Lingua
Sai che monitoriamo tutti i principali social network in 187 lingue
blog
La sentiment analysis diventa sempre più intelligente

La sentiment analysis diventa sempre più intelligente

Lo stato dell’arte delle tecnologie per l’analisi del sentiment è un argomento che da sempre alimenta numerose discussioni e cattura l’attenzione dei brand. Ecco perché è importante per la vostra strategia.

7 ragioni per utilizzare la Sentiment Analysis

Come funzionano le attuali tecnologie di Sentiment Analysis?

Sentiment Analysis basata sull'Intelligenza Artificiale

L’analisi del sentiment è uno dei modi più veloci per capire cosa pensano i consumatori di un brand, di un prodotto o di un evento. Si tratta di una tecnica di Natural Language Processing molto utilizzata per le attività di social listening con lo scopo di identificare le opinioni all’interno di un documento e di valutarle come positive, neutre o negative.

Ci sono poche cose che fanno infastidire quanto taggare manualmente i documenti in base al sentiment, là dove la tecnologia non riesce a valutare correttamente il contenuto. Il nostro team di data science ha lavorato a lungo per riuscire a ridurre al minimo queste situazioni e siamo entusiasti di poter finalmente condividere con voi questo fantastico risultato.

I data scientist di Talkwalker hanno sviluppato una tecnologia di sentiment analysis basata sul deep learning, che permette ai brand di catturare il sentiment dei consumatori con un livello di accuratezza pari al 90%. Questa tecnologia è la prima in grado di comprendere il significato dell’intera frase e determinare, quindi, la reale attitudine dei consumatori.

Prima di entrare nel dettaglio di questa grande novità, facciamo una panoramica sui casi d’uso in cui la sentiment analysis è un importante alleato e lo stato attuale della tecnologia.

7 ragioni per utilizzare la Sentiment Analysis

L’analisi del sentiment è una delle tecnologie più versatili al servizio del social listening. I brand possono analizzare il sentiment rispetto a un’ampia gamma di dati per comprendere cosa pensano i consumatori. Ecco alcuni esempi dove l’analisi del sentiment porta enormi vantaggi:

1. Gestire i post critici sui social media

La maggior parte dei team marketing e comunicazione dei nostri clienti ha bisogno di lavorare sulla base di dati in real-time. Grazie alla sentiment analysis i post sono individuati e analizzati immediatamente, per permettere ai membri del team di ricevere un alert, qualora vi fosse un post ad alto rischio, e reagire nel minor tempo possibile.

2. Migliorare la Customer Experience

Andando oltre alla possibilità di monitorare i feedback post vendita, la sentiment analysis è importante per migliorare l’esperienza del consumatore durante tutto il customer journey.

Prendiamo ad esempio un importante player del settore hospitality che voleva valutare i diversi aspetti del servizio offerto ai clienti. Dopo aver notato diversi post classificati come negativi sui social, la catena di hotel ha installato degli asciugacapelli in tutte le stanze, non solo in quelle premium

3. Analizzare i lanci di prodotto

Uno dei clienti di Talkwalker che operano nel settore tech è riuscito a sfruttare al meglio la sentiment analysis per capire come sono percepite le nuove feature dei loro telefoni sul mercato. Ad esempio, una volta lanciato un nuovo telefono è importante capire come vengono valutate le diverse caratteristiche del prodotto quali contrasto, luminosità e dimensione del telefono per fornire feedback utili al team di ricerca e sviluppo e selezionare gli aspetti sui quali focalizzarsi.

4. Valutare l'impatto delle sponsorizzazioni e delle attività di CSR

L’analisi del sentiment può essere utilizzata per capire la reazione del pubblico alle iniziative di sponsorizzazione.

Per analizzare la risposta dell’opinione pubblica ad iniziative di sponsorizzazione o di corporate social responsibilities, i brand possono monitorare le variazioni nell’andamento del sentiment in relazione a temi chiavi quali ecologia, innovazione e diversità culturali.

5. Scoprire nuove tendenze di mercato

Per esemplificare questo utilizzo della sentiment analysis prendiamo in causa un importante brand che vende prodotti per la casa. Il brand voleva studiare l’opinione dei consumatori rispetto ai prodotti per la pulizia della cucina e, grazie all’analisi del sentiment, è stato in grado di rilevare che l’odore era una delle caratteristiche più discusse e detestate. Basandosi su questa ricerca il team di ricerca e sviluppo è riuscito a creare un prodotto in grado di differenziarsi sul mercato per il fantastico profumo.

6. Mantenere la qualità del servizio su scala nazionale, internazionale e globale

I brand che operano su diversi mercati o che basano il loro business model sul franchising hanno la necessità di accertarsi del fatto che il livello di qualità del servizio sia lo stesso nei diversi mercati o nei rami aziendali. Ad esempio, grazie al sentiment è possibile monitorare i commenti sui diversi fornitori o sulle diverse sedi dell’azienda.

7. Monitorare la popolarità del Management

Al giorno d’oggi le persone sono uno dei driver più importanti dell’immagine aziendale ed è per questo motivo che molti brand monitorano la percezione dei dirigenti di primo livello. Per esempio, un brand ha rilevato come il CEO dell’azienda non fosse popolare nel mercato di riferimento. Grazie ad approfondimenti sulle figure più in vista dei competitor, il team di comunicazione del brand è stato in grado di capire dove si dovesse posizionare la sua figura pubblica e quale fosse la strategia più adeguata per raggiungerlo.

Come abbiamo visto, la sentiment analysis è uno strumento fondamentale per i brand per una lunga serie di motivi. Ciò nonostante, i team tendono a non mostrare i risultati dati dall’analisi del sentiment al management, in quanto non si fidano delle tecnologie che stanno dietro a questi risultati. Di seguito, ti spieghiamo perchè non si fidano, qual è lo stato attuale di questi sistemi e cosa può essere fatto per migliorarli.

Come funzionano le attuali tecnologie di Sentiment Analysis?

Ci sono due approcci principali adottati dai vendor: sentiment analysis basata sul rilevamento e la valutazione delle keyword, o sentiment analysis basata su categorie customizzate.

Il rilevamento e la valutazione delle keyword si basano su un set di parole identificate come chiave nei messaggi e, a queste parole viene assegnato un valore positivo o negativo. Ad esempio, alla parola “buono” verrà assegnato un valore positivo, mentre alla parola “brutto” verrà assegnato un valore negativo. Ogni volta che lo strumento di sentiment analysis rileverà queste parole chiave assegnerà un valore positivo o negativo all’intero messaggio.

Questo approccio presenta dei chiari limiti se guardiamo a questo esempio:

Se la tecnologia si basasse solamente sulle parole chiave, questo tweet sarebbe difficile da classificare.

Alcuni vendor hanno cercato di risolvere questo difetto di sistema applicando regole ulteriori che creano modelli di associazioni più ampi, ma il problema di fondo rimane e questo sistema di valutazione funziona limitatamente a frammenti di messaggio non al suo vero significato.

Il metodo di classificazione delle keyword può fornire risultati validi solo se volto ad individuare l’andamento macro di trend molto discussi o se applicato su larga scala, vale a dire considerando un vasto data set. Ma se si vogliono analizzare i risultati nel dettaglio, un tweet sarcastico non verrà comunque contato tra i risultati positivi, evidenziando le falle del sistema.

Considerato il fatto che le tecnologie di sentiment analysis basate sul rilevamento delle keyword non riescono a contestualizzare il messaggio, il livello di accuratezza dell’analisi varia generalmente dal 50% all’80%. Questo è il motivo per cui molti brand tendono ad escludere gli indicatori del sentiment tra i dati presentati nei loro report.

