Análisis de Sentimiento sobre Bancos Brasileños en Twitter/x: Comparación entre Instituciones Tradicionales y Digitales

Fernanda Barberato Leal; Lucas Gabriel da Silva Félix

DOI: 10.22167/2675-6528-202602894

Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

Un estudio analizó la percepción pública sobre instituciones financieras brasileñas en la plataforma Twitter/X, resaltando la importancia del monitoreo de sentimientos en redes sociales para la comprensión de la reputación y la experiencia del cliente en el sector bancario. El objetivo consistió en comparar la percepción de los usuarios sobre la imagen y la reputación de bancos tradicionales y digitales, a partir de los patrones de sentimiento identificados en las manifestaciones analizadas, buscando identificar diferencias estructurales entre estos grupos. La metodología se basó en el análisis de 1.096 tweets recopilados entre noviembre de 2022 y junio de 2023. Se utilizaron dos enfoques complementarios de análisis de sentimientos, la suma y la media de las etiquetas, para captar el sentimiento mayoritario y los matices de la percepción. Adicionalmente, se desarrollaron el Modelo de Perfil de Mercado, con indicadores de reputación emocional, riesgo reputacional, neutralidad y polarización, y el Modelo de Clusterización Bancaria, que permitió agrupar las instituciones conforme a patrones de percepción. Los resultados indicaron predominancia de sentimientos neutros y negativos, mayor volumen de interacciones en los bancos digitales y diferencias estructurales en la intensidad emocional de las percepciones, con mayor estabilidad en los bancos digitales y mayor polarización en los tradicionales. Se concluyó que la combinación de técnicas analíticas y estadísticas contribuyó a una comprensión profunda de la imagen institucional en el entorno digital, evidenciando la importancia de estrategias de gestión de la reputación basadas en datos.

Palabras clave: Bancos digitales; Bancos tradicionales; Modelado de datos; Minería de opinión; Redes Sociales.

1. Introducción

La creciente digitalización de los servicios financieros y la popularización de las redes sociales han transformado la forma en que los consumidores interactúan con las instituciones bancarias (Kotler et al., 2017). Plataformas como Twitter/X se han convertido en espacios relevantes para la expresión de opiniones, quejas y elogios sobre productos y servicios, permitiendo el monitoreo en tiempo real de la percepción pública sobre marcas y empresas.

En el contexto bancario brasileño, la transformación digital ha modificado la dinámica competitiva del sector y ampliado las posibilidades de relación entre instituciones financieras y clientes. La expansión de las fintechs y de los bancos digitales ha introducido nuevos modelos de prestación de servicios, impulsando a los bancos tradicionales a incorporar soluciones digitales a sus operaciones (Pinto et al., 2023). En este entorno de creciente competencia y transformación, la percepción de los usuarios se convierte en un elemento relevante para la comprensión de la imagen y la reputación de las instituciones financieras, ya que las experiencias y opiniones manifestadas públicamente en las redes sociales pueden proporcionar evidencias sobre cómo estas organizaciones son percibidas en el entorno digital (Pinto et al., 2023).

El análisis de sentimientos, también conocido como minería de opiniones, es un campo de la minería de texto que busca identificar automáticamente la polaridad (positiva, negativa o neutra) de las opiniones expresadas en lenguaje natural (Liu, 2012). Este enfoque combina técnicas de procesamiento del lenguaje natural (PLN) y aprendizaje automático para extraer información subjetiva de grandes volúmenes de texto, siendo ampliamente utilizado en contextos de monitoreo de redes sociales y estudios de reputación corporativa (Pang y Lee, 2008).

Diversos trabajos han aplicado el análisis de sentimientos a datos provenientes de plataformas sociales para comprender percepciones de consumidores en diferentes sectores. En el caso específico del sector financiero, investigaciones recientes indican que el seguimiento del sentimiento público puede auxiliar a las instituciones en la toma de decisiones estratégicas y en la identificación precoz de crisis de imagen (Pak, 2010). En este sentido, el presente estudio propone investigar y comparar las manifestaciones de sentimientos de usuarios de Twitter sobre bancos brasileños, utilizando la base de datos Brazilian Banks Tweets (B2T) (Kakimoto et al., 2024).

Además del análisis de sentimientos, el estudio incorporó técnicas de clusterización como forma de profundizar la interpretación de los datos e identificar patrones estructurales de percepción pública entre las instituciones analizadas. La clusterización consiste en una técnica de modelo no supervisado orientada a la formación de grupos de elementos similares entre sí y distintos de los demás grupos, permitiendo segmentar observaciones basándose en características comunes. Entre los métodos existentes, el algoritmo K-Means destaca como uno de los enfoques más difundidos para datos numéricos, siendo ampliamente utilizado en la identificación de patrones homogéneos y en la segmentación de mercado (MacQueen, 1967; Han et al., 2012). En análisis comparativos, el K-Means presenta ventajas relacionadas con la simplicidad computacional, eficiencia operacional y elevada interpretabilidad de los grupos formados, permitiendo identificar perfiles distintos de comportamiento y percepción (Hair Jr. et al., 2014).

De esta forma, la combinación entre análisis de sentimientos y clusterización buscó ofrecer un enfoque cuantitativo más completo para el estudio de la imagen institucional bancaria. Esto permite no solo medir polaridades emocionales, sino también identificar segmentos estratégicos y patrones comparativos entre bancos tradicionales y digitales. La investigación aborda la problemática de comprender cómo los cambios estructurales del sistema financiero, especialmente la digitalización de los servicios, influyen en la percepción pública de las marcas bancarias.

La importancia de este estudio radica en la posibilidad de comprender las dinámicas de la percepción pública en el entorno digital y en la contribución al campo del análisis de sentimientos aplicado al contexto brasileño y a la gestión de la reputación corporativa en el sector financiero. Ante este contexto, esta investigación tiene como objetivo analizar, de forma comparativa y cuantitativa, los sentimientos expresados por usuarios de Twitter/X en relación con las instituciones bancarias brasileñas, considerando la distinción entre bancos tradicionales y bancos digitales, buscando, a partir de los patrones de sentimiento identificados, comprender las diferencias en la percepción de los usuarios y sus posibles implicaciones para la imagen y la reputación de las instituciones en el entorno digital.

2. Material y Métodos

La presente investigación se caracterizó como un estudio de naturaleza cuantitativa y descriptiva, realizado en forma de estudio de caso múltiple. Se analizaron y compararon diferentes instituciones bancarias, tanto tradicionales como digitales, que operan en Brasil. El enfoque descriptivo tuvo como objetivo principal describir las características de la percepción pública sobre los bancos en la plataforma Twitter/X, según la definición de Gil (2019).

Adicionalmente, la investigación se configuró como documental, ya que utilizó datos secundarios ya disponibles públicamente. El enfoque cuantitativo se justificó por la aplicación de técnicas estadísticas y computacionales para la medición, comparación e interpretación de los sentimientos expresados por los usuarios, alineándose al objetivo de analizar comparativamente la percepción sobre bancos tradicionales y digitales.

La base de datos empleada fue la Brazilian Banks Tweets (B2T), desarrollada por Kakimoto et al. (2024) y puesta a disposición públicamente en un repositorio de GitHub. Esta base consistió en 1.096 tuits recopilados en la plataforma Twitter/X, abarcando el período de noviembre de 2022 a junio de 2023. Los datos incluían el ID del tuit, fecha y hora de la publicación, idioma, nombre del banco mencionado y etiquetas de sentimiento (positivo, negativo y neutro) asignadas por voluntarios.

Los bancos incluidos en el análisis fueron Itaú, Bradesco, Santander, Banco do Brasil, BTG Pactual, NuBank, Banco Inter, Banco Pan, Sofisa Direto y Banco BRB. La información de ubicación del usuario, presente en la base, no se utilizó debido a la gran cantidad de registros nulos y a su imprecisión, centrándose en las demás variables disponibles para el análisis.

Los procedimientos de recolección y análisis comenzaron con la importación de la base de datos B2T, en formato CSV, al entorno Google Colab. Después de cargar el conjunto de datos, se realizó la lectura y estandarización de los datos, incluyendo el formato del campo de fecha y hora y la creación de un campo denominado ‘anomes’ para facilitar el análisis temporal.

