ANÁLISIS DE SENTIMIENTO EN REDES SOCIALES COMO HERRAMIENTA DE APOYO A LA TOMA DE DECISIONES EN LA GESTIÓN DEL RIESGO REPUTACIONAL EN EL SECTOR BANCARIO
DOI:
https://doi.org/10.56238/arev7n10-149Palabras clave:
Análisis de Sentimientos, Riesgo Reputacional, Redes Sociales, Instituciones Financieras, Aprendizaje AutomáticoResumen
La creciente exposición digital de las instituciones financieras pone de relieve la necesidad de una monitorización eficaz del riesgo reputacional. Este estudio propone el desarrollo de un modelo de análisis de sentimientos aplicado a textos recopilados de la red social X (anteriormente Twitter), con el objetivo de clasificar automáticamente los comentarios de los usuarios según su polaridad emocional (positiva, neutral o negativa). La metodología incluye la recopilación de datos mediante API, el preprocesamiento de texto, el balanceo de clases y la implementación del algoritmo Naive Bayes mediante técnicas de aprendizaje supervisado en Python. Los resultados mostraron una precisión general de hasta el 69,27 % en el conjunto de datos original, con mejoras de rendimiento para las clases minoritarias mediante sobremuestreo. El modelo demostró ser especialmente eficaz en la detección de sentimientos negativos, cruciales para la gestión del riesgo reputacional. La solución propuesta pretende apoyar la toma de decisiones en el sector bancario mediante la mejora del seguimiento de la imagen institucional y las estrategias de prevención de crisis.
Descargas
Referencias
Associação Brasileira de Normas Técnicas. (2018). NBR ISO 31000:2018: Gestão de riscos – Diretrizes. https://www.gov.br/transportes/pt-br/centrais-de-conteudo/iso-31000-de-2018-gestao-de-riscos-pdf
Ferreira, V. M. da S. (2022). Fuzzy logic applied to the analysis of conflict of ideas in social networks [Doctoral dissertation, Federal University of Rio de Janeiro]. Repositório HCTE. https://www.hcte.ufrj.br/docs/teses/2022/vinicius_marques_ferreira_hcte_2022.pdf
Fombrun, C. J., & Shanley, M. (1990). What's in a name? Reputation building and corporate strategy. Academy of Management Journal, 33(2), 233–258. https://doi.org/10.5465/256324
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Liu, B. (2020). Sentiment analysis: Mining opinions, sentiments, and emotions (2nd ed.). Cambridge University Press.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. Dartmouth College. http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html
Menezes, D. (2011). Reputational risk management: Practices and challenges. Diálogo – Revista ESPM de Comunicação Corporativa, (1), 16–20. http://dialogo.espm.br/index.php/dialogo/article/view/12
Russell, S., & Norvig, P. (2013). Artificial intelligence (R. C. S. de Macedo, Trans.; 3rd ed.). Elsevier.
Westphal, A. C. M. (2012). Reputational risk of banking institutions: An evaluation with structural equation modeling [Doctoral dissertation, Federal University of Rio de Janeiro]. Repositório IE. https://www.ie.ufrj.br/images/IE/PPGE/teses/2012/ANDRES%20CRISTIAN%20MACHUCA%20WESTPHAL.pdf
