Comprender las emociones y preferencias de los clientes es fundamental para el éxito en el dinámico panorama del diseño de productos. Este estudio presenta una investigación para desarrollar un pipeline de predicción que detecte el aspecto y realice un análisis de sentimientos en datos de reseñas. El modelo pre-entrenado Bidirectional Encoder Representation from Transformers (BERT) y el Text-to-Text Transfer Transformer (T5) se desplegaron para predecir las emociones de los clientes. Estos modelos se entrenaron en conjuntos de datos generados sintéticamente y etiquetados manualmente para detectar las características específicas de los datos de reseñas, luego se realizó un análisis de sentimientos para clasificar los datos en reseñas positivas, negativas y neutrales en relación con sus aspectos. Esta investigación se centró en productos ecológicos para analizar las emociones de los clientes en esta categoría. Los modelos BERT y T5 se ajustaron finamente para la detección de aspectos y lograron una precisión del 92% y 91%, respectivamente. Se seleccionará el modelo con mejor rendimiento, calculando las métricas de evaluación precisión, recall, puntuación F1 y eficiencia computacional. En estos cálculos, el modelo BERT supera a T5 y es elegido como clasificador para el pipeline de predicción para predecir el aspecto. Al detectar aspectos y sentimientos de los datos de entrada utilizando el modelo BERT pre-entrenado, nuestro estudio demuestra su capacidad para comprender y analizar las reseñas de los clientes de manera efectiva. Estos hallazgos pueden empoderar a los diseñadores de productos y desarrolladores de investigación con información basada en datos para dar forma a productos excepcionales que resuenen con las expectativas de los clientes.