revista cubana  
de transformación digital  
RNPS 2487 • ISSN 2708-3411  
vꢀꢁ. 4 • Nro. 1 • enero-marzo 2023 • e207  
artículo original  
Análisis de sentimientos orientado  
al comercio electrónico de CꢀꢁꢂAꢁꢃꢄ:  
proyecto de voz del cliente  
E-Commerce-Oriented Sentiment Analysis of CꢀꢁꢂAꢁEꢃ:  
Voice-Of-ꢁhecust  
Carlos Mar Rodríguez  
cmar@citmatel.inf.cu • https://orcid.org/0000-0002-2367-45565  
EmprEsa dE TEcnologías dE la InformacIón  
y sErvIcIos TElEmáTIcos avanzados, cITmaTEl, cuba  
Patricia Montañez Castelo  
patriciacastelo99@gmail.com • https://orcid.org/0000-0002-6776-9434  
Alfredo Simón-Cuevas  
asimon@ceis.cujae.edu.cu • https://orcid.org/0000-0003-4506-5054  
unIvErsIdad TEcnológIca dE la Habana “JosÉ anTonIo EcHEvErría”, cuJaE, cuba  
Recibido: 2023-01-26 • Aceptado: 2023-03-02  
RꢃSUꢂꢃN  
El comercio electrónico desempeña un papel fundamental en la transforma-  
ción digital. El uso generalizado de las redes sociales ha propiciado que los  
clientes y consumidores opinen libremente sobre los productos y servicios, y  
expresen sus emociones y experiencias, lo que tiene gran repercusión en los  
negocios de venta en línea, de ahí el surgimiento de lo que se conoce como Voz  
del Cliente (VoC). El procesamiento eficaz y análisis inteligente del volumen de  
información textual no estructurada, que se genera para capturar el grado de  
satisfacción de los usuarios, es una tarea desafiante que demanda la aplicación  
de tecnologías de Procesamiento de Lenguaje Natural (PLN), específicamente,  
de Análisis de Sentimientos. Este trabajo constituye un primer acercamiento  
de las tecnologías de Análisis de Sentimientos en el comercio electrónico que  
desarrolla CITMATEL. Se muestra aquí un modelo de procesamiento y aná-  
lisis computacional de información textual, que guía la implementación de un  
proyecto de VoC con impacto en el comercio electrónico. Como parte de ese  
modelo se desarrolla una solución concreta de Análisis de Sentimientos, cuyas  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
evaluaciones parciales sobre opiniones de productos en datos de prueba per-  
mitieron obtener resultados con valores de precisión y exhaustividad muy be-  
neficiosos para su despliegue en dicha empresa.  
Palabras clave: comercio electrónico, procesamiento de lenguaje natural,  
análisis de sentimientos, Voz del Cliente.  
ABSTRACT  
E-commerce plays a key role in digital transformation programs. e extensive  
use of social networks has allowed customers and consumers to freely express  
their opinions about products and services, and to express their emotions and  
experiences, which has had a great impact on online sales businesses, hence the  
emergence of what is known as Voice of the Customer (VoC). e efficient pro-  
cessing and intelligent analysis of the entire volume of unstructured textual in-  
formation generated for capturing the user-satisfaction degree is a challenging  
task, and demands the application of Natural Language Processing technolo-  
gies, specifically, Sentiment Analysis. is work constitutes a first approach of  
the Sentiment Analysis technologies in e-commerce developed by CITMATEL.  
A model of computational processing and analysis of textual information that  
guides the implementation of a VoC project, with impact on e-commerce, is  
presented. As part of this model, a concrete Sentiment Analysis solution is de-  
veloped, whose partial evaluations on a test dataset of product reviews where  
were obtained high precision and recall which makes it suitable for deployment  
in the enterprise.  
Keywords: e-commerce, natural language processing, sentiment analysis, Voi-  
ce of the Customer.  
ꢀ
NꢁRODUCCꢀÓN  
Desde hace varios años el proceso de transformación digital a nivel mundial ha venido desa-  
rrollándose de forma acelerada y el comercio electrónico desempeña un papel fundamental,  
tanto para las empresas como para los clientes finales de los productos y servicios que estas  
ofrecen (Kian, 2021). El acceso a los portales de comercio electrónico y las compras en línea se  
han convertido en los nuevos mercados de la sociedad. La generalización del uso de Internet,  
acompañado del surgimiento y desarrollo de las redes sociales (Facebook, Twitter, etc.), y el  
incremento de otros espacios de comunicación impulsados por la Web 2.0, ha facilitado que  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
los clientes y consumidores opinen libremente sobre los productos y servicios. Estos expresan  
sus emociones y experiencias, lo que abre paso a una nueva forma de percepción de su satis-  
facción.  