Dado que el conjunto de datos B2T no contenía el texto original de los tweets, en conformidad con las directrices de intercambio de datos de Twitter/X, el análisis se realizó a partir de las etiquetas de sentimiento previamente asignadas a los registros. Tal como se describe en Kakimoto et al. (2024), los tweets se sometieron a un proceso de etiquetado manual realizado por cinco voluntarios, quienes clasificaron los comentarios de forma independiente en tres categorías: positiva (+1), neutra (0) o negativa (-1).

Cada tuit fue evaluado por al menos tres voluntarios, sin acceso a las clasificaciones de los demás evaluadores. La definición de las clases de sentimiento siguió criterios establecidos por los autores de la base de datos, donde la clasificación positiva (+1) indicaba satisfacción o elogio, negativa (-1) expresaba descontento o insatisfacción, y neutra (0) se utilizaba para manifestaciones sin polaridad clara, como textos fácticos o incomprensibles.

A partir de las múltiples etiquetas asignadas a cada tweet, se calcularon dos medidas complementarias para la clasificación final de los sentimientos: la suma y la media de las etiquetas. La suma de las etiquetas representó el saldo de polaridad de las evaluaciones, indicando la dirección predominante de las clasificaciones. La media de las etiquetas, por su parte, se utilizó como una medida normalizada de la polaridad, permitiendo considerar la intensidad y la dirección de las evaluaciones independientemente de la cantidad de evaluadores.

Para la clasificación final de los tweets, se adoptó la regla de que los valores positivos resultantes de la suma o de la media se clasificaban como positivos (+1), los valores negativos como negativos (-1) y los valores iguales a cero como neutros (0). Estos enfoques permitieron producir clasificaciones cuantitativas y comparables de los sentimientos predominantes, que se utilizaron posteriormente en los análisis agregados por institución bancaria y período.

La etapa de análisis de datos se llevó a cabo de forma descriptiva y comparativa, con el objetivo de identificar patrones y tendencias en los sentimientos expresados por los usuarios. Inicialmente, se realizó un análisis descriptivo de los resultados, que incluyó el cálculo de frecuencias absolutas y relativas, así como la identificación de proporciones y tendencias de los sentimientos observados en cada grupo, considerando dimensiones como la institución bancaria, el mes de referencia y el tipo de institución (tradicional o digital).

En la etapa comparativa, los bancos se clasificaron en dos grupos: tradicionales y digitales. Se consideraron tradicionales los bancos con una trayectoria consolidada en el sistema bancario brasileño y una actuación históricamente estructurada en canales físicos (Bradesco, Itaú, Santander, Banco do Brasil y Banco BRB). Se clasificaron como digitales los bancos cuya actuación analizada presentaba una mayor predominancia de canales y servicios digitales (NuBank, Banco Inter, Banco Pan, Sofisa Direto y BTG Pactual).

Adicionalmente, desarrolló el Modelo de Perfil de Mercado (MPM), con el objetivo de sintetizar la percepción de los usuarios por medio de indicadores derivados. Este modelo estuvo compuesto por los indicadores de Reputación Emocional (RE), Neutralidad (N), Polarización Emocional (PE) y Riesgo Reputacional (RR). Estos indicadores fueron calculados a partir de las proporciones de sentimientos positivos, negativos y neutros observadas para cada institución.

La Reputación Emocional (RE) se definió como la diferencia entre la proporción de sentimientos positivos y la proporción de sentimientos negativos. La Neutralidad (N) correspondió a la proporción de tweets clasificados como neutros. La Polarización Emocional (PE) se calculó sumando las proporciones de sentimientos positivos y negativos. El Riesgo Reputacional (RR) se calculó como una medida compuesta por la interacción entre la proporción de sentimientos negativos y la polarización emocional.

Complementariamente, se aplicó el Modelo de Clusterización Bancaria (MCB), con el objetivo de identificar patrones estructurales en la percepción pública. Para ello, se utilizaron las proporciones de sentimientos positivos y negativos como variables de entrada en un algoritmo de modelo no supervisado, el K-Means, permitiendo segmentar los bancos en clusters con características similares. El algoritmo K-Means fue adoptado por su adecuación a datos numéricos continuos y para análisis exploratorios de segmentación (MacQueen, 1967; Han et al., 2012; Hair Jr. et al., 2014).

