Da qualche anno le imprese sono sempre più attente alla loro reputazione su Internet. La Sentiment Analysis (Analisi del sentimento), detta anche Opinon Mining, è l’attività mirata ad “ascoltare” il Web e in particolare i social network per conoscere quello che si dice in Rete della propria società e del brand. È un’attività molto rilevante, che ha l’obiettivo di contrastare tempestivamente eventuali diffamazioni o notizie imprecise e di comprendere meglio ciò che la gente pensa. Interpretare il “sentimento” dei nostri clienti o dei potenziali acquirenti e anche dei clienti dei nostri competitor è diventato un lavoro molto richiesto e molto praticato negli uffici di Digital Marketing e comunicazione, soprattutto nel retail.
Tipologie di Sentiment Analysis
L’analisi del sentiment utilizza modelli di apprendimento automatico (Machine Learning) ed elaborazione del linguaggio naturale (NLP, Natural Language Processing) per analizzare il testo scritto. Le metriche utilizzate sono progettate per rilevare se il sentiment complessivo di un testo è positivo, negativo o neutro.
I sistemi di analisi del sentiment si suddividono a grandi linee in 4 categorie:
- Analisi fine-grained: scompone gli indicatori del sentiment in categorie più precise, come molto positivo e molto negativo. Questo approccio è simile alle valutazioni delle opinioni su una scala da uno a cinque stelle ed è quindi efficace per valutare i sondaggi di soddisfazione dei clienti.
- Analisi della rilevazione delle emozioni: identifica le emozioni anziché la positività e la negatività – felicità, frustrazione, shock, rabbia e tristezza.
- Analisi basata sull’intento: riconosce le motivazioni, oltre all’opinione manifestata, che stanno dietro un testo. Ad esempio, un commento online che esprime frustrazione per il disservizio sperimentato in un’officina di assistenza meccanica potrebbe avere l’intento di ottenere il supporto dell’assistenza clienti per risolvere il problema.
- Analisi basata sugli aspetti: esamina il componente specifico che viene menzionato in modo positivo o negativo. Ad esempio, un cliente potrebbe recensire un prodotto dicendo che la durata della batteria è troppo breve. Il sistema di analisi del sentiment noterà che il sentiment negativo non riguarda il prodotto nel suo complesso, ma quello specifico aspetto.
Da dove si inizia
Il primo passo che, fortunatamente, è alla portata di tutti, è quello di leggere i commenti che arrivano al sito web ufficiale o a quelli che sono inviati ai nostri “social” tipo Facebook, Twitter o Instagram.
Il problema diventa più complesso quando, specie per le PMI, i commenti iniziano ad essere centinaia al giorno. Allora ci vuole un Social Media Manager che sia in grado di scegliere i messaggi più importanti e tralasciare tutti gli altri. A questo livello, bisogna anche preoccuparsi di ciò che dicono i mezzi di comunicazione e gli influencer, cioè quelli che, in pratica, sono riconosciuti come delle “autorità” nel loro campo. Non ci dimentichiamo che, allo stesso tempo, è anche molto utile analizzare tutto ciò che riguarda i propri diretti concorrenti.
Come funziona l’Opinion Mining
La Sentiment Analysis segue generalmente questi 5 passaggi:
- Raccolta dei dati. Il testo da analizzare viene identificato e acquisito. Questo può avvenire tramite un bot di web scraping (estrazione delle informazioni) o un’interfaccia di programmazione per lo scraping.
- Ripulitura dei dati. I dati vengono elaborati e ripuliti per rimuovere il cosiddetto rumore di sottofondo, ovvero le informazioni non rilevanti ai fini della valutazione del sentiment del testo. Questo include contrazioni, congiunzioni, articoli, segni di puntaggiatura, URL, caratteri speciali e lettere maiuscole. Questo processo è chiamato standardizzazione.
- Estrazione delle caratteristiche salienti. Un algoritmo di apprendimento automatico estrae automaticamente le caratteristiche del testo utili a identificare il sentiment negativo o positivo. Le tecniche utilizzate includono la cosiddetta bag-of-words (BoW), che tiene traccia della frequenza di ripetizione di una parola nel testo, e quella più sfumata del word embedding, che utilizza reti neurali per analizzare parole con significati simili.
- Scelta del modello di apprendimento automatico. Uno strumento di Opinion Mining valuta il testo utilizzando un modello di Machine Learning basato su regole, automatico o ibrido. I sistemi basati su regole eseguono l’analisi del sentiment basandosi su regole predefinite che si fondano sul lessico utilizzato e vengono spesso utilizzati in settori come il diritto e la medicina, dove è necessario un elevato grado di precisione nell’interpretazione. I sistemi automatici utilizzano tecniche di apprendimento automatico e Deep Learning per imparare dai set di dati. Un modello ibrido combina entrambi gli approcci ed è generalmente considerato quello più accurato. Utilizza approcci diversi per assegnare punteggi di sentiment ai diversi pezzi di testo analizzati.
- Classificazione del sentiment. Una volta scelto il modello e compiuta l’analisi del testo, viene assegnato un punteggio (score) di sentiment al testo, indicando se è positivo, negativo o neutro. Le organizzazioni possono anche decidere di visualizzare i risultati dell’analisi a diversi livelli – il livello del documento, che si riferisce principalmente a recensioni professionali e copertura mediatica; il livello della frase, per commenti e recensioni dei clienti, e il livello della sotto-frase, che identifica porzioni di testo all’interno delle frasi.
Perché è importante
L’analisi del sentiment è un modo importante per le organizzazioni di capire come i clienti percepiscono i loro prodotti e brand. Sempre più spesso, i feedback dei clienti vengono forniti online attraverso una varietà di piattaforme non connesse tra loro, come le recensioni dei prodotti su Amazon, i comparatori online o i post sui social media.
Di solito, le organizzazioni non hanno il tempo o le risorse per scandagliare Internet, leggere e analizzare ogni singolo dato relativo ai loro prodotti, servizi e brand. Invece, utilizzano algoritmi di analisi del sentiment per automatizzare questo processo e fornire feedback in tempo reale, migliorare i loro prodotti o servizi e l’esperienza del cliente potenziando la fedeltà e la retention.
Un supporto indispensabile per il MarCom
Per tutte le imprese che hanno una vastissima clientela, la Sentiment Analysis diventa una parte importante delle attività di marketing e comunicazione. Dal punto di vista di marketing, è utile per guidare le strategie a livello di prodotto; mentre per la parte di comunicazione è importante per ricevere delle informazioni “dirette”, cioè “sincere”, che consentono di capire se i messaggi hanno raggiunto l’obiettivo (e in una seconda fase, i “feedback”, possono essere analizzati dalla divisione di marketing).
Quando i dati sono davvero tanti è bene pensare ad una struttura ad-hoc che si occupi del monitoraggio dei social media, e magari a una competenza specializzata come quella del data scientist. Infatti, sia per la parte tecnica che per quella di marketing è importante avere esperienza e conoscenza del proprio mercato e della clientela tipo che frequenta i social che vogliamo tenere sotto controllo. Con una struttura del genere possiamo analizzare frequentemente:
- la reputazione online del nostro brand;
- la percezione del nostro prodotto sulla Rete;
- l’efficacia delle nostre attività di marketing e comunicazione, misurando come si ripercuotono su Internet.
Gli strumenti e i limiti della Sentiment Analysis
Dal punto di vista tecnico fare una seria analisi del “sentimento” non è una cosa affatto semplice da fare. Oggi, per fortuna, sono molti i tool che permettono di eseguire in maniera quasi automatica l’analisi dei testi che vogliamo analizzare dai vari social. È una buona pratica analizzare i dati con diversi software per capire se giungiamo sempre alla stessa conclusione: infatti, l’analisi del sentimento, a meno che non disponiamo di sofisticatissimi tool, è sempre piuttosto difficile che dia un risultato netto e preciso.
Quindi è sempre bene avere una buona dose di scetticismo quando leggiamo il report finale, ed è bene integrare questi risultati con altri indicatori e KPI provenienti dal marketing e dal reparto comunicazione. Infine, non è un’idea affatto malsana quella di provare anche la versione gratuita dei software professionali che si occupano di analisi semantica, perché alcuni si sono specializzati per il web, altri per Twitter e altri ancora sono ideali per Facebook.
Per la scelta dei programmi migliori, un’ottima partenza è quella di utilizzare i programmi che gli stessi Twitter, Facebook e Google mettono a disposizione.
Ecco alcuni link utili
Who's Who
Antonio Camerlengo
Dopo una decennale carriera come analista-programmatore in ambito bancario/finanziario, ha fatto diverse esperienze in ambito accademico e della ricerca. Ha insegnato Data Mining e Statistica Multivariata all’Università di Milano Bicocca. Giornalista pubblicista, ex collaboratore di Italia Oggi e Il Sole 24 Ore
Articolo originariamente pubblicato il 19 Mar 2019