El comercio electrónico puede definirse como las actividades relacionadas con la com-  
pra y venta de productos o servicios a través de Internet. Las empresas se dedican cada vez  
más al comercio electrónico, debido a la creciente demanda de servicios en línea por parte de  
los clientes y su capacidad de crear una ventaja competitiva. Sin embargo, se ven obligadas a  
adaptar constantemente sus modelos de negocio, a las cambiantes necesidades de los clientes  
y a cómo estos asumen las tecnologías de información que están a su alcance. Las tecnologías  
de IA han ido transformando esta forma de comercio, gracias a las capacidades que brindan  
para interpretar correctamente datos, aprender de ellos y utilizar esos aprendizajes para lo-  
grar objetivos y tareas específicas mediante una adaptación flexible, creando oportunidades  
para que las empresas obtengan una ventaja competitiva (Kian, 2021). Algunas de las princi-  
pales ventajas del uso de tecnologías de IA en el comercio electrónico son (Saraswat, Kumar,  
&
Abhishek, 2022): búsqueda intuitiva centrada en el cliente, filtrado de reseñas e información  
falsa, automatización, personalización, asistentes virtuales para las compras, segmentación de  
clientes y logística inteligente.  
Los consumidores suelen evaluar los productos y servicios en función de las opiniones  
que generan otros consumidores de dicho producto. Por tanto, hoy en día uno de los factores  
que más influyen en las ventas de productos y servicios son dichas reseñas, ya que ayudan  
a mitigar el miedo a ser engañado y aumentan la confianza entre consumidores y empresas  
(
Saraswat, Kumar, & Abhishek, 2022). Los portales de comercio electrónico generan cada día  
muchos datos en forma de opiniones de clientes. El análisis de los datos de comercio electró-  
nico ayuda a los vendedores minoristas en línea a comprender las expectativas de los clientes,  
ofrecer una mejor experiencia de compra y aumentar las ventas.  
En este contexto, surge lo que se conoce como Voz del Cliente (VoC), término que describe  
el proceso exhaustivo de captar e interpretar con regularidad las expectativas, preferencias y  
experiencias del cliente con los productos y servicios (Mehtab, 2021). Un programa de VoC es  
una fuente inagotable de retroalimentación para detectar fortalezas, oportunidades de mejora  
y alimentar con iniciativas a cada área de la empresa, en síntesis, permite conectar la opinión  
de los clientes de la empresa con los decisores.  
La inteligencia Artificial (IA) es la tecnología con las mayores tendencias dentro del co-  
mercio electrónico en los próximos años. Según Gartner, la mayoría de las organizaciones que  
utilizan la IA en sus sistemas de comercio electrónico lograrán un aumento de al menos 25 %  
en satisfacción de los clientes para 2023, junto a un aumento de los ingresos y una reducción  
de los costes (Kian, 2021). Enfrentar los desafíos que representa el procesamiento eficaz del  
gran volumen de información textual no estructurada que generan los usuarios, hace impres-  
cindible la aplicación de tecnologías de IA y, entre ellas, las relacionadas con el Procesamiento  
del Lenguaje Natural (PLN) y la Minería de Textos (MT), con énfasis en el Análisis de Sen-  
timientos o Minería de Opinión, dado que los objetivos y retos de los programas VoC y las  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
soluciones de procesamiento inteligente de textos son esencialmente los mismos. El Análisis  
de Sentimientos es el método más utilizado para analizar datos en forma de texto, identificar  
el contenido de sentimiento del texto e identificar información positiva, negativa y neutra de  
las opiniones de los clientes (Mehtab, 2021).  
La Empresa de Tecnologías de la Información y Servicios Telemáticos Avanzados (CIT-  
MATEL) mantiene en funcionamiento varias plataformas de comercio electrónico que ofre-  
cen diversos productos y servicios. Un grupo de especialistas de la empresa extrae y analiza,  
de forma manual, información textual vertida por los usuarios proveniente de varios canales.  
Este trabajo tiene como objetivo plantear una primera aproximación de la introduc-  
ción de las tecnologías de Análisis de Sentimientos o Minería de Opinión en el contexto  
del comercio electrónico de CITMATEL, como parte de la implementación de un proyecto  
de VoC y de transformación digital basado en IA. En este sentido, se propone una primera  
aproximación de la concepción general de un modelo de procesamiento y análisis computa-  
cional inteligente de información textual no estructurada, desde la perspectiva del Análisis  
de Sentimientos basado en aspectos y orientado al comercio electrónico, que sirve de guía  
para implementar el proyecto de VoC en la empresa. Además, se muestra la concepción de  
una solución de análisis de sentimientos, específicamente para la detección de polaridad  
basada en aspectos, cuyas evaluaciones parciales sobres textos de opinión generados en una  
plataforma de venta en línea, proporcionan resultados alentadores y de valor en un entorno  
de comercio electrónico.  
ꢂꢃꢁODOꢄOGÍA  
La metodología planteada para abordar el objetivo fundamental de este trabajo se puede resu-  
mir de la siguiente manera:  
1
. Estudio y asimilación de los fundamentos teóricos y, por un lado, del Procesamiento del  
Lenguaje Natural (PLN), la Minería de Texto y el Análisis de Sentimientos, y por el otro,  
de lo que se conoce como VoC, así como la caracterización de soluciones y tecnologías  
afines ya reportadas en la literatura.  
