Cómo funciona | Lista de palabras con polaridad y reglas | Aprende de ejemplos tuyos etiquetados | Instrucción en lenguaje natural | | Qué necesitas | Nada, funciona el primer día | 500–2.000 textos etiquetados a mano | Una buena instrucción y ejemplos | | Acierto en tu dominio | Bajo-medio | Alto si los datos son buenos | Medio-alto sin entrenar | | Coste por 100.000 textos | Casi cero | Casi cero tras entrenar | Significativo, hay que medirlo | | Explica por qué | Sí, trazable | A medias | Sí, pero puede inventar la razón | | Extracción por aspecto | Muy limitada | Hay que entrenarla aparte | Sale casi gratis |

En la práctica el montaje que mejor funciona es híbrido: un modelo de lenguaje para la fase de arranque y para extraer aspectos (porque no exige etiquetado previo), y cuando el volumen crece, un clasificador propio entrenado con las etiquetas que ese modelo generó y un humano revisó. Sale barato de operar y conserva el criterio de tu dominio.

Lo que casi nunca recomendamos es empezar entrenando desde cero. Etiquetar 2.000 tickets a mano son semanas de alguien que conoce el negocio, y lo habitual es descubrir a mitad de camino que la taxonomía de categorías estaba mal planteada.

¿Dónde se equivoca el análisis de sentimiento?

Aquí está la parte que los proveedores enseñan poco. Los fallos no son aleatorios, son sistemáticos y se repiten:

• Negación y alcance. «No es que esté mal» no es negativo. «Nunca más» sí. Los diccionarios se rompen aquí constantemente.
• Ironía y sarcasmo. «Genial, otra vez sin reparto». Es el fallo más citado y, honestamente, el menos importante en tickets de soporte: ahí la gente es directa. En redes sociales sí duele.
• Vocabulario de dominio. En seguros, «siniestro» es una palabra neutra operativa. En un léxico genérico es negativa. Mismo problema con «crítico», «urgente», «incidencia», «baja». Un modelo genérico te va a pintar de rojo todo tu soporte técnico.
• El neutro que no existe. Muchos sistemas no tienen una clase neutra decente y reparten los textos sin carga entre positivo y negativo. Resultado: ruido que se mueve mes a mes sin que pase nada real.
• Mezcla de idiomas. Español, catalán, inglés y el spanglish del cliente internacional en el mismo buzón. Hay que medir el acierto por idioma, no en agregado.
• Texto que no es opinión. Firmas de correo, mensajes automáticos, confirmaciones, respuestas de una palabra. Si no los filtras, diluyen cualquier señal.
• Sesgo del canal. El sentimiento medio de un formulario de reclamación es negativo por construcción. Comparar canales entre sí sin ajustar eso no dice nada.

La regla práctica: nunca compares sentimiento entre fuentes distintas, compara cada fuente consigo misma a lo largo del tiempo. Las tendencias dentro de un mismo canal son fiables; los niveles absolutos entre canales, no.

¿Cómo se convierte el sentimiento en una decisión?

Esta es la sección que justifica el proyecto entero. Una etiqueta de polaridad por sí sola no mueve nada. Lo que mueve es la combinación de tres cosas:

1. Aspecto — sobre qué habla (entrega, precio, soporte, app, facturación, producto X). 2. Volumen — cuántos clientes distintos lo dicen, no cuántos mensajes hay. Un cliente que escribe quince veces es un caso, no quince. 3. Impacto — qué facturación, qué segmento o qué coste de soporte hay detrás de esos clientes.

Con esas tres columnas tienes una lista priorizada que un comité de producto puede leer en cinco minutos: «quejas sobre el proceso de devolución, 412 clientes únicos este trimestre, +31 % frente al anterior, concentradas en el segmento que más repite». Eso es accionable. «68 % positivo» no lo es.

Y una pieza que casi siempre falta: el dueño. Cada aspecto de la taxonomía debe tener un responsable que recibe su lista y responde de ella, igual que pasa con cualquier otro indicador —el mismo principio que aplicamos al elegir KPIs de negocio. Un informe de sentimiento sin destinatario concreto se convierte en un PDF mensual que nadie abre a partir del tercer mes.

Cruzarlo con tu segmentación de clientes multiplica el valor: el mismo problema puede ser anecdótico en el segmento de bajo valor y crítico en el de alto.

¿Cómo se evalúa que el modelo acierta?

No te fíes del porcentaje de acierto que venga de fábrica: está medido sobre reseñas de cine en inglés, no sobre tus tickets. El protocolo mínimo serio:

| Paso | Qué hacer | Esfuerzo | |---|---|---| | 1. Muestra | 300–500 textos al azar, estratificados por canal e idioma | 1 día | | 2. Doble etiquetado | Dos personas del negocio etiquetan por separado, a ciegas | 2–3 días | | 3. Acuerdo humano | Mide cuánto coinciden entre ellas | 1 hora | | 4. Comparación | Modelo contra el consenso humano | 1 hora | | 5. Error por clase | Matriz de confusión: qué confunde con qué | medio día | | 6. Repetición | Repite el muestreo cada trimestre | recurrente |

El paso 3 es el que todo el mundo se salta y el más revelador. Si tus dos revisores humanos solo coinciden en el 75 % de los casos, el 75 % es tu techo: pedirle al modelo un 90 % es pedirle que acierte en algo sobre lo que ni las personas se ponen de acuerdo. Ese dato también te dice si tu taxonomía está mal definida: desacuerdo alto suele significar categorías solapadas, no revisores torpes.

Y mide por clase, nunca en agregado. Un modelo con 85 % global que acierta el 95 % en positivo y el 40 % en negativo es inservible, porque lo negativo es precisamente lo que buscas. Es el mismo razonamiento que aplicamos al medir el ROI de la IA: el número agregado esconde justo lo que importa.

¿Cómo montar el primer caso sin que se eternice?

Un arranque realista en cuatro o cinco semanas, con una sola fuente:

• Semana 1. Elige la fuente (tickets, casi siempre) y extrae 12 meses de histórico. Limpia firmas, automáticos y mensajes vacíos. Anonimiza lo que haga falta.
• Semana 2. Define la taxonomía de aspectos con quien atiende a los clientes, no con el equipo técnico. Entre 8 y 15 categorías. Si pasas de 20, nadie la usará.
• Semana 3. Procesa el histórico completo con un modelo de lenguaje y una instrucción que pida polaridad por aspecto, no global. El histórico ya te da tendencias el primer día.
• Semana 4. Evalúa con el protocolo de arriba. Corrige la taxonomía con lo que aprendas. Suele haber una o dos categorías que hay que partir en dos.
• Semana 5. Monta el informe priorizado por aspecto, volumen e impacto, y asigna dueño a cada categoría. Primera reunión de revisión.

Procesar el histórico antes que el tiempo real es deliberado. Es más barato, no toca ningún sistema en producción y responde la pregunta que de verdad importa —«¿esto nos dice algo que no supiéramos?»— antes de haber invertido en integraciones. Si la respuesta es no, has gastado un mes en vez de un trimestre. Y ninguna de estas fases funciona si el texto de partida está sucio: aplica aquí lo mismo que en calidad de datos.

Preguntas frecuentes

¿Qué precisión es razonable esperar en análisis de sentimiento?

En textos de dominio propio y con una taxonomía bien definida, entre el 75 % y el 85 % de acuerdo con el consenso humano es un resultado sólido. Cualquiera que te prometa más del 95 % sin haber visto tus datos está hablando de un benchmark académico en inglés, no de tus tickets.

¿Hace falta etiquetar datos a mano para empezar?

Para arrancar, no: un modelo de lenguaje con buenas instrucciones da resultados utilizables desde el primer día. El etiquetado manual sigue siendo imprescindible para evaluar —necesitas esos 300–500 textos revisados por personas— y compensa para entrenar un clasificador propio cuando el volumen hace que el coste por texto importe.

¿Sirve el análisis de sentimiento con poco volumen de reseñas?

Con menos de unos cientos de textos al mes, no: leerlos es más rápido y más fiable que montar un sistema. El análisis automático empieza a compensar cuando nadie puede leerlo todo, o cuando necesitas comparar tendencias entre periodos, productos o delegaciones de forma consistente.

¿Puedo analizar reseñas de la competencia?

Las reseñas públicas se pueden analizar, y comparar aspectos frente a competidores suele ser el entregable que más interesa a dirección. Revisa las condiciones de uso de cada plataforma antes de descargar nada de forma masiva, y asume que esas fuentes tienen más ruido y más reseñas falsas que tus propios datos.

---

Si tienes un buzón de soporte con años de histórico que nadie ha leído entero, ahí dentro hay una lista priorizada de problemas de producto esperando a que alguien la saque. Nuestra auditoría revisa qué fuentes de texto tienes, si están lo bastante limpias para analizarlas y qué decisión concreta podría apoyarse en ellas. Si ya lo tienes claro y prefieres ir al grano, hablemos.