Che cos’è la sentiment analysis? Il valore emotivo delle comunicazioni

La sentiment analysis, che consente alle aziende di determinare il valore emotivo delle comunicazioni, va oltre l'analisi del testo per includere audio e video.

sentiment analysis

La sentiment analysis è una tecnica analitica che utilizza statistiche, elaborazione del linguaggio naturale e machine learning per determinare il significato emotivo delle comunicazioni. Le aziende la utilizzano per valutare i messaggi dei clienti, le interazioni dei call center, le recensioni online, i post sui social media e altri contenuti. La sentiment analysis può tenere anche traccia dei cambiamenti nell’atteggiamento nei confronti delle aziende, dei prodotti o dei servizi o delle singole caratteristiche di tali prodotti o servizi.

Esempi di sentiment analysis

Uno degli esempi più importanti di analisi del sentimento sul Web oggi è l’Hedonometer, un progetto del Computational Story Lab dell’Università del Vermont. Il gruppo analizza più di 50 milioni di tweet in lingua inglese ogni giorno, circa un decimo del traffico totale di Twitter, per calcolare il livello di felicità giornaliero.

L’approccio è computazionalmente semplice. Il laboratorio ha raccolto una serie di 10.000 parole di uso comune e, tramite il servizio Mechanical Turk di Amazon, ha chiesto alle persone di assegnare a ogni parola un punteggio di felicità da uno a nove. Le parole neutre e le parole che dipendono fortemente dal contesto vengono filtrate e i punteggi del resto vengono sommati e mediati per determinare i punteggi di felicità giornalieri. Le liste di parole, con i punteggi, sono disponibili sul sito web del progetto in inglese e in altre nove lingue.

ADV
Webinar Finanziamenti a fondo perduto PNRR NextGen EU

L’IT as-a-service e le opportunità dei finanziamenti PNRR e NexGen EU

Come il modello IT as-a-Service e i finanziamenti NextGen EU e PNRR possono essere gli strumenti giusti per erogare i servizi digitali richiesti dal business e dal mercato.      ISCRIVITI ORA >>

Questo approccio è un modo vecchio stile per eseguire l’analisi del sentimento, afferma Hayley Sutherland, analista di ricerca senior per l’intelligenza artificiale conversazionale e la scoperta intelligente della conoscenza presso IDC. “Ma può essere estremamente valido per set di testo di grandi dimensioni”.

Mentre l’Hedonometer utilizza anche una semplice scala positivo-negativo, che è il tipo più comune di analisi del sentimento, altri approcci utilizzano tre valori – positivo, negativo e neutro – o danno una percentuale di riserva. Approcci più dettagliati possono anche rilevare altre emozioni, dice Sutherland. “Varia in base allo strumento. Triste, arrabbiato ed eccitato sono alcuni dei più comuni”.

La sentiment analysis può fare molto di più che guardare il testo normale. “Alcuni usano l’analisi facciale, altri usano i segnali vocali”, dice Sutherland. “Vedo sempre più aziende che sono davvero focalizzate sull’intelligenza artificiale emotiva. Comprendendo il tono della voce oltre a ciò che le persone effettivamente dicono, è più facile capire il sarcasmo, per esempio”.

Abbondano gli esempi pubblici di analisi del sentimento. L’amministrazione Obama ha utilizzato l’ha utilizzata ad esempio per misurare l’opinione pubblica. Il Vaccine Confidence Project dell’Organizzazione mondiale della sanità la utilizza come parte della sua ricerca, esaminando social media, notizie, blog, Wikipedia e altre piattaforme online.

Questa primavera Google Cloud ha rilasciato la sua soluzione di impatto intelligente, che include un componente di sentiment analysis in modo che le agenzie governative possano indirizzare meglio i loro sforzi di comunicazione e comprendere le mutevoli credenze e comportamenti relativi alle vaccinazioni COVID-19.

chief analytics officer

Strumenti di sentiment analysis

Il livello di base della sentiment analysis coinvolge le statistiche o il machine learning basato su algoritmi di apprendimento supervisionati o semi-supervisionati. L’apprendimento supervisionato coinvolge gli esseri umani per creare un set di dati. Con l’apprendimento semi-supervisionato, esiste invece una combinazione di machine learning e controlli periodici per assicurarsi che l’algoritmo funzioni correttamente.

Il deep learning è un altro mezzo con cui viene eseguita l’analisi del sentimento. “Il deep learning utilizza reti neurali a più livelli ispirate al modo in cui funziona il cervello umano”, afferma Sutherland. Questo livello più sofisticato di analisi del sentimento può esaminare intere frasi, anche intere conversazioni, per determinare le emozioni e può anche essere utilizzato per analizzare voce e video. Tutti i grandi player del cloud offrono strumenti di sentiment analysis, così come le principali piattaforme di assistenza clienti e vendor di marketing. Anche fornitori di intelligenza artificiale conversazionale includono funzionalità di analisi del sentimento

Le aziende interessate a eseguire la sentiment analysis dovrebbero prima esaminare gli strumenti e le tecnologie che stanno già utilizzando, afferma Boris Evelson, vicepresidente e principale analista di Forrester Research. “Hanno uno strumento di indagine che contiene l’analisi del sentimento? Anche le piattaforme di gestione del feedback dei clienti hanno un’analisi del sentimento di livello base”.

Ci sono poi strumenti di analisi generici che integrano la sentiment analysis, come IBM Watson Discovery e Micro Focus IDOL. “Consigliamo ai nostri clienti di guardare oltre, poiché in genere hanno bisogno di un’analisi del sentimento come parte dell’acquisizione e del mining di documenti o del processo di esperienza del cliente”, afferma Evelson.

Sentiment analysis, PNL e ML

Poche aziende costruiscono le proprie piattaforme di analisi del sentimento. Ciò richiede infatti competenze interne e grandi set di dati di formazione. Ma può ripagare le aziende che hanno requisiti molto specifici e che non sono soddisfatte dalle piattaforme esistenti. In questi casi, le aziende in genere producono i propri strumenti a partire da librerie open source.

Le librerie NLP in grado di eseguire analisi del sentimento includono HuggingFace, SpaCy, Flair e AllenNLP. Inoltre, anche alcuni strumenti di linguaggio macchina a basso codice supportano l’analisi del sentimento, come nel caso di PyCaret e Fast.AI. Per il machine learning, la sentiment analysis può essere eseguita con modelli come BERT, XLNet e GPT3. GPT3 può anche eseguire analisi del sentimento senza dati di training.

Costruire le proprie piattaforme può dare alle aziende un vantaggio rispetto alla concorrenza, afferma Dan Simion, vicepresidente di intelligenza artificiale e analisi di Capgemini. “Questa è la tendenza che stiamo vedendo nel mercato delle grandi aziende, anche perché se acquistate lo stesso strumento dallo scaffale del vostro concorrente, non otterrete mai un vantaggio competitivo.”

API di sentiment analysis

Un approccio più comune per le aziende che creano le proprie piattaforme consiste nell’utilizzare funzionalità di analisi del sentimento tramite API. Tutti i principali fornitori di servizi cloud offrono questo servizio: Amazon Comprehend, Azure Cognitive Services e l’API Google Natural Language per citarne alcuni. Anche IBM Watson ha un’API.

data maturity

“La domanda è: quanto sono buone queste API?”, si chiede Simion. “Se avete un prodotto di nicchia, difficilmente sarà utile.” E poi c’è il costo. “Ogni chiamata API costa denaro. Dovete assicurarvi che sia economicamente fattibile ricorrere a queste particolari API. Ma potrebbe essere una buona soluzione per le piccole e medie imprese”.

Set di dati per la sentiment analysis

Il linguaggio macchina e gli approcci di deep learning all’analisi del sentimento richiedono grandi set di dati di training. Gli strumenti commerciali e disponibili al pubblico hanno spesso grandi database, ma tendono ad essere molto generici, non specifici per ristretti domini di settore. “Servono davvero miliardi di parole ed esempi per imparare a capire correttamente il sentimento” afferma Bryan Richardson, partner associato di McKinsey & Co.

“Per una singola azienda, retail o banca, è difficile ottenere dati sufficienti sui propri clienti per costruire un modello. Ma ora attraverso strumenti come il transfer learning, i modelli di PNL vengono calibrati su corpi di dati molto ampi con miliardi e miliardi di record e quindi applicati a diversi casi d’uso”. Ciò significa che un’azienda con un piccolo set di dati di formazione specifici del dominio può iniziare con uno strumento commerciale e adattarlo alle proprie esigenze.

Principali casi d’uso della sentiment analysis

Il più grande caso d’uso dell’analisi del sentimento nell’industria oggi è nei call center, analizzando le comunicazioni dei clienti e le trascrizioni delle chiamate. Ad esempio, se il sentimento negativo aumenta dopo il rilascio di un nuovo prodotto, ciò potrebbe essere un’indicazione precoce che qualcosa stia andando storto, consentendo all’azienda di fare un’analisi approfondita per capire quali funzionalità stanno causando problemi o per coinvolgere più agenti per gestire i problemi.

Con l’assistenza clienti che ora include più videochiamate basate sul Web, inizia a comparire anche una quantità crescente di dati di formazione video. Gli stessi tipi di tecnologia utilizzati per eseguire l’analisi del sentimento per l’esperienza del cliente possono essere applicati anche all’esperienza dei dipendenti. Ad esempio, il gigante della consulenza Genpact utilizza l’analisi del sentimento con i suoi 100.000 dipendenti, afferma Amaresh Tripathy, leader globale dell’analisi dell’azienda.

“Utilizziamo uno strumento di intelligenza artificiale, un chatbot conversazionale. Invece delle persone delle risorse umane che contattano tutti per verificare se tutto sta andando bene e se si sentono supportati, c’è un chatbot e potete scegliere se parlare con il chatbot o meno”.

Questo può aiutare un’azienda a trovare aree in cui i dipendenti faticano a svolgere il proprio lavoro o non si sentono supportati. “Stiamo cercando aree in cui possiamo potenzialmente aiutare. Entriamo e parliamo. È estremamente vantaggioso perché sappiamo come fornire supporto alle persone in modo vantaggioso”.

L’analisi del sentimento può essere utilizzata anche per la gestione del brand, per aiutare un’azienda a capire come i segmenti della sua base di clienti la pensano sui suoi prodotti e per aiutarla a indirizzare meglio i messaggi di marketing diretti a quei clienti. “È particolarmente utile nelle pubbliche relazioni”, afferma Andy Thurai, vicepresidente e principale analista di Constellation Research. “Potete sapere prima piuttosto che dopo se qualcuno dice qualcosa di negativo in modo da poter gestire la crisi. Oppure, se gestite uno spot pubblicitario, con la sentiment analysis potete sapere quasi subito (via Twitter, ma non solo) se alla gente piace o no, anziché attendere giorni o settimane per analizzare i risultati di sondaggi e survey come si faceva fino a pochi anni fa”.

 

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!