Tras la definición del algoritmo K-Means, se probaron diferentes valores de K, que varían de dos a seis clústeres, para identificar una configuración que presentara una adecuada estructuración de los grupos. Para esta definición, se utilizaron conjuntamente el Método del Codo y el Índice de Silueta. La solución con tres clústeres se adoptó como la configuración final del modelo de clusterización, por presentar un equilibrio entre la reducción de la variabilidad interna y la calidad de agrupamiento, además de una mayor interpretabilidad de los grupos en el contexto del análisis.

3. Resultados y Discusión

El análisis de los datos de la base Brazilian Banks Tweets (B2T), que comprendió 1.096 tuits recopilados entre noviembre de 2022 y junio de 2023, reveló patrones significativos en la percepción pública sobre instituciones financieras brasileñas. El estudio empleó dos enfoques complementarios para el análisis de sentimientos: la suma de las etiquetas y la media de las etiquetas, permitiendo una comprensión multifacética de las manifestaciones de los usuarios. Estos enfoques fueron cruciales para identificar tanto el sentimiento mayoritario como los matices de intensidad en la percepción, proporcionando una base robusta para las comparaciones entre bancos tradicionales y digitales, así como para la modelización de perfiles de mercado y la clusterización bancaria.

Inicialmente, la distribución general de los sentimientos, utilizando la suma de las etiquetas, indicó un predominio de clasificaciones neutras, representando el 46,4% del total de tuits. Los sentimientos negativos correspondieron al 42,5%, mientras que los positivos fueron los menos frecuentes, con el 11,0%. Este enfoque enfatiza el saldo neto de las evaluaciones, donde la compensación entre votos positivos y negativos puede resultar en una clasificación neutra, incluso si el tuit contiene elementos de polaridad. Dicha característica sugiere que una parte considerable de las interacciones no expresa una polaridad clara o unívoca, sino una combinación de percepciones que se anulan mutuamente.

En contraste, el enfoque basado en el promedio de las etiquetas presentó una distribución diferente, con el 55,4% de los tweets clasificados como negativos, el 25,4% como neutros y el 19,3% como positivos. El promedio, al expresar la polaridad en una escala continua, permitió capturar la intensidad relativa de la tendencia de las evaluaciones, incluso en casos de opiniones divergentes. Esta diferencia entre los enfoques resalta la importancia de utilizar múltiples métricas para caracterizar la percepción de los usuarios, evitando que la interpretación se restrinja a una única forma de agregación y revelando que la intensidad del sentimiento negativo es más pronunciada cuando se considera el promedio de las evaluaciones.

Al analizar la distribución de los sentimientos por tipo de banco, se observó que los bancos digitales concentraron el mayor volumen de tuits en la muestra. Para ambos grupos, la predominancia de sentimientos varió según el enfoque. En la suma de las etiquetas, los bancos digitales presentaron una mayor concentración de tuits neutrales, mientras que en los tradicionales prevalecieron los negativos. Sin embargo, en el enfoque de la media de las etiquetas, el sentimiento negativo fue predominante en ambos grupos. En todos los análisis, la proporción de sentimientos positivos se mantuvo como la menor, lo que indica que la percepción pública tiende a ser más crítica o neutral, independientemente del modelo de actuación bancaria.

El análisis individual por institución financiera reveló que NuBank destacó por el mayor volumen de tuits, representando el 38% del total de la muestra. Para este banco, hubo una mayor concentración de sentimientos negativos y neutros, dependiendo del enfoque utilizado. Bancos tradicionales como Itaú, Bradesco y Santander también presentaron predominancia de tuits negativos y neutros, reflejando opiniones más equilibradas de los usuarios. Instituciones con menor representatividad en la muestra, como Sofisa Direto y BTG Pactual, presentaron volúmenes reducidos de menciones, lo que limita la interpretación de patrones de sentimiento específicos para estas instituciones, pero aun así evidencian que el tipo de banco influye en la percepción del público.

