Análise de Sentimentos sobre Bancos Brasileiros no Twitter/x: Comparação entre Instituições Tradicionais e Digitais

Fernanda Barberato Leal; Lucas Gabriel da Silva Félix

DOI: 10.22167/2675-6528-202602894

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Um estudo analisou a percepção pública sobre instituições financeiras brasileiras na plataforma Twitter/X, ressaltando a importância do monitoramento de sentimentos em redes sociais para a compreensão da reputação e da experiência do cliente no setor bancário. O objetivo consistiu em comparar a percepção dos usuários sobre a imagem e a reputação de bancos tradicionais e digitais, a partir dos padrões de sentimento identificados nas manifestações analisadas, buscando identificar diferenças estruturais entre esses grupos. A metodologia baseou-se na análise de 1.096 tweets coletados entre novembro de 2022 e junho de 2023. Utilizaram-se duas abordagens complementares de análise de sentimentos, a soma e a média das labels, para captar o sentimento majoritário e nuances da percepção. Adicionalmente, desenvolveram-se o Modelo de Perfil de Mercado, com indicadores de reputação emocional, risco reputacional, neutralidade e polarização, e o Modelo de Clusterização Bancária, que permitiu agrupar as instituições conforme padrões de percepção. Os resultados indicaram predominância de sentimentos neutros e negativos, maior volume de interações nos bancos digitais e diferenças estruturais na intensidade emocional das percepções, com maior estabilidade nos bancos digitais e maior polarização nos tradicionais. Concluiu-se que a combinação de técnicas analíticas e estatísticas contribuiu para uma compreensão aprofundada da imagem institucional no ambiente digital, evidenciando a importância de estratégias de gestão da reputação baseadas em dados.

Palavras-chave: Bancos digitais; Bancos tradicionais; Modelagem de dados; Opinion mining; Redes Sociais.

1. Introdução

A crescente digitalização dos serviços financeiros e a popularização das mídias sociais transformaram a forma como os consumidores interagem com as instituições bancárias (Kotler et al., 2017). Plataformas como o Twitter/X tornaram-se espaços relevantes para a expressão de opiniões, reclamações e elogios sobre produtos e serviços, permitindo o monitoramento em tempo real da percepção pública sobre marcas e empresas.

No contexto bancário brasileiro, a transformação digital modificou a dinâmica competitiva do setor e ampliou as possibilidades de relacionamento entre instituições financeiras e clientes. A expansão das fintechs e dos bancos digitais introduziu novos modelos de prestação de serviços, impulsionando os bancos tradicionais a incorporar soluções digitais às suas operações (Pinto et al., 2023). Nesse ambiente de crescente competição e transformação, a percepção dos usuários torna-se um elemento relevante para a compreensão da imagem e da reputação das instituições financeiras, uma vez que as experiências e opiniões manifestadas publicamente nas redes sociais podem fornecer evidências sobre como essas organizações são percebidas no ambiente digital (Pinto et al., 2023).

A análise de sentimentos, também conhecida como opinion mining, é um campo da mineração de texto que busca identificar automaticamente a polaridade (positiva, negativa ou neutra) de opiniões expressas em linguagem natural (Liu, 2012). Essa abordagem combina técnicas de processamento de linguagem natural (PLN) e aprendizado de máquina para extrair informações subjetivas de grandes volumes de texto, sendo amplamente utilizada em contextos de monitoramento de redes sociais e estudos de reputação corporativa (Pang e Lee, 2008).

Diversos trabalhos aplicaram a análise de sentimentos a dados provenientes de plataformas sociais para compreender percepções de consumidores em diferentes setores. No caso específico do setor financeiro, pesquisas recentes indicam que o acompanhamento do sentimento público pode auxiliar as instituições na tomada de decisões estratégicas e na identificação precoce de crises de imagem (Pak, 2010). Neste sentido, o presente estudo propõe investigar e comparar as manifestações de sentimentos de usuários do Twitter sobre bancos brasileiros, utilizando a base de dados Brazilian Banks Tweets (B2T) (Kakimoto et al., 2024).

