Comunicazione 2.0: sfruttare al meglio la sentiment analysis

Grazie al machine learning, le aziende possono ora iniziare a mettere in pratica la capacità di determinare il valore emotivo della comunicazione. Ecco come le organizzazioni possono sfruttare al meglio la sentiment analysis.

sentiment analysis

L’analisi del sentiment (o sentiment analysis) sta cominciando a dimostrare il suo valore nelle aziende di oggi. Questa tecnica analitica, che consente alle organizzazioni di determinare il valore emotivo delle comunicazioni, sta infatti trovando applicazione in una serie di casi d’uso, dalla trascrizione delle riunioni al servizio clienti e al feedback.

Al giorno d’oggi, la sentiment analysis si basa in gran parte su algoritmi di machine learning supervisionati o semi-supervisionati. Tutti i grandi attori del cloud offrono strumenti di sentiment analysis, così come la maggior parte delle principali piattaforme di assistenza clienti e marketing. Anche i fornitori di intelligenza artificiale conversazionale includono funzionalità di analisi del sentiment nei loro prodotti.

Ma sfruttare al meglio questa tecnica richiede una curiosa miscela di arte e scienza. Ecco uno sguardo a come alcune organizzazioni stanno mettendo a frutto la sentiment analysis

Sottolineare l’importanza nella trascrizione

ADV
HP Wolf Security

Il perimetro aziendale oggi passa dalla casa dei dipendenti

Metà dei dipendenti usa il PC anche per scopi personali e il 30% lascia che venga utilizzato da altri famigliari. La tua cybersecurity è pronta per le sfide del lavoro remoto? LEGGI TUTTO >>

La maggior parte delle piattaforme di riunioni virtuali offre servizi di trascrizione. In effetti, il riconoscimento vocale è integrato in gran parte di ciò che Microsoft e Google offrono con le loro piattaforme. Anche Zoom prevede di offrire la trascrizione in tempo reale questo autunno ma già ora ci sono servizi di terze parti come Otter AI.

Ma la trascrizione informatica è un solo un misero sostituto del classico “prendere appunti”, perché il giudizio umano è necessario per accertare l’importanza rispetto alle chiacchiere inutili e per capire quali sono i prossimi passi e chi si è impegnato a fare cosa.

Per colmare questa lacuna, il fornitore di trascrizioni Pickle si sta rivolgendo all’analisi del sentiment. La piattaforma Pickle utilizza AssemblyAI, un’API di sintesi vocale, per la sua funzionalità di trascrizione. Alcuni strumenti open source possono eseguire la sentiment analysis, ma tendono a concentrarsi solo sull’identificazione di particolari parole chiave, afferma il CEO e fondatore di Pickle Birch Eve. Per questo motivo, l’azienda ha deciso di creare da zero i propri modelli di machine learning di analisi del sentiment.

L’approccio di Pickle utilizza un modello di apprendimento supervisionato in combinazione con algoritmi di classificazione dell’apprendimento non supervisionato. Per la parte supervisionata, gli umani, originariamente dipendenti di Pickle, hanno etichettato e classificato manualmente parti delle conversazioni, inclusa la differenziazione tra chiacchiere casuali e discorsi importanti. Hanno anche notato eventuali segmenti di conversazione che avevano una forte emozione positiva o negativa. Man mano che l’azienda cresceva, si è rivolta a Scale AI per occuparsi maggiormente dell’etichettatura e della classificazione.

Il set di dati di addestramento è cresciuto fino a un milione di conversazioni, afferma Eve, e la prima generazione di modelli aveva livelli di precisione tra il 77% e l’83% a seconda del tipo di conversazione analizzata. “Effettuiamo un attento controllo di qualità in cui segnaliamo casualmente le conversazioni e le inviamo a una coda in cui le esaminiamo manualmente e controlliamo due volte il modello”, afferma. “Se qualcosa non va, torniamo al modello, vediamo dove sono le incongruenze e ottimizziamo i dati o eliminiamo i set di dati”.

