La parola scritta è il tipo di contenuto digitale più utilizzato e con più anni alle spalle in assoluto. Capire e interpretare emozioni e stati d’animo dietro alle parole è proprio l’obiettivo del sentiment analysis.

Si tratta di un’applicazione di machine learning con risvolti in tantissimi settori produttivi: dalle ricerca di mercato alla finanza, dalla brand reputation fino al mondo HR.

Con questo approfondimento cercherò di catturare una panoramica dello stato di questa tecnologia, le sue limitazioni e case study di come il sentiment analysis sia stato applicato con successo creando valore di business.

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

Come funziona il sentiment analysis

Prima di tutto per sentiment analysis si intende una tecnica di analisi di documenti testuali (che siano tweet o libri poco importa) che, analizzando sintassi, parole chiave, aggettivi e altre caratteristiche, estrae un “sentiment” relativo a cosa viene espresso dal testo.

Il sentiment estratto, di solito, è di tre diversi tipi:

• Positivo o negativo
• Positivo, negativo o neutro
• Nei casi più sofisticati, viene rappresentato uno spettro delle sei emozioni principali come nel caso dell’emotion recognition

Per un uomo è discretamente semplice capire se il sentimento dietro a due frasi è positivo o negativo, ma per una macchina, come vedremo, non è altrettanto semplice.

Tuttavia la capacità delle macchine di eseguire questa operazione su larga scala porta il sentiment analysis a essere un’applicazione estremamente efficace, come vedremo nei case study a fine di questo articolo.

È necessario sapere che ci sono diverse sofisticazioni di questa tecnica, ognuna con limiti e debolezze.

1. Dizionari if-esle

Si tratta della soluzione più semplice e anche la più soggetta a errori di classificazione. Per capire il sentiment del testo sono stati creati appositi dizionari di migliaia di parole con associata a ciascuna di essa una valutazione (positiva o negativa).

Nel momento dell’analisi di un testo il software conta semplicemente il numero di parole con sentiment positivo, il numero di parole con sentiment negativo e stabilisce in base a questo conteggio il sentiment del testo.

Se da una parte questo tipo di approccio non richiede alcun tipo di addestramento (non si tratta di machine learning, ma di un semplice algoritmo che usa un dizionario) dall’altra è estremamente imprecisa e sconsigliabile se non per un certo tipo di applicazioni.

2. Machine learning (SVM)

A differenza del metodo descritto sopra, i metodi di apprendimento automatico utilizzano dati supervisionati per apprendere in modo autonomo come assegnare etichette di sentiment a nuove osservazioni.

Questi algoritmi possono imparare uno specifico vocabolario e associazioni di sentimenti rilevanti per un particolare dataset.

Di solito le tecniche statistiche più utilizzate sono Support Vector Machines (SVM), Naive Bayes (NB), Logistic Regression (LR) e Random Forest (RF).

3. Deep learning

Sfruttando la potenza di calcolo avanzata, i ricercatori di oggi utilizzano reti neurali artificiali per imparare la relazione tra le rappresentazioni vettoriali (statiche) e le “etichette” del sentiment.

Esempi importanti includono reti neurali convoluzionali, reti neurali ricorrenti e network LSTM.

Potendo contare su maggiore potenza e algoritmi non lineari quest’ultima sofisticazione è in grado di riconoscere relazioni tra parole che altrimenti sarebbero davvero difficili da capire.

Best practices e limiti della tecnologia

Prima di passare alle applicazioni di business ci tenevo a sottolineare i limiti di questa tecnologia e le best practices per poter portare il sentiment analysis in un contesto business.

Il linguaggio umano è complesso ed eterogeneo, ha delle costruzioni linguistiche ambigue, e le parole assumono significati diversi a seconda della lingua, della cultura o del contesto sociale.

Non è semplice insegnare a una macchina che un avverbio come “affatto” può essere usato in un contesto positivo tanto quanto in un contesto diametralmente apposto.

Ad esempio: “Non è affatto un bel posto“, oppure “Non è affatto una brutta giornata“.

Ragionando con le tre soluzioni che ho presentato prima, il risultato del sentiment analysis di queste frasi può essere molto diverso:

• Un dizionario avrebbe potuto classificare la prima frase come “neutra“ (-1 per il “non“, +1 per il “bel“) mentre la seconda “negativa” (-1 per il “non“, -1 per il “brutta“), sbagliando completamente.
• Un algoritmo di machine learning, a seconda della completezza del dataset con cui è stato addestrato, avrebbe potuto sia completamente sbagliare (come nel primo caso), sia rispondere in maniera corretta.
• Un sistema di deep learning in grado di valutare le correlazioni tra le parole avrebbe, molto probabilmente, capito la relazione tra “Non“, “Affatto” e “brutta” e quella tra “Non” e “affatto“.

Ci tengo a precisare che questo appena descritto è un esempio divulgativo su cui non è stato eseguito alcun test concreto, e che quindi non rispecchia con precisione i risultati che si potrebbero ottenere.

Questa situazione di ambiguità peggiora in una letteratura carica di ironia, oppure usando il linguaggio parlato nei social media.

Prendiamo in considerazione un tweet contenente la frase: “Che bella giornata!“

Senza mettere le parole in un contesto (magari tramite un hashtag o un’immagine), un software (dal più al meno sofisticato) avrebbe classificato questa frase come “positiva“ quando, in realtà, poteva essere letto con una forte carica di ironia.

In generale quello che consiglio è di stare molto attenti a come si applica la tecnologia, e capire fin da subito quali possono essere i limiti dell’applicazione prima di prendere un abbaglio.

In linea di massima, come best practices, mi sento di consigliare:

• Più lunghi sono i testi, più è facile avere una stima accurata del sentiment
• Più i testi sono formali, meno sono carichi di ironia e ambiguità
• In alcuni contesti è utile avere solo la classificazione “positivo/negativo” (come nella decisione di un investimento); altri la classificazione “neutro” può rivelarsi utile (nelle recensioni ad esempio); in altre ancora ci sono abbastanza informazioni per un analisi più sofisticata.

Applicazioni del sentiment analysis nel business

Il sentiment analysis fa parte della categoria di algoritmi di Natural Language Processing (NLP) e, come accennato all’inizio dell’approfondimento, si tratta di un’applicazione estremamente orizzontale:

• Tutti noi ci possiamo considerare scrittori: dai social a Whatsapp, dalle recensioni alle mail.
• Il contenuto scritto è il contenuto più popolare e immediato, con distacco dagli altri due (audio e video).
• Il testo scritto è anche il tipo di contenuto più semplice e “riconducibile”: possono trasformare il video in audio e l’audio in testo, viceversa è esternamente complesso (anche se non impossibile, vedi i deepfake).

Di seguito una lista di possibili applicazioni in cui il sentiment analysis è già utilizzato per creare valore di business e generare informazioni interessanti per il decision making.

1. Topic mining e instant marketing (KFC)

Per un po’ di tempo, la famosa catena di fast-food statunitense è stata incapace di comprendere i trend del momento, e di stare al passo dei propri concorrenti.

A un certo punto, KFC ha deciso di rinnovare la sua strategia sfruttando alcuni strumenti innovativi, tra cui il sentiment analysis.

Per farlo, ha iniziato una campagna di marketing prendendo spunto dal mondo dei meme e della “pop colture” (ad esempio usando la figura di RoboCop per promuovere i suoi prodotti).

Per verificare l’efficacia della strategia, KFC si è affidata al sentiment analysis, monitorando l’engagement e le reazioni degli utenti sui social network.

L’analisi del sentimento ha consentito di rilevare gli argomenti di conversazione più diffusi (topic mining), e di sviluppare quindi nuove idee di advertising attorno a questi elementi.

Insomma grazie a questa tecnologia l’azienda è sempre sulla cresta dell’onda, e non rimane mai a secco di nuovi contenuti per quanto riguarda il marketing.

Tutto ciò è dimostrato dalla costante crescita di KFC in termini di utenti raggiunti.

2. Servizio clienti

Mantenere un servizio clienti di alta qualità è di fondamentale importanza per la felicità e la soddisfazione dei clienti

Secondo McKinsey, infatti, il 25% degli utenti abbandona un brand dopo un’esperienza negativa nel servizio clienti.

Al giorno d’oggi, quando un utente è scontento riguardo a un’azienda, può sfogare la sua frustrazione nei social media; portando quindi a un danno enorme in termini di immagine o di percezione dei clienti.

Per questo motivo è nell’interesse della compagnia monitorare il sentimento degli utenti sul web, così da capire le maggiori criticità e i punti deboli del proprio servizio clienti.

Gli utenti esprimono i propri pareri ovunque: sui forum, nelle recensioni dei prodotti, sui social network come Twitter o Facebook.

Senza dimenticare che anche chatbot e assistenti virtuali sono un ottimo luogo dove questa tecnologia può rilevare lo stato d’animo del cliente e capire l’efficienza di un determinato processo.

Applicare il sentiment analysis nel business non consente solo di individuare queste opinioni, ma anche di analizzarle fino a fondo per comprenderne ogni dettaglio più nascosto.

In questo modo, l’azienda può capire dove e come migliorare per aumentare la customer satisfaction a livelli mai visti prima.

3. ‘Monitorare’ il benessere dei dipendenti

Molto spesso le aziende danno poca importanza allo stato d’animo delle proprie risorse principali: i dipendenti.

Come procede il loro lavoro? Come percepiscono l’ambiente di lavoro? Quale è il loro livello di stress? Quali sono le loro critiche più frequenti?

Un dipendente felice è un dipendente produttivo, sia nel lato lavorativo che umano. Di conseguenza, tanti dipendenti produttivi significano un’azienda più sana e robusta.

Per questo motivo monitorare il loro stato d’animo è di fondamentale importanza per la salute dell’azienda.

Con il sentiment analysis, si può analizzare il feedback dei collaboratori per comprendere i problemi dell’azienda, le preoccupazioni più ricorrenti nei lavoratori, e quali sono i loro livelli di soddisfazione.

Chiaramente è necessario il loro consenso e un testo scritto su cui effettuare l’analisi.

4. Ricerca di mercato grazie al sentiment analysis

Le analisi di mercato sono fondamentali per individuare nuove proficue possibilità di guadagno e per ridurre al minimo i fattori di rischio.

Analizzando le informazioni provenienti da diverse piattaforme – come i contenuti generati dagli utenti, i post dei competitor sui social media, o la percezione generale verso un determinato prodotto o servizio – si possono comprendere parecchi concetti e insights utili.

Con queste scoperte, l’azienda può individuare domande di mercato non soddisfatte, settori in crescita o grandi opportunità di guadagno.

In più, dopo il lancio di un prodotto, si può comprendere quali sono i pareri delle persone, quali sono le caratteristiche più apprezzate e quali invece sono da migliorare.

Apple è un’azienda che fa proprio questo: ascolta il mercato per capire dove focalizzare le forze, e come migliorare i propri prodotti per accontentare i propri clienti.

5. Competitor analysis con il sentiment analysis

Comprendere il comportamento o i piani dei propri concorrenti (Competitor Analysis) è un altra grande opportunità del sentiment analysis.

Infatti, durante lo sviluppo di una strategia efficace, è di vitale importanza individuare i punti di forza e di debolezza di un competitor (o di un potenziale tale).

Cosa ne pensano le persone di un competitor? Quali sono i loro prodotti migliori, e perché vengono così apprezzati? Quanto è efficace la loro strategia di marketing?

Con il sentiment analysis, possiamo capire come un’azienda preforma in paragone ai suoi competitor, e sviluppare così una strategia “offensiva” o “difensiva”.

Prendiamo in considerazione questa analisi del sentimento di McDonald’s e Burger King sviluppata da Wonderflow.

Come è possibile vedere, Burger King (linea verde) ha raggiunto un picco di sentimento positivo nello stesso periodo in cui McDonald’s (linea blu) ha avuto il suo picco nel senso opposto (negativo).

Il motivo di ciò è da individuarsi in una efficace campagna di marketing anti-bullismo di Burger King, e in un video parodia ai danni di McDonald’s.

6. Social media monitoring e sentiment analysis

Come ho già avuto modo di puntualizzare, i social media sono un prezioso luogo di scambio di informazioni, in cui gli utenti possono liberamente esprimere le proprie opinioni e condizionare quelle altrui.

Monitorare i social media (social media monitoring) è un’altra possibile applicazione del sentiment analysis nel mondo del business.

Quali sono le opinioni dei clienti su un determinato brand, prodotto o servizio? L’unico modo per capirlo a pieno, è sfruttando l’analisi del sentimento.

Nei social media come Twitter, Facebook o Instagram, gli utenti pubblicano nuovi contenuti in continuazione.

Per rendere l’idea: su Twitter vengono pubblicati circa 500 milioni di nuovi tweet al giorno; ovvero 6.000 al secondo e 200 miliardi all’anno.

Numeri di questa magnitudine sono impossibili da tenere d’occhio per qualunque essere umano… ma non per un algoritmo informatico.

Con il sentiment analysis, possiamo tenere d’occhio miliardi di tweet senza alcun problema, riuscendo così a individuare nuove opportunità, problematiche o punti di forza che altrimenti non avremmo mai scoperto.

7. Gestione della reputazione dei brand

Abbiamo ormai capito che con il sentiment analysis possiamo tenere traccia delle opinioni delle persone in tempo reale.

Nel mondo di Internet, come ben sappiamo, è relativamente molto semplice che un determinato contenuto o argomento diventi virale.

Tra questi “argomenti” rientrano anche pareri negativi sull’azienda, o attacchi verso determinati brand.

Il “review bomb” è un esempio perfetto di questa criticità.

Cos’è il review bomb? In breve, è un fenomeno di Internet in cui un grande numero di utenti pubblica recensioni o pareri negativi di un determinato prodotto, con il solo scopo di danneggiare la reputazione del brand.

Un fenomeno del genere verrebbe immediatamente scoperto dal sentiment analysis.

In altre parole, applicando l’analisi del sentimento possiamo prontamente individuare quando si verificano questi picchi di “sentimento negativo”, e agire di conseguenza.

In questo modo, i clienti notano che un’azienda reagisce a situazioni critiche facendo il possibile per risolverle, dando così un impatto positivo sul pensiero generale.

Prima si rieagisce alle crisi, e prima si può salvare un brand da un vero e proprio disastro.

Pensieri finali sul sentiment analysis

Siamo alla fine di questo lungo approfondimento sul ‘coltellino svizzero’ di ogni marketer ed esperto di reputazione nell’era digitale e dei social media.

Un applicazione tanto sofisticata quanto orizzontale per analizzare il testo scritto ed estrarre informazioni importanti riguardo emozioni e sentimenti delle persone che ci circondano.

Forse per valutare appliccazioni e casi pratici ed evitare i principali problemi che la tecnologia porta con se potresti prendere in considerazione un consulente esperto di AI.

Ho pure scritto una guida su come sceglierne uno competente !