Scegliere il proprio percorso aziendale è un passo che precede tutto il settlement del proprio business. Le aziende che quindi si configurano come data-driven sanno già che, nella cospicua mole di dati in analisi, tra i più importanti da prendere in considerazione ci sono quelli relativi al sentiment degli utenti. MBK Fincom, che sin dalla fondazione si è messa in gioco proprio nell’analisi dei dati e nella creazione di soluzioni conseguenti, vi spiega con l’aiuto di alcuni suoi esperti in cosa consiste questo approccio.
Premessa: la sentiment analysis è solo una delle operazioni possibili (e necessarie) in un’ottica aziendale data-driven; muoversi nella mole di dati che oggi il web ci consente di collezionare, infatti, richiede un attento discernimento in base a fonti, tipologie e, sopratutto, target.
Analizzare il sentiment relativo al proprio brand, prodotto, o addirittura a specifiche nicchie o keyword, può essere d’aiuto in diverse strategie. Partendo da un marketing design più personalizzabile, passiamo per strategie di finance e approvvigionamento più in linea con le “vere” pretese del mercato.
Cerchiamo allora di capire in cosa consiste questa analisi, e come la sua corretta implementazione può fornire notevoli apporti a una compagnia data-driven.
Cosa è la Sentiment Analysis (SA)?
Come ogni concetto legato al digital, non possiamo esaurirlo in una semplice definizione; in generale, si tratta di un insieme di attività e pratiche atte all’ascolto, analisi e sfruttamento del peso emotivo delle opinioni espresse dagli utenti su ogni genere di piattaforma online.
Chiamato anche Opinion Mining (estrazione di opinioni), le due branche di studio che hanno dato materiale e nascita al concetto sono la linguistica computazionale e l’analisi testuale. Il concetto di opinione è centrale; nella definizione infatti rientra la risposta verbale, espressa per iscritto, e spesso di getto e con molta sincerità, della situazione emotiva dell’utente (chiamato in questo contesto “opinion holder”) in un qualsiasi punto di contatto col brand/prodotto/servizio/situazione.
Ovviamente, i dati rilevanti vanno cercati nei “contenitori” più capienti: social media e recensioni online. In questo tipo di piattaforme e modalità, infatti, gli utenti esprimono liberamente e direttamente tutti i loro stati d’animo, emozioni e opinioni; sia la ricerca che la selezione del materiale congruo, però, devono essere effettute e processate secondo azioni specifiche.
Quali sono le operazioni che costituiscono l’attività di SA?
Le best practice associate al processo (svolto da una macchina, precisiamo), sono normalmente settate su alcuni standard:
- analisi delle keyword (keywords scoring): si tratta di ritrovare in una fonte tutte le parole semplici legate alla sfera emotiva (bello, brutto, pessimo, triste, felice, arrabbiato). In base alle conoscenze o istruzioni della macchina, alle parole viene dato un punteggio positivo, negativo o neutro;
- affinità lessicale: allargando lo spettro d’azione del primo passo, questa metodologia non rileva solo le KW emotive, ma assegna anche ad altre parole, scelte in maniera arbitraria, un’affinità probabile a determinate emozioni, in modo da affinare la selezione primaria;
- metodi statistici: basati sull’intelligenza artificiale (AI) e sul machine learning (il processo di apprendimento della macchina). Non sono immediati e spontanei, ma richiedono una costruzione di modelli associativi e istruzioni grammaticali; in questo processo, infatti, vengono analizzate le relazioni tra le parole utilizzate tramite un’analisi approfondita della semantica latente, ossia di “regole” di rapporto tra le parti di un testo che la macchina può interpretare secondo schemi comunque sconosciuti, e dar loro quindi un valore. Il processo è ancora più complesso e minuzioso, perché deve sottintendere la capacità del sistema di dare una polarizzazione non solo a semplici frasi, ma a interi topic e costrutti complessi;
- tecniche a livello concettuale: si tratta dell’analisi di strutture semantiche sottili, più complesse; è la parte che più di tutte rischia di generare problemi alla macchina nell’attribuzione di uno scoring.
Livelli e metodi di analisi
Ogni elemento preso in analisi va controllato secondo diversi livelli, dato che non basta lavorare solo sul significato delle parole in sé.
Primo parametro da considerare, in un commento, recensione o contenuto, è il Tone of Voice (tono di voce); sebbene spesso sia abbastanza chiaro e scontato (specie se si parla di un tono escandescente/rabbioso in caso di lamentele), a volte elementi come il sarcasmo o l’ironia potrebbero rappresentare un punto di confusione per la macchina.
L’intensità del commento, ossia la forza (verbale e paraverbale – font, grandezza del carattere, punteggiatura) del dato, aiuta a definire meglio il ToV, ma anche a misurare l’”urgenza” dell’eventuale commento/recensione.
Legata al lessico, alla presenza di eventuali aggiunte come emoji o emoticons, e ad altri elementi paraverbali, è l’emotività, ossia la categorizzazione emotiva del contenuto.
La rilevanza del testo, invece, è il rapporto di coerenza con il tema principale in analisi; ad esempio, un commento relativo al “tempo meteorologico”, seppur negativo, sarebbe poco rilevante in caso di analisi di un testo linguistico.
Infine, l’analisi semantica; grazie anche alle più recenti implementazioni dell’algoritmo di Google in questo senso, parliamo di un’attività tra le più complesse da effettuare. In tutte le lingue, infatti, capita abbastanza spesso che una stessa parola assuma significati o sfumature diverse a seconda del contesto, della posizione nella frase, del modo di scriverla.
Dato che queste analisi sono eseguite su moli di dati troppo copiose, esistono ovviamente dei tool specifici per l’analisi del sentiment; in molti casi, questa può essere implementata dall’apporto umano. Migliore è la capacita del programma di destreggiarsi da solo tra le varie sfumature del linguaggio umano (e quindi meglio sono implementati nella sua AI i meccanismi di NLP – Natural Language Processing/processione del linguaggio naturale), tanto più valido sarà come strumento per l’analisi del sentiment (e tanto più, plausibilmente, costerà la relativa licenza).
Limiti della SA
I limiti di questo genere di analisi, comunque, sono i limiti stessi della macchina; un software, per quanto perfetto, difficilmente riuscirà capire specifiche sfumature e nuance del linguaggio umano; pensate al sarcasmo (“un prodotto rotto era quello che cercavo, davvero fantastico!”), l’ironia (“complimentoni!”, a seguito di una compravendita negativa o di una mancata risposta”), il gergo (“bella sbatta!”) o il contesto fuorviante o ambiguo (“non esco per il tempo”, in cui può significare sia “lasso di tempo” che “tempo meteorologico”).
Inoltre, all’attuale sviluppo della tecnologia relativa all’IA, i processi di machine learning richiedono ancora tempistiche lontane dall’immediato, e spesso implementazioni/correzioni di natura umana.
Come sfruttarla in una compagnia Data-driven?
Abbiamo posto la stessa domanda a Ronny Soana, responsabile marketing e COO di di ProduceShop, che ci ha spiegato le diverse applicazioni dell’analisi sentiment nei vari settori, così come consolidati nella loro azienda.
“Sebbene spesso in tanti pensino che la Data Analysis, in generale, sia di uso esclusivo del settore marketing – risponde Ronny – in realtà un’intera realtà aziendale può tranquillamente beneficiarne (se adeguatamente formata e strutturata).
Parliamo ovviamente di data-driven-businesses no? Quindi di situazioni in cui la “pesca” dei dati e la loro analisi, “setacciamento”, rappresentazione grafica sono pane quotidiano di ogni manager e analyst di dipartimento.
Pensiamo al MKTG, ad esempio; vedremo che, analizzando il sentiment di clienti e utenti target in un lasso di tempo specifico, e relativamente a keyword legate a un prodotto, una categoria, una moda, è possibile architettare e disegnare campagne adeguate e personalizzate; inoltre, si tratta di uno strumento indispensabile per tante altre attività. Tra le tante, il monitoraggio della percezione del brand da parte degli utenti, la gestione (e prevenzione) di eventuali crisi in maniera repentina, l’analisi approfondita dei competitor (con tutte le dovute operazioni di benchmarking); oppure, la misurazione effettiva di alcuni KPI.
Se facciamo un giro negli altri dipartimenti possiamo vedere che la SA può dare una mano a tute le figure:
- nel finance è un ottimo strumento di valutazione dei mercati;
- aiuta l’ufficio acquisti a monitorare sia cosa provano gli utenti in base a specifici e potenziali prodotti, sia l’appetibilità di alcuni mercati;
- valutare le risposte e i commenti dei clienti è cruciale per il customer care, così come lo è valutare mezzi e tendenze per l’IT.”
In conclusione
Vagliate modalità e vantaggi rimane una domanda aperta: è veramente necessario affidarsi a questo genere di analisi?
Il nostro parere a riguardo è favorevole; anni di best practice orientate verso questo modus operandi hanno fatto si che la misurazione dei risultati fosse positiva. Inoltre, la quantità di aziende che ha deciso d’implementare le proprie strategie con un’adeguata sentiment analysis è facilmente visibile. Sono quelle con cui interagiamo ogni giorno.
Fonti:
- PR Aziendali
- Dipartimento Finance ProduceShop
- Divisione IT ProduceShop
- Dipartimento Marketing ProduceShop (https://mbkfincom.com)
- Aruba
- TalkWalker
- InsideMarketing
- Monkey Learn
- Denodo
- KPMG
- Digital 4Biz