2
. Definición de una primera aproximación de la concepción general de un modelo de pro-  
cesamiento y análisis computacional inteligente de información textual no estructurada,  
que ofrezca una guía para la implementación de un proyecto de VoC, desde la perspec-  
tiva del Análisis de Sentimientos orientado al comercio electrónico, como ámbito de la  
empresa sobre la que impactarán los resultados.  
3
. Concepción y evaluación preliminar de una solución de Análisis de Sentimientos, es-  
pecíficamente para la detección de polaridad basada en aspectos, para crear las bases y  
mostrar una vía para acercar a la práctica uno de los servicios contemplados dentro del  
modelo de VoC propuesto, así como ejemplificar resultados (datos textuales) que pueden  
aportar a la toma de decisiones sobre productos que se ofertas en una venta online.  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
RꢃSUꢄꢁADOS Y DꢀSCUSꢀÓN  
Comercio electrónico en la era de la inteligencia artificial  
El procesamiento de los contenidos de opinión generados por los usuarios sobre productos y  
servicios, tanto en las propias plataformas de comercio electrónico como en las redes sociales,  
hoy desempeña un papel fundamental para lograr el éxito en este tipo de empresa. Las organi-  
zaciones están desarrollando un nuevo modelo de marketing centrado en las relaciones entre  
la empresa y sus clientes, donde la IA encuentra un extraordinario campo de aplicación en la  
gestión de la información, en la atención al cliente y en el análisis de la experiencia de compra.  
En este sentido, el PLN y la Minería de Texto constituyen áreas de trabajo e investigación de  
las IA, desde donde se ofrecen las tecnologías necesarias para llevar a cabo el procesamiento y  
análisis eficaz de ese tipo de contenido, y más específicamente de lo que se conoce como Mi-  
nería de Opinión o Análisis de Sentimientos. Precisamente, estos temas figuran entre los más  
investigados dentro de la aplicación de la IA en el campo del comercio electrónico (Kian, 2021).  
Análisis de Sentimientos  
El Análisis de Sentimientos o Minería de Opinión es el estudio computacional sobre las acti-  
tudes, los pensamientos y los sentimientos de las personas hacia determinadas entidades y sus  
características (Bawack, Wamba, Carillo, & Akter, 2022), que mediante el uso de la lingüística  
computacional y el análisis de textos, es capaz de procesar y extraer información de datos re-  
presentados de forma textual (Liu & Zhang, 2012). Por lo general, en la literatura se hace una  
distinción entre opiniones y sentimientos (Varathan, Giachanou, & Crestani, 2016). Cuando  
se habla de opiniones, se refiere al punto de vista de una persona hacia un determinado asun-  
to, mientras que el sentimiento o la polaridad se refiere a la emoción que experimenta la per-  
sona hacia ese asunto, la cual puede ser positiva o negativa (Varathan, Giachanou, & Crestani,  
2
016). La Minería de Opinión es dividida, por lo general, en tres categorías, según la extensión  
de texto que se va a analizar y los elementos que se quieren extraer de este. Las categorías son  
Brauwers & Frasincar, 2021):  
(
•
ꢀ A nivel de documento (Document-Level): se toma todo el documento como opinión y  
se clasifica su polaridad general sin tener en cuenta otros detalles (Nazir, Rao, Wu, &  
Sun, 2022). En este nivel, la clasificación de polaridad se hace basándose en la cantidad  
de palabras con sentimiento positivo o negativo que contenga el texto, lo cual no resulta  
factible para la toma de decisiones, ya que un mismo usuario puede hacer referencia a  
varios elementos y expresar diferentes sentimientos en una misma opinión (Subhashini  
et al., 2021).  
•ꢀ A nivel de oración (Sentence-Level): se asume que toda la oración contiene una única  
opinión y se clasifica en su conjunto de acuerdo a una polaridad (Nazir, Rao, Wu, & Sun,  
2
022). En este caso, un único aspecto y polaridad es considerado para cada oración del  
documento (Aboelela, Gad, & Ismail, 2021).  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
•
ꢀ A nivel de aspecto (Aspect-Level): se considera el nivel de más baja granularidad, ya que  
se clasifican por separado las entidades, los aspectos y las relaciones presentes en las  
opiniones (Nazir, Rao, Wu, & Sun, 2022). Para este nivel se tienen en cuenta todos los  
aspectos que constituyen el documento y se determina la polaridad de cada uno de ellos  
(
Aboelela, Gad, & Ismail, 2021). El análisis a nivel de características o aspectos se podría  
decir que es el más cercano a dar un análisis preciso de las opiniones de los usuarios,  
siendo recomendado en muchos estudios como la mejor técnica de Minería de Opinión  
(García, Cuadros, & Rigau, 2018).  
Análisis de Sentimientos basado en aspectos  
El Análisis de Sentimientos basado en aspectos es un tipo de Minería de Opinión, que consis-  
te en clasificar el sentimiento de la opinión que se está expresando sobre diferentes caracterís-  
ticas o aspectos de productos o servicios que están siendo evaluados (Liu et al., 2019). En este  
proceso, a partir del procesamiento de los textos de opinión, se es capaz de extraer informa-  
ción relevante, logrando ir más allá de las calificaciones en base a una puntuación que dan los  
usuarios en los sitios de reseñas (García, Cuadros, & Rigau, 2018). Este tipo de soluciones son  
de las que más podrían aportar comercio electrónico, sobre todo si se inserta en una platafor-  
ma de tienda virtual y se vincula a los productos que se ofrecen. Un ejemplo son las tiendas  
virtuales de CITMATEL.  
