<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=1267344923293614&amp;ev=PageView&amp;noscript=1">

Blog

Come sfruttare l'AI per la gestione della Reputazione Online e la Sentiment Analysis

Davide Avella

Davide Avella, 17 giugno 2021 | Intelligenza Artificiale

"Le parole sono la più potente droga usata dall’uomo." (Rudyard Kipling)

È il 1971 e lo psicologo Albert Mehrabian sta conducendo numerosi studi sulla comunicazione e non sa che uno di questi, suo malgrado, sta per diventare un vero e proprio mantra tra i guru e i consulenti di tutto il mondo. È la teoria del 55, 38, 7. Secondo questo combinazione le componenti di efficacia di un messaggio non risulterebbero equamente distribuite fra loro, bensì suddivise secondo specifiche percentuali: 

  • il 55% dipende dalla prossemica, il  linguaggio del corpo; 
  • il 38% è legato agli aspetti paraverbali come il tono e il timbro della voce;
  • solo il 7% dal contenuto delle parole e pertanto dal loro significato. 

Oggetto negli anni a seguire di numerosi manipolazioni e strumentalizzazioni, riassumeva in una formula il sogno di molti piazzisti: vendere più aspirapolveri modulando la sola voce. Ben presto questo sogno è andato in frantumi e a infliggere il  colpo di grazia  al teorema di Mehrabian è stato l’avvento del web come lo conosciamo oggi. Descrizioni di prodotti, recensioni, opinioni, articoli. Una quantità di byte/parole scritte come non si era mai visto dall’invenzione dei caratteri mobili di Gutenberg. A fronte di questo cambiamento là già discussa proporzione è andata letteralmente in frantumi. Né prossemica, né timbro, né ritmo. Solo parole e il loro significato. A volte ambiguo, a volte sarcastico, altre volte ironico, ma nient’altro che parole.

Verba volant, scripta manent 

Nel corso degli ultimi anni è avvenuta una mutazione nel modo in cui gli utenti si rapportano alle aziende e ai marchi. I dispositivi digitali forniscono a qualsiasi ora del giorno e da qualsiasi luogo accesso a informazioni, prodotti e servizi attraverso i canali digitali. Gli utenti utilizzano sempre social network, blog, chat per comunicare con le aziende e per scambiare pareri e opinioni sui servizi e i prodotti offerti. Per questo motivo diventa fondamentale, per i brand, monitorare la loro brand reputation online.

Pare che i giudizi che vengono pubblicati dai clienti sulla rete incidano fino al 9% sul fatturato complessivo di un'azienda. Né va dimenticato, il cosiddetto astroturfing, ossia la manipolazione artificiale delle opinioni. Fenomeno, quest’ultimo, che nel caso di servizi e prodotti venduti online può avere un impatto ancora più dirompente. Chiunque prima di completare un acquisto naviga su siti specializzati per leggere opinioni oppure legge le recensioni lasciate da chi ha già provato o acquistato quel prodotto/servizio. Pareri che possono riguardare la qualità dei prodotti in sé, ma anche — per esempio — il servizio di assistenza che viene fornito, le modalità con le quali la customer care viene gestita, la puntualità, il rispetto dei tempi di consegna, il modus operandi del venditore, eccetera.

Si entra così nell’ambito di quella che è definita crisis management, una serie di attività e di action che vengono messe in pratica per cercare di arginare i danni alla brand reputation e alle performance di un’azienda provocate da una situazione problematica. Una serie di commenti negativi, recensioni particolarmente dure in grado di danneggiare l’azienda a livello pubblico: diventando la crisi di dominio pubblico, infatti, si perde la capacità di controllare l’informazione e le conversazioni sul brand. Senza dimenticare che tutto quanto è scritto sui social o su altre piattaforme può essere sempre recuperato, anche a distanza di tempo. È essenziale per questo motivo intervenire in modo tempestivo per ridurre al minimo il rischio. 

Ma come può un’azienda monitorare l’ingente quantità di informazioni che si trovano sul web e capire, da queste, come viene percepito il brand? È possibile farlo grazie all’Elaborazione del Linguaggio Naturale e a una sua applicazione: la Sentiment Analysis.

Natural Language Processing e Sentiment Analysis

Il Natural Language Processing (NLP) è una branca dell’informatica, e in particolare dell’intelligenza artificiale, che si occupa di dare al computer la capacità di comprendere il linguaggio (scritto o parlato) in modo molto simile a quanto fanno comunemente gli esseri umani. Il Natural Language Processing (NLP) combina la modellazione basata su regole del linguaggio umano con modelli statistici, di apprendimento automatico e di Deep Learning. La Sentiment Analysis è un task del NLP il cui scopo è, principalmente, capire la polarità di un testo, capire cioè se si parla di un certo argomento, in determinate interazioni testuali (social network, forum online, siti web) in modo positivo o negativo e quali sono le emozioni legate a un determinato argomento. 

