RESUMEN

Este trabajo de grado se enmarca en el desarrollo de un análisis de sentimientos sobre

las tendencias de la red social Twitter utilizando técnicas de analítica de datos, el cual
esta soportado bajo la metodología CRISP-DM. Asimismo, la ejecución de este
proyecto permitió la construcción de un conjunto de datos en tiempo real para
determinar las tendencias e influencia en distintos temas controversiales en la red
social Twitter. Del mismo modo, se construyeron y evaluarón modelos analíticos tanto
descriptivos como predictivos para identificar las opiniones de los usuarios en la red
social Twitter, bajo el desarrollo de un framework para la visualización de los tweets en
tiempo real, demostrando mediante esta óptica de trabajo, que la minería de opinión
utiliza técnicas de clasificación para encontrar patrones ocultos en medio de opiniones
individuales obtenidas en redes sociales como Twitter, desarrollando un análisis
semántico.

En este orden de ideas, la aplicación de la metodología CRISP DM logró el

cumplimiento de las metas planteadas en los objetivos trazados en el trabajo de grado,
tales como: Una alta desinformación acerca de temas que son tendencias importantes
y la necesidad de tener una herramienta que permita generar un resumen general de
sentimientos respecto a una noticia específica, entre otros factores; los cuales
requieren de la creación de distintos modelos tanto descriptivos como predictivos, para
solventar la problemática planteada, optando por encontrar el modelo analítico más
óptimo para desarrollar el proyecto.

Por consiguiente, el despliegue de la metodología propuesta para la construcción de

los modelos analíticos, permitió concluir que, mediante el desarrollo de estrategias de
minería de opinión, se puede generar una tendencia tecnológica individual o colectiva
que permita conocer el expresar de la población mundial a través de las redes
sociales, aplicando las tecnologías de la información; demostrando que, los modelos
implementados cumplieron con los requisitos de la evaluación prevista, dejando
resultados óptimos en las diferentes técnicas implementadas, las cuales fueron
ajustadas mediante un amplio marco teórico-analítico de estudio de la información
descargada, sirviendo como un proceso clave para lograr una implementación limpia y
un margen de error estándar en el desarrollo de los modelos.