Este repositorio contiene la propuesta de diseño frontend para SentimentAPI Analytics, una plataforma web dedicada al procesamiento masivo de Análisis de Sentimientos de Feedbacks.
SentimentAPI es una solución integral de Data Science y Backend diseñada para automatizar el análisis de feedback de clientes. Permite a las empresas procesar grandes volúmenes de reseñas y comentarios para identificar rápidamente la satisfacción del usuario, priorizar la atención de quejas y monitorear la reputación de marca.
El proyecto se centra en ofrecer una experiencia de usuario (UX) fluida para la carga de datasets (.csv) y la visualización clara de resultados predictivos.
- Diseño Responsivo: Adaptabilidad total a dispositivos móviles y escritorio utilizando Bootstrap 5.
- Gestión de Archivos: Interfaz intuitiva "Drag & Drop" para la carga de archivos CSV.
- Dashboard Interactivo: Visualización de métricas y distribución de sentimientos mediante Chart.js.
- Feedback Visual: Indicadores de estado, barras de progreso y clasificación por colores (Semáforo de sentimientos).
- Estética Profesional: Interfaz limpia (Clean UI) con tipografía legible y paleta de colores corporativa.
- HTML5 - Estructura semántica.
- CSS3 - Estilos personalizados y diseño adaptativo.
- Bootstrap 5.3 - Framework de componentes UI y sistema de grillas.
- JavaScript (ES6) - Lógica de interacción y manipulación del DOM.
- Chart.js - Librería para la generación de gráficos dinámicos.
index.html: Landing page y módulo de carga de archivos.dashboard.html: Tablero de resultados y visualización de datos.style.css: Hoja de estilos personalizada.script.js: Lógica de frontend y simulación de datos.
En un entorno donde las empresas reciben miles de comentarios diarios, la lectura manual es inviable. Este proyecto ofrece:
- Detección automática de urgencias: Clasifica comentarios negativos para atención prioritaria.
- Insights accionables: Transforma texto no estructurado en métricas medibles.
- Visión histórica: Permite medir la evolución de la satisfacción del cliente.
El proyecto demuestra la integración funcional entre un modelo de Machine Learning y una API robusta.
Utilizamos técnicas clásicas de Procesamiento de Lenguaje Natural (NLP) supervisado:
- Limpieza de Datos (EDA): Preprocesamiento de tweets y reviews (eliminación de stopwords, normalización).
- Vectorización: Transformación de texto a representación numérica mediante TF-IDF.
- Modelo Predictivo: Implementación de Regresión Logística (Logistic Regression) / Naive Bayes para clasificación de sentimientos.
- Serialización: Exportación del pipeline entrenado mediante
joblib.
- API RESTful: Exposición de endpoints para consumo externo.
- Integración: Carga y ejecución del modelo predictivo para inferencia en tiempo real.
- Validación: Manejo de errores y respuestas JSON estandarizadas.
- Interfaz Web: Panel para carga masiva de datos (Batch Processing) vía CSV.
- Visualización: Gráficos interactivos con Chart.js para distribución de sentimientos.
- Bootstrap 5: Diseño responsivo y profesional.
Endpoint para clasificar un comentario individual.
- Input: JSON con el texto a analizar.
- Output: Clasificación (Positivo/Neutro/Negativo) + Score de probabilidad (Confianza).
Capacidad de subir un archivo .csv con múltiples comentarios y recibir un reporte estadístico completo y visualizaciones en el Dashboard.
El modelo ha sido entrenado para interpretar y clasificar textos tanto en Español como en Portugués, permitiendo escalabilidad regional.
