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.