Il secondo approccio si basa su una categorizzazione personalizzata da parte degli utenti, che possono stabilire categorie secondo le quali classificare manualmente alcune decine di risultati, che costituiscono il training set, e impostare così le regole che dovrà poi seguire l’algoritmo predisposto all’analisi del sentiment.

Questo sistema offre un livello di precisione dei risultati maggiore rispetto all’approccio basato sul rilevamento delle keyword ma anche in questo caso si rilevano dei difetti. Infatti, la classificazione manuale dei risultati richiede un significativo investimento a livello di tempo, non solo per quanto riguarda l’addestramento del training set ma anche per quanto riguarda lo studio a monte per mappare tutti i potenziali argomenti che possono coinvolgere e impattare il brand. Inoltre, basandosi su parametri molto rigidi per la classificazione dei risultati, questo approccio restituisce un numero limitato di risultati.

Vi è in realtà un terzo approccio che non è stato ancora menzionato: alcuni brand e alcune agenzie si affidano ancora agli esseri umani per codificare il sentiment.

Da un lato, in questo caso si è praticamente certi di avere un altissimo livello di accuratezza, anche se le persone molte volte non sono d’accordo sull’utilizzo del linguaggio, ma in generale il cervello umano riesce ancora ad essere più accurato di una macchina quando si tratta di linguaggio.

Dall’altro lato, bisogna considerare che una persona riesce a classificare in media 100 contenuti in un’ora, numeri non sostenibili quando si tratta di brand che vengono menzionati migliaia di volte in un giorno. Ciò significa che questo sistema non è efficiente quando si tratta di individuare in tempo reale messaggi critici per il brand o quando si tratta di analizzare il sentiment dei consumatori in relazione a determinati argomenti o trending topic

Come funziona la Sentiment Analysis basata sull'Intelligenza Artificiale?

Quando nel 2016 introducemmo sul mercato il nostro sistema proprietario di riconoscimento delle immagini, ci rendemmo subito conto che volevamo applicare quel know-how che ci contraddistingue anche alla tecnologia di sentiment analysis. Ecco a cosa siamo arrivati!

Il sentiment basato sull’intelligenza artificiale introduce sul mercato un approccio completamente nuovo. Per la prima volta, un algoritmo basa la classificazione dei contenuti sull’analisi dell’intera frase, riuscendo così a contestualizzare il contenuto di un tweet, un post o un articolo, e ad interpretare con precisione l’opinione dei consumatori.

Utilizzando modelli di deep learning in grado di simulare le funzioni cognitive del cervello umano, la tecnologia è in grado di distinguere e comprendere complesse strutture linguistiche, così come intere frasi e forme semplici di sarcasmo e ironia.

Mentre stava sviluppando l’algoritmo di cui vi parliamo, il team di data science ha eseguito alcuni test per quanto riguarda il livello di accuratezza che il nuovo approccio è in grado di raggiungere. È emerso che la precisione dei risultati aumenta all’aumentare del training set utilizzato per allenare la macchina, quindi è importante pensare in grande.

La ricerca mostrata di seguito evidenzia come vi sia una correlazione proporzionale tra la dimensione del data set utilizzato per il training e la percentuale di risultati correttamente classificati. Ciò significa che, dopo aver classificato decine di milioni di risultati la macchina raggiunge l’attuale livello di accuratezza del 90%

Qual è il futuro della sentiment analysis?

Noi riteniamo che la possibilità di riuscire a classificare con accuratezza il sentiment sia solo l’inizio. Allo stato attuale delle cose, grazie a un semplice click i brand sono ora in grado di effettuare attività di benchmark sullo stato di salute del brand, integrare i dati di sentiment con informazioni demografiche della propria audience o combinarli con insights sulle feature di prodotto che possono soddisfare al meglio le esigenze dei loro clienti.

Siamo eccitati all’idea di poter toccare con mano i vantaggi di questa nuova tecnologia e, se anche voi siete curiosi di sperimentare questo nuovo modello non esitate a richiedere la vostra demo gratuita. Non vediamo l’ora di poter mostrare questa nuova feature!