Além da análise de sentimentos, o estudo incorporou técnicas de clusterização como forma de aprofundar a interpretação dos dados e identificar padrões estruturais de percepção pública entre as instituições analisadas. A clusterização consiste em uma técnica de modelo não supervisionado voltada à formação de grupos de elementos semelhantes entre si e distintos dos demais grupos, permitindo segmentar observações com base em características comuns. Entre os métodos existentes, o algoritmo K-Means destaca-se como uma das abordagens mais difundidas para dados numéricos, sendo amplamente utilizado na identificação de padrões homogêneos e na segmentação de mercado (MacQueen, 1967; Han et al., 2012). Em análises comparativas, o K-Means apresenta vantagens relacionadas à simplicidade computacional, eficiência operacional e elevada interpretabilidade dos grupos formados, permitindo identificar perfis distintos de comportamento e percepção (Hair Jr. et al., 2014).

Dessa forma, a combinação entre análise de sentimentos e clusterização buscou oferecer uma abordagem quantitativa mais abrangente para o estudo da imagem institucional bancária. Isso permite não apenas mensurar polaridades emocionais, mas também identificar segmentos estratégicos e padrões comparativos entre bancos tradicionais e digitais. A pesquisa aborda a problemática de compreender como as mudanças estruturais do sistema financeiro, especialmente a digitalização dos serviços, influenciam a percepção pública das marcas bancárias.

A importância deste estudo reside na possibilidade de compreender as dinâmicas da percepção pública no ambiente digital e na contribuição para o campo da análise de sentimentos aplicada ao contexto brasileiro e para a gestão de reputação corporativa no setor financeiro. Diante desse contexto, esta pesquisa tem por objetivo analisar, de forma comparativa e quantitativa, os sentimentos expressos por usuários do Twitter/X em relação às instituições bancárias brasileiras, considerando a distinção entre bancos tradicionais e bancos digitais, buscando, a partir dos padrões de sentimento identificados, compreender diferenças na percepção dos usuários e suas possíveis implicações para a imagem e a reputação das instituições no ambiente digital.

2. Material e Métodos

A presente pesquisa caracterizou-se como um estudo de natureza quantitativa e descritiva, conduzido sob a forma de um estudo de caso múltiplo. Analisaram-se e compararam-se diferentes instituições bancárias, tanto tradicionais quanto digitais, com atuação no Brasil. A abordagem descritiva teve como objetivo principal descrever as características da percepção pública sobre bancos na plataforma Twitter/X, conforme a definição de Gil (2019).

Adicionalmente, a pesquisa configurou-se como documental, uma vez que utilizou dados secundários já disponíveis publicamente. A abordagem quantitativa foi justificada pela aplicação de técnicas estatísticas e computacionais para a mensuração, comparação e interpretação dos sentimentos expressos pelos usuários, alinhando-se ao objetivo de analisar comparativamente a percepção sobre bancos tradicionais e digitais.

A base de dados empregada foi a Brazilian Banks Tweets (B2T), desenvolvida por Kakimoto et al. (2024) e disponibilizada publicamente em repositório do GitHub. Esta base consistiu em 1.096 tweets coletados na plataforma Twitter/X, abrangendo o período de novembro de 2022 a junho de 2023. Os dados incluíam o ID do tweet, data e hora da publicação, idioma, nome do banco mencionado e rótulos de sentimento (positivo, negativo e neutro) atribuídos por voluntários.

Os bancos incluídos na análise foram Itaú, Bradesco, Santander, Banco do Brasil, BTG Pactual, NuBank, Banco Inter, Banco Pan, Sofisa Direto e Banco BRB. A informação de localização do usuário, presente na base, não foi utilizada devido à grande quantidade de registros nulos e à sua imprecisão, focando-se nas demais variáveis disponíveis para a análise.

Os procedimentos de coleta e análise iniciaram-se com a importação da base de dados B2T, em formato CSV, para o ambiente Google Colab. Após a carga do dataset, realizou-se a leitura e padronização dos dados, incluindo a formatação do campo de data e hora e a criação de um campo denominado ‘anomes’ para facilitar a análise temporal.

Considerando que o dataset B2T não continha o texto original dos tweets, em conformidade com as diretrizes de compartilhamento de dados do Twitter/X, a análise foi conduzida a partir das labels de sentimento previamente atribuídas aos registros. Conforme descrito por Kakimoto et al. (2024), os tweets foram submetidos a um processo de rotulagem manual realizado por cinco voluntários, que classificaram os comentários de forma independente em três categorias: positiva (+1), neutra (0) ou negativa (-1).

