O crescimento dos sociais media proporcionou, nos últimos anos, um aumento significativo de comentários online que se refletem nas decisões de compra. Os comentários ajudam, por um lado, as empresas a recolher informações quanto à perceção dos consumidores em relação aos seus bens e serviços. Por outro lado, ajudam e influenciam os consumidores a centrarem a sua atenção nas recomendações que poderão estar mais alinhadas em satisfazer as suas necessidades, filtrando à partida uma grande quantidade de informação que poderá não responder a esses requisitos. O presente projeto tem como objetivo dar resposta a esta problemática através do estudo da plataforma Yelp. Para tal, foram extraídos 14.000 comentários, relacionados com diferentes produtos turísticos, com os respetivos votos (useful). Sobre estes foram aplicadas técnicas de text mining de modo a encontrar os principais sentimentos (positivos, neutros e negativos), tópicos e termos de cada comentário, que permitem explicar a sua utilidade. Durante a investigação, seguindo a metodologia CRISP-DM, organizou-se os comentários em tópicos, construiu-se o wordcloud com os termos mais utilizados pelos consumidores, procedeu-se à análise de sentimentos dos comentários, das entidades e dos tópicos correspondentes e, por último, construíram-se quatro modelos preditivos, calculando os erros de treino e teste. Os resultados obtidos mostram que o modelo Regressão Logística é o melhor dos modelos construídos, onde os termos: chair, valley, neighborhood e place food são os mais importantes para explicar a utilidade dos comentários. Agruparam-se ainda os comentários em 20 tópicos onde o tópico “Buffet” revelou ser o mais útil e com sentimento positivo.

The growth of social media lead, in the past few years, to a significant increase of the online reviews that reflect buying decisions. These reviews, on one hand facilitate companies to acquire information regarding the perception of consumers, but on the other hand help and influence consumers to center their attention on the reviews that are better suited for their needs, thus filtering a huge amount of irrelevant information to meet their requirements. This project aims at addressing these issues and give some useful answers by using the Yelp platform. This study involves the extraction of 14.000 reviews, related to different tourism products, with the respective votes (useful). Text mining techniques were applied in order to identify and extract the main subjective sentiments (positives, negatives and neutral), topics and terms behind each review which then enabled us to understand the usefulness of the reviews. Throughout this study and by using the CRISP-DM methodology, the researcher organized the reviews by topics, has built a word cloud of the most used terms, performed the sentiment analysis on the reviews, the entities and related topics and finally built the predictive models, by measuring the train and test set. The results show that the logistic regression model is the best predictive model, where the terms: chair, valley, neighborhood and place food are the most important to explain the usefulness of comments. Still, it was possible to group the comments on 20 topics where the topic “Buffet” proved to be the most useful and positive sentiment.