El contenido web de comercio electrónico es dinámico y diverso, lo que requiere un monitoreo y adaptación continuos. Esto presenta a los investigadores el desafío de descubrir métodos para mejorar los servicios ofrecidos. Por lo tanto, la integración del procesamiento de lenguaje natural (NLP), el aprendizaje automático (ML), el aprendizaje profundo (DL) y el análisis de sentimientos (SA) proporciona a las empresas marcos robustos para utilizar la retroalimentación de los clientes y mejorar la toma de decisiones. Así, introducimos una nueva metodología de recopilación de conjuntos de datos que captura las relaciones dinámicas entre el contenido web de comercio electrónico y el sentimiento del consumidor. Además, presentamos una nueva métrica de calidad basada en consumidores reales sobre el contenido del producto a través de FG-CSrP, extendiendo el SA a un nuevo Sentimiento del Consumidor de Grano Fino relacionado con el Producto. Evaluamos nuestro conjunto de datos utilizando modelos de referencia: Red Neuronal Profunda (DNN), Memoria a Largo y Corto Plazo (LSTM), DistilBERT y doce modelos optimizados automáticamente creados por AutoGluon-Tabular en tres escenarios, cada uno con diferentes entradas de características (numéricas, textuales y ambas). Luego aplicamos Inteligencia Artificial Explicable (XAI) al modelo DNN para explicar la importancia de las características en la predicción. Nuestros hallazgos mostraron que LightGBMXT superó a los otros modelos en dos de los tres escenarios, y las interpretaciones de XAI destacaron el papel significativo de los detalles del contenido web proporcionados por los vendedores en el sentimiento del consumidor. En general, nuestro enfoque proporciona información práctica que puede ayudar a los vendedores a mejorar las estrategias de comercio electrónico y fortalecer el compromiso del cliente.