Il Natural Language Processing (NLP): come funziona questa tecnologia? Quali sono i suoi limiti e le sue potenzialità? E soprattutto, come la si può applicare nel mondo del business per creare valore?

L’NLP, conosciuta anche come “comprensione del linguaggio naturale“, è una tecnologia che grazie all’evoluzione dei sistemi intelligenti è riuscita a fare notevoli passi in avanti.

In questo approfondimento vedremo le principali applicazioni del natural language processing, e 2 case study su come è stata portando in azienda generando ROI misurabile e strategico.

  1. Come funziona il Natural Language Processing (NLP)
  2. Sentiment analysis
  3. Case Study: come un fornitore ha usato il sentiment analysis per aumentare le vendite
  4. Chatbot
  5. Insight engine
  6. Case Study: Unilever e PeopleWorld (una piattaforma di insight engine)
  7. GPT-3 (Open AI): il futuro del natural language processing
  8. Pensieri finali sul natural language processing (NLP)

Iscriviti all’unico canale Youtube sul futuro del business con dati e intelligenza artificiale:

Come funziona il Natural Language Processing (NLP)

Prima di tutto, l’NLP si tratta dell’abilità delle macchine di capire, ricostruire ed elaborare il linguaggio umano.

Sebbene non esista ancora un’intelligenza artificiale in grado di superare il famoso test di Turing (anche se il nuovissimo GPT-3 di cui parleremo a breve sembra promettente), esistono decine di applicazioni che utilizziamo tutti i giorni, spesso inconsapevolmente.

Ad esempio, mentre scrivo questo approfondimento un algoritmo di NLP completa le mie frasi offrendomi suggerimenti, e controllando la mia sintassi e grammatica.

Grammarly ha costruito un business da 70 milioni l’anno solamente con questa “semplice” applicazione di controllo ortografico.

Oppure, poco prima che iniziassi a scrivere questo articolo, ho tradotto un intero discorso di Tim Cook dall’inglese all’italiano utilizzando semplicemente Google Traduttore.

Non è mia intenzione entrare nell’aspetto tecnico, ma quando si parla di NLP si parla quasi sempre di un recurrent neural network.

Questo network neurale trasforma ogni parola in un vettore di numeri reali, e cerca l’associazione di questi vettori tenendo in considerazione sia la parte sinistra che quella destra del testo.

Vediamo insieme quali sono le principali applicazioni di questa tecnologia e come viene utilizzata per creare valore di business.

Sentiment analysis

Soprattutto per quanto riguarda l’analisi dei feedback dei clienti, il sentiment analysis è entrato a pieno titolo tra gli strumenti più utili di ogni marketer.

Per chi non fosse a conoscenza di questa tecnologia consiglio di leggere il mio articolo sul sentiment analysis, o guardare il video qui sotto:

Questa analisi del sentimento è molto efficace per comprendere le emozioni di una persona dietro a un testo scritto, e per valutarne la “positività” o “negatività”.

Ad esempio, le chiamate di un call center possono essere analizzate per comprendere le emozioni di un cliente, clusterizzare le richieste più frequenti e avvicinarsi ancora di più ai bisogni del consumatore per aumentarne la customer experience.

Grazie a questa tecnologia si può capire il parere del pubblico su un nuovo prodotto, intuire la zona geografica con migliore risposta, e realizzare pubblicità mirate sfruttando le reazioni individuate dai tweet dei clienti.

Oppure, applicando l’NLP ai chatbot è possibile capire quali funzioni del servizio clienti automatizzare (perché necessitano di risposte rapide) e quali lasciare all’operatore umano.

Case Study: come un fornitore ha usato il sentiment analysis per aumentare le vendite

Nel panorama dei call center, ciò che conta non è solo comprendere le richieste di un cliente, ma anche capire quali sono le sue emozioni.

Capire le emozioni dei clienti è fondamentale per assestare il loro livello di soddisfazione (customer satisfaction), e per capire quali sono i punti di forza e i punti deboli di un servizio clienti.

Tuttavia, la maggior parte delle compagnie trascura l’importanza di questa analisi, oppure si limita a usare metodi tradizionali e non così tanto efficaci (come per esempio i sondaggi).

Fortunatamente il sentiment analysis si è dimostrata essere una tecnologia molto potente ed efficace, in grado di aiutare le compagnie a comprendere al meglio i bisogni dei propri clienti.

Come funziona il sentiment analysis in un call center? Gli algoritmi NLP analizzano le frasi e le conversazioni di ogni chiamata, e a ciascuna di esse viene assegnato un sentimento “positivo”, “negativo” o “neutrale”.

Ma non è tutto: con questa tecnologia si può correlare questo “livello del sentimento” con fattori come la durata della chiamata, il tempo di attesa, le pause nel discorso, o il prodotto/servizio messo sotto esame.

In questo modo diventa più semplice individuare tendenze che altrimenti sarebbero passate inosservate, scovare quali comportamenti generano emozioni positive o negative, o individuare i prodotti che vengono più apprezzati dalla clientela.

Scendendo nel pratico, vediamo come una compagnia ha usato questa tecnologia per incrementare le proprie vendite.

Un fornitore nel Nord America ha usato il sentiment analysis di Calabrio con uno scopo: comprendere quali prodotti vengono percepiti più positivamente dai propri clienti.

L’analisi ha portato al seguente risultato: il prodotto più apprezzato si è dimostrato essere un tavolino da caffè di legno.

In effetti, i clienti che possedevano questo prodotto hanno dimostrato un sentimento estremamente positivo durante le interazioni con il servizio clienti.

Questa scoperta ha causato molto stupore al fornitore; al tempo, infatti, le vendite di questo tavolino erano piuttosto nella media.

Una volta scoperto ciò, la compagnia ha ripensato il modo in cui posizionava il tavolino nei propri negozi e nel proprio sito, mettendolo quindi in primo piano ed evidenziandone le caratteristiche più apprezzate.

Il risultato è stato entusiasmante: dopo aver compreso quanto i clienti adorassero questo prodotto, le sue vendite sono aumentate enormemente.

A conti fatti, il fornitore ha registrato un aumento delle vendite di 400.000$.

Questo case study evidenzia un modo creativo con cui applicare le scoperte fatte con l’analisi dei dati e del sentimento.

Chatbot

Per chatbot si intende quell’assistente virtuale che rende automatica l’interazione con i clienti.

Che sia il bot del servizio clienti di Fastweb per rispondere alla domanda o quello della tua banca per reimpostare la password.

Per approfondire consiglio di leggere il mio articolo dedicato ai chatbot, e soprattutto di dare un’occhiata ai case study per capire come sia possibile creare valore di business con questi assistenti virtuali.

In ogni caso ricordo che, ad oggi (febbraio 2021), non esiste alcuna intelligenza artificiale in grado di sostenere in modo efficace un dialogo con una persona umana.

Per questo motivo, a seconda del business case, è necessario scegliere tra 4 diversi tipi di chatbot:

natural langauge processing chatbot

Insight engine

Gli insight engine sono poco utilizzati, ma sono molto efficaci e in alcune situazioni anche veloci da implementare.

Cosa è un insight engine? È un estrattore di contenuto che prevede quali siano le informazioni più importanti per te a seconda delle tue richieste.

Per esempio, funziona un po’ come Google quando ci propone le informazioni più rilevanti per le nostre ricerche.

Addestrandoli con i dati aziendali, e facendo semplici domande aperte, questa tecnologia garantisce di trovare in pochi secondi il documento o la sezione del documento di cui avevamo bisogno.

Soprattutto nelle grandi compagnie dove accesso e sovrabbondanza di documenti sono un ostacolo alla produttività, gli insight engine sono applicazioni discretamente facili da implementare e con forte promessa di ROI (come vedremo tra poco nel case study di Unilever)

Questa tecnologia potrebbe essere utile anche in settori come quello ingegneristico o legale, dove i professionisti passano decine di ore alla settimana appresso a codici e manuali per capire come muoversi.

Case Study: Unilever e PeopleWorld (una piattaforma di insight engine)

Unilever ha l’ambizione di diventare un’industria leader nel settore dei consumer insights.

Per “consumer insights” intendiamo l’interpretazione dei comportamenti e dei sentimenti dei consumatori, con il fine di capire i bisogni delle persone o di aumentare l’efficacia di un prodotto o servizio.

Market Logic è un’azienda che si occupa di fornire servizi di data analytics, e che ha collaborato con Unilever per raggiungere questo obiettivo.

Prima di questa collaborazione, i team di marketing di Unilever occupavano gran parte del loro tempo ad analizzare vecchie informazioni, e a rielaborare le scoperte delle loro ricerche passate.

In altre parole, la compagnia applicava gli stessi concetti ancora e ancora, senza preoccuparsi di fare nuove ricerche verso altre prospettive.

Dati alla mano, Unilever ha stimato che i suoi ricercatori investivano dalle 750 alle 1.650 ore all’anno appresso a vecchie ricerche, anziché investigare verso nuovi insights.

Il costo totale di queste ricerche ammontava a circa il 10%-15% della spesa annuale.

Gli obiettivi di Unilever erano molto semplici: migliorare l’analisi dei consumer insights; sviluppare prodotti, strategie e servizi in linea con lo stile di vita di ogni cliente; e aumentare la propria agilità nell’adattarsi alle diverse culture del globo.

Per raggiungere questi risultati, la collaborazione tra Market Logic e Unilever si è dimostrata fondamentale.

Sin dal lancio del gruppo Consumer and Market Insights (CMI) di Unilever, le due compagnie hanno raggiunto numerosi risultati per migliorare l’uso degli insights nelle decisioni aziendali.

Uno di questi risultati è stato PeopleWorld, una piattaforma di intelligenza artificiale che consente a ogni impiegato di trovare facilmente risposte alle proprie domande di marketing.

Quale è l’utilità di PeopleWorld?

Unilever ha a disposizione oltre 70.000 ricerche ai consumatori, e per un essere umano potrebbe essere molto complesso analizzarle tutte per trovare ciò di cui ha bisogno.

Con PeopleWorld gli impiegati possono fare semplici domande, e la piattaforma AI si occupa di trovare le ricerche più pertinenti.

Partendo da una domanda in linguaggio naturale, come “di quali problemi ai capelli soffrono gli uomini di mezza età in India?“, l’algoritmo di insight engine comprende la richiesta e cerca le informazioni più utili tra le oltre 70.000 ricerche disponibili.

I team di marketing possono quindi fare ricerche molto rapide, individuare cosa funziona e cosa no, comprendere i trend più recenti, e testare nuove intuizioni in modo efficace.

Insomma, PeopleWorld fornisce la possibilità di trovare informazioni in modo veloce ed efficiente, così da scoprire nuove utili intuizioni e sviluppare strategie all’avanguardia.

Senza l’uso dell’AI, trovare la risposta a una domanda di marketing richiederebbe ore e ore di ricerche; grazie agli insight engine, fortunatamente, i ricercatori possono risparmiare molte ore del loro tempo.

GPT-3 (Open AI): il futuro del natural language processing

Infine, l’ultimo capolavoro del natural language processing: il GPT-3 di Open AI.

Ho volutamente lasciato questa applicazione per ultima perché è un modello di intelligenza artificiale leggermente diverso da quelli che abbiamo visto prima.

Nonostante dal punto di vista scientifico non ci siano grandi differenze tra questo modello e quelli citati prima, il GPT-3 è ad oggi il più grande modello predittivo di testi e di NLP mai creato nella storia:

A quanto pare dall’esperimento, la precisione dei modelli di NLP nel riprodurre testo umano scala proporzionalmente alla dimensione del dataset e del numero di parametri.

Nel momento in cui scrivo il GPT-3 non è stato ancora rilasciato pubblicamente, ma a breve dovrebbe arrivare l’accesso tramite API a pagamento.

Ad oggi possiamo vedere le sue sorprendenti capacità in alcuni video:

Questo modello ha numerose potenzialità: può rispondere a domande aperte, creare da zero poesie e storie, oppure addirittura programmare pagine web.

Il GPT-3 è addestrato su così tante informazioni (scritte da umani) al punto in cui è in grado di prevedere quale stringa di testo completi al meglio la richiesta a lui posta.

Pensieri finali sul natural language processing (NLP)

Il natural language processing (NLP) è una delle poche applicazioni che ha già raggiunto una certa maturità e che viene usata in maniera davvero frequente all’interno di startup e grandi aziende.

La promessa dei grandi modelli come il GPT-3 crea ancora più aspettative verso quello che potrebbe diventare il futuro della customer experience e della gestione delle informazioni aziendali.

Quello che consiglio sempre prima di approcciarsi alla tecnologia è focalizzarsi fin dal principio alla strategia di business e a come sia possibile creare valore per i propri clienti o efficienza per i processi.

Solo dopo questa fase è possibile pensare all’applicazione tecnologica più promettente tenendo d’occhio costi, tempi d’implementazione, budget e limiti della tecnologia per portare a termine la trasformazione.

Per approfondire consiglio la lettura su come scegliere un consulente di intelligenza artificiale e sul ROI dei big data.

Altrimenti, puoi organizzare una chiamata conoscitiva con me nella pagina per le consulenze AI.