Se alguma vez utilizou o Google Tradutor ou permitiu que o Gmail completasse automaticamente as suas frases, já viu o processamento de linguagem natural (NLP) em ação. Os assistentes inteligentes, como a Alexa e a Siri, também dependem da tecnologia NLP, tal como a análise de sentimentos — o processo que as marcas utilizam para analisar as redes sociais e outras fontes de dados, de modo a medir o que os clientes sentem em relação a elas.
Os modelos de análise de sentimentos e de processamento de linguagem natural estão a evoluir rapidamente. Os modelos mais recentes foram treinados com mais de 175 mil milhões de parâmetros — dez vezes mais do que os modelos anteriores — e são capazes de manter conversas de ida e volta, gerar texto com base em instruções, fazer traduções, responder a perguntas e realizar análises de sentimentos avançadas.
Então, o que significa isto para as equipas de atendimento ao cliente e de experiência do cliente (CX)?
A análise de sentimentos e a tecnologia NLP têm implicações importantes — especialmente para compreender as necessidades dos clientes. Atualmente, o feedback dos clientes surge em mais locais do que nunca, desde as redes sociais e as avaliações de clientes até ao chat online. A análise de sentimentos, potenciada pela NLP, pode ajudar a compreender tudo isto para que possa criar uma experiência melhor para os seus clientes.
Neste guia para principiantes sobre análise de sentimentos e processamento de linguagem natural, vou explicar-lhe os conceitos básicos da análise de sentimentos e da NLP. Vou explicar o que é cada um, apresentar casos de utilização do mundo real e recomendar ferramentas de análise de sentimentos que facilitam o trabalho das equipas de sucesso do cliente e de experiência do cliente.
O que é a análise de sentimentos?
Eis a pergunta de um milhão de dólares para as equipas de CX e de atendimento ao cliente:
O que pensam os seus clientes?
Se conseguir responder a essa pergunta, poderá evitar feedback negativo, obter uma vantagem competitiva e adaptar o seu produto para responder exatamente às necessidades dos clientes.
É aqui que entra a análise de sentimentos.
A análise de sentimentos utiliza modelos de NLP para analisar grandes quantidades de dados, desde avaliações de clientes e chamadas de apoio até tweets. Em seguida, atribui uma pontuação a cada comentário de cliente com base no facto de o sentimento ser negativo, neutro ou positivo.
Não é um sistema perfeito. Mesmo quando os seres humanos classificam afirmações como positivas, negativas ou neutras, nem sempre estão de acordo. No entanto, a vantagem dos modelos de NLP é poderem utilizar uma estrutura consistente de análise de texto — aplicando os mesmos critérios a enormes quantidades de dados.
A utilização da análise de sentimentos pode ajudá-lo a:
- Medir a satisfação dos clientes em cada fase da jornada do cliente.
- Acompanhar o sentimento em relação à marca para poder identificar imediatamente os clientes insatisfeitos.
- Comparar o sentimento ao longo do tempo para perceber se precisa de tomar medidas.
- Realizar estudos de mercado e conceber campanhas de marketing.
3 tipos de análise de sentimentos
A menos que seja cientista de dados, não precisa de saber demasiado sobre o que acontece nos bastidores das suas ferramentas de análise de sentimentos.
Mas, ao avaliar ferramentas, pode ser útil ter uma compreensão básica da tecnologia que está por detrás delas.
Eis três tipos de análise de sentimentos:
1. Baseada em conhecimento
Quando utiliza um sistema de análise de sentimentos baseado em conhecimento (ou baseado num léxico), está a analisar texto com base num conjunto de regras predeterminado.
Pense nisto como a abordagem do “dicionário”.
O seu dicionário terá uma longa lista de palavras e dos sentimentos que lhes estão associados — por exemplo, a palavra “ódio” pode ser classificada como um sentimento negativo, “amor” como positivo e “está bem” como neutro. Pode criar estes dicionários manualmente, mas, mais frequentemente, são criados através de algoritmos de aprendizagem automática.
A abordagem baseada em conhecimento é útil para setores que utilizam linguagem especializada. Por exemplo, pode utilizar um conjunto de dados especializado de termos médicos para medir a satisfação dos clientes num contexto de cuidados de saúde. Também pode utilizar esta abordagem para classificar cuidadosamente linguagens complexas, como metáforas, calão e sarcasmo.
No entanto, utilizar uma abordagem baseada em conhecimento é geralmente menos preciso do que a análise estatística de sentimentos, porque recorre a um conjunto de dados semânticos muito mais pequeno.
Have an account? Log In
2. Estatística
Imagine etiquetar manualmente centenas ou milhares de textos como «positivos», «negativos» ou «neutros» — e depois treinar um modelo para criar classificadores com base nesses dados.
É assim que funciona o método estatístico de análise de sentimentos.
A abordagem estatística utiliza modelos de aprendizagem automática para analisar grandes quantidades de dados e identificar padrões e relações. Depois de treinado, o modelo pode ser utilizado para analisar qualquer texto — não apenas textos semelhantes aos do seu conjunto de dados. Isto torna-o mais flexível e preciso do que a abordagem baseada em conhecimento.
Uma desvantagem do método estatístico é exigir uma grande quantidade de dados para o treino. Os modelos estatísticos também podem ter dificuldades com fenómenos linguísticos como o sarcasmo e a ironia.
3. Híbrida
Uma abordagem híbrida combina os pontos fortes dos métodos estatístico e baseado em conhecimento.
Começando pelo método estatístico, cria primeiro um modelo flexível de análise de sentimentos treinado com grandes quantidades de dados. Depois, aperfeiçoa e melhora o modelo utilizando o método baseado em conhecimento.
Isto proporciona a flexibilidade e o grande conjunto de dados do método estatístico, bem como o ajuste fino e a experiência do setor do método baseado em conhecimento.
Leitura relacionada: Melhor software de análise de inquéritos
O que é o processamento de linguagem natural?
O processamento de linguagem natural é um tipo de inteligência artificial que permite aos computadores compreender e gerar linguagem humana. O NLP alimenta a análise de sentimentos. É provável que também esteja familiarizado com algumas das suas aplicações práticas mais abrangentes, tais como:
- Assinalar e-mails como spam
- Bots de conversação e IA conversacional
- Conversão de voz em texto e software de conversão de texto em voz
- Tradução automática, como o Google Tradutor
- Reconhecimento de voz, como o Siri, a Alexa e outros assistentes virtuais
Mas como funciona o NLP?
O NLP começa com dados de texto que precisam de ser analisados. O texto é depois limpo e formatado para facilitar a análise. Em seguida, são utilizados algoritmos de NLP para encontrar significado no texto. Estes algoritmos utilizam modelos estatísticos e métodos baseados em regras para identificar padrões e ligações.
Os bots de conversação com IA para o serviço de apoio ao cliente e os bots de voz estão entre as aplicações mais visíveis do NLP na experiência do cliente. Estes sistemas permitem uma parte significativa das interações com os clientes, utilizando técnicas de NLP para compreender o que os clientes dizem, responder de forma adequada e prestar apoio ao cliente.
Historicamente, porém, a experiência de interagir com estes bots tem sido algo frustrante.
Isso está a mudar rapidamente à medida que o NLP evolui — especialmente com o advento dos LLMs.
Os modelos de linguagem de grande dimensão (LLMs) são redes neuronais de aprendizagem profunda treinadas com grandes quantidades de dados. Por exemplo, o modelo GPT-3 da OpenAI foi pré-treinado com centenas de milhares de milhões de palavras provenientes de livros e de fontes como a Wikipédia.
Estes grandes conjuntos de dados proporcionam aos LLMs uma enorme base de conhecimento, a capacidade de gerar texto sofisticado e semelhante ao humano, bem como um nível adicional de contexto e nuance ao analisar sentimentos, o que torna a IA na análise de sentimentos dos clientes muito útil.
Como funciona a análise de sentimentos com NLP?
A análise de sentimentos com NLP é uma técnica que identifica a emoção expressa num texto, utilizando modelos que classificam palavras e frases como negativas, positivas ou neutras.
As ferramentas de análise de sentimentos analisam e classificam grandes quantidades de feedback dos clientes, de modo a fornecer uma pontuação geral de sentimentos.
Eis como funciona:
- Formação: Um modelo de NLP é treinado com um conjunto de dados existente para aprender a classificar o sentimento.
- Entrada: Uma grande quantidade de comentários de clientes, como comentários nas redes sociais, e-mails ou avaliações de produtos, é introduzida no modelo para análise de opiniões ou mineração de texto.
- Simplificação: O modelo remove palavras vazias e informações irrelevantes, como saudações ou despedidas. Reduz ainda mais o tamanho dos dados através da lematização, o processo de remoção do sufixo de uma palavra.
- Identificação: O modelo analisa o texto restante à procura de verbos, substantivos e outras classes gramaticais importantes.
- Classificação: O modelo atribui uma pontuação positiva, negativa ou neutra a cada palavra ou expressão. Por exemplo, a palavra "excelente" pode receber uma pontuação positiva, enquanto a palavra "terrível" pode receber uma pontuação negativa.
- Pontuação: Por fim, a ferramenta combina as pontuações para produzir uma pontuação geral de sentimento. Isto ajuda as marcas a identificar comentários específicos de clientes que requerem atenção ou ação e também ajuda a medir as alterações gerais no sentimento em relação à marca.
Eis um exemplo simples de como isto funciona para as marcas.
Imagine que vê as seguintes avaliações online no Yelp sobre um restaurante de pizzas:
- "Adoro a pizza do Luigi — é a melhor pizza que já comi. Tratam-me como família sempre que apareço.”
- “A pizza daqui é bastante boa. Já comi pizza melhor noutros sítios, mas a do Luigi é consistente.”
- “A minha pizza chegou fria e a massa sabia a cartão. Não recomendo.”
Uma ferramenta de análise de sentimentos classificaria a primeira avaliação como positiva, a segunda como neutra e a terceira como negativa. Em seguida, forneceria uma métrica geral do sentimento dos clientes.
Os modelos de NLP também conseguem detetar emoções específicas, como alegria, tristeza ou raiva, acrescentando contexto adicional à análise de sentimentos.
Qual é o melhor modelo de NLP para a análise de sentimentos?
As máquinas de vetores de suporte (SVM), as florestas aleatórias e o Naive Bayes são modelos que podem ser utilizados para analisar o sentimento de um texto.
Máquina de vetores de suporte (SVM)
Uma máquina de vetores de suporte (SVM) é um modelo que ajuda a classificar dados em grupos. Funciona criando uma linha, ou fronteira, que separa um grupo de dados de outro. Depois de criada a fronteira, a SVM pode utilizá-la para prever a que grupo pertencem novos pontos de dados.
Vejamos um exemplo.
Imaginemos que tem milhares de fotografias de maçãs e laranjas e quer classificar cada uma corretamente. Começaria por fornecer à SVM um conjunto de dados etiquetados, como este:
- Maçãs: forma, cor, tamanho
- Laranjas: forma, cor, tamanho
À medida que começa a introduzir novas imagens na SVM, esta utilizará os dados etiquetados para prever se cada fruto é uma maçã ou uma laranja.
As máquinas de vetores de suporte podem ser utilizadas na classificação de texto, pelo que podem ser uma técnica útil de aprendizagem automática para a análise de sentimentos. As SVM também são utilizadas em aplicações como o reconhecimento de imagens e a deteção de fraudes.
Floresta aleatória
O algoritmo de floresta aleatória é utilizado em tarefas de classificação e regressão. Funciona combinando várias árvores de decisão para fazer previsões mais precisas.
E o que é, exatamente, uma árvore de decisão?
As árvores de decisão são fluxogramas que ajudam a tomar decisões e a fazer previsões. Responder a uma pergunta em cada fase da árvore conduz a perguntas mais específicas, resultando, em última análise, numa resposta com um grau de confiança superior.
Por exemplo, imaginemos que quer prever se alguém vai gostar de determinada comida com base na idade, no género e na localização dessa pessoa. Uma árvore de decisão dividiria as pessoas em grupos cada vez mais pequenos antes de prever que um rapaz de 5 anos dos Estados Unidos adoraria nuggets de frango, enquanto uma mulher de 35 anos de França não gostaria deles.
A floresta aleatória é um algoritmo poderoso porque combina os resultados de muitas árvores de decisão diferentes. Isto reduz a probabilidade de erro e cria previsões mais precisas.
More Articles
Naive Bayes
Naive Bayes é um algoritmo simples conhecido pela sua rapidez e eficiência. É chamado de “ingénuo” porque parte do princípio de que cada palavra ocorre isoladamente — o que, naturalmente, não corresponde ao modo como as coisas funcionam no mundo real.
Por exemplo, se o Naive Bayes estivesse a ser utilizado para identificar e-mails com ligações maliciosas, poderia calcular a probabilidade de palavras como “verificação” ou “eFax” aparecerem no assunto de um e-mail malicioso. No entanto, não conseguiria analisar o contexto geral do e-mail.
No contexto da análise de sentimentos, o Naive Bayes pode ser útil devido à sua rapidez, pelo que pode ser uma boa opção para a análise preliminar de grandes conjuntos de dados. No entanto, como o Naive Bayes não consegue compreender o contexto, não é tão preciso como algoritmos mais sofisticados.
Ferramentas de análise de sentimentos com NLP
As ferramentas de análise de sentimentos dividem-se em algumas categorias:
- Ferramentas para programadores: Os kits de ferramentas de NLP são utilizados por programadores e, normalmente, requerem conhecimentos de programação. Estes kits dão-lhe acesso a modelos pré-treinados através de API, permitindo-lhe analisar o texto sem treinar o seu próprio modelo. Por exemplo, tanto a Google como a Amazon disponibilizam kits de ferramentas de NLP como serviço de computação na nuvem. Outra opção é a biblioteca Natural Language Toolkit (NLTK), um pacote Python de código aberto. Embora o NLTK e outras ferramentas de código aberto sejam eficazes na análise de sentimentos, não são tão fáceis de utilizar como as ferramentas destinadas ao consumidor.
- Software B2B: O software de análise de sentimentos foi concebido para utilização comercial, com ênfase na interface do utilizador. Estas ferramentas incluem painéis abrangentes, funcionalidades poderosas de análise de sentimentos e a capacidade de acompanhar os sentimentos ao longo do tempo.
A menos que esteja a tentar desenvolver o seu próprio modelo de análise de sentimentos, a abordagem mais eficaz consiste em utilizar software concebido especificamente para ajudar as marcas a analisar e acompanhar os sentimentos.
As principais ferramentas de análise de sentimentos incluem:
- Brand24: A Brand24 é uma ferramenta de monitorização das redes sociais que ajuda as empresas a acompanhar as suas menções online em tempo real. Fornece análises de sentimentos que classificam as informações em categorias positivas, neutras e negativas, além de disponibilizar um gráfico do volume de conversas para monitorizar as conversas nas redes sociais. A Brand24 tem uma interface de utilizador simples e orientada para a ação, com acesso fácil às menções da marca e às palavras-chave relevantes em sites de redes sociais, artigos de notícias, blogues, vídeos, fóruns e avaliações. Disponibiliza um feed de menções, uma pontuação de influência, análise de sentimentos, alertas personalizados e exportação de dados.
- Diffbot: A Diffbot é uma ferramenta de extração de dados da Web baseada em IA que extrai dados de milhões de URLs, analisa-os quanto aos sentimentos utilizando o processamento de linguagem natural e converte-os em informações úteis. Oferece funcionalidades como extração automática de conteúdo de websites, categorização de conteúdos, processamento de linguagem natural e grafos de conhecimento. A ferramenta poupa tempo na pesquisa de informações na Web e é altamente personalizável. São necessários alguns conhecimentos tecnológicos para tirar o máximo partido da ferramenta.
- Qualaroo: A Qualaroo é um software de feedback que permite às empresas fazer perguntas diretamente no seu website para obter informações dos clientes. A Qualaroo oferece modelos de inquéritos, análise de sentimentos, identificação de palavras-chave e informações emocionais. O software fornece resultados em tempo real do NPS e notificações através do Slack. A Qualaroo é uma boa ferramenta para recolher feedback dos clientes, melhorar a experiência do cliente e aumentar as conversões.
- NICE: Para as equipas de CX que procuram uma plataforma de CX na nuvem abrangente, a NICE pode ser a solução ideal. É um software de experiência do cliente que utiliza IA para criar modelos de CX com base nas interações dos clientes. As suas ferramentas de análise de sentimentos recolhem informações estruturadas e não estruturadas e transformam-nas em informações úteis para o negócio. A ferramenta pode analisar e interpretar todas as interações com os clientes para avaliar as alterações em tempo real à sua reputação online. A NICE inclui chatbots conversacionais e de IA, automação de processos robóticos, encaminhamento baseado em IA, análise de desempenho e resposta de voz interativa.
- Listen360: A Listen360 é uma ferramenta de envolvimento do cliente que ajuda a monitorizar as experiências e respostas dos clientes em diferentes canais online. Acompanha o feedback positivo e negativo das redes sociais e da Web e alerta rapidamente as marcas, para que estas possam tomar medidas corretivas. A ferramenta concentra-se nos detratores e nos clientes “em risco”, permitindo-lhe efetuar melhorias de forma rápida e fácil. As funcionalidades da Listen360 incluem análise de texto, painéis em tempo real, análise de NPS e alertas de detratores.
Melhor CX através da análise de sentimentos
Se leu até aqui, parabéns — está a terminar com conhecimentos introdutórios sólidos sobre a análise de sentimentos e o NLP. Com a precisão destas ferramentas a melhorar mais rapidamente do que nunca, não há melhor altura para escolher uma ferramenta de análise de sentimentos e começar.
Quando o fizer, lembre-se do “porquê” dos seus esforços:
Criar uma melhor experiência do cliente.
Ao recolher de forma abrangente o feedback dos clientes e analisá-lo quanto aos sentimentos, pode obter uma visão impressionantemente atualizada, em tempo real, de como os clientes se sentem em relação à sua marca e ao seu produto. Também obterá uma compreensão mais profunda de como adaptar o seu produto às necessidades dos clientes.
Com a análise de sentimentos baseada em NLP, tem uma linha direta para os pensamentos dos seus clientes — e o impacto que isso pode ter na sua empresa não deve ser subestimado.
Leia mais sobre os benefícios da análise do sentimento dos clientes aqui, ou subscreva a nossa newsletter para receber regularmente dicas de CX diretamente na sua caixa de entrada.