Cos'è l'analisi del sentiment?

Oggi le aziende hanno accesso a una quantità di dati sui clienti mai vista prima, e questo rappresenta un'opportunità e una sfida: analizzare le enormi quantità di dati testuali disponibili ed estrarre insight significativi per guidare le decisioni aziendali.

E-mail, tweet, risposte ai sondaggi online, chat con gli operatori del servizio clienti, recensioni: le fonti disponibili per valutare il sentiment dei clienti sono apparentemente infinite. I sistemi di analisi del sentiment aiutano le aziende a comprendere meglio i propri clienti, a offrire esperienze più solide e a migliorare la brand reputation.

Con un numero sempre maggiore di modi per esprimere le proprie opinioni online, le organizzazioni hanno bisogno di strumenti efficaci per monitorare ciò che viene detto su di loro e sui loro prodotti e servizi quasi in tempo reale. Man mano che le aziende adotteranno l'analisi del sentiment e inizieranno a utilizzarla per analizzare più conversazioni e interazioni, sarà più facile identificare i punti di attrito dei clienti in ogni fase del percorso del cliente.

I più recenti strumenti di analisi del sentiment basati sull'intelligenza artificiale (AI) aiutano le aziende a filtrare le recensioni e i net promoter score (NPS) alla ricerca di pregiudizi personali e a ottenere opinioni più obiettive sul proprio brand, sui prodotti e sui servizi. Ad esempio, se un cliente esprime un'opinione negativa insieme a un'opinione positiva in una recensione, un umano che valuta la recensione potrebbe etichettarla come negativa prima di arrivare alle parole positive. La classificazione del sentiment potenziata dall'intelligenza artificiale aiuta a ordinare e classificare il testo in modo oggettivo, in modo che ciò non accada e che vengano considerate entrambe le opinioni.

L'analisi del sentiment consente alle aziende che dispongono di grandi quantità di dati non strutturati di analizzarli e ricavarne insight significativi in modo rapido ed efficiente. Con la quantità di testo generato dai clienti attraverso i canali digitali, è facile che i team umani vengano sommersi dalle informazioni. Gli strumenti avanzati di analisi del sentiment dei clienti, basati sul cloud e potenziati dall'AI, aiutano le organizzazioni a ottenere business intelligence dai dati dei clienti su larga scala, senza dispendio di risorse inutili.

Le imprese moderne devono reagire rapidamente in caso di crisi. Le opinioni espresse sui social media, che siano vere o meno, possono distruggere la reputazione di un marchio costruita in anni di lavoro. Strumenti di analisi del sentiment affidabili e potenziati dall’AI aiutano i dirigenti a monitorare il sentiment generale che circonda il loro marchio in modo da poter individuare potenziali problemi e risolverli rapidamente.

L'analisi del sentiment utilizza tecnologie di elaborazione del linguaggio naturale (NLP) e machine learning (ML) per addestrare il software del computer ad analizzare e interpretare il testo in modo simile agli esseri umani. Il software utilizza uno dei due approcci, basato su regole o sul machine learning, o una combinazione dei due nota come ibrida. Ogni approccio ha i suoi punti di forza e di debolezza: mentre un approccio basato su regole può fornire risultati quasi in tempo reale, gli approcci basati sul machine learning sono più adattabili e in genere possono gestire scenari più complessi.

Nell'approccio basato su regole, il software viene addestrato a classificare determinate parole chiave in un blocco di testo sulla base di gruppi di parole, o lessici, che descrivono l'intento dell'autore. Ad esempio, le parole di un lessico positivo possono includere "conveniente", "veloce" e "ben fatto", mentre quelle di un lessico negativo possono essere "costoso", "lento" e "di scarsa qualità". Il software quindi esegue la scansione del classificatore per individuare parole del lessico positivo o negativo e calcola un punteggio totale del sentiment in base al volume delle parole utilizzate e al punteggio di sentiment di ciascuna categoria.