Cada tweet recebeu a avaliação de pelo menos três voluntários, sem acesso às classificações dos demais avaliadores. A definição das classes de sentimento seguiu critérios estabelecidos pelos autores da base, onde a classificação positiva (+1) indicava satisfação ou elogio, negativa (-1) expressava descontentamento ou insatisfação, e neutra (0) era utilizada para manifestações sem polaridade clara, como textos factuais ou incompreensíveis.

A partir das múltiplas labels atribuídas a cada tweet, calcularam-se duas medidas complementares para a classificação final dos sentimentos: a soma e a média das labels. A soma das labels representou o saldo de polaridade das avaliações, indicando a direção predominante das classificações. A média das labels, por sua vez, foi utilizada como uma medida normalizada da polaridade, permitindo considerar a intensidade e a direção das avaliações independentemente da quantidade de avaliadores.

Para a classificação final dos tweets, adotou-se a regra de que valores positivos resultantes da soma ou da média eram classificados como positivos (+1), valores negativos como negativos (-1) e valores iguais a zero como neutros (0). Essas abordagens permitiram produzir classificações quantitativas e comparáveis dos sentimentos predominantes, que foram posteriormente utilizadas nas análises agregadas por instituição bancária e período.

A etapa de análise dos dados foi conduzida de forma descritiva e comparativa, com o objetivo de identificar padrões e tendências nos sentimentos expressos pelos usuários. Inicialmente, realizou-se uma análise descritiva dos resultados, envolvendo o cálculo de frequências absolutas e relativas, bem como a identificação de proporções e tendências dos sentimentos observados em cada grupo, considerando dimensões como instituição bancária, mês de referência e tipo de instituição (tradicional ou digital).

Na etapa comparativa, os bancos foram classificados em dois grupos: tradicionais e digitais. Foram considerados tradicionais os bancos com trajetória consolidada no sistema bancário brasileiro e atuação historicamente estruturada em canais físicos (Bradesco, Itaú, Santander, Banco do Brasil e Banco BRB). Foram classificados como digitais os bancos cuja atuação analisada apresentava maior predominância de canais e serviços digitais (NuBank, Banco Inter, Banco Pan, Sofisa Direto e BTG Pactual).

Adicionalmente, desenvolveu-se o Modelo de Perfil de Mercado (MPM), com o objetivo de sintetizar a percepção dos usuários por meio de indicadores derivados. Esse modelo foi composto pelos indicadores de Reputação Emocional (RE), Neutralidade (N), Polarização Emocional (PE) e Risco Reputacional (RR). Esses indicadores foram calculados a partir das proporções de sentimentos positivos, negativos e neutros observadas para cada instituição.

A Reputação Emocional (RE) foi definida como a diferença entre a proporção de sentimentos positivos e a proporção de sentimentos negativos. A Neutralidade (N) correspondeu à proporção de tweets classificados como neutros. A Polarização Emocional (PE) foi calculada pela soma das proporções de sentimentos positivos e negativos. O Risco Reputacional (RR) foi calculado como uma medida composta pela interação entre a proporção de sentimentos negativos e a polarização emocional.

Complementarmente, aplicou-se o Modelo de Clusterização Bancária (MCB), com o objetivo de identificar padrões estruturais na percepção pública. Para isso, utilizaram-se as proporções de sentimentos positivos e negativos como variáveis de entrada em um algoritmo de modelo não supervisionado, o K-Means, permitindo segmentar os bancos em clusters com características semelhantes. O algoritmo K-Means foi adotado por sua adequação a dados numéricos contínuos e para análises exploratórias de segmentação (MacQueen, 1967; Han et al., 2012; Hair Jr. et al., 2014).

Após a definição do algoritmo K-Means, testaram-se diferentes valores de K, variando de dois a seis clusters, para identificar uma configuração que apresentasse adequada estruturação dos grupos. Para essa definição, utilizaram-se conjuntamente o Método do Cotovelo e o Índice de Silhueta. A solução com três clusters foi adotada como a configuração final do modelo de clusterização, por apresentar um equilíbrio entre a redução da variabilidade interna e a qualidade de agrupamento, além de maior interpretabilidade dos grupos no contexto da análise.

3. Resultados e Discussão

A análise dos dados da base Brazilian Banks Tweets (B2T), que compreendeu 1.096 tweets coletados entre novembro de 2022 e junho de 2023, revelou padrões significativos na percepção pública sobre instituições financeiras brasileiras. O estudo empregou duas abordagens complementares para a análise de sentimentos: a soma das labels e a média das labels, permitindo uma compreensão multifacetada das manifestações dos usuários. Essas abordagens foram cruciais para identificar tanto o sentimento majoritário quanto as nuances de intensidade na percepção, fornecendo uma base robusta para as comparações entre bancos tradicionais e digitais, bem como para a modelagem de perfis de mercado e clusterização bancária.

Inicialmente, a distribuição geral dos sentimentos, utilizando a soma das labels, indicou uma predominância de classificações neutras, representando 46,4% do total de tweets. Os sentimentos negativos corresponderam a 42,5%, enquanto os positivos foram os menos frequentes, com 11,0%. Essa abordagem enfatiza o saldo líquido das avaliações, onde a compensação entre votos positivos e negativos pode resultar em uma classificação neutra, mesmo que o tweet contenha elementos de polaridade. Tal característica sugere que uma parcela considerável das interações não expressa uma polaridade clara ou unívoca, mas sim uma combinação de percepções que se anulam mutuamente.

Em contraste, a abordagem baseada na média das labels apresentou uma distribuição diferente, com 55,4% dos tweets classificados como negativos, 25,4% como neutros e 19,3% como positivos. A média, ao expressar a polaridade em uma escala contínua, permitiu capturar a intensidade relativa da tendência das avaliações, mesmo em casos de opiniões divergentes. Essa diferença entre as abordagens ressalta a importância de utilizar múltiplas métricas para caracterizar a percepção dos usuários, evitando que a interpretação se restrinja a uma única forma de agregação e revelando que a intensidade do sentimento negativo é mais pronunciada quando se considera a média das avaliações.

Ao analisar a distribuição dos sentimentos por tipo de banco, observou-se que os bancos digitais concentraram o maior volume de tweets na amostra. Para ambos os grupos, a predominância de sentimentos variou conforme a abordagem. Na soma das labels, os bancos digitais apresentaram maior concentração de tweets neutros, enquanto nos tradicionais prevaleceram os negativos. Contudo, na abordagem da média das labels, o sentimento negativo foi predominante em ambos os grupos. Em todas as análises, a proporção de sentimentos positivos permaneceu a menor, indicando que a percepção pública tende a ser mais crítica ou neutra, independentemente do modelo de atuação bancária.

A análise individual por instituição financeira revelou que o NuBank se destacou pelo maior volume de tweets, representando 38% do total da amostra. Para este banco, houve uma maior concentração de sentimentos negativos e neutros, dependendo da abordagem utilizada. Bancos tradicionais como Itaú, Bradesco e Santander também apresentaram predominância de tweets negativos e neutros, refletindo opiniões mais equilibradas dos usuários. Instituições com menor representatividade na amostra, como Sofisa Direto e BTG Pactual, apresentaram volumes reduzidos de menções, o que limita a interpretação de padrões de sentimento específicos para essas instituições, mas ainda assim evidenciam que o tipo de banco influencia a percepção do público.

A análise temporal dos sentimentos, agregando os dados por mês e ano, demonstrou um crescimento no volume de tweets a partir de novembro de 2022, atingindo um pico em janeiro de 2023. Durante esse período, observou-se uma concentração crescente de sentimentos negativos. Essa tendência pode estar associada a campanhas específicas ou eventos de final e início de ano que impactaram a percepção dos usuários em relação às instituições financeiras. A evolução dos sentimentos ao longo do tempo sugere que a reputação bancária no ambiente digital é dinâmica e sensível a fatores contextuais, exigindo monitoramento contínuo para identificar mudanças e responder proativamente.

A modelagem analítica foi desenvolvida para sintetizar a percepção dos usuários por meio de indicadores derivados, como Reputação Emocional, Neutralidade, Polarização Emocional e Risco Reputacional. Esses indicadores foram calculados a partir das proporções de sentimentos positivos, negativos e neutros para cada instituição, permitindo uma comparação multidimensional entre os bancos. A Reputação Emocional (RE) foi definida como a diferença entre a proporção de sentimentos positivos e negativos, variando de -1 a 1, onde valores positivos indicam predominância de sentimentos favoráveis e negativos indicam desfavoráveis. A Neutralidade (N) correspondeu à proporção de tweets neutros, indicando a ausência de polaridade emocional. A Polarização Emocional (PE) foi a soma das proporções de sentimentos positivos e negativos, representando o grau de intensidade emocional. Por fim, o Risco Reputacional (RR) foi calculado como a interação entre a proporção de sentimentos negativos e a polarização emocional, indicando a exposição potencial a crises de imagem.

O Modelo de Clusterização Bancária (MCB) foi aplicado utilizando o algoritmo K-Means, com as proporções de sentimentos positivos e negativos como variáveis de entrada. Foram identificados três clusters distintos, refletindo diferentes perfis de percepção pública. O primeiro cluster, composto por Bradesco, BTG Pactual, Banco Pan e BRB, caracterizou-se pela predominância de avaliações negativas e baixa compensação por percepções positivas, indicando maior vulnerabilidade reputacional. Esses bancos, do ponto de vista estratégico, estão mais expostos a riscos relacionados à imagem institucional, sugerindo a necessidade de intervenções para melhorar a percepção pública e reduzir insatisfações recorrentes.

O segundo cluster incluiu Itaú, Banco do Brasil e Nubank, apresentando um perfil mais equilibrado, com maior peso relativo de percepções positivas, o que contribui para uma imagem institucional mais favorável. A presença do Nubank, um banco digital, juntamente com bancos tradicionais, sugere que, apesar das diferenças estruturais nos modelos de negócio, algumas instituições tradicionais conseguem alcançar níveis de percepção comparáveis aos digitais. Esse cluster representa bancos com um posicionamento competitivo mais robusto em termos de reputação emocional, indicando uma maior aceitação por parte dos usuários.

O terceiro cluster foi formado exclusivamente pelo Banco Sofisa Direto, caracterizado por uma baixa intensidade emocional nas interações, com usuários que não expressam opiniões claras sobre a instituição. Esse comportamento pode estar associado a uma menor visibilidade da marca, um volume reduzido de interações ou uma relação mais funcional e menos experiencial com o banco. Embora a baixa negatividade possa parecer positiva, a ausência de sentimentos positivos também sugere limitações na construção de uma imagem institucional forte e diferenciada, indicando um desafio estratégico em termos de posicionamento e reconhecimento de marca. Os bancos Inter e Santander posicionaram-se em uma zona intermediária, sugerindo uma percepção pública em transição, com coexistência de avaliações negativas e positivas, indicando instabilidade.

O Modelo de Perfil de Mercado (MPM) evidenciou diferenças claras entre bancos tradicionais e digitais. Ambos os grupos apresentaram Reputação Emocional negativa, com os tradicionais em -0,37 e os digitais em -0,33, indicando que, embora ambos tenham um saldo negativo, os bancos tradicionais são relativamente mais negativos. Em relação ao Risco Reputacional, os bancos tradicionais obtiveram 0,24, ligeiramente superior aos 0,21 dos bancos digitais, o que sugere uma combinação um pouco mais elevada de negatividade e manifestações emocionalmente polarizadas nos tradicionais. A Polarização Emocional foi de 0,53 para os bancos tradicionais e 0,43 para os digitais, indicando que 53% das manifestações nos tradicionais e 43% nos digitais apresentaram alguma polaridade emocional.

Complementarmente, o indicador de Neutralidade revelou que 57% das manifestações sobre bancos digitais foram neutras, contra 47% nos bancos tradicionais. A maior neutralidade nos bancos digitais indica uma parcela mais elevada de manifestações sem polaridade clara, o que não deve ser interpretado como uma percepção necessariamente mais positiva, mas sim como ausência de polaridade. Esses achados corroboram a literatura que aponta diferenças na percepção dos usuários sobre bancos digitais e tradicionais, especialmente em dimensões como utilidade, conveniência, interação e segurança (Shin, Cho e Lee, 2020), reforçando a existência de características diferenciadas na percepção dos usuários conforme o modelo de atuação bancária.

Em síntese, os resultados demonstram que o tipo de banco influencia significativamente a percepção do público, que a abordagem metodológica impacta a interpretação dos sentimentos e que existem diferenças estruturais tanto na intensidade quanto na natureza das interações dos usuários com as instituições financeiras. A integração entre análise de sentimentos, modelagem de perfil de mercado e técnicas de clusterização mostrou-se eficaz para ampliar a compreensão da imagem institucional no ambiente digital. Os bancos tradicionais apresentaram maior polarização e risco reputacional, enquanto os bancos digitais exibiram maior neutralidade e menor polarização, caracterizando perfis distintos de percepção pública e evidenciando a utilidade da análise quantitativa de sentimentos para a gestão da reputação.

4. Conclusão

O presente estudo analisou, de forma comparativa e quantitativa, os sentimentos expressos por usuários do Twitter/X em relação às instituições bancárias brasileiras, distinguindo entre bancos tradicionais e digitais, com o intuito de compreender as diferenças na percepção dos usuários e suas implicações para a imagem e reputação no ambiente digital. Verificou-se a predominância de sentimentos neutros e negativos nas manifestações analisadas, embora a distribuição exata variasse conforme a abordagem metodológica empregada. Os bancos digitais concentraram maior volume de interações, e a análise individual destacou o NuBank com o maior número de registros. A aplicação do Modelo de Perfil de Mercado (MPM) revelou que os bancos tradicionais exibiram maior polarização emocional e risco reputacional, além de uma reputação emocional mais negativa. Em contrapartida, os bancos digitais apresentaram maior neutralidade e menor polarização e risco reputacional, com uma reputação emocional menos negativa. Adicionalmente, o Modelo de Clusterização Bancária (MCB) identificou três perfis distintos de percepção pública, desde instituições com alta vulnerabilidade reputacional até aquelas com um perfil mais equilibrado e outras com baixa intensidade emocional. Esses achados evidenciam diferenças estruturais significativas na intensidade e na natureza das interações dos usuários com as instituições financeiras, fornecendo uma compreensão aprofundada da imagem institucional no ambiente digital e contribuindo para a formulação de estratégias de gestão da reputação baseadas em dados.

Apesar da robustez metodológica, o estudo possui limitações importantes, como a ausência do conteúdo textual original dos tweets na base de dados utilizada, o que impediu uma análise qualitativa mais aprofundada das razões subjacentes aos sentimentos expressos. Além disso, o volume reduzido de menções para algumas instituições, como Sofisa Direto e BTG Pactual, restringiu a interpretação de padrões de sentimento específicos. Para estudos futuros, sugere-se a investigação dos fatores contextuais e eventos específicos que podem influenciar as tendências de sentimento ao longo do tempo, especialmente em períodos de alta polarização. Recomenda-se também a exploração de metodologias que permitam a análise do conteúdo textual, caso disponível, para desvendar as causas das percepções e aprofundar a compreensão das dinâmicas de engajamento dos usuários. A instabilidade observada na percepção de bancos como Inter e Santander também aponta para a necessidade de pesquisas que explorem os fatores que levam a essa transição de sentimentos.

Referências Bibliográficas

Gil, A. C. (2019). Métodos e Técnicas de Pesquisa Social. 7. ed. São Paulo: Atlas.

Hair Jr., J. F. et al. (2014). Multivariate Data Analysis. 7. ed. Harlow: Pearson.

Han, J.; Kamber, M.; Pei, J. (2012). Data Mining: Concepts and Techniques. 3. ed. Burlington: Morgan Kaufmann.

Kakimoto, G. K.; Haddadi, S. J.; Araújo, P. M.; Silva, F. S.; Reis, J. C.; Reis, M. S. (2024). B2T: A Dataset of Tweets in Portuguese Language about Brazilian Banks. Proceedings of the VI Dataset Showcase Workshop (DSW). Disponível em https://github.com/GabrielKakimoto/B2T-A-Brazilian-Tweet-Banks-Dataset-in-Portuguese-Language . Acesso em: 29 out. 2025.

Kotler, P.; Kartajaya, H.; Setiawan, I. (2017). Marketing 4.0: Moving from Traditional to Digital. Coimbra, Portugal: Conjuntura Actual Editora. Trad. Pedro Elói Duarte.

Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. Berkeley, p. 281-297.

Pak, A.; Paroubek, P. (2010). Twitter as a Corpus for Sentiment Analysis and Opinion Mining. LREC.

Pang, B.; Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval. Vol.2.

Pinto, A. R.; Martens, C. D. P.; Kniess, C. T.; Oliveira Filho, B. G. (2023). Digital entrepreneurship in the Brazilian banking sector: analysis based on the emergence of fintechs. Future Studies Research Journal: Trends and Strategies, Vol. 15 No. 1.

SHIN, Jae Woo; CHO, Ji Yeon; LEE, Bong Gyou. (2020). Customer perceptions of Korean digital and traditional banks. International Journal of Bank Marketing, v. 38, n. 2, p. 529–547. DOI: 10.1108/IJBM-03-2019-0084.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy