Che cos’è e come funziona la Sentiment Analysis

sentiment analysis

La Sentiment Analysis, conosciuta anche come Opinion Mining, è un campo all’interno del Natural Language Processing (NLP), il cui scopo è l’analisi di un testo con il fine di identificare e classificare l’informazione presente nello stesso. Di solito, oltre a identificare l’opinione, questi sistemi estraggono gli attributi dell’espressione come:

  • Polarità: opinione positiva o negativa
  • Oggetto: ciò di cui si parla
  • Opinion holder: la persona o entità che esprime il parere.

In altri termini l’analisi del sentimento serve per conoscere la brand perception attraverso gli scambi di interazione degli utenti nei social network o più in generale nel web.

Attualmente, la Sentiment Analysis è un argomento di grande interesse e sviluppo dato che ha molte applicazioni pratiche.

sentiment analysis positiva

Fonte: displayr.com

Obbiettivo della Sentiment Analysis

Poiché le informazioni disponibili pubblicamente e privatamente su Internet sono in costante crescita, un gran numero di testi che esprimono opinioni sono disponibili in siti di recensioni, forum, blog e social media.

Grazie nall’analisi dei sentimenti, è possibile trasformare automaticamente queste informazioni non strutturate in dati strutturati di opinioni pubbliche su prodotti, servizi, marchi, politica o qualsiasi argomento su cui le persone possano esprimere opinioni. Questi dati possono essere molto utili per applicazioni commerciali come analisi di marketing, pubbliche relazioni, recensioni di prodotti, punteggio del promotore netto, feedback sul prodotto e servizio clienti.

Perché la Sentiment Analysis è importante?

Si stima che l’80% dei dati nel mondo non sia strutturato e non organizzato in modo predefinito. La maggior parte di questi proviene da dati di testo, come e-mail, ticket di supporto, chat, social media, sondaggi, articoli e documenti. Questi testi sono in genere difficili, lunghi e costosi da analizzare, capire e ordinare.

I sistemi di analisi del sentiment consentono alle aziende di dare un senso a questo mare di testo non strutturato automatizzando i processi aziendali, ottenendo informazioni utili e risparmiando ore di elaborazione manuale dei dati, in altre parole, rendendo i team più efficienti.

Alcuni dei vantaggi della sentiment Analysis

Scalabilità:
Riesci a immaginare di ordinare manualmente migliaia di tweet, conversazioni di assistenza clienti o recensioni dei clienti? Ci sono troppi dati da elaborare manualmente. L’analisi del sentiment consente di elaborare i dati su larga scala in modo efficiente ed economico.

Analisi in tempo reale:
Possiamo utilizzare l’analisi del sentimento per identificare le informazioni critiche che consentono la consapevolezza situazionale durante scenari specifici in tempo reale. C’è una crisi di pubbliche relazioni nei social media in procinto di scoppiare? Un cliente arrabbiato che sta per agitare? Un sistema di analisi dei sentimenti può aiutarti a identificare immediatamente questo tipo di situazioni e ad agire.

Criteri coerenti:
Gli umani non osservano criteri chiari per valutare il sentimento di un testo. Si stima che diverse persone concordino solo circa il 60-65% delle volte quando si giudica il sentimento per un particolare testo. È un compito soggettivo fortemente influenzato da esperienze personali, pensieri e credenze. Utilizzando un sistema centralizzato di analisi dei sentimenti, le aziende possono applicare gli stessi criteri a tutti i loro dati. Questo aiuta a ridurre gli errori e migliorare la coerenza dei dati.

Tipi di Sentiment Analysis

Ci sono molti tipi e sapori di analisi del sentimento e gli strumenti SA vanno da sistemi che si focalizzano sulla polarità (positiva, negativa, neutra) a sistemi che rilevano sentimenti ed emozioni (arrabbiati, felici, tristi, ecc.) O identificano le intenzioni (ad es. non interessato). Nella sezione seguente, tratteremo i più importanti.

sentiment analysis

Fine-grained Sentiment Analysis

A volte potresti essere interessato ad essere più preciso sul livello di polarità dell’opinione, quindi invece di parlare solo di opinioni positive, neutrali o negative potresti considerare le seguenti categorie:

  • Molto positivo
  • Positivo
  • Neutro
  • Negativo
  • Molto negativo

Questo è solitamente indicato come analisi del sentimento fine-grained. Ad esempio, questo potrebbe essere mappato su una valutazione a 5 stelle in una revisione, ad esempio: Molto positivo = 5 stelle e Molto negativo = 1 stella.

Alcuni sistemi forniscono anche diversi sapori di polarità identificando se il sentimento positivo o negativo è associato a un particolare sentimento, come rabbia, tristezza o preoccupazioni (cioè sentimenti negativi) o felicità, amore o entusiasmo (cioè sentimenti positivi).

Multilingual sentiment analysis

L’analisi del sentimento multilingue può essere un compito difficile. Di solito, è necessaria molta pre-elaborazione e la pre-elaborazione utilizza un numero di risorse. Molte di queste risorse sono disponibili online (ad es. Lessici di sentimento), ma molte altre devono essere create (ad esempio algoritmi di rilevamento del rumore o dei corpora tradotti). L’uso delle risorse disponibili richiede molta esperienza di codifica e può richiedere molto tempo per essere implementato.

Un’alternativa sarebbe quella di rilevare automaticamente la lingua nei testi, quindi formare un modello personalizzato per la lingua scelta (se i testi non sono scritti in inglese) e infine eseguire l’analisi.

Intent analysis

L’analisi dell’intento rileva fondamentalmente ciò che le persone vogliono fare con un testo piuttosto che ciò che la gente dice con quel testo. Guarda i seguenti esempi:

“Il tuo supporto clienti è un disastro. Sono in attesa da 20 minuti “.

“Mi piacerebbe sapere come sostituire la cartuccia”.

“Puoi aiutarmi a compilare questo modulo?”

Un essere umano non ha problemi a rilevare il reclamo nel primo testo, la domanda nel secondo testo e la richiesta nel terzo testo. Tuttavia, le macchine possono avere alcuni problemi per identificarle. A volte, l’azione prevista può essere dedotta dal testo, ma a volte, deducendola, richiede una conoscenza contestuale

Aspect-based Sentiment Analysis

Di solito, quando si analizza il sentimento nelle materie, ad esempio i prodotti, si potrebbe essere interessati non solo al fatto che le persone parlino di polarità positiva, neutra o negativa sul prodotto, ma anche a quali particolari aspetti o caratteristiche del prodotto si parla di . Questa è l’analisi del sentimento basata sugli aspetti. Nel nostro esempio precedente:

“La durata della batteria di questa fotocamera è troppo breve.”

La frase esprime un’opinione negativa sulla fotocamera, ma più precisamente sulla durata della batteria, che è una caratteristica particolare della fotocamera.

Come utilizzare i dati ottenuti con la Sentiment Analysis?

Quindi sei interessato a raccogliere opinioni su cosa puoi fare? Qui ci sono 5 casi d’uso che miglioreranno la tua strategia di esperienza del cliente.

1. Individuare le persone per migliorare il loro servizio
Catturando i clienti che si sentono fortemente negativi nei confronti del tuo prodotto o servizio, il servizio clienti può gestire i loro problemi in modo specifico. Immagina la furia di un cliente che lascia un commento negativo di -0,95. Che si tratti di contatti personali o di priorità ai biglietti, l’azione può aiutare a disinnescare la situazione. Se Dick’s Sporting Goods è in grado di identificare quelli con problemi reali nel processo di reso, può assicurarsi che il servizio clienti li assegni a priorità.

2. Monitora il sentiment dei clienti nel tempo
Monitorare il sentimento del cliente associato a specifici aspetti del business è più efficace del semplice monitoraggio dell’NPS. L’analisi può spiegare perché il punteggio NPS è cambiato; o se il punteggio non è cambiato, cosa può essere cambiato negli aspetti. Nell’esempio di Dick’s Sporting Goods sopra, gli aspetti specifici che vale la pena di tracciare sono “customer service” e “return policy”.

3. Determina se particolari segmenti di clienti si sentono più fortemente della tua azienda
Se abbinato a dati demografici e altri dati quantitativi, è possibile segmentare la base di clienti e considerare i loro sentimenti separatamente. Ad esempio, i clienti che spendono meno si sentono più negativamente (e quindi è un ostacolo per loro spendere di più) o sono i problemi di politica di restituzione da parte dei clienti a Miami e non quelli a New York?

4. Tieni traccia di come un cambiamento nel prodotto o nel servizio influisce sul modo in cui i clienti si sentono
Come cambia l’azienda, anche il sentimento del cliente. Pubblicare una campagna di marketing o un comunicato stampa, cambiare l’interfaccia del prodotto o la struttura dei prezzi può avere un effetto. Monitorare il sentimento dei clienti può misurare questo.

L’analisi del sentimento è diventata nota come uno degli strumenti più affidabili per ascoltare efficacemente le chiacchiere dei social media attorno al tuo marchio. Ti aiuta a sapere cosa dicono le persone sul tuo marchio, a raccogliere opinioni collettive e ti dice se devi intraprendere azioni per mantenere la percezione positiva del marchio.

Per concludere vi lascio qui un simpatico tool per poter praticare un poco 😉

https://www.paralleldots.com/sentiment-analysis

Rispondi