Oggi, la precisione è compresa tra il 93% e il 94% e c’è meno variazione in parte perché da gennaio la società si è concentrata sulle conversazioni Zoom. “I dati sono diventati più coerenti perché la maggior parte delle conversazioni di Zoom ha uno stile simile. Ci sono alcune chiacchiere e poi si passa alle cose serie.”

Sfruttare le recensioni dei prodotti

La pratica della sentiment analysis risale a 15 anni fa, afferma John Dubois di Ernst & Young Technology Consulting. All’epoca si seguiva l’approccio “bag of words”, che semplicemente contava quante volte determinate parole apparivano in una conversazione, in un post sui social media, in un articolo o in una recensione di un prodotto.

Da allora è cambiato parecchio e oggi il machine learning sta aiutando le organizzazioni a determinare meglio il sentimento dietro quelle parole. Un’area molto fertile in cui i modelli di machine learning di sentiment analysis stanno avendo un impatto è nelle recensioni dei prodotti, poiché una recensione potrebbe essere estremamente positiva o negativa senza usare parole come “grande” o “terribile”, o potrebbe usare quelle parole in un modo sarcastico.

Considerate ad esempio questa recensione: “Pensavo davvero che questo vestito sarebbe stato fantastico. Le foto erano bellissime e la confezione in cui è arrivato era semplicemente perfetta. Poi, quando l’ho indossato, sembravo una giraffa. Ma almeno al mio cane piace dormirci sopra, e vedere il mio cane felice mi rende felice”.

AIaaS

Ci sono molte parole positive in questa recensione, ma la valutazione in stelline è bassa. Le valutazioni sono, in effetti, un punteggio di sentiment: ciò che il cliente pensa del prodotto in generale. Man mano che i sistemi di machine learning leggono e confrontano milioni di recensioni con le valutazioni fornite dagli acquirenti, riescono a comprendere meglio le vere emozioni dietro le parole.

Dubois ha recentemente lavorato a un progetto per un’azienda automobilistica che prevedeva l’analisi del sentiment relativa alle caratteristiche di un’auto per tutte le principali case automobilistiche. Ad esempio, i clienti potrebbero apprezzare i portabicchieri di un modello, ma preferire gli interni dei concorrenti rispetto a quelli del cliente.

La sentiment analysis ha permesso all’azienda di determinare esattamente cosa piaceva ai clienti dei suoi prodotti e dove era in ritardo rispetto ai suoi concorrenti: un’analisi che è diventata il carburante per una migliore pubblicità. “Dato che frequentiamo molti spazi per l’acquisto e la valutazione di auto, possiamo acquistare annunci in base a dove sappiamo che si trovano i nostri punti di forza e i loro punti deboli”, afferma Dubois.

“Lo abbiamo fatto per gli eventi di vendita primaverili, estivi e autunnali e abbiamo riscontrato un aumento del 15% delle percentuali di clic e un aumento del 4-6% nella conversione”. E il 4% è un grande risultato per un evento di vendita”.

C’è molta intelligenza artificiale utilizzata per l’analisi del sentiment per questo tipo di soluzioni puntuali. Ma le aziende possono trovare ancora più valore nell’analisi del sentiment come arma strategica se vanno oltre il livello di dipartimento. “La sentiment analysis potrebbe essere utilizzata anche dal reparto vendite per aggiornare gli elenchi dei prodotti o dal reparto merchandising per aggiornare l’architettura delle informazioni di un sito”. Una volta che la tecnologia si è dimostrata valida, i leader IT dovrebbero portarla a un gruppo più ampio di stakeholder aziendali, che possono trarne valore come parte di una strategia aziendale globale.

Estrarre valore dai datastore

Poiché lo storage è diventato più economico, molte aziende hanno iniziato a salvare grandi quantità di dati non strutturati come chiamate al servizio clienti, e-mail di richiesta di supporto, chat online e qualsiasi altra cosa che un giorno potrebbe rivelarsi preziosa.

“Tutti hanno parlato di big data e li hanno archiviati, ma nessuno è stato in grado di estrarne valore e utilizzarli” afferma Derek Chin, vicepresidente dell’innovazione di Nerdery. L’analisi del sentiment potrebbe aiutare a catturare le informazioni sui clienti su vasta scala. Ad esempio, i clienti possono infastidirsi se un agente cerca di vendere loro qualcosa in più del necessario. Ma l’analisi del sentiment può far emergere insight sorprendenti su situazioni in cui una proposta di vendita di questo tipo è effettivamente utile.

“Supponiamo che abbiate connettività dati e Wi-Fi nella vostra auto. Quando il vostro agente capisce che avete quasi esaurito i dati e può darvi la possibilità di acquistarne di più per evitare costi di servizio aggiuntivi, siete soddisfatti della proposta. Ma se fosse un’offerta più “fredda” e distaccata (Hai un GB al mese di dati e c’è un’offerta speciale per due GB al mese), il cliente la accoglierebbe con molto meno entusiasmo”.

La chiave per ottenere un’analisi del sentiment corretta è comprenderne i limiti ed essere preparati a trascorrere del tempo con essa. “In un ambiente di sintesi vocale, avrete situazioni in cui il sarcasmo, ad esempio, non viene percepito. Queste cose si risolvono da sole nel tempo man mano che le dimensioni del campione diventano più grandi e l’intelligenza artificiale diventa più efficace”.

Di conseguenza, reagire troppo rapidamente ai dati iniziali può essere pericoloso, afferma Chin. “Dovete lasciare che questi modelli si adattino da soli e ottenere campioni sufficienti prima di prendere decisioni strategiche a lungo termine”. Ma le aziende dovrebbero iniziare già da ora. “Siamo all’inizio e la sentiment analysis sta diventando sempre più sofisticata e di maggiore impatto e più concorrenti inizieranno a usarla. Non abbiate paura che sia imperfetta al momento. Iniziate ad adottarla oggi e continuate a sperimentare”. 

Andare oltre il concetto del “bene contro il male”

L’analisi del sentiment è già efficace in un contesto semplice e ben definito con risultati chiari, afferma Dan Simion, vicepresidente di intelligenza artificiale e analitycs di Capgemini. “Quando si ragiona in termini di buono contro cattivo, la sentiment analysis funziona, ma quando iniziamo ad approfondire tipi di feedback più complicati, è lì che ci sono ancora molte opportunità per migliorare i modelli”.

Supponiamo, ad esempio, di voler utilizzare l’analisi del sentiment per guardare foto o video e capire se le persone sono felici o turbate. “I nostri clienti nel settore dei media e dell’intrattenimento stanno cercando di capire il sentimento delle persone che guardano diversi spettacoli e cercano di capire quale segmento di particolari spettacoli quelle persone trovano interessante”.

Con le espressioni facciali, i modelli di analisi del sentiment sono ancora in evoluzione e non è ancora chiaro nemmeno come misurare quanto siano accurati. E anche se l’analisi del sentiment delle espressioni facciali va oltre la fase iniziale di hype, ci sarà ancora molta strada da fare, specialmente per i tipi più sfumati di espressioni facciali, prima che la maggior parte delle aziende sia interessata. “Ma per le aziende che si affidano a questo tipo di soluzioni, in particolare le grandi aziende che possono permetterselo e possono usarlo come vantaggio competitivo, vale la pena investire”, conclude Simion.

Se questo articolo ti è stato utile, e se vuoi mantenerti sempre aggiornato su cosa succede nell’industria ICT e ai suoi protagonisti, iscriviti alle nostre newsletter:

CWI: notizie e approfondimenti per chi acquista, gestisce e utilizza la tecnologia in azienda
CIO:
approfondimenti e tendenze per chi guida la strategia e il personale IT
Channelworld: notizie e numeri per distributori, rivenditori, system integrator, software house e service provider

Iscriviti ora!