Conosciuta anche come Opinion Mining, la Sentiment Analysis esegue il recupero dei testi di interesse attraverso molteplici canali e la relativa estrazione del testo da analizzare, elabora i risultati e seleziona le opinioni dal testo, permettendo di trarre conclusioni preziose.

Gli approcci più classici che si utilizzano di solito, rispetto alla Sentiment Analysis, rientrano generalmente in tre macro-categorie: rilevamento delle keyword, affinità lessicale e metodi statistici.

Il primo metodo, il rilevamento delle keyword, è quello più semplice: consente la classificazione del testo in categorie emotive individuate sulla base della presenza di parole emotive non ambigue, come felice o triste. Il metodo dell’affinità lessicale oltre al rilevamento delle keyword emotive, assegna alle altre parole del testo in esame un grado di affinità a determinate emozioni, consentendo di migliorare l’attribuzione della polarità. I metodi statistici si basano su elementi di apprendimento automatico. Per misurare l’opinione nel contesto e trovare la polarità, si utilizzando le relazioni grammaticali delle parole, che vengono ottenute attraverso la scansione approfondita del testo. Il processo di approfondimento da parte del computer (machine learning) avviene in seguito alla costruzione di modelli che associano a diverse tipologie di commenti una polarità.

Oggi, però, l’AI sta aprendo nuovi orizzonti. Reti neurali e deep learning consentono sempre di più di estendere in orizzontale le categorie delle emozioni del testo. Non solo positivo e negativo. Rabbia, felicità, tristezza e tante altre emozioni si possono dedurre dai testi per un’analisi sempre più precisa che metta la customer satisfaction al centro delle strategie di comunicazione. Anche l’ironia non è più un ostacolo così impervio da superare.  Fino a poco tempo le sfumature del linguaggio e le sue ambiguità costituivano il vero nodo al pettine degli strumenti di sentiment analysis. Oggi i nuovi modelli di Intelligenza Artificiale decodificano molto meglio il contesto, grazie anche alla quantità di testo che rimpinguano i training set. Infine, passi da gigante si registrano anche in lingue diverse dall’inglese. Se fino a qualche anno fa la maggior parte degli strumenti di Sentiment erano tarati sulla lingua del bardo Shakespeare, grazie all'enorme disponibilità di testi in inglese rintracciabili su internet, oggi paesi in forte crescita portano con loro necessità diverse insieme ad opportunità di business. I pattern neurali, che sono alla base dei nuovi modelli di AI, sono più indipendenti dal linguaggio rispetto ai modelli precedenti, che si basavano su parole positive e negative.

Conclusioni

Le tecniche di Sentiment Analysis permettono quindi di effettuare, in maniera automatica, un'indagine su grandi quantitativi di testo (e questo le rende particolarmente adatte  per analizzare la comunicazione online) che consente al brand di sapere come gli utenti parlano del brand stesso, di un nuovo prodotto o di un determinato evento, conoscendo quali sono le emozioni ad esso associate più frequentemente.

I vantaggi che si ottengono dall’utilizzo delle tecniche di Sentiment Analysis, per la gestione di brand e prodotti, sono dunque molteplici. In primo luogo l’automazione, che permette di analizzare grandi quantità di dati in modo efficiente in termini di tempo. La scalabilità rende l’elaborazione di una grande mole di dati testuali riguardanti il brand efficiente anche in termini di costi e di facilità di utilizzo. Inoltre, le tecniche di Sentiment Analysis consentono di configurare un sistema di alert in tempo reale che segnali sempre in primo luogo i commenti negativi, permettendo quindi al brand di “aggiustare il tiro” in caso di eventi o prodotti percepiti negativamente.

L’AI al servizio della Sentiment Analysis, inoltre, può essere utilizzata per monitorare non solo quello che il pubblico dice del nostro brand, ma anche dei brand concorrenti. In questo modo è possibile tenere sempre sotto controllo il modo in cui viene percepita la concorrenza e adattare la propria comunicazione aziendale e le proprie scelte anche a questo aspetto.

Scopri i casi di successo delle aziende che hanno già sfruttato l'AI!

Accedi al webinar on demand dedicato alle nuove sfide dell'IT post-pandemia e scopri i casi di successo di aziende che sono già ripartite grazie a tecnologie come l'Artificial Intelligence. Ti basta un clic sul pulsante qui sotto!

New call-to-action

Lascia un commento