Sentiment Analysis: cos’è e come viene applicata

0

Dalle interviste telefoniche alla sentiment analysis, come cambia l’interazione con i consumatori e perché questo avviene.

 

La sentiment analysis, o anche opinion mining, consiste in un analisi che permette l’estrazione, identificazione e la categorizzazione di informazioni soggettive (sentiments), di norma l’attitudine dell’oratore o dello scrittore, riguardo un prodotto, argomento, documento ecc . Essa è di fatto un analisi qualitativa del testo per derivare il sentimento espresso verse quelle caterie sopra citate. Questo tipo di analisi, viene svolta attraverso l’ausilio di altre discipline scientifiche quali ad esempio: machine learning, text analysis, data mining e natural language processing.

Attraverso machine learning e data mining, la sentiment analysis permette l’interpretazione, o per meglio dire, la cognizione dei dati oggetto dello studio.

I social network, così come altre piattaforme quali blog, forum, persino youtube, hanno un ruolo fondamentale nell’utilizzo di questi strumenti d’analisi, in quanto costituiscono una fonte inesauribile di opinioni e interessi che gli individui scambiano al loro interno.

In termini accademici, esistono quattro diversi approcci per compiere una sentiment analysis su un testo:

  • Keyword spotting
  • Lexical affinity
  • Statistical neural language processing
  • Hand-crafted models

Questi metodi differisconi in termini di tempo per l’applicazione, precisione e competenze tecniche richieste.

L’interesse nello studio della sentiment analysis verte sull’assunto che l’essere umano, di per sé, è suscettibile alle opinioni altrui e in particolare a quelle delle persone di cui ha maggiore stima. Essere abili nell’interazione con i consumatori consente di ottenere una serie di informazioni preziose in sede analitica e utili in sede strategica.

Attraverso la sentiment analysis si vogliono dunque ottenere una serie di informazioni dal comportamento del consumatore che altrimenti quest’ultimo difficilmente sarebbe disposto, o capace, di rivelare.

La sentiment analysis viene applicata in svariati campi, tra i quali la politica, la sociologia e la psicologia. Tra le applicazioni più rilevanti, risalta quella nel contesto aziendale, in particolare nell’ambito ed in funzione del marketing permettendo di ottenere dati con mezzi alternativi alle tradizionali (e spesso poco efficienti) ricerche di mercato.

La “sentiment” dei clienti può essere ad esempio misurata su un nuovo prodotto appena lanciato dall’azienda, sulle risposte della clientela alla nuova campagna di advertising o ai nuovi articoli presenti nella gamma.

La sentiment analysis in ottica di marketing viene quindi utilizzata come importante strumento di ricerca qualitativa delle informazioni.

Forme di ricerca tradizionali quali le ricerche motivazionali (finalizzate alla comprensione delle motivazioni dei comportamenti d’acquisto del consumatore), i focus group (ovvero gruppi ristretti di consumatori coordinati da uno psicologo) sono ritenuti, da alcuni, strumenti in parte superati.

Ciò che la sentiment permette di fare, superando alcune delle limitazioni degli strumenti prima elencati, è di sondare le opinioni dei clienti senza aggiungere elementi di potenziali disturbo durante l’analisi (come self-leading questions o dinamiche dominanti all’interno dei focus groups) evitando di involontariamente pilotare i test generando così un’analisi più pulita.

La sentiment analysis, inaggiunta, permette di effettuare un interpretazione del mercato molto realistica e di ottenere addirittura informazioni su comportamenti inconsci del consumatore, risultati questi difficilmente raggiungibili attraverso strumenti di ricerca più tradizionali.

I problemi che possono tuttavia sorgere nel portare avanti un progetto di sentiment analysis non sono pochi e di facile risoluzione. Intanto essendo un processo di analisi di dati, questa tecnica si porta dietro tutti i problemi che si può incorrere nel maneggiare bigdata (formato, dimensioni, tempo, reperibilità o processo di mining). A questi si aggiungono i una serie di problemi che variano in base a quale dei quattro approcci, prima brevemente elencati, si scegli.
Un approccio basato sul “Keyword spotting”, ad esempio, soffrirà sicuramente del contesto nel quale le parole possono essere utilizzate, unaparola potrebbe essere considerata in maniera positiva in un contesto, ma maniera negativa in un altro. Inoltre molte parole hanno un significato diverso a seconda della circostanza in cui vengono utilizzate. Vi sono poi particolari espressioni, o modi di dire, estremamente difficili da comprendere, per non parlare nella gestione delle negazioni all’interno di frasi. A questi problemi si aggiunge la necessità di fornire, e quindi realizzare, un vocabolario al sistema in modo che possa comprendere che peso dare, e di quale segno, a ciascuna parola o set di parole.

 

References:

1. http://www.lct-master.org/files/MullenSentimentCourseSlides.pdf

Share.

About Author

Leave A Reply