La tarea de Análisis de Sentimientos basado en aspectos, según algunos autores, se com-  
pone de tres subtareas fundamentales (Brauwers, & Frasincar, 2021): Extracción de Aspectos  
(
Aspect Extraction, AE), Análisis de Sentimientos del Aspecto (Aspect Sentiment Analysis,  
ASA) y Evolución del Sentimiento (Sentiment Evolution, SE), otros trabajos (Geetha, & Karthi-  
ka, 2021; Phan, & Ogunbona, 2020) suelen dividirla en dos subtareas: Extracción de Aspectos  
(
Aspect Extraction, AE) y Clasificación del Sentimiento del Aspecto (Aspect Sentiment Classi-  
fication, ASC); la primera parte tiene como objetivo identificar y extraer el aspecto acerca del  
cual se está emitiendo una opinión, y la segunda parte se encarga de detectar la polaridad del  
sentimiento asociada a ese aspecto en la opinión (Geetha, & Karthika, 2021).  
Existen cuatro métodos fundamentales para la extracción de aspectos (Akhoundzade, &  
Devin, 2020):  
1
. Basados en frecuencia de aparición de las palabras.  
. Basados en sentimientos y relaciones entre aspectos.  
. Utilizando métodos no supervisados.  
2
3
4
. Mediante modelado de tópicos y redes neuronales.  
Comercio electrónico en CITMATEL enfocado en el Análisis de Sentimientos  
La empresa CITMATEL ha desarrollado y mantiene en funcionamiento varias plataformas de  
comercio electrónico, entre las que se encuentran: www.superfacil.cu; www.bazar-virtual.ca;  
www.moviles.compra-dtodo.com; www.ticom47.com, donde se ofrecen productos y servicios  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
que constituyen una línea de negocio estratégica. El departamento comercial de la entidad,  
con el grupo de marketing y publicidad, analiza diferentes fuentes de información que brin-  
dan opiniones textuales de usuarios y clientes, para obtener retroalimentación sobre el fun-  
cionamiento en general de venta y en consecuencia tomar acciones. Entre esas fuentes de  
información están los canales en redes sociales de la empresa y otros específicos vinculados  
con las plataformas de venta en línea, además de los sistemas de quejas e incidencias internos  
de la empresa. La información obtenida por diversos canales es generalmente estadística y no  
se encuentra centralizada. Todo el proceso de consolidación se realiza de forma manual, de-  
morando la trasmisión de la información a los decisores finales y desaprovechando un gran  
volumen de datos en forma de texto que son generados.  
Los clientes expresan diariamente en las plataformas de redes sociales, sus criterios acer-  
ca de características, beneficios, deficiencias de los productos y servicios que se ofertan en las  
plataformas de CITMATEL. El seguimiento y la medición de la satisfacción de los clientes  
tiene el propósito de monitorear la percepción sobre la calidad de los productos y servicios  
adquiridos. Por tanto, analizar las opiniones de forma eficaz ayuda a las empresas a mejorar la  
satisfacción y la fidelidad de los clientes, al mismo tiempo podría aportar un valor añadido al  
servicio que ofrece a los proveedores con reportes sistemáticos sobre evaluación de la satisfac-  
ción de sus productos. Necesariamente, para enfrentar este procesamiento y análisis, hay que  
aplicar tecnologías de PLN, MT y Análisis de Sentimientos o Minería de Opinión, las cuales  
posibilitarían obtener datos textuales de valor para la empresa y dotarlos de significado, así  
como conocer y comprender mejor el estado de satisfacción de los clientes, y orientar las de-  
cisiones a mejorar sus experiencias y satisfacer más las necesidades de los clientes.  
En este sentido, se muestra a continuación la primera aproximación de un modelo de VoC  
concebido para la actividad de comercio electrónico en CITMATEL, basado en la aplicación  
del Análisis de Sentimientos, e inspirado en el esquema general de las soluciones de MT. El  
modelo VoC-CITMATEL fue concebido mediante una arquitectura en cuatro capas (figura 1):  
1
. Escucha del cliente  
2
3
4
. Preparación y comprensión de los datos  
. Análisis y descubrimiento  
. Visualización  
En el filtrado de la información, así como para su comprensión y análisis, resultaría con-  
veniente disponer de un recurso de conocimiento, por ejemplo, donde los productos y servi-  
cios que se ofrecen sean semánticamente descritos, sus caraterícticas y propiedades, lo que  
se podría lograr mediante unas ontologías. A través de esta base de conocimiento se definirá  
y representará el vocabulario de términos relevantes del domino de interés en el ámbito del  
comercio electrónico de CITMATEL.  
