“Desarrollo de una metodología analítica para identificar factores determinantes del review score en E-commerce: aplicación a la base de datos de Olist, Brasil”

Abstract

En el ecosistema de los comercios digitales, las calificaciones y reseñas de productos juegan un rol clave en la percepción del cliente, la reputación de los vendedores y la decisión de compra. Comprender los factores que influyen en las reseñas negativas y la satisfacción del cliente es crucial para plataformas de comercio electrónico que buscan mejorar la experiencia del usuario y fortalecer la percepción de este. Este proyecto propone una metodología integral para analizar y predecir calificaciones de productos en plataformas de comercio electrónico, combinando técnicas de machine learning y procesamiento de lenguaje natural (NLP). La propuesta permite identificar los determinantes clave de las malas calificaciones, integrando variables estructurales y aspectos emocionales presentes en los comentarios de los usuarios. La metodología se aplica al caso de la plataforma Olist (Brasil), considerando variables del producto, del cliente, del vendedor, de los comentarios y de las órdenes. Se incorpora análisis de sentimientos mediante los modelos de procesamiento de lenguaje natural PySentimiento y RoBERTa para capturar el impacto emocional en las calificaciones. Se entrenan modelos de clasificación binaria, donde Random Forest obtiene el mejor desempeño (precisión y F1-score de 91,1%). Los resultados muestran que ‘delivery_difference_days’ y el puntaje de sentimiento de los comentarios son las variables más influyentes en la predicción de reseñas negativas. Además, ‘delivery_status’ y ‘order_per_customer’ presentan una contribución positiva sobre esta clase. El análisis SHAP confirma el impacto del tiempo de entrega y el sentimiento de los comentarios, mientras que BERTopic revela que los principales focos de insatisfacción se relacionan con problemas logísticos y calidad del producto. Este trabajo entrega una herramienta analítica replicable que puede ser aplicada en distintos entornos digitales para anticipar insatisfacciones, optimizar procesos y fortalecer la experiencia del cliente.