Análisis de Sentimiento en Reseñas con ChatGPT

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 30-45 minutos tendras:

✓ Resumen ejecutivo con principales drivers de insatisfacción
✓ Lista priorizada de acciones operativas con impacto estimado
✓ Dataset etiquetado y JSON estructurado listo para integración

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Conjunto de reseñas exportado en CSV o JSON con al menos 200 entradas o un muestreo representativo.

Obligatorio Acceso a ChatGPT (preferible plan con mayor capacidad de tokens) y permiso para procesar datos de clientes conforme a privacidad interna.

Recomendado Campo adicional en los datos: producto/servicio, fecha, canal (email/app/store) y puntuación numérica.

Recomendado Muestra de 20 reseñas etiquetadas manualmente para calibrar el modelo y validar precisión.

Transferencia internacional de datos: ChatGPT procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Hotelaria del Norte SA, sector hostelería — el problema real

Hotelaria del Norte recibe un volumen creciente de reseñas negativas sobre estancias. La dirección sabe que hay problemas recurrentes, pero no identifica con claridad si provienen de limpieza, servicio, precio o expectativas erróneas.

Con ChatGPT y el prompt de este tutorial, puede resolver este reto en 30-45 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

ChatGPT
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: ChatGPT combina comprensión semántica y capacidad de resumir grandes volúmenes textuales, lo que permite identificar patrones y matices en el lenguaje de clientes. Su salida estructurada facilita la traducción inmediata a iniciativas operativas y métricas de seguimiento. Además, puede producir etiquetas y JSON listos para integración en BI o CRM.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Tiene grandes volúmenes de reseñas textuales sin análisis sistemático Necesita priorizar acciones con impacto rápido sobre churn o NPS Quiere segmentar problemas por producto, ubicación o periodo	Sus quejas están documentadas y ya hay un sistema formal de tickets con causas raíz y SLA Desea reemplazar un análisis humano en casos legales o de cumplimiento donde se requieren auditorías certificadas Busca análisis médico, legal o técnico altamente especializado sin supervisión experta

Paso 01

Preparar y exportar los datos

Reúna y depure las reseñas que analizará. Esta fase asegura que ChatGPT reciba contexto relevante y que los resultados sean accionables para la dirección.

1
Exportar reseñas a CSV/JSON Incluya texto de la reseña, fecha, puntuación, canal y etiqueta de producto/servicio. Estos campos permiten segmentación y correlación con KPI.
2
Eliminar duplicados y entradas inválidas Filtre reseñas vacías, spam o traducciones automáticas malformadas. Los datos limpios mejoran la calidad del etiquetado y reducen ruido en el análisis.
3
Crear muestreo representativo si hay demasiados datos Si tiene decenas de miles de reseñas, seleccione una muestra estratificada por fecha, producto y canal para un análisis inicial rápido y luego amplíelo.

Checkpoint: Archivo CSV/JSON limpio con campos esenciales (texto, fecha, puntuación, producto, canal) listo para procesar.

Paso 02

Preprocesamiento y reglas básicas

Aplique normalizaciones y reglas que faciliten el análisis semántico. Esto reduce errores y permite que ChatGPT entregue insights consistentes.

1
Uniformizar idioma Detecte idioma y traduzca solo si es necesario. Para Hotelaria del Norte, mantenga español y traducciones al español de reseñas en inglés para comparabilidad.
2
Eliminar PII sensible Sustituya nombres, números de tarjeta o identificadores por tokens (ej. [NOMBRE]) para cumplir con políticas de privacidad.
3
Agregar columnas de contexto Cree columnas como 'mes', 'ubicación' o 'tipo de reserva' para poder segmentar posteriormente los hallazgos.

Checkpoint: Dataset preprocesado con idioma unificado, PII removida y columnas de contexto añadidas.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[COMPANY_NAME]Nombre de su empresa (ej.: Hotelaria del Norte SA)

[DATA_SAMPLE]Contenido de reseñas o un enlace al archivo CSV/JSON; si es muestra, incluya 20-50 reseñas representativas

[TIME_PERIOD]Rango temporal a analizar (ej.: 'enero 2026 - junio 2026')

[LANGUAGE]Idioma preferente de salida (ej.: 'español')

[SEGMENT_FILTERS]Opcional: filtros por producto, ubicación o canal (ej.: 'hoteles urbanos, reserva directa')

Prompt principal — Análisis de Sentimiento en Reseñas Eres un analista ejecutivo experto en insights de clientes. Toma como entrada el conjunto de reseñas y realiza un análisis de sentimiento y causas raíz accionables. Contexto: empresa [COMPANY_NAME], periodo analizado [TIME_PERIOD], idioma preferente [LANGUAGE], segmento opcional [SEGMENT_FILTERS]. Entrada: aquí va una muestra o enlace a datos: [DATA_SAMPLE]. Objetivos: 1) Resumen ejecutivo en máximo 6 viñetas con los 5 drivers principales de insatisfacción, su tendencia (sube/baja/estable) y el impacto estimado en NPS o churn; 2) Lista priorizada de 8 acciones concretas (responsable sugerido, coste estimado relativo: bajo/medio/alto, impacto estimado y plazo de ejecución: 7/30/90 días); 3) Categorización de temas: generar entre 8 y 12 etiquetas (por ejemplo: limpieza, check-in, precio, comunicación) con definiciones claras y reglas de asignación; 4) Para cada etiqueta, ofrecer ejemplos representativos extraídos de [DATA_SAMPLE] (máximo 3 ejemplos por etiqueta) y una puntuación de confianza entre 0-100; 5) Entregar un JSON con el siguiente esquema: {id, fecha, texto, puntuación_numérica, etiqueta_principal, subetiquetas, sentimiento: positivo|neutral|negativo, confidence_score}; 6) Proporcionar un breve playbook para operaciones con scripts de comunicación al cliente y un checklist de verificación para el equipo de campo; 7) Identificar subsegmentos críticos (producto/ubicación/canal) y sugerir 3 experimentos A/B para validar soluciones. Requisitos de formato: 1) Comienzar con un 'Resumen Ejecutivo' de máximo 300 palabras; 2) Incluir una tabla priorizada de acciones en formato lista ordenada; 3) Adjuntar el JSON de salida separado bajo la sección 'DATA_JSON'. Restricciones: no incluyas datos personales reales en los ejemplos; si detectas PII en [DATA_SAMPLE], sustituye por tokens y reporta el número de items afectados. Sugerencia técnica: indica umbrales recomendados para clasificar sentimiento (por ejemplo: score < 0.3 negativo, 0.3-0.7 neutral, >0.7 positivo) y calcula métricas básicas: volumen por etiqueta, tasa de recurrencia y tendencia mensual. Entrega final: 1) Resumen Ejecutivo; 2) Etiquetas y definiciones; 3) Acciones priorizadas; 4) Muestras y confidencias; 5) DATA_JSON listo para exportar; 6) Playbook corto para operaciones. Sé conciso, con lenguaje ejecutivo y orientado a la toma de decisiones.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Refinar, validar y desplegar

Valide el output contra una muestra etiquetada y convierta los insights en tareas operativas. Esta iteración aumenta confianza y prepara la implementación.

1
Comparar con anotaciones humanas Evalúe precisión de etiquetas en una muestra de 50-100 reseñas y calcule precisión, recall y F1. Ajuste umbrales si es necesario.
2
Generar tablero KPI Cree un tablero con métricas clave: volumen de quejas por categoría, tendencia mensual y tasa de recurrencia por cliente/ubicación.

Checkpoint: Validación cuantitativa realizada y plan de despliegue con KPIs y responsables definido.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Reducir alcance y pedir foco: 'Repite el análisis centrándote solo en reseñas de [SEGMENT_FILTERS] dentro de [TIME_PERIOD]. Limita las etiquetas a problemas operativos (limpieza, check-in, mantenimiento) y prioriza acciones con impacto en 30 días. Entregar solo la tabla de acciones y el JSON.'"

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Ajuste de profundidad: 'Convierte el 'Resumen Ejecutivo' a versión técnica con indicadores: añade cálculo de precisión estimada del etiquetado, ejemplo de matriz de confusión en muestra y tres KPIs numéricos (volumen, recurrencia, tendencia mensual).' o 'Resumir a una página ejecutiva con máxim 6 viñetas y 3 acciones prioritarias.'"

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Cambio de tono: 'Reformula el informe en tono formal para comité directivo: lenguaje ejecutivo, elimina jerga técnica y añade slide de 5 puntos para presentar en comité. Mantén datos clave y recomendaciones.'"

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resumen para comité: 'Genera una versión de 300 palabras que incluya: 1) Top 3 problemas por impacto, 2) 3 acciones inmediatas (7-30 días), 3) Métricas a reportar semanalmente. Añade una línea de conclusión con ROI esperado.'"

Resultado

Que vas a obtener

Este es el tipo de output que genera ChatGPT con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Hotelaria del Norte SA, sector hostelería

Estructura del output

El output incluye: Resumen Ejecutivo, Etiquetas y definiciones, Tabla priorizada de acciones, Ejemplos de reseñas por etiqueta con scores de confianza, DATA_JSON con formato exportable y un Playbook operativo. Cada sección está diseñada para pasar rápidamente a ejecución y métricas.

Senales de un buen output

Resumen ejecutivo con números y tendencias claras
Etiquetas definidas y ejemplos reales extraídos del dataset
JSON estructurado listo para importación en BI/CRM
Acciones priorizadas con responsables y plazos

Senal de que el output es bueno: El informe contiene etiquetas con ejemplos reales y un JSON exportable que coincide con las muestras verificadas manualmente

Costes

Inversion y retorno

20$ ChatGPT Plus / mes

3-10 min por lote de 100 reseñas (análisis inicial) Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: El análisis permite priorizar soluciones que reducen quejas recurrentes y rotación, acelerando mejoras operativas. Un plan de 90 días enfocado en top 3 problemas suele traducirse en mejora de NPS y ahorro en costes de atención, justificando con rapidez la inversión en la herramienta.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Etiquetas inconsistentes entre ejecuciones	Entradas de datos no estandarizadas o prompts ambiguos	Estandarizar preprocesamiento (idioma, PII, formato) y fijar el prompt principal sin cambios estructurales; incluir ejemplos negativos/positivos de referencia.
Resultados con alto porcentaje de 'neutral'	Umbrales de sentimiento demasiado conservadores o reseñas cortas sin contexto	Ajustar umbrales de sentimiento y solicitar al modelo que use campo adicional (puntuación numérica) para desempatar; aumentar sample context en prompt.
JSON mal formado o campos vacíos	Respuesta del modelo dividida o truncada por límite de tokens	Procesar en lotes menores, pedir salida en varias partes (por ejemplo, etiquetas primero, luego JSON) y aumentar límite de tokens o usar plan con mayor capacidad.
DTI (detección de PII) reportada con muchos ítems	Datos de entrada contienen nombres o identificadores no filtrados	Aplicar rutina de máscara previa que sustituya patrones comunes (emails, teléfonos, DNI) por tokens antes de enviar al modelo.
Acciones sugeridas poco prácticas para operaciones	Falta de contexto sobre recursos o procesos internos	Agregar en el prompt variables sobre capacidad operativa y presupuesto (ej.: 'recursos limitados: equipo de 4 personas, presupuesto bajo') y pedir acciones compatibles.

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

En modo agente, ChatGPT puede ejecutar pasos encadenados: limpiar datos, etiquetar muestras, validar con reglas y generar salidas en JSON automáticamente. Esto automatiza el flujo de trabajo y reduce intervención manual, manteniendo trazabilidad de decisiones.

Modo avanzado

Flujo de trabajo avanzado

1
Cargar dataset y ejecutar rutina de detección y máscara de PII
2
Ejecutar etiquetado automático por lote y generar CSV/JSON etiquetado
3
Calcular métricas básicas y producir resumen ejecutivo
4
Exportar artefactos (JSON, tabla de acciones, playbook) y notificar responsables

Eres un agente autonomizado para análisis de reseñas. Paso 1: valida y transforma el archivo [DATA_SAMPLE] en formato estándar (fecha, id, texto, score, producto, canal), detecta y reemplaza PII con tokens. Paso 2: aplica el esquema de etiquetas definido: [LISTA_ETIQUETAS] y etiqueta cada reseña con etiqueta_principal y subetiquetas, añadiendo confidence_score. Paso 3: calcula métricas por etiqueta (volumen, % negativo, tendencia en 3 meses) y genera Resumen Ejecutivo con top 5 drivers y 8 acciones priorizadas. Paso 4: exporta DATA_JSON y un CSV de acciones con columnas (acción, responsable_sugerido, coste_relativo, plazo). Reporta errores y número de ítems afectados por PII. Utiliza [LANGUAGE] para toda la salida.

Cuando usar el modo avanzado en este tutorial: Valioso cuando se manejan grandes volúmenes de reseñas de forma recurrente y se necesita generar reportes periódicos automatizados para operaciones y dirección.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · ChatGPT

Explorar mas tutoriales de ChatGPT

Descubre otros casos de uso de ChatGPT para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Integra el JSON resultante en su BI (Power BI/Tableau) y configure alertas automáticas para aumento del volumen de quejas por etiqueta superior al 20% en 30 días; así transforma insight en acción continua.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere