La sentiment analysis è una tecnica in grado di estrapolare opinioni e sentimenti da qualsiasi tipo di testo. Essa aiuta a determinare se un testo sta esprimendo sentimenti positivi, negativi o neutri ed è anche un ottimo modo per scoprire come le persone, in particolare i consumatori, si sentono riguardo un argomento, prodotto o idea.
L’origine dell’analisi dei sentimenti risale agli anni ’50, quando questa veniva utilizzata principalmente su documenti cartacei. Tuttavia, l’analisi dei sentimenti è oggi ampiamente utilizzata nell’estrazione di informazioni da contenuti su internet inclusi tweets, articoli, recensioni e commenti.
Perché è così importante?
Principalmente perché permette alle aziende di capire quali sono i sentimenti che i clienti provano verso il brand. Ogni giorno vengono creati enormi volumi di dati utili alle aziende: email, messaggi, conversazioni sui social, articoli, documenti e sondaggi che sono molto complessi da analizzare velocemente e in maniera efficiente. I social, in special modo, sono diventati il luogo in cui i clienti condividono i propri pensieri su qualsiasi argomento. Commentando un dato prodotto o servizio questi entrano in contatto con sconosciuti alla ricerca di feedback. La difficoltà che i marketing manager e i digital marketer riscontrano, sta nel captare l’emozione sottostante, quindi ciò che realmente una persona prova, al di là di ciò che ha scritto.
Dal punto di vista tecnico estrarre i sentimenti da un social network e trasferirli in dati utilizzabili per la creazione di una strategia di marketing efficace non è affatto semplice. Per far fronte a questa difficoltà esistono delle tecniche di aggregazione che riescono a mettere nero su bianco le emozioni provate dai consumatori. Tutti i dati raccolti vengono poi aggregati per avere una visione complessiva dell’opinione dei clienti e per pianificare delle campagne di marketing data driven.
I vari tipi di sentiment analysis
Conoscere i diversi tipi di sentiment analysis è essenziale per capire quale utilizzare per il raggiungimento di un obbiettivo di marketing:
- analisi fine-grained: un’analisi “raffinata”. Fornisce una comprensione del feedback ricevuto dai clienti. È possibile ottenere risultati precisi in termini di polarità dell’input. Tuttavia, il processo dietro un’analisi fine-grained è più laborioso e costoso rispetto agli altri;
- analisi emozionale: mira a rilevare le emozioni. Molti sistemi di rilevamento delle emozioni utilizzano lessici complessi o algoritmi di machine learning. I lessici sono liste di parole positive o negative che rendono più facile separare i termini in base al sentimento ad esse associato. Uno degli aspetti negativi dell’uso del lessico è che le persone esprimono le emozioni in modi diversi. Alcune parole che in genere esprimono rabbia, come “cattivo” o “uccidere” (ad esempio “è un cattivo prodotto” o “il supporto clienti mi sta uccidendo”) potrebbero assumere significati diversi in base al contesto;
- analisi basata sull’aspetto del prodotto: questo tipo di analisi è condotta per un singolo aspetto di un servizio o di un prodotto. Di solito, quando si analizzano i sentimenti legati a un testo, come ad esempio la recensione di un prodotto, è utile sapere quali aspetti particolari o caratteristiche le persone stanno citando in modo positivo, neutro, o negativo;
- analisi dell’intenzione: permette di avere una comprensione più profonda dell’intenzione del cliente. Per esempio un’azienda può essere in grado di prevedere se un cliente intende usare il prodotto oppure no. Ciò significa che l’intenzione di un particolare cliente può essere tracciata formando un modello che verrà poi utilizzato per il marketing e la pubblicità.
L’interpretazione dei dati raccolti
La sentiment analysis utilizza strumenti molto complessi in grado di leggere i dati in arrivo da diverse piattaforme come: Facebook, LinkedIn, Instagram e Youtube. In ogni caso, non è la numerosità delle fonti a complicare l’analisi ma il tipo di caratteristiche che il software è in grado di prendere in considerazione. Tra i software più utilizzati troviamo Brandwatch che opera in 26 lingue e restituisce un gran numero di dettagli inseriti in una serie di grafici di semplice comprensione; Talkwalker, è la più famosa piattaforma di social listening e dà anche la possibilità di individuare nuove tendenze, ma anche nuovi influencer; Radian6 infine, viene utilizzato principalmente da aziende di grandi dimensioni e riesce ad analizzare anche la concorrenza con la presenza di grafici aggiornati in tempo reale.
La prima caratteristica da tenere in considerazione è il tone of voice. Un tono di voce cordiale implica un giudizio positivo mentre un tono più violento presuppone un giudizio negativo. Durante l’analisi va però tenuta in considerazione anche la presenza di eventuali battute o commenti ironici che non devono essere confusi per una corretta interpretazione dei dati. Una volta identificato il tono con cui un testo va interpretato, si esamina l’intensità: un commento positivo non avrà mai lo stesso peso di uno negativo. Un altro aspetto molto importante è l’emotività: viene ricercata negli aggettivi, nella punteggiatura e nelle emoticons utilizzate che hanno un’importanza più rilevante in determinate piattaforme, come Twitter. Last but not least, è necessario pesare la rilevanza di un commento in relazione all’argomento analizzato, poiché, capita spesso di trovarsi di fronte a commenti del tutto irrilevanti e completamente fuori contesto.
I vantaggi e le sfide della sentiment analysis
Attraverso l’analisi dei sentimenti si possono ricavare informazioni sull’efficacia di un singolo dipartimento di un’azienda ma è anche possibile valutare l’opinione generale sui prodotti o servizi che l’azienda offre. Analizzando i commenti fatti su ogni servizio offerto e confrontando tra loro questi dati, le aziende possono più facilmente identificare i propri punti di debolezza e le proprie aree di miglioramento e monitorando costantemente le emozioni e le opinioni, i brand sono in grado di rilevare sottili cambiamenti così da adattarsi prontamente alle mutevoli esigenze del proprio pubblico.
Si stima che le persone siano d’accordo solo per circa il 60-65% delle volte nel determinare il sentimento suscitato da un particolare testo. Etichettare quindi un testo con un sentimento è altamente soggettivo e fortemente influenzato da esperienze personali, pensieri e convinzioni. Utilizzando un sistema di analisi dei sentimenti centralizzato è possibile applicare gli stessi criteri a tutti i dati raccolti migliorandone la precisione.
Oltre a questi indiscutibili vantaggi, la sentiment analysis deve affrontare anche molte sfide. Ciò che è relativamente facile da misurare per gli esseri umani è la comunicazione face to face, come ad esempio se un individuo è felice o triste, eccitato o arrabbiato circa l’argomento di discussione, e deve essere tradotto in un dato oggettivo e in punteggi quantificabili che spiegano le molte sfumature del linguaggio umano.
Date queste sfide, i fornitori di software di analisi devono considerare le misurazioni acustiche, ad esempio la velocità di parola e lo stress nella voce, nel contesto della conversazione. Inoltre, l’integrazione del machine learning permette all’analisi dei sentimenti di diventare più accurata pian piano che gli algoritmi si adattano ai punti in comune nelle conversazioni, e a come alcuni dati incidono sul risultato finale. Quindi, è necessario ponderare la veridicità dei dati ottenuti da una prima analisi e verificarli attraverso altri tentativi.
Best practices per la sentiment analysis
Ci sono alcuni aspetti da tenere in considerazione per condurre un’analisi dei sentimenti il più efficace e attendibile possibile:
- Capire come classificare i sentimenti in base ai tre principali approcci: l’approccio machine learning utilizza una tecnica di apprendimento automatico per costruire un classificatore in grado di identificare i sentimenti nel testo analizzato. L’approccio basato sul lessico è abbastanza efficace ma esclude dall’analisi molte parole ed espressioni, mentre il metodo ibrido è una combinazione dei due precedenti e produce risultati più promettenti;
- Assicurarsi della moralità dei metodi che vengono utilizzati durante l’analisi. L’analisi dei sentimenti viene sempre più usata dalle aziende, tuttavia, a volte, è stata utilizzata in circostanze poco chiare come ad esempio è stato nel caso di Facebook e nell’utilizzo che veniva fatto di questa analisi per manipolare le emozioni delle persone riguardo a determinati argomenti, senza però informare i propri utenti;
- Spesso può essere utile fare una sentiment analysis sui prodotti dei competitors. Sentimenti positivi aiutano ad individuare dove i concorrenti stanno avendo successo mentre sentimenti negativi possono rivelare opportunità per il proprio business. Se la campagna di marketing di un concorrente sta ottenendo un successo più ampio, esaminarla in dettaglio può portare all’identificazione di tattiche più efficaci.
La sentiment analysis è quindi un importate indicatore della salute di un brand. Questo tipo di analisi ha la funzione di rivelare le similitudini tra le proprie buyer persona così da rendere più semplice il dialogo con loro e fornire un’esperienza quanto più simile a quella che desiderano. Oltre a questo essa permette di individuare gli influencers che condividono gli stessi valori dell’azienda e quindi sfruttarne la popolarità. L’analisi dei sentimenti risulta uno strumento molto valido anche per riconoscere le nuove tendenze mentre stanno ancora nascendo e riuscire così ad ottenere il first mover advantage, cioè il vantaggio che un’azienda ha per il semplice fatto di essere la prima ad entrare nel mercato di un nuovo prodotto o servizio.
I social media vengono continuamente consultati da potenziali clienti per ricevere un feedback onesto sul prodotto che si sta per acquistare. Diventa essenziale, quindi, per i brand capire come le proprie strategie di marketing e i propri prodotti vengano percepiti così da adattarsi alle necessità del consumatore senza perdere la propria brand identity.
