Implementación de big data para el análisis y extracción de comentarios de los usuarios de Tripdadvisor para la optimización de las estrategias de reputación corporativa en un museo de Lima

• Autor: Encarnación Paculía, Cristhian Max
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/10157
• Enlace del recurso: https://hdl.handle.net/20.500.12867/10157
• Nivel de acceso: acceso abierto
• Materia: Big Data; Análisis de sentimientos; Webscraping; Extracción de datos; Reputación corporativa; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta investigación propone extraer y analizar de los comentarios sobre el Museo Larco en la red social TripAdvisor, con el objetivo de identificar criterios o patrones negativos que los encargados del museo puedan mejorar. La propuesta facilita la identificación de los principales temas de las opiniones de los usuarios en la red social, proporcionando a los responsables del museo información valiosa para mejorar su reputación online. La investigación sigue las fases de la metodología KDD ("Knowledge Discovery in Databases"), la cual orienta el uso de diversas técnicas para desarrollar la solución. Entre las técnicas utilizadas se encuentra el web scraping, que emplea herramientas y bibliotecas para recopilar datos de TripAdvisor. Además, se aplicará la clasificación mediante aprendizaje supervisado para realizar un análisis de sentimientos, determinando si un comentario es positivo, neutro o negativo, utilizando bibliotecas gráficas de Python. También se empleará el modelo LDA que permite agrupar gran cantidad de datos en grupos más pequeños, además de detectar relaciones y palabras clave en los comentarios de los usuarios de TripAdvisor. Finalmente, el análisis de los comentarios mediante estas técnicas permitirá a los responsables del Museo Larco conocer la percepción que los usuarios tienen de ellos como institución y tomar decisiones informadas para mejorar su reputación online.