Come Funziona l’Analisi del Sentimento?
Probabilmente già sai che l’analisi del sentiment viene utilizzata per determinare se un dato ha un sentimento neutro, positivo o negativo. Tuttavia, dal momento che sei qui, è probabile che tu non abbia una comprensione molto più approfondita di così.
In questo articolo risponderò alle domande: Cos’è l’analisi del sentiment? Come funziona l’analisi del sentiment? E cosa può fare l’analisi del sentiment per te?
Una volta che sarai ben informato, potrai consultare la nostra lista dei 10 migliori strumenti per l’analisi del sentiment.
Join our community to access the full article
Unlock more content to help you turn AI into leverage, design experiences that build trust, and drive business impact.
Have an account? Log In
Che cos’è l’analisi del sentiment?
Prima di addentrarci, un rapido riassunto su cosa sia l’analisi del sentiment.
Noi umani utilizziamo quotidianamente l’analisi del sentiment per giudicare le opinioni degli altri. A volte può essere complicato, ad esempio quando dobbiamo relazionarci con un amico particolarmente sarcastico o cercare di capire cosa pensi davvero il nostro capo fornendo feedback su una presentazione importante! I software di analisi del sentiment tentano di mimare questa esperienza tutta umana.
Sebbene alcuni software possano analizzare anche il parlato, la maggior parte degli strumenti per l’analisi del sentiment viene utilizzata per l’analisi dei testi al fine di classificare il sentimento complessivo di un testo come positivo, negativo o neutro. Questo viene definito polarità.
Le fonti di dati più comuni per l’analisi del sentiment sono i social media, articoli di notizie, recensioni online, moduli di feedback richiesti, risposte a sondaggi, pagine web/blog/forum. Potresti anche sentire chiamare l’analisi del sentiment come opinion mining, emotion AI o, in modo più tecnico, classificazione del sentimento.
Esistono quattro principali tipi di analisi del sentiment:
- Analisi fine ovvero polarità (positivo, negativo o neutro)
- Sentimenti ed emozioni (felice, arrabbiato, triste, divertito)
- Analisi basata sugli aspetti (identifica l’opinione su uno specifico aspetto di qualcosa, per esempio la fotocamera di uno smartphone)
- Intenzione (interessato, non interessato, molto interessato).
Gli strumenti di analisi del sentiment ti aiutano a districarti tra la vasta quantità di dati soggettivi disponibili nel web 2.0 per comprendere il feedback degli stakeholder.
Le organizzazioni utilizzano il sentiment in diversi modi. Molti brand lo inseriscono nelle loro ricerche di mercato per comprendere meglio cosa, nella loro strategia di marca, sta funzionando e dove invece è necessario migliorare. Un altro utilizzo è quello delle istituzioni finanziarie, che analizzano il ciclo delle notizie per identificare opportunità di investimento.
Come funziona l’analisi del sentiment?
Bene, ora entriamo nella meccanica di come funziona effettivamente l’analisi del sentiment. Alla base, l’analisi del sentiment è una forma di data science. Più precisamente, è una forma di elaborazione del linguaggio naturale (NLP), che a sua volta è una sotto-branca dell’intelligenza artificiale (IA), utilizzata per identificare e classificare opinioni soggettive da dati testuali o audio.
L’IA nell’analisi del sentiment dei clienti si colloca proprio all’intersezione tra tecnologia informatica e linguaggio umano, una prospettiva entusiasmante per qualsiasi data scientist appassionato di linguistica.
Ma non è semplice. Per comprendere correttamente il linguaggio all’interno di un testo, e produrre un punteggio del sentiment accurato o un’informazione significativa, i programmi devono utilizzare diversi metodi che simulano ciò che noi umani facciamo in modo intuitivo. Queste simulazioni prendono la forma di algoritmi avanzati (istruzioni per i computer).
Da qui, esistono due principali approcci all’analisi del sentiment:
- Basato su regole: un sistema basato su regole stabilite manualmente dagli esseri umani.
- Automatico: sistemi che imparano autonomamente utilizzando tecniche avanzate di apprendimento automatico.
La principale differenza tra i due consiste nell’approccio utilizzato per istruire il sistema. Ora approfondiremo un po’ di più questi aspetti.
Analisi del sentiment basata su regole
Il metodo basato su regole utilizza la NLP insieme a una serie di regole definite manualmente per aiutare a identificare la soggettività, la polarità o il soggetto di un’opinione. Alcune delle tecniche NLP utilizzate sono stemming, tokenizzazione, part-of-speech tagging, parsing e analisi lessicale. Se ti interessa, puoi leggere di più su questi temi qui.
Ecco un esempio di base di analisi del sentiment basata su regole.
Per determinare la polarità di un testo, gli strumenti di analisi del sentiment devono prima scomporlo nei suoi singoli componenti, cioè parole e frasi, utilizzando la NLP. Successivamente, li confrontano con un database, chiamato lessico o libreria del sentiment, compilato a partire da una raccolta di parole e frasi che sono state raccolte e valutate manualmente.
Generalmente, alle parole e frasi neutre viene assegnato un punteggio pari a zero. Le parole significativamente negative ricevono un punteggio negativo e le parole positive un punteggio positivo. Ad esempio, in una recensione di prodotto, parole e frasi come pessimo, deludente, terribile e orribile servizio clienti otterrebbero un punteggio negativo, mentre buono, ottimo, utile e vantaggioso verrebbero valutati positivamente.
Costruire una libreria del sentiment e le regole relative è un processo ampio. Bisogna fare attenzione ad assegnare a ogni parola il giusto punteggio e anche ad effettuare confronti adeguati. Ad esempio, il sistema deve comprendere che “pessimo” è una parola negativa ma “orribile” è ancora più negativa; “buono” è positivo e “fantastico” è ancora più positivo.
Il sistema basato su regole può essere veloce da creare ma ha dei limiti. Questo perché non può riconoscere parole che non compaiono nella libreria o analizzare le parole nel loro contesto—rendendo difficile individuare complessità come sarcasmo, omonimi e polisemia. Ad esempio, la frase “lo chiami eccellente servizio clienti?” potrebbe essere facilmente fraintesa.
I sistemi basati su regole richiedono anche molto impegno per essere mantenuti e aggiornati. Bisogna continuare ad aggiungere manualmente nuove regole per stare al passo con l’evoluzione della lingua online. L’aggiunta di nuove regole comporta anche il rischio di modificare i risultati precedenti.
Analisi del sentiment automatica
Invece di basarsi su un insieme di regole create e aggiornate manualmente, i sistemi automatici di analisi del sentiment vengono addestrati utilizzando tecniche di machine learning. In questo caso, il machine learning si riferisce ad algoritmi che utilizzano il deep learning per diventare più precisi ogni volta che incontrano un ostacolo, necessitano di intervento umano o ricevono feedback dagli utenti.
La spiegazione è tecnica, ma ecco una versione semplificata di come funziona.
- Trova un ampio dataset simile a quello che desideri analizzare e assegna delle etichette ad alcuni esempi. Questo diventa il set di dati di addestramento. Non stai dando regole al sistema, ma lo stai alimentando con esempi.
- Utilizza i dati di addestramento per sviluppare il tuo modello di machine learning. Questo comprenderà algoritmi di classificazione come regressione lineare, naive bayes, support vector machines, e gli RNN derivati LSTM e GRU. Come suggerisce il nome, questi algoritmi vengono utilizzati per classificare i dati (positivo, negativo, felice, triste, ecc.). Se vuoi approfondire, ecco qualche informazione in più su questi algoritmi.
- Se il modello funziona, dopo essere stato alimentato con abbastanza dati rilevanti sarà in grado di fare previsioni proprie per classificare dati mai visti prima. Ha individuato da solo le sue regole!
- Migliora continuamente la precisione di questi modelli fornendo ulteriori esempi.
Il vantaggio dell’approccio automatico è la capacità di adattarsi e creare modelli addestrati per molti scopi e contesti diversi.
Ad esempio, sappiamo che la parola phoenix si riferisce sia all’uccello mitologico sia alla città di Phoenix in Arizona. Un algoritmo di machine learning può essere addestrato a identificare, in base al contesto, quale definizione di Phoenix è intesa quando la parola viene usata in una frase. Può quindi utilizzare questa esperienza per riconoscere casi simili.
Allo stesso modo, un modello segnala “woke” (che significa ‘risvegliato’) come parola neutra. Tuttavia, “woke” recentemente è diventata anche uno slang per indicare una persona “consapevole dal punto di vista sociopolitico”, diventando così un nuovo omonimo. Una volta che l’algoritmo riceve questo feedback, può applicare questa nuova conoscenza a tutte le analisi successive. La parola “woke” ora ottiene un punteggio tendente al positivo in determinati contesti.
I metodi automatizzati sono generalmente considerati superiori. Tuttavia, lo svantaggio di un approccio automatizzato basato sul machine learning è che si basa sulla disponibilità di dati storici etichettati e può richiedere tempo per l’addestramento. Inoltre, occorrono data scientists altamente qualificati per svilupparli!
Approccio ibrido
Combinare il processamento del linguaggio naturale con il machine learning, un approccio definito ibrido, è largamente considerato come un metodo efficace per migliorare l’accuratezza dell’analisi del sentiment. Il processamento del linguaggio naturale viene utilizzato per comprendere il sentimento delle parole e le parti del discorso. Il machine learning, invece, permette di affrontare l’evoluzione costante della lingua, di interpretare le parole nel loro contesto e di decifrare processi linguistici complessi come gli omonimi.
Applicazioni dell’analisi del sentiment
Come già accennato, l’analisi del sentiment è estremamente utile per le organizzazioni che vogliono sapere come vengono percepite dalle persone. Con così tanti dati che vengono generati costantemente, in tutto il mondo, l’analisi del sentiment può aiutarti a interpretarli tutti in tempo reale.
Ecco alcuni dei modi in cui questa tecnologia sta già facendo la differenza:
Rispondere all’esperienza del cliente
I feedback sull’esperienza cliente possono emergere in maniera organica sul web (ad esempio le menzioni sui social media) oppure da feedback che raccogli attivamente tu stesso. Si spera di avere a disposizione un grande insieme di dati vario su cui lavorare. In tal caso, qui il software di analisi del sentiment può coprire molto territorio in tempi brevi e fornire preziose informazioni. Queste possono poi essere utilizzate nella gestione della reputazione, nello sviluppo di innovazioni di prodotto e nel miglioramento del supporto clienti.
Monitorare i concorrenti
Monitorando il sentiment attorno ai tuoi concorrenti, puoi avere un’idea chiara della loro posizione sul mercato e confrontarla con la tua. Ad esempio, se le tue menzioni su Twitter sono per il 40 per cento positive, 30 per cento negative e il resto neutre, come fai a sapere se è un buon risultato? Beh, se il tuo principale concorrente si aggira attorno al 60 per cento positivo, 30 per cento negativo e il resto neutro, allora c’è ancora del lavoro da fare. Se invece le opinioni sono per il 50 per cento negative, sai che tu stai andando bene rispetto agli standard del settore.
Esperienza dei dipendenti
Infine, l’analisi del sentiment può aiutare ad analizzare i dati utilizzati dai team HR per comprendere cosa rende felici i dipendenti o perché stanno abbandonando l’azienda. Individuando reclami e problematiche ricorrenti, i datori di lavoro ottengono informazioni utili su come ridurre il turnover e migliorare le performance dei dipendenti. Questa capacità è particolarmente utile per le aziende con molti dipendenti, dato che il management non avrebbe il tempo di parlare individualmente con centinaia di membri dello staff.
L’analisi del sentiment è accurata?
Visto che buona parte dell’analisi del sentiment che facciamo come esseri umani è soggettiva, non è realistico aspettarsi che uno strumento di analisi del sentiment sia accurato al 100 per cento. I data scientist stanno migliorando nello sviluppo di classificatori di sentiment più precisi, ma c’è ancora strada da fare.
Quali sono le maggiori sfide per un modello di analisi del sentiment? Ne abbiamo già menzionate alcune, e sono proprio quei problemi che rendono difficile fare analisi del sentiment anche alle persone. I problemi più frequenti includono:
- Sarcasmo. Se sei mai stato nella sezione commenti, o hai ricevuto un messaggio di testo di cui non sapevi cogliere se fosse serio o meno, sai che il sarcasmo è difficile da afferrare nel testo scritto. Considera queste due situazioni:
Il treno è di nuovo in ritardo di soli 30 minuti oggi. Così affidabile!
Il treno è di nuovo in ritardo di soli 2 minuti oggi. Così affidabile!
Ovviamente il treno che arriva con 30 minuti di ritardo non è affidabile, ma un software di analisi del sentiment potrebbe avere difficoltà a coglierlo.
- Multipolarità. A volte, una frase può esprimere un giudizio positivo su una cosa e negativo su un’altra. Ad esempio, “La Pepsi è molto meglio della Coca Cola.” Questa frase riesce a dire qualcosa di positivo sulla Pepsi e di negativo sulla Coca Cola usando solo sei parole. Un sistema di analisi del sentiment difficilmente riuscirà a valutare correttamente questa situazione senza una programmazione più sofisticata.
- Negazioni. Una negazione si ha quando si ribalta il significato di una parola o di una frase, come in “Non direi che il cibo era buono.” Anche noi esseri umani abbiamo difficoltà a capire il senso di una frase con una negazione, quindi non è sorprendente che anche gli strumenti di analisi del sentiment possano trovare delle difficoltà.
Conclusione
Adesso sai tutto sull’analisi del sentiment e su come può essere usata per analizzare i dati e valutare l’opinione dei clienti sul tuo brand.
Gli strumenti di analisi del sentiment faranno gran parte del lavoro pesante al posto tuo, ma è sempre buona norma che una persona controlli a campione alcuni risultati per verificare gli aspetti che le macchine fanno fatica a comprendere. L’analisi del sentiment è più efficace quando la tecnologia e l’intervento umano lavorano insieme.
Cerchi ulteriori spunti sull’esperienza cliente? Iscriviti alla newsletter di The CX Lead.
Lettura consigliata: 10 migliori software di supporto clienti per PMI e grandi aziende
