💻 computer science

A Framework for Customer Needs Analysis: Integrating Dynamic Sentiment Lexicon Construction with Kano Model

Este artigo propõe uma estrutura orientada por dados que integra o BERTopic guiado, um léxico de sentimento dinâmico e adaptado ao domínio e o modelo Kano para analisar objetivamente avaliações on-line e priorizar melhorias de produtos, demonstrado através de uma avaliação de 8.970 avaliações de veículos de nova energia.

Autores originais: Qiong He, Yijia Li, Zhenwei Yang, Shuai Wang, Jian Zhang

Publicado 2026-08-03

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Qiong He, Yijia Li, Zhenwei Yang, Shuai Wang, Jian Zhang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um detetive tentando resolver o mistério do que as pessoas realmente querem de um produto. No mundo dos negócios, isso é chamado de "análise de necessidades do cliente". Por muito tempo, as empresas tentaram resolver isso distribuindo questionários de papel ou pedindo que as pessoas preenchessem formulários. Mas isso é como tentar adivinhar o que uma cidade inteira está pensando ao perguntar a apenas cinco pessoas em uma esquina — é lento, muitas vezes enviesado e as pessoas podem nem dizer a verdade.

Entra a era da internet, onde milhões de pessoas deixam para trás um rastro digital de opiniões na forma de avaliações online. Isso é uma mina de ouro de dados, mas é bagunçado. Para dar sentido a isso, os cientistas usam duas ferramentas principais. Primeiro, eles usam a "análise de sentimento", que é como um anel de humor para o texto; tenta descobrir se uma palavra ou frase é feliz, triste, brava ou animada. Segundo, eles usam o "modelo Kano", uma estrutura famosa que classifica as necessidades em categorias: algumas são básicas (você precisa delas, ou ficará insatisfeito), algumas são lineares (quanto mais você tem, mais feliz você fica) e outras são "encantadores" (bônus inesperados que fazem você pular de alegria). O problema? Os "anéis de humor" tradicionais são "estáticos" — usam um dicionário fixo de palavras que não consegue lidar com gírias, sarcasmo ou contexto. E o modelo Kano geralmente depende desses questionários lentos e subjetivos.

Este artigo propõe uma nova maneira inteligente de combinar essas ferramentas. Os pesquisadores construíram um "anel de humor" dinâmico que aprende com a linguagem específica dos proprietários de carros e o usou para alimentar o modelo Kano automaticamente, pulando os questionários. Eles testaram isso em quase 9.000 avaliações de veículos de nova energia (como carros elétricos) para ver se conseguiam descobrir exatamente o que os motoristas amam, o que odeiam e quais recursos as empresas devem consertar primeiro.

O Novo Kit de Ferramentas do Detetive

Os pesquisadores, Qiong He e sua equipe da Universidade de Ciência e Tecnologia da Informação de Pequim, perceberam que as ferramentas antigas estavam falhando em acompanhar a forma como as pessoas realmente falam online. Se você diz que um carro é "grande", um dicionário estático pode apenas ver uma palavra neutra. Mas se você disser "barulho grande", isso é ruim. Se disser "porta-malas grande", isso é bom. Um dicionário padrão não consegue distinguir a diferença sem um humano para explicar o contexto.

Para corrigir isso, a equipe construiu um Léxico de Sentimento Dinâmico. Pense nisso como um dicionário superinteligente e de atualização automática que não apenas memoriza palavras; ele entende a vibe da conversa. Eles usaram um cérebro de IA poderoso (chamado BERT) que lê frases da mesma forma que os humanos, observando as palavras antes e depois de um termo para entender seu verdadeiro significado. Eles também usaram um truque matemático chamado TF-IDF-PageRank (uma forma sofisticada de dizer "encontrar as palavras mais importantes que aparecem juntas") para escolher as melhores palavras iniciais para o seu dicionário.

Uma vez que tiveram esse dicionário inteligente, eles não pararam por aí. Eles o conectaram ao Modelo Kano. Normalmente, o modelo Kano exige que um pesquisador pergunte a um cliente: "Se este recurso existisse, como você se sentiria?" e "Se ele não existisse, como você se sentiria?". A equipe pulou a parte de perguntar. Em vez disso, deixaram sua IA ler milhares de avaliações, calcular o quão felizes ou irritadas as pessoas estavam em relação a partes específicas do carro e classificar automaticamente essas partes nas categorias Kano.

O Caso das 9.000 Avaliações

A equipe colocou sua estrutura à prova usando 8.970 avaliações online de veículos de nova energia (NEVs) coletadas de um popular site de carros chinês chamado Dongchedi. Eles focaram em cinco marcas principais: Tesla, BYD, Chang'an, NIO e Lixiang.

Após limpar os dados (removendo duplicatas e lixo), seu sistema identificou com sucesso nove atributos principais de produtos que os clientes valorizam. Eles variaram de "Autonomia de condução" (o quanto o carro percorre com uma carga) e "Espaço" até "Inteligência" (recursos de direção inteligente) e "Sistema de Chassi" (o esqueleto do carro e a qualidade da condução).

Foi aqui que a mágica aconteceu. A IA não apenas listou os recursos; ela os classificou usando o modelo Kano, revelando a psicologia oculta dos motoristas:

Os "Obrigatórios" (Atributos Must-be): O sistema descobriu que os Assentos, o Sistema de Chassi e a Experiência de condução são o básico. Se forem ruins, os clientes ficam furiosos. Mas se forem apenas "bons", os clientes não ficam animados; eles apenas os esperam. É como ter um telhado em sua casa: se ele vazar, você fica bravo, mas se for sólido, você não faz uma festa.
Os Recursos "Lineares" (Atributos Unidimensionais): A Aparência entra aqui. Quanto mais estiloso o carro parece, mais feliz o cliente fica. É uma linha reta: visual melhor igual a mais sorrisos.
Os "Encantadores" (Atributos Atrativos): Esta foi a grande surpresa. Recursos como Autonomia de condução, Espaço, Inteligência, qualidade do Interior e Preço foram classificados como "encantadores". Isso significa que, se um carro se destaca nessas áreas, ele cria um pico massivo de satisfação do cliente. No entanto, se o carro for apenas "ok" nessas áreas, os clientes não ficam necessariamente irritados; eles apenas não sentem aquele brilho extra de alegria.

A Pontuação de "Oportunidade": Quem Corrigir Primeiro?

Saber o que as pessoas querem é ótimo, mas as empresas têm orçamentos limitados. Elas não podem consertar tudo de uma vez. Então, os pesquisadores adicionaram um passo final: um Algoritmo de Oportunidade. Ele atua como uma lista de prioridades. Ele observa duas coisas:

Importância: Com que frequência as pessoas falam sobre este recurso?
Satisfação: O quão felizes as pessoas estão com isso agora?

O algoritmo calcula uma "pontuação de chance" para dizer aos fabricantes onde focar. Os resultados foram claros:

Prioridade Máxima: Espaço e Autonomia de condução foram os vencedores. Eles já são "encantadores" (as pessoas os amam quando são bons), mas ainda há espaço para torná-los ainda melhores para conquistar mais clientes.
Correção Urgente: A Experiência de condução era um "Obrigatório" com o qual os clientes estavam surpreendentemente insatisfeitos. Embora seja um requisito básico, a baixa pontuação de satisfação significava que era uma bomba relógio para as marcas.
Baixa Prioridade: Inteligência e Aparência tiveram pontuações de oportunidade mais baixas, sugerindo que, embora sejam importantes, a lacuna atual entre o que os clientes querem e o que eles têm não é tão crítica quanto os problemas de experiência de condução ou espaço.

O Veredito

O estudo sugere que, ao usar esta abordagem dinâmica impulsionada por IA, as empresas podem se afastar de suposições e questionários subjetivos. Em vez disso, elas podem ouvir a "voz do cliente" diretamente do caos das avaliações online. A estrutura transformou com sucesso 8.970 avaliações bagunçadas em um roteiro claro e acionável: conserte a experiência de condução para estancar o sangramento e potencialize o espaço e a autonomia da bateria para criar o próximo grande sucesso.

Embora os autores observem que seu método é testado atualmente apenas em carros elétricos e depende dos dados de um único site, eles argumentam que essa abordagem de "léxico dinâmico" oferece uma maneira objetiva e repetível de entender o que os clientes realmente precisam, transformando o ruído da internet em um sinal claro para a melhoria do produto.

Resumo Técnico: Um Framework para Análise de Necessidades do Cliente Integrando Construção de Léxico de Sentimento Dinâmico com o Modelo Kano

Definição do Problema
A análise precisa das necessidades do cliente é fundamental para o design de produtos eficaz e a otimização iterativa. Embora as avaliações online ofereçam uma fonte rica e de baixo custo de feedback autêntico dos usuários, os métodos analíticos tradicionais enfrentam duas limitações significativas:

Léxicos de Sentimento Estáticos: Dicionários de sentimento convencionais têm dificuldade em capturar expressões emocionais dependentes de contexto e específicas de domínio encontradas no Conteúdo Gerado pelo Usuário (UGC). Eles frequentemente falham em se adaptar à rápida evolução da linguagem e às nuances de mudança semântica de palavras em setores específicos.
Subjetividade no Modelo Kano: A aplicação tradicional do modelo Kano depende fortemente de questionários e pesquisas manuais. Essa abordagem introduz alta subjetividade, sofre de viés de amostra pequena e carece de escalabilidade, limitando sua objetividade na identificação da psicologia complexa do cliente.

Metodologia
Os autores propõem um framework integrado e orientado por dados que automatiza a extração de atributos, quantificação de sentimento, classificação de necessidades e classificação de prioridades. O processo consiste em quatro estágios sequenciais:

Coleta e Pré-processamento de Dados:
- As avaliações são coletadas (crawled) de plataformas de e-commerce (especificamente a Dongchedi para Veículos de Nova Energia).
- Os textos passam por pré-processamento, incluindo a remoção de caracteres não chineses, pontuação e stop words, seguidos de segmentação e marcação de classes gramaticais (part-of-speech tagging) usando a ferramenta Jieba.
Extração de Atributos do Produto (BERTopic Guiado):
- O estudo utiliza o Guided BERTopic, uma abordagem de modelagem de tópicos que integra conhecimento específico do domínio com agrupamento (clustering) orientado por dados.
- Orientação por Palavras-Chave (Seed Words): Especialistas do domínio fornecem palavras-chave para guiar a geração de tópicos, garantindo relevância e reduzindo o ruído.
- Etapas de Modelagem:
  - Embedding de Documentos: O texto é mapeado para vetores de alta dimensão usando paraphrase-multilingual-MiniLM-L12-v2.
  - Orientação por Seed: A similaridade de cosseno entre os embeddings dos documentos e o centroide dos embeddings das palavras-chave aumenta a relevância de tópicos específicos.
  - Redução de Dimensionalidade: O UMAP reduz a dimensionalidade preservando as estruturas locais e globais dos dados.
  - Clustering: O HDBSCAN agrupa documentos em clusters de formas arbitrárias, isolando o ruído.
  - Extração de Palavras-Chave: Um algoritmo c-TF-IDF aprimorado, reforçado com um fator de peso para as palavras-chave de orientação, gera as distribuições de palavras-chave dos tópicos.
Construção de Léxico de Sentimento Dinâmico:
- Para superar a rigidez dos dicionários estáticos, os autores constroem um léxico adaptado ao domínio usando um método híbrido de estatística e aprendizado profundo:
  - Seleção de Palavras-Chave (Seed Words): Um modelo de fusão de características heterogêneas TF-IDF-PageRank identifica palavras-chave de sentimento com alta capacidade discriminatória. O TF-IDF captura a significância estatística local, enquanto o PageRank captura correlações estruturais globais. A pontuação final é uma combinação linear de ambos ( $S(w_i) = \alpha \cdot TF\text{-}IDF + (1-\alpha) \cdot RP$ ).
  - Representação Contextual: O modelo BERT é utilizado para gerar vetores de palavras dinâmicos e conscientes do contexto, superando a natureza estática do Word2Vec ou GloVe.
  - Expansão Dinâmica: As palavras candidatas são expandidas para o léxico com base na similaridade de cosseno (limiar de 0,75) com os vetores das palavras-chave, permitindo que o dicionário se adapte a novas expressões emocionais.
- Polaridade Contextual: O framework considera a sensibilidade ao contexto (ex: "grande" é positivo para espaço, mas negativo para ruído) ao mapear palavras de sentimento para tuplas de atributos específicos.
Classificação e Priorização de Necessidades do Cliente:
- Integração com o Modelo Kano: Em vez de pesquisas, o modelo utiliza análise de regressão nos dados das avaliações. Uma fórmula ( $y = \alpha + \sum(\beta_j^{pos}X_j^{pos} + \beta_j^{neg}X_j^{neg})$ ) mapeia a contribuição de sentimentos positivos e negativos para os níveis de satisfação do cliente.
- Árvore de Decisão: Os atributos são classificados em cinco categorias (Atrativo, Unidimensional, Obrigatório, Reverso, Indiferente) com base nos coeficientes estimados ( $\beta$ ) e limiares ( $\lambda, \delta$ ).
- Algoritmo de Oportunidade: Para classificar as prioridades de melhoria, um "Score de Oportunidade" é calculado combinando Importância (frequência de menções ao atributo) e Satisfação (pontuações de sentimento agregadas).
- Fórmula: $Oportunidade = Importância + \max(Importância - Satisfação, 0)$ .

Principais Resultados
O framework foi validado utilizando 8.970 avaliações online de Veículos de Nova Energia (NEVs) de cinco grandes marcas (Tesla, BYD, Chang'an, NIO, Lixiang).

Extração de Atributos: Nove atributos principais de produto foram identificados: Autonomia de Condução, Espaço, Aparência, Inteligência, Interior, Preço, Assentos, Sistema de Chassi e Experiência de Condução.
Construção de Léxico: Um léxico de sentimento de domínio dinâmico foi construído contendo 736 palavras (512 positivas, 224 negativas), capturando com sucesso nuances específicas do domínio.
Classificação Kano:
- Atributos Atrativos: Autonomia de condução, Espaço, Inteligência, Interior e Preço. Melhorias aqui aumentam significativamente a satisfação.
- Atributos Unidimensionais: Aparência. A satisfação está linearmente correlacionada com o desempenho.
- Atributos Obrigatórios: Assentos, Sistema de Chassi e Experiência de Condução. São expectativas básicas; o baixo desempenho causa insatisfação, mas o excelente desempenho gera retornos decrescentes.
Priorização: O algoritmo de Oportunidade classificou Espaço, Autonomia de Condução e Experiência de Condução como as três principais prioridades de melhoria. Notavelmente, embora a "Experiência de Condução" seja uma necessidade básica, ela apresenta atualmente baixas pontuações de satisfação, indicando uma área crítica para otimização.

Significância e Alegações
O artigo afirma fornecer uma solução repetível e transferível para a otimização inteligente de produtos ao abordar as limitações dos métodos tradicionais:

Objetividade: Ao substituir questionários subjetivos pela análise de dados de avaliações online, o framework elimina o viés de amostra e a subjetividade humana.
Adaptabilidade: A construção de um léxico de sentimento dinâmico resolve o problema de dicionários estáticos que falham em capturar expressões emocionais evolutivas e sensíveis ao contexto no UGC.
Capacidade de Ação: A integração do modelo Kano com um algoritmo de oportunidade transforma o feedback bruto do usuário em prioridades de melhoria quantificáveis e classificadas.

Os autores concluem que esta abordagem orientada por dados aumenta a eficiência e a precisão do desenvolvimento de produtos, permitindo que os fabricantes se adaptem rapidamente às dinâmicas do mercado. Eles reconhecem limitações, incluindo a aplicação atual a um único domínio (NEVs), a falta de detecção específica de avaliações falsas e o uso de dados de uma única plataforma, sugerindo estas como áreas para pesquisas futuras.

O Novo Kit de Ferramentas do Detetive

O Caso das 9.000 Avaliações

A Pontuação de "Oportunidade": Quem Corrigir Primeiro?

O Veredito

Mais como este