En raison de la manière courte et simple d'expression sur les plateformes des réseaux sociaux tels que Facebook et Twitter, des millions de personnes partagent des opinions quotidiennes en temps réel sur tout de manière informelle en raison de l'utilisation du langage court (argot) et émoticônes, ce qui génère une disponibilité croissante d'informations non structurées et pourtant précieuses pour les chercheurs en science des données. Les approches traditionnelles telles que les sondages ne sont pas le meilleur moyen pour recueillir et étudier le comportement des consommateurs, car elles prennent beaucoup de temps, ce qui entraîne des pertes considérables pour les entreprises. Dans cet article, nous développons un système hybride pour identifier et classer les sentiments représentés dans un texte électronique provenant de Twitter pour améliorer le processus de prise de décision pour les entreprises. Pour ce faire, nous avons utilisé tweepy pour accéder l'API de Twitter, nous avons combiné les techniques de traitement du langage naturel avec les réseaux bayésiens pour classer les données des utilisateurs, nous avons utilisé la bibliothèque Python Matplotlib pour illustrer les résultats. Le but de cet article est de proposer une approche efficace et précise pour prédire le sentiment à partir de données brutes non structurées afin d'extraire des opinions et de prédire les préférences des clients en ligne, ce qui pourrait être précieux pour les chercheurs en économie et marketing.