El análisis temporal de los sentimientos, agregando los datos por mes y año, demostró un crecimiento en el volumen de tuits a partir de noviembre de 2022, alcanzando un pico en enero de 2023. Durante este período, se observó una concentración creciente de sentimientos negativos. Esta tendencia puede estar asociada a campañas específicas o eventos de fin y principio de año que impactaron la percepción de los usuarios en relación con las instituciones financieras. La evolución de los sentimientos a lo largo del tiempo sugiere que la reputación bancaria en el entorno digital es dinámica y sensible a factores contextuales, exigiendo un monitoreo continuo para identificar cambios y responder proactivamente.

El modelado analítico se desarrolló para sintetizar la percepción de los usuarios a través de indicadores derivados, como Reputación Emocional, Neutralidad, Polarización Emocional y Riesgo Reputacional. Estos indicadores se calcularon a partir de las proporciones de sentimientos positivos, negativos y neutros para cada institución, permitiendo una comparación multidimensional entre los bancos. La Reputación Emocional (RE) se definió como la diferencia entre la proporción de sentimientos positivos y negativos, variando de -1 a 1, donde los valores positivos indican predominancia de sentimientos favorables y los negativos indican desfavorables. La Neutralidad (N) correspondió a la proporción de tweets neutros, indicando la ausencia de polaridad emocional. La Polarización Emocional (PE) fue la suma de las proporciones de sentimientos positivos y negativos, representando el grado de intensidad emocional. Finalmente, el Riesgo Reputacional (RR) se calculó como la interacción entre la proporción de sentimientos negativos y la polarización emocional, indicando la exposición potencial a crisis de imagen.

El Modelo de Agrupación Bancaria (MCB) se aplicó utilizando el algoritmo K-Means, con las proporciones de sentimientos positivos y negativos como variables de entrada. Se identificaron tres clústeres distintos, que reflejan diferentes perfiles de percepción pública. El primer clúster, compuesto por Bradesco, BTG Pactual, Banco Pan y BRB, se caracterizó por la predominancia de evaluaciones negativas y baja compensación por percepciones positivas, lo que indica una mayor vulnerabilidad reputacional. Estos bancos, desde el punto de vista estratégico, están más expuestos a riesgos relacionados con la imagen institucional, lo que sugiere la necesidad de intervenciones para mejorar la percepción pública y reducir las insatisfacciones recurrentes.

El segundo clúster incluyó a Itaú, Banco do Brasil y Nubank, presentando un perfil más equilibrado, con mayor peso relativo de percepciones positivas, lo que contribuye a una imagen institucional más favorable. La presencia de Nubank, un banco digital, junto con bancos tradicionales, sugiere que, a pesar de las diferencias estructurales en los modelos de negocio, algunas instituciones tradicionales logran alcanzar niveles de percepción comparables a los digitales. Este clúster representa bancos con un posicionamiento competitivo más robusto en términos de reputación emocional, indicando una mayor aceptación por parte de los usuarios.

El tercer clúster estuvo formado exclusivamente por el Banco Sofisa Direto, caracterizado por una baja intensidad emocional en las interacciones, con usuarios que no expresan opiniones claras sobre la institución. Este comportamiento puede estar asociado a una menor visibilidad de la marca, un volumen reducido de interacciones o una relación más funcional y menos experiencial con el banco. Aunque la baja negatividad pueda parecer positiva, la ausencia de sentimientos positivos también sugiere limitaciones en la construcción de una imagen institucional fuerte y diferenciada, indicando un desafío estratégico en términos de posicionamiento y reconocimiento de marca. Los bancos Inter y Santander se posicionaron en una zona intermedia, sugiriendo una percepción pública en transición, con coexistencia de evaluaciones negativas y positivas, indicando inestabilidad.

El Modelo de Perfil de Mercado (MPM) evidenció diferencias claras entre bancos tradicionales y digitales. Ambos grupos presentaron Reputación Emocional negativa, con los tradicionales en -0,37 y los digitales en -0,33, indicando que, aunque ambos tienen un saldo negativo, los bancos tradicionales son relativamente más negativos. En relación al Riesgo Reputacional, los bancos tradicionales obtuvieron 0,24, ligeramente superior a los 0,21 de los bancos digitales, lo que sugiere una combinación un poco más elevada de negatividad y manifestaciones emocionalmente polarizadas en los tradicionales. La Polarización Emocional fue de 0,53 para los bancos tradicionales y 0,43 para los digitales, indicando que el 53% de las manifestaciones en los tradicionales y el 43% en los digitales presentaron alguna polaridad emocional.

Complementariamente, el indicador de Neutralidad reveló que el 57% de las manifestaciones sobre bancos digitales fueron neutras, frente al 47% en los bancos tradicionales. La mayor neutralidad en los bancos digitales indica una mayor proporción de manifestaciones sin polaridad clara, lo que no debe interpretarse como una percepción necesariamente más positiva, sino como ausencia de polaridad. Estos hallazgos corroboran la literatura que señala diferencias en la percepción de los usuarios sobre bancos digitales y tradicionales, especialmente en dimensiones como utilidad, conveniencia, interacción y seguridad (Shin, Cho y Lee, 2020), reforzando la existencia de características diferenciadas en la percepción de los usuarios según el modelo de actuación bancaria.

En resumen, los resultados demuestran que el tipo de banco influye significativamente en la percepción del público, que el enfoque metodológico impacta la interpretación de los sentimientos y que existen diferencias estructurales tanto en la intensidad como en la naturaleza de las interacciones de los usuarios con las instituciones financieras. La integración entre análisis de sentimientos, modelado de perfiles de mercado y técnicas de clusterización demostró ser eficaz para ampliar la comprensión de la imagen institucional en el entorno digital. Los bancos tradicionales presentaron mayor polarización y riesgo reputacional, mientras que los bancos digitales exhibieron mayor neutralidad y menor polarización, caracterizando perfiles distintos de percepción pública y evidenciando la utilidad del análisis cuantitativo de sentimientos para la gestión de la reputación.

4. Conclusión

El presente estudio analizó, de forma comparativa y cuantitativa, los sentimientos expresados por usuarios de Twitter/X en relación con las instituciones bancarias brasileñas, distinguiendo entre bancos tradicionales y digitales, con el fin de comprender las diferencias en la percepción de los usuarios y sus implicaciones para la imagen y reputación en el entorno digital. Se verificó la predominancia de sentimientos neutros y negativos en las manifestaciones analizadas, aunque la distribución exacta variaba según el enfoque metodológico empleado. Los bancos digitales concentraron un mayor volumen de interacciones, y el análisis individual destacó a NuBank con el mayor número de registros. La aplicación del Modelo de Perfil de Mercado (MPM) reveló que los bancos tradicionales exhibieron una mayor polarización emocional y riesgo reputacional, además de una reputación emocional más negativa. En contrapartida, los bancos digitales presentaron mayor neutralidad y menor polarización y riesgo reputacional, con una reputación emocional menos negativa. Adicionalmente, el Modelo de Clusterización Bancaria (MCB) identificó tres perfiles distintos de percepción pública, desde instituciones con alta vulnerabilidad reputacional hasta aquellas con un perfil más equilibrado y otras con baja intensidad emocional. Estos hallazgos evidencian diferencias estructurales significativas en la intensidad y naturaleza de las interacciones de los usuarios con las instituciones financieras, proporcionando una comprensión profunda de la imagen institucional en el entorno digital y contribuyendo a la formulación de estrategias de gestión de la reputación basadas en datos.

A pesar de la robustez metodológica, el estudio presenta limitaciones importantes, como la ausencia del contenido textual original de los tweets en la base de datos utilizada, lo que impidió un análisis cualitativo más profundo de las razones subyacentes a los sentimientos expresados. Además, el volumen reducido de menciones para algunas instituciones, como Sofisa Direto y BTG Pactual, restringió la interpretación de patrones de sentimiento específicos. Para estudios futuros, se sugiere la investigación de los factores contextuales y eventos específicos que pueden influir en las tendencias de sentimiento a lo largo del tiempo, especialmente en períodos de alta polarización. Se recomienda también la exploración de metodologías que permitan el análisis del contenido textual, si está disponible, para desvelar las causas de las percepciones y profundizar la comprensión de las dinámicas de compromiso de los usuarios. La inestabilidad observada en la percepción de bancos como Inter y Santander también apunta a la necesidad de investigaciones que exploren los factores que conducen a esta transición de sentimientos.

Referencias 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.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy