Como funciona a análise de sentimentos?

É possível que já saiba que a análise de sentimentos é utilizada para determinar se um conjunto de dados tem um sentimento neutro, positivo ou negativo. Mas, uma vez que está aqui, é provável que não tenha uma compreensão muito mais aprofundada do que isso.

Neste artigo, responderei às perguntas: O que é a análise de sentimentos? Como funciona a análise de sentimentos? E o que pode a análise de sentimentos fazer por si? 

Depois de ficar a par de tudo, pode consultar a nossa lista das 10 melhores ferramentas de análise de sentimentos.

O que é a análise de sentimentos?

Antes de avançarmos, vamos recapitular rapidamente o que é a análise de sentimentos.

Enquanto seres humanos, utilizamos diariamente a análise de sentimentos para avaliar as opiniões uns dos outros. Por vezes, pode ser complicado, como quando lidamos com um amigo particularmente sarcástico ou tentamos perceber o que o nosso chefe realmente sente quando dá feedback sobre uma apresentação importante! O software de análise de sentimentos tenta imitar esta experiência tão humana.

Embora alguns softwares consigam analisar a fala, a maioria das ferramentas de análise de sentimentos é utilizada para a análise de texto, de modo a classificar o sentimento geral de um texto como positivo, negativo ou neutro. A isto chama-se polaridade. 

As fontes comuns de dados para a análise de sentimentos são publicações nas redes sociais, artigos de notícias, avaliações online, formulários de feedback solicitados, respostas a inquéritos, páginas Web/blogues/fóruns. Também poderá ouvir a análise de sentimentos ser designada por mineração de opiniões, IA emocional ou, de forma mais técnica, classificação de sentimentos.

Existem quatro tipos principais de análise de sentimentos: 

• Granularidade fina, também conhecida como polaridade (positivo, negativo ou neutro)
• Sentimentos e emoções (feliz, zangado, triste, divertido) 
• Baseada em aspetos (identifica a opinião sobre um aspeto específico de algo, por exemplo, a câmara de um smartphone)
• Intenção (interessado, não interessado, muito interessado).

As ferramentas de análise de sentimentos ajudam-no a analisar a enorme quantidade de dados subjetivos disponíveis na Web 2.0 para compreender o feedback das partes interessadas. 

As organizações utilizam os sentimentos de várias formas. Muitas marcas utilizam-nos como parte dos seus estudos de mercado para compreender melhor o que está a funcionar bem na sua estratégia de marca e onde precisam de melhorar. Outra utilização é feita pelas instituições financeiras para analisar o ciclo noticioso e identificar oportunidades de investimento.

Como funciona a análise de sentimentos?

Está bem, vamos agora analisar a mecânica do funcionamento da análise de sentimentos. Na sua essência, a análise de sentimentos é uma forma de ciência de dados. Mais especificamente, é uma forma de processamento de linguagem natural (NLP), que é por si só um subramo da inteligência artificial (IA), utilizada para identificar e classificar opiniões subjetivas a partir de dados de texto ou fala.

A IA na análise de sentimentos dos clientes existe precisamente na interseção entre a tecnologia informática e a fala humana, uma perspetiva entusiasmante para qualquer cientista de dados apaixonado por linguística. 

Mas não é fácil. Para compreender corretamente a linguagem de um texto e produzir uma pontuação de sentimentos precisa ou uma perceção relevante, os programas têm de utilizar vários métodos que simulam aquilo que nós, enquanto seres humanos, fazemos intuitivamente. Estas simulações assumem a forma de algoritmos avançados (instruções para computadores).

A partir daqui, existem duas abordagens principais à análise de sentimentos:

• Baseada em regras: um sistema baseado em regras estabelecidas manualmente por seres humanos.
• Automática: sistemas que aprendem por si próprios utilizando técnicas avançadas de aprendizagem automática. 

A diferença fundamental entre as duas está na abordagem utilizada para ensinar o sistema. Vamos agora analisar estas abordagens com um pouco mais de detalhe.

Análise de sentimentos baseada em regras

O método baseado em regras utiliza NLP em conjunto com um conjunto de regras definidas manualmente para ajudar a identificar a subjetividade, a polaridade ou o tema de uma opinião. Algumas das técnicas de NLP utilizadas são a derivação de radicais, a tokenização, a etiquetagem de partes do discurso, a análise sintática e a análise de léxico. Se tiver interesse, pode ler mais sobre estas técnicas aqui.

Eis um exemplo básico de análise de sentimentos baseada em regras. 

Para determinar a polaridade de um texto, as ferramentas de análise de sentimentos têm primeiro de o dividir em componentes individuais, ou seja, palavras e frases, utilizando PLN. Em seguida, comparam-nos com uma base de dados, denominada léxico ou biblioteca de sentimentos, compilada a partir de uma coleção de palavras e frases recolhidas e classificadas manualmente. 

Geralmente, às palavras e frases neutras é atribuída uma pontuação de zero. As palavras significativamente negativas recebem uma pontuação negativa e as palavras positivas recebem uma pontuação positiva. Por exemplo, numa avaliação de um produto, palavras e expressões como mau, dececionante, terrível e horrível relacionadas com serviço de apoio ao cliente receberiam uma pontuação negativa, enquanto bom, excelente, prestável e útil receberiam uma pontuação positiva.

Criar uma biblioteca de sentimentos e as regras correspondentes é um processo extenso. É necessário ter cuidado ao atribuir uma pontuação a cada palavra e ao fazer comparações adequadas. Por exemplo, o sistema precisa de compreender que “mau” é uma palavra negativa, mas “horrível” é ainda mais negativa; “bom” é positivo e “incrível” é ainda mais positivo.

O sistema baseado em regras pode ser rápido de criar, mas é algo limitado. Isto deve-se ao facto de não conseguir reconhecer palavras que não aparecem na biblioteca nem analisar palavras tendo em conta o contexto, o que dificulta a identificação de complexidades como o sarcasmo, os homónimos e a polissemia. Por exemplo, a frase “chama a isso um excelente serviço de apoio ao cliente?” poderia ser facilmente mal interpretada.

Os sistemas baseados em regras também exigem muito esforço para serem mantidos e atualizados. É necessário adicionar manualmente novas regras para acompanhar a evolução da linguagem em linha. A adição de novas regras também acarreta o risco de afetar resultados anteriores. 

Análise automática de sentimentos

Em vez de dependerem de um conjunto de regras criadas e atualizadas manualmente, os sistemas automáticos de análise de sentimentos são treinados utilizando técnicas de aprendizagem automática. Neste caso, a aprendizagem automática refere-se a algoritmos que utilizam aprendizagem profunda para se tornarem mais precisos sempre que encontram um obstáculo, necessitam de intervenção humana ou recebem comentários dos utilizadores. 

É algo técnico, mas eis uma versão simplificada de como funciona.

1. Encontre um grande conjunto de dados semelhante aos dados que pretende analisar e etiquete alguns exemplos. Isto torna-se nos dados de treino. Não está a fornecer regras ao sistema, mas sim exemplos.
   
2. Utilize os dados de treino para desenvolver o seu modelo de aprendizagem automática. Este será constituído por algoritmos de classificação, como a regressão linear; o classificador de Bayes ingénuo; as máquinas de vetores de suporte; e as variantes de RNN LSTM e GRU. Como o nome sugere, estes algoritmos são utilizados para classificar dados (positivos, negativos, felizes, tristes, etc.). Se tiver interesse, aqui pode encontrar mais informações sobre estes algoritmos.
   
3. Se o seu modelo funcionar, depois de receber dados relevantes suficientes, será capaz de fazer as suas próprias previsões para classificar dados que não tenham sido anteriormente vistos. Identificou as suas próprias regras!
   
4. Continue a melhorar a precisão destes modelos fornecendo mais exemplos.

A vantagem da abordagem automática é a capacidade de se adaptar e criar modelos treinados para muitos fins e contextos diferentes.

Por exemplo, sabemos que a palavra Phoenix se refere a uma ave mitológica e também à cidade de Phoenix, no Arizona. Um algoritmo de aprendizagem automática pode ser treinado para identificar, com base no contexto, qual das definições de Phoenix é pretendida quando a palavra é utilizada numa frase. Pode depois utilizar essa experiência para reconhecer casos semelhantes.

De forma semelhante, um modelo assinala “woke” (com o significado de ‘despertar’) como uma palavra neutra. No entanto, “woke” tornou-se recentemente uma expressão informal para “consciente do ponto de vista sociopolítico”, transformando-se num homónimo recém-criado. Assim que o algoritmo recebe este comentário uma vez, pode aplicar esse novo conhecimento a todas as análises seguintes. A palavra “woke” recebe agora uma pontuação tendencialmente positiva em determinados contextos.

Os métodos automatizados são geralmente considerados superiores. No entanto, a desvantagem de uma abordagem automatizada baseada na aprendizagem automática é o facto de depender de dados históricos etiquetados e poder demorar algum tempo a ser treinada. Também requer cientistas de dados altamente qualificados para ser desenvolvida!

Abordagem híbrida

Combinando o processamento de linguagem natural com a aprendizagem automática, numa abordagem híbrida, considera-se geralmente que é possível melhorar a precisão da análise de sentimentos. O processamento de linguagem natural é utilizado para compreender o sentimento das palavras e as classes gramaticais. A aprendizagem automática é utilizada para lidar com a evolução constante da linguagem, interpretar as palavras no seu contexto e compreender processos linguísticos complexos, como os homónimos. 

Aplicações da análise de sentimentos

Como mencionado, a análise de sentimentos é extremamente útil para as organizações que querem saber o que as pessoas sentem em relação a si. Com tantos dados a serem criados constantemente em todo o mundo, a análise de sentimentos pode ajudar a interpretar tudo isso em tempo real. 

Eis algumas das formas como esta tecnologia já está a fazer a diferença:

Responder à experiência do cliente

O feedback sobre a experiência do cliente pode ser obtido organicamente na Internet (por exemplo, através de menções nas redes sociais) ou a partir de feedback que solicite ativamente. Esperemos que disponha de um conjunto de dados amplo e diversificado para trabalhar. Nesse caso, é aqui que a utilização de software de análise de sentimentos pode abranger rapidamente uma grande quantidade de informação e fornecer conhecimentos valiosos. Estes podem depois ser utilizados nos seus esforços de gestão da reputação, contribuir para inovações nos produtos e melhorar o apoio ao cliente.

Monitorizar os concorrentes

Ao monitorizar o sentimento em relação aos seus concorrentes, pode obter uma boa perceção da posição deles no mercado e compará-la com a sua. Por exemplo, imagine que 40 por cento das menções à sua conta no Twitter são positivas, 30 por cento são negativas e as restantes são neutras. Como sabe se isso é bom ou não? Bem, se o seu maior concorrente tiver cerca de 60 por cento de menções positivas, 30 por cento negativas e as restantes neutras, ainda tem algum trabalho pela frente. Por outro lado, se os sentimentos forem 50 por cento negativos, sabe que está a ter um desempenho razoavelmente bom segundo os padrões do setor. 

Experiência dos colaboradores

Por fim, a análise de sentimentos pode ajudar a analisar os dados utilizados pelas equipas de RH para compreender o que deixa os colaboradores satisfeitos ou por que motivo abandonam uma empresa. Ao identificar reclamações e problemas comuns, os empregadores obtêm informações úteis para reduzir a rotatividade e melhorar o desempenho dos colaboradores. Esta capacidade é especialmente útil para empresas com muitos colaboradores, uma vez que a gestão não teria tempo para falar individualmente com centenas de funcionários. 

A análise de sentimentos é precisa?

Como grande parte da análise de sentimentos que fazemos enquanto seres humanos é subjetiva, não é realista esperar que uma ferramenta de análise de sentimentos seja precisa 100 por cento das vezes. Os cientistas de dados estão a melhorar o desenvolvimento de classificadores de sentimentos mais precisos, mas ainda há um caminho a percorrer.

Quais são os maiores desafios de um modelo de análise de sentimentos? Já mencionámos alguns, e são os mesmos problemas que tornam a análise de sentimentos difícil para as pessoas. Os problemas mais comuns incluem: 

• Sarcasmo. Se alguma vez passou algum tempo na secção de comentários, ou recebeu uma mensagem de texto sem ter a certeza de que o remetente estava a falar a sério, sabe que o sarcasmo é difícil de avaliar num texto. Considere as duas situações seguintes:

O comboio está novamente apenas 30 minutos atrasado hoje. Ainda bem que é pontual! 
O comboio está novamente apenas 2 minutos atrasado hoje. Ainda bem que é pontual!

Obviamente, o comboio que está 30 minutos atrasado não é pontual, mas o software de análise de sentimentos pode ter dificuldade em detetar isso.

• Multipolaridade. Por vezes, uma frase pode expressar algo positivo em relação a uma coisa e negativo em relação a outra. Por exemplo, “A Pepsi é muito melhor do que a Coke.” Esta frase consegue dizer algo positivo sobre a Pepsi e negativo sobre a Coke utilizando apenas seis palavras. É pouco provável que um sistema de análise de sentimentos consiga classificar esta frase com precisão sem uma programação mais sofisticada.

• Negação. Uma negação ocorre quando se inverte o significado de uma palavra ou expressão, como em: “Não diria que a comida era boa.” Nós, seres humanos, podemos ter dificuldade em compreender o significado de uma expressão ou frase com uma negação, pelo que não é surpreendente que as ferramentas de análise de sentimentos também tenham dificuldades.

Conclusão 

Agora já sabe tudo sobre a análise de sentimentos e como pode ser utilizada para analisar dados e avaliar a opinião dos clientes sobre a sua marca. 

As ferramentas de análise de sentimentos farão grande parte do trabalho pesado por si, mas é sempre aconselhável que uma pessoa reveja algumas amostras aleatórias do trabalho para verificar se existem aspetos que as máquinas têm dificuldade em compreender. A análise de sentimentos é mais eficaz quando a tecnologia e as pessoas trabalham em conjunto.

Procura mais informações sobre a experiência do cliente? Subscreva a newsletter da The CX Lead.

Leitura relacionada: Os 10 melhores softwares de apoio ao cliente para PME e empresas