Con un approccio di machine learning (ML) viene utilizzato un algoritmo per addestrare il software a valutare il sentiment in un blocco di testo utilizzando le parole che appaiono nel testo e l'ordine in cui appaiono. Gli sviluppatori utilizzano algoritmi di analisi del sentiment per insegnare al software come identificare le emozioni nel testo in modo simile agli esseri umani. I modelli ML continuano ad "imparare" dai dati che ricevono, da qui il nome "machine learning" (apprendimento automatico). Ecco alcuni degli algoritmi di classificazione più comunemente usati:

• Regressione lineare: un algoritmo statistico che descrive un valore (Y) in base a un insieme di funzioni (X).
   

• Naive Bayes: un algoritmo che utilizza il teorema di Bayes per categorizzare le parole in un blocco di testo.
   

• Macchine a vettori di supporto: un algoritmo di classificazione veloce ed efficiente utilizzato per risolvere problemi di classificazione a due gruppi.
   

• Deep learning (DL): noto anche come rete neurale artificiale, il deep learning è una tecnica avanzata di machine learning che collega più algoritmi per imitare il funzionamento del cervello umano.

Un approccio ibrido all'analisi testuale combina le funzionalità ML e basate su regole per ottimizzare la precisione e la velocità. Pur essendo molto accurato, questo approccio richiede più risorse, come tempo e capacità tecnica, rispetto agli altri due.

Oltre ai diversi approcci utilizzati per creare strumenti di analisi del sentiment, esistono anche diversi tipi di analisi del sentiment a cui le organizzazioni si affidano a seconda delle loro esigenze. I tre tipi più popolari, l'analisi del sentiment basata sulle emozioni, quella dettagliata e quella basata sugli aspetti (ABSA), si basano tutti sulla capacità del software sottostante di misurare una cosa chiamata polarità, ovvero il sentimento complessivo che viene trasmesso da un testo.

In generale, la polarità di un testo può essere descritta come positiva, negativa o neutra, ma categorizzando ulteriormente il testo, ad esempio in sottogruppi come "estremamente positivo" o "estremamente negativo", alcuni modelli di analisi del sentiment possono identificare emozioni più sottili e complesse. La polarità di un testo è la metrica più utilizzata per misurare le emozioni testuali ed è espressa dal software con una valutazione numerica su una scala da uno a 100. Zero rappresenta un sentiment neutro e 100 rappresenta il sentiment più estremo.

Ecco i tre tipi di analisi del sentiment più utilizzati:

L'analisi del sentiment dettagliata, o graduata, è un tipo di analisi del sentiment che raggruppa il testo in base alle diverse emozioni e al livello di emozione espresso. L'emozione viene quindi valutata su una scala da zero a 100, in modo simile al modo in cui i siti web dei consumatori utilizzano le valutazioni a stelle per misurare la soddisfazione dei clienti.

L'analisi del sentiment basata sugli aspetti (ABSA) restringe l'ambito di analisi di un testo a un singolo aspetto del prodotto, del servizio o dell'esperienza del cliente che l'azienda desidera esaminare.

Ad esempio, un'app per viaggi economici potrebbe utilizzare l'ABSA per capire quanto è intuitiva una nuova interfaccia utente o per valutare l'efficacia di un chatbot del servizio clienti. L'ABSA può aiutare le organizzazioni a capire meglio se i loro prodotti stiano riuscendo o meno a soddisfare le aspettative dei clienti.

L'analisi del sentiment per il rilevamento delle emozioni cerca di comprendere lo stato psicologico dell'individuo che sta dietro a un testo, compreso il suo stato d'animo quando lo ha scritto e le sue intenzioni. È più complessa di quella dettagliata o dell'ABSA, e viene generalmente utilizzata per comprendere più a fondo la motivazione o lo stato emotivo di una persona. Invece di utilizzare la polarità, come positivo, negativo o neutro, il rilevamento emotivo può identificare emozioni specifiche in un testo, come la frustrazione, l'indifferenza, l'irrequietezza e lo shock.

Le organizzazioni conducono l’analisi del sentiment per una serie di motivi. Ecco alcuni dei casi d'uso più popolari.

Sebbene l’analisi del sentiment e le tecnologie alla sua base stiano crescendo rapidamente, si tratta ancora di un campo relativamente nuovo. Secondo “Sentiment Analysis” di Liu Bing (2020) il termine è stato ampiamente utilizzato solo a partire dal 2003.² C'è ancora molto da imparare e perfezionare: ecco alcuni degli inconvenienti e delle sfide più comuni.

Il contesto è una componente fondamentale per comprendere quale emozione viene espressa in un testo e spesso causa errori negli strumenti di analisi del sentiment. Rispondendo a un sondaggio, ad esempio, un cliente potrebbe fornire due risposte alla domanda: "Cosa ti è piaciuto della nostra app?" La prima risposta potrebbe essere "funzionalità" e la seconda "UX". Se la domanda posta fosse diversa, ad esempio "Cosa non ti è piaciuto della nostra app?", il significato della risposta del cliente cambierebbe, nonostante le parole siano le stesse. Per ovviare a questo problema, è necessario fornire all'algoritmo il contesto originale della domanda a cui il cliente stava rispondendo, una tattica che richiede molto tempo, nota come pre o post processing.

Indipendentemente dal livello o dall'estensione dell'addestramento, il software ha difficoltà a identificare correttamente l'ironia e il sarcasmo in un testo. Questo perché spesso quando qualcuno è sarcastico o ironico lo trasmette attraverso il tono di voce o l'espressione del viso e non c'è alcuna differenza percepibile nelle parole che utilizza. Ad esempio, analizzando la frase "Fantastico, un'altra multa da mille dollari, proprio quello di cui avevo bisogno", uno strumento di analisi del sentiment probabilmente confonderebbe la natura dell’emozione espressa e la etichetterebbe come positiva a causa dell’uso della parola "fantastico".

Si parla di negazione quando una parola negativa viene utilizzata per trasmettere un'inversione di significato in una frase. Ad esempio, considerando la frase "Non direi che le scarpe siano economiche", il significato espresso è che le scarpe in questione sono costose, o hanno almeno un prezzo medio, ma uno strumento di analisi del sentiment probabilmente non coglierebbe questa sottigliezza.

Il linguaggio idiomatico, come ad esempio l'uso di frasi comuni come "Non giriamoci intorno" o "In bocca al lupo", spesso confonde gli strumenti di analisi del sentiment e gli algoritmi di ML su cui sono basati. Quando si utilizzano delle frasi in linguaggio umano come quelle sopra citate sui canali di social media o nelle recensioni dei prodotti, gli strumenti di analisi del sentiment le identificano in modo errato (ad esempio "in bocca al lupo" potrebbe essere erroneamente identificato come qualcosa di doloroso o triste) oppure le ignorano completamente.

Le organizzazioni che decidono di utilizzare la sentiment analysis per comprendere meglio i propri clienti hanno due possibilità: acquistare uno strumento esistente o costruirne uno proprio.

Le aziende che scelgono di creare il proprio strumento di solito utilizzano una libreria open source in un linguaggio di programmazione comune come Python o Java. Queste librerie sono utili perché le loro community sono intrise di data science. Tuttavia, le organizzazioni che desiderano adottare questo approccio dovranno fare un investimento considerevole per l'assunzione di un team di ingegneri e data scientist.

L'acquisizione di uno strumento di analisi del sentiment SaaS (software as a service) esistente richiede un investimento iniziale inferiore e consente alle aziende di implementare un modello di machine learning pre-addestrato anziché crearne uno da zero. Gli strumenti di analisi del sentiment SaaS possono essere messi in funzione con pochi semplici passaggi e sono una buona opzione per le aziende che non sono pronte a effettuare l'investimento necessario per costruirne uno proprio.