Luego de disponer de la información estructurada y almacenada, se llevarían a cabo los  
procesos de análisis y descubrimiento de conocimiento, en este caso enfocados en el Análisis  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
de Sentimientos sobre ese contenido textual. Los resultados se deben representar visualmente  
para hacerlos accesibles y comprensibles por ejecutivos, directivos y decisores en general.  
fiꢀ. 1 Eꢁqꢂeꢃꢄ ꢀeꢅeꢆꢄꢇ ꢈeꢇ ꢃꢉꢈeꢇꢉ vꢉc-cITmaTEl, ꢉꢆieꢅtꢄꢈꢉ ꢄꢇ ꢊꢉꢃeꢆꢊiꢉ eꢇeꢊtꢆꢋꢅiꢊꢉ ꢈe cITmaTEl.  
1
. Escucha del cliente: escuchar a los clientes es una de las formas clave para que en un mo-  
delo de negocio de comercio electrónico los decisores se mantengan informados sobre la  
satisfacción de los usuarios en relación con los productos y servicios que se ofrecen, ya  
que las opiniones y los comentarios son un medidor de esa satisfacción y proporcionan  
información procesable para mejorar la experiencia del cliente. En esta capa del modelo  
se representan las diferentes fuentes de información que los decisores de CITMATEL  
podrían aprovechar, algunas de las cuales pueden ser parte de sistemas ya implantados  
como sistemas de quejas, las propias tiendas virtuales (por ejemplo, los clientes podrán  
compartir sus opiniones sobre los productos y servicios que compran), y fuentes más  
abiertas como las redes sociales. La diversidad de fuentes contempladas responde a la  
necesidad de dotar a la organización de una gestión multicanal para la retroalimentación  
del cliente, y cada una de ellas, por su naturaleza (tipo y estructura de la información,  
objetivos de su recolección, plataforma origen, etc.), requieren servicios de recolección  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
con características específicas, los cuales también forman parte del necesario proceso  
de homogenización de la estructuración del contenido desde la fuente primaria hacía su  
comprensión y análisis posterior.  
2
3
4
. Preparación y comprensión de los datos: en esta capa se comienza a enfrentar el desafío  
de dotar de significado a los datos textuales embebidos en el gran volumen de informa-  
ción recolectada. En ese empeño comienzan a jugar un rol primordial las técnicas de  
PLN, considerando como punto de partida la transformación de los contenidos textuales  
en datos estructurados, de tal forma que puedan ser procesados computacionalmente de  
una manera más eficaz. Como parte de este propósito se incluye un conjunto de tareas  
básicas de PLN, como: construcción de los índices asociados a cada una de las fuentes;  
servicios de recuperación de información, modelado de tópicos y frases relevantes; y la  
construcción de una base de conocimiento (ontología) del dominio que contribuirá a do-  
tar de significado a los datos que se extraigan. En esta capa se deben incluir servicios que  
preparan los datos para tareas y objetivos más complejos de análisis y descubrimiento en  
textos.  
. Análisis y descubrimiento: en esta capa se concentran las tareas de Minería de Texto de  
más alto nivel de complejidad y alcance, las cuales se enfocan fundamentalmente en el  
Análisis de Sentimientos o Minería de Opinión. El enfoque en este tipo de tareas está en  
correspondencia con el impacto de los resultados, en cuanto a conocer la satisfacción de  
los usuarios. Todas estas tareas se debían desarrollar como servicios y deben incluir la  
detección de polaridad (para conocer valoraciones generales sobre positividad o negati-  
vidad del contenido), la detección de polaridad basada en aspectos (para llevar el Análisis  
de Sentimientos a nivel de aspectos o características de productos), el reconocimiento de  
emociones (para descubrir otros tipos de información del contenido, por ejemplo, esta-  
dos de alegría, enfado, sorpresa, entre otros), la generación de resúmenes personalizados  
de opiniones (para sintetizar el gran volumen de información generada y hacerla mane-  
jable por los decisores), entre otros servicios.  
. Visualización: el uso de cuadros de mando visuales ayuda a realizar un seguimiento de  
los datos, la información y el conocimiento obtenido del análisis de la información tex-  
tual, lo que permite ir más allá de las métricas y empezar a comprender la experiencia  
emocional de los clientes. Esto ayuda a observar cómo los cambios están afectando a  
ciertos productos y sus características, y su correlación con las métricas de satisfacción  
general.  
Concepción de solución para determinar polaridad basada en aspectos  
A continuación se describe la concepción de un primer acercamiento de solución para la de-  
tección de polaridad basada en aspectos en opiniones de usuarios, la cual sigue un enfoque  
no supervisado y está inspirada en lo reportado en López, & Arcos (2019). Existen otras so-  
luciones con enfoque supervisado (Sarkar, 2019); pero requieren ser entrenadas con colec-  
ciones de opiniones etiquetadas, las cuales no siempre están disponibles, como en el caso de  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
CITMATEL. Además, las soluciones no supervisadas suelen ser más generalizables, ya que  
utilizan solo información contenida en los documentos de entrada. La solución fue concebida  
en tres fases: Preprocesamiento, Extracción de aspectos y Determinación de polaridad, según  
se muestra en la figura 2. Es importante aclarar que los aspectos que se extraen están asocia-  
dos a una determinada entidad o producto en específico.  
fiꢀ. 2 fꢇꢂjꢉ ꢈe tꢆꢄꢌꢄjꢉ ꢍꢄꢆꢄ ꢈeteꢆꢃiꢅꢄꢆ ꢍꢉꢇꢄꢆiꢈꢄꢈ ꢌꢄꢁꢄꢈꢄ eꢅ ꢄꢁꢍeꢊtꢉꢁ ꢈe textꢉꢁ ꢈe ꢉꢍiꢅiꢋꢅ.  
Preprocesamiento  
Este proceso inicia con la segmentación del texto en palabras a través de la extracción de los  
tokens, luego todas las palabras se llevan a minúsculas, se eliminan los caracteres especiales  
y las palabras sin significado relevante (o palabras de parada), y se realiza el etiquetado POS  
(Part-of-Speech Tagging). Para la determinación de polaridad todas las opiniones pasan un  
filtro y aquellas donde se encuentren los aspectos extraídos, son las que pasan a la fase de pre-  
dicción de polaridad. Estas reseñas sin incongruencias son enviadas al proceso de extracción  
de aspectos.  
ꢃxtracción de aspectos  
Una vez realizado el preprocesamiento de las opiniones, se extraen los aspectos candidatos en  
las opiniones. Este proceso se lleva a cabo un conjunto de patrones léxico-sintácticos, los cua-  
les están definidos sobre la base de las etiquetas de sustantivo (NN) o frases sustantivas (NP).  
En la tabla 1 se relacionan los patrones para la extracción de aspectos. Las frases sustantivas  
que cumplan con alguno de los patrones se consideran como aspectos candidatos. Esta técni-  
ca es la más utilizada para la extracción de aspectos, fundamentalmente por su simplicidad y  
eficiencia.  
Tꢄꢌꢇꢄ 1. pꢄtꢆꢉꢅeꢁ ꢇéxiꢊꢉ-ꢁiꢅtꢎꢊtiꢊꢉꢁ ꢍꢄꢆꢄ iꢈeꢅtifiꢊꢄꢊiꢋꢅ ꢈe ꢄꢁꢍeꢊtꢉꢁ  
Descripción  
Patrón  
sustantivo singular + sustantivo singular <NN><NN>  
sustantivo singular + sustantivo plural  
sustantivo plural + sustantivo singular  
adjetivo + sustantivo singular  
<NN><NNS>  
<NNS><NN>  
<JJ><NN>  
adjetivo + sustantivo plural  
<JJ><NNS>  
Luego, por cada aspecto se calcula su frecuencia de aparición en las opiniones y se se-  
leccionan aquellos que aparezcan con mayor frecuencia. Los aspectos que resulten más fre-  
cuentes son filtrados según su relación semántica (similitud) con la entidad o el produc-  
to que está siendo objeto de análisis. El cómputo de esta relación semántica se lleva cabo  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
usando la medida de Wu & Palmer, que se encuentra disponible en el paquete de WordNet:  
Similarity (Shahzad, Pervaz, & Nawab, 2018). Todos los aspectos cuya relación semántica su-  
pere un umbral predefinido serán considerados aspectos del producto. El próximo paso con-  
siste en encontrar, por cada uno de estos aspectos, su sinónimo, hiperónimo e hipónimo más  
cercano, usando la base de datos léxica WordNet. Los sinónimos en WordNet, agrupados  
en synsets, son conjuntos de palabras que comparten el mismo significado, mientras que los  
hipónimos e hiperónimos son las palabras que se encuentran semánticamente relacionadas  
dentro de la jerarquía, ya sea como superiores o inferiores.  
El proceso descrito se aplicaría cuando solo se pueda utilizar el contenido de las opiniones.  
Otra alternativa, como la que se proyecta desarrollar en CITMATEL (figura 1), sería utilizan-  
do una ontología en la cual se describen semánticamente todos los productos y servicios que  
se ofrecen en la plataforma de venta online y sus características (aspectos). En este caso, la  
extracción de aspectos se guiaría por lo representado en la ontología y se complementaría con  
el uso de los patrones descrito para alcanzar mayor cobertura del texto.  
Determinar polaridad  
La determinación de la polaridad inicia con el filtrado de todas las opiniones, seleccionando  
solo aquellas que contengan los aspectos elegidos en la fase anterior, o sinónimos, hipónimos  
e hiperónimos de los aspectos. Luego es necesario determinar cuáles son las palabras que se  
están utilizando para expresar la valoración o el sentimiento sobre el aspecto. Para ello, se  
estructuran las oraciones en n-gramas, cuyo tamaño se determina teniendo en cuenta dos  
factores fundamentales: la cantidad de palabras que conforman el aspecto y la longitud de la  
oración. A partir de ubicar el aspecto dentro de los n-gramas, se seleccionan las palabras aso-  
ciadas en esa estructura y se procede a determinar su polaridad. En este caso se lleva a cabo  
la clasificación de la polaridad de la opinión utilizando VADER (Valence Aware Dictionary  
for Sentiment Reasoning) (Hutto, & Gilbert, 2014). VADER es una solución para determinar  
polaridad basada en lexicón, que devuelve cuatro valores fundamentales: positivos, negativos,  
neutros y compuestos, que significan la valencia y la magnitud de la emoción en el texto. VA-  
DER también identifica texto que no es emocional o neutro en su valencia (Hu, & Liu, 2004).  
El valor compuesto no se tuvo en cuenta, por tanto, se utilizaron los valores positivo, negativo  
y neutro. Cada palabra que se utiliza para hacer referencia a un aspecto es evaluada en VA-  
DER y se determina su orientación, considerando el valor más alto de los tres posibles. Si la  
orientación es neutra, se usan dos listas de palabras positivas y negativas para determinar su  
polaridad.  
ꢃvaluación y ejemplificación  
Esta solución propuesta fue evaluada en la clasificación de dos tipos de sentimientos: positivo  
y negativo, de opiniones escritas en idioma inglés sobre una cámara fotográfica y recolectadas  
de la tienda virtual Amazon (tabla 2) (Hu, & Liu, 2004). Los resultados se computaron utili-  
zando las métricas Precisión, Recall y F1-Score, los cuales se muestran en la tabla 3 y reflejan  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
la calidad de los resultados de la solución. Además, en la figura 3 se ejemplifican resultados  
estadísticos que se obtienen con esta solución, para el análisis de la polaridad de una repre-  
sentación de los 15 aspectos (por ejemplo, zoom, flash, picture, quallity) extraídos, sobre los  
cuales hay opiniones en el conjunto de datos de prueba.  
Tꢄꢌꢇꢄ 2. cꢄꢆꢄꢊteꢆiꢏꢄꢊiꢋꢅ ꢈeꢇ ꢊꢉꢆꢍꢂꢁ ꢈe eꢐꢄꢇꢂꢄꢊiꢋꢅ  
cꢉꢅjꢂꢅtꢉ ꢈe ꢈꢄtꢉꢁ Tꢉtꢄꢇ ꢈe ꢉꢍiꢅiꢉꢅeꢁ oꢍiꢅiꢉꢅeꢁ ꢍꢉꢁitiꢐꢄꢁ oꢍiꢅiꢉꢅeꢁ ꢅeꢀꢄtiꢐꢄꢁ  
Canon Powershot G3 286  
225  
61  
Tꢄꢌꢇꢄ 3. reꢁꢂꢇtꢄꢈꢉꢁ  
pꢆeꢊiꢁiꢋꢅ reꢊꢄꢇꢇ f1-sꢊꢉꢆe  
92,8  
99,0 95,4  
fiꢀ. 3 Ejeꢃꢍꢇifiꢊꢄꢊiꢋꢅ ꢈe ꢆeꢁꢂꢇtꢄꢈꢉꢁ eꢁtꢄꢈꢑꢁtiꢊꢉꢁ ꢈe ꢍꢉꢇꢄꢆiꢈꢄꢈ ꢁꢉꢌꢆe ꢄꢁꢍeꢊtꢉꢁ eꢅ ꢉꢍiꢅiꢉꢅeꢁ ꢈe ꢇꢄ ꢊꢎꢃꢄꢆꢄ cꢄꢅꢉꢅ.  
CONCꢄUSꢀONꢃS  
La transformación del comercio electrónico en CITMATEL, mediante el uso de Inteligencia  
Artificial y, en particular, de PLN y Análisis de Sentimientos, resulta imprescindible para ga-  
rantizar la excelencia en los servicios. El análisis de las opiniones de los clientes es vital para  
ofrecer soluciones más personalizadas y clave en la relación entre las decisiones de los direc-  
tivos y los procesos de comercialización. En este trabajo se presentó un primer acercamiento  
para introducir estas tecnologías en CITMATEL, con la intensión de implementar un proyec-  
to de VoC, y para ello, se concibió y mostró el modelo de procesamiento y análisis que sirve de  
guía en este empeño, al tiempo que ofrece una panorámica de lo que se puede desarrollar en  
este sentido. La solución de detección de polaridad basada en aspectos presentada, permitió  
ejemplificar posibles datos de interés (por ejemplo, valoración sobre negatividad y positividad  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
de opiniones de una característica de la cámara), resultantes del análisis del contenido de  
opiniones. En esos resultados se aporta información valiosa sobre la satisfacción de usuarios  
acerca de elementos característicos de un producto, en este caso, una cámara, siendo estos  
resultados parciales muy alentadores.  
GꢄOSARꢀO Dꢃ ꢁÉRꢂꢀNOS  
Tecnologías de Inteligencia Artificial (IA): combinación de algoritmos que se utilizan con  
el propósito de crear máquinas o sistemas informáticos que presenten las mismas capacida-  
des que el ser humano.  
Procesamiento del lenguaje natural (PLN): es un campo dentro de la IA y la lingüística apli-  
cada que estudia las interacciones, mediante uso del lenguaje natural entre los seres humanos  
y las máquinas.  
Minería de texto (MT): proceso de transformar un texto no estructurado en datos estructu-  
rados para proceder posteriormente al análisis.  
RꢃFꢃRꢃNCꢀAS  
Aboelela, E. M., Gad, W., & Ismail, R. (2021). e impact of semantics on aspect level opinion  
mining. PeerJ Computer Science, 7, pp. 1-22.  
Akhoundzade, R., & Devin, K. H. (2020). Unsupervised aspect-based Sentiment Analysis in the  
Persian language: Extracting and clustering aspects. In Proceedings of the 10th Internatio-  
nal Bawack, E. B., Wamba, S. F., Carillo, K. D. A, & Akter, S (2022). Artificial intelligence in  
E-Commerce: a bibliometric study and literature review. Electron Mark, 32(1): 297-338.  
Brauwers, G. & Frasincar, F. (2021). A Survey on Aspect-Based Sentiment Classification. ACM  
Computing Surveys, 1(1).  
García-Pablos, A., Cuadros, M. & Rigau, G. (2018). W2VLDA: Almost Unsupervised System  
for Aspect Based Sentiment Analysis. Expert Systems with Applications, 91: 127-137.  
Geetha, M. P., & Karthika Renuka, D. (2021). Improving the performance of aspect based sen-  
timent analysis using fine-tuned Bert Base Uncased model. International Journal of Inte-  
lligent Networks, 2, pp. 64-69.  
Hu, M., & Liu, B. (2004). Mining and summarizing customer reviews. In Proceedings of the  
tenth ACM SIGKDD international conference on Knowledge discovery and data mining,  
pp. 168-177, Seattle, Washington, USA.  
Hutto, C., & Gilbert, E. (2014). VADER: A Parsimonious Rule-Based Model for Sentiment  
Analysis of Social Media Text. In Proceedings of the International AAAI Conference on  
Web and Social Media, 8(1): 216-225, AAAI Press.  
Kian, R. (2021). Provide a model for an e-commerce system with the impact of artificial intelli-  
gence. International Journal of Innovation in Management, Economics and Social Scien-  
ces, 1(3): 88-94.  
Análisis de sentimientos orientado al comercio electrónico  
de CꢀꢁꢂAꢁꢃꢄ: proyecto de voz del cliente  
mꢀꢁ rꢂꢃꢁíꢄꢅꢆz, c., mꢂꢇꢈꢀñꢆz cꢀꢉꢈꢆꢊꢂ, P., sꢋꢌꢍꢇ-cꢅꢆꢎꢀꢉ, a,  
revista cubana  
de transformación digital  
Mehtab, A. M. (2021). Sentiment Analysis in E-Commerce. URL: https://medium.com/fede-  
ratedai/sentiment-analysis-in-e-commerce-e8a06a498a75. [consultado: 1 de diciembre de  
2
022]  
Liu, B. & L. Zhang. (2012). A Survey of Opinion Mining and Sentiment Analysis. In Mining  
Text Data, C. C. Aggarwal and C. Zhai (Eds). Springer US: Boston, MA, pp. 415-463.  
Liu, N., Shen, B., Zhang, Z., Zhang, Z., & Mi, K. (2019). Attention-based Sentiment Reasoner  
for aspect-based sentiment analysis. Human-centric Computing and Information Scien-  
ces, 9(35): 1-17.  
López, D. & Arcos, L. (2019). Deep learning for aspect extraction in textual opinions. Revista  
Cubana de Ciencias Informáticas, 13(2): 105-145.  
Nazir, A., Y. Rao, L. Wu, & L. Sun, (2022). Issues and Challenges of Aspect-based Sentiment  
Analysis: A Comprehensive Survey. IEEE Transactions on Affective Computing, 13(2): 845-  
8
63.  
Phan, M. H., & Ogunbona, P. (2020) Modelling Context and Syntactical Features for As-  
pect-based Sentiment Analysis. In Proceedings of the 58th Annual Meeting of the Associa-  
tion for Computational Linguistics, pp. 3211-3220, Seattle, Washington, USA.  
Saraswat, A., Kumar Azad, H., & Abhishek, K. (2022). Towards improving e-commerce cus-  
tomer review analysis for sentiment detection. Scientific Reports, 12(1): 1-15.  
Sarkar, D. (2019). Text Analytics with Python. A Practitioner’s Guide to Natural Language  
Processing, 2nd ed. APress.  
Shahzad, K., Pervaz, I., & Nawab, A. (2018). WordNet-based Semantic Similarity Measures for  
Process Model Matching. In Proceedings of the 17th International Conference on Perspec-  
tives in Business Informatics Research. Stockholm, Sweden, pp. 33-44.  
Subhashini, L. D. C. S., Li, Y., Zhang, J., Atukorale, A. S., & Wu, Y. (2021). Mining and classi-  
fying customer reviews: a survey. Artificial Intelligence Review, 54(8): 6343-6389.  
Varathan, K., A. Giachanou, & F. Crestani. (2017). Comparative Opinion Mining: A Review.  
Journal of the Association for Information Science and Technology, 68(4): 811-829.  
Conference on Computer and Knowledge Engineering (ICCKE), pp. 94-100. Mashhad, Iran.  
Copyright © 2023 Mar Rodríguez, C., Montañez Castelo, P., Simón-Cuevas, A,  
Este obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional