Sentiment analysis: può un algoritmo capire le nostre emozioni?

 Per noi umani è più o meno semplice capire le frasi di un testo, dargli un senso e decidere se il “tone of voice” è positivo o meno. Il discorso è diverso e ben più complesso quando si parla di un computer o di un algoritmo, ma esistono tecniche che permettono di capire se un testo esprime un concetto positivo, negativo o neutrale?

La Sentiment Analysis, detta anche opinion mining, ha come obiettivo principale l’identificazione e l’estrazione di opinioni ed emozioni contenute in un testo riguardante brand, prodotti e servizi.

A primo impatto può sembrare banale, ma questa tecnica ha un enorme potenziale e, se implementata correttamente, può portare grandi vantaggi. È utilizzata principalmente per il monitoraggio dei social network al fine di ottenere informazioni utili riguardanti la percezione degli utenti su determinati topic o, più in generale, la percezione del brand.

Analizzando i commenti della pagina Facebook, Instagram o Twitter è possibile capire su quale social è meglio investire per attrarre, sul proprio sito o in negozio, i clienti che hanno un’opinione migliore o cercare di perfezionare il contatto con il pubblico dove questo risulta poco efficace.

Che si dice su Instagram?

Per fare qualche esempio sono stati analizzati i commenti dell’account Instagram di Unieuro

Dalla wordcloud emerge che le parole “disponibile” e “ordine” sono spesso associate a un sentiment positivo; quindi, il servizio di ordinazione riceve un buon feedback, così come la disponibilità del prodotto. Al contrario, le parole “prodotti” e “carrello” vengono citate in commenti negativi: sarebbe interessante verificare, ad esempio tramite Google Analytics, se il comportamento sul sito web rispecchia queste critiche per poi migliorare la UX.

Un po’ di recensioni

Ovunque ci siano dei commenti è possibile effettuare un’analisi. In questo caso sono state analizzate le recensioni dell’iPhone 12 su amazon.it.

Nella maggioranza dei casi il sentiment ricavato è positivo. Come sappiamo, nelle recensioni non si parla soltanto del prodotto, ma anche del sito da cui è stato ordinato, i tempi di consegna, il supporto post vendita e molto altro.

Filtrando le recensioni per parole chiave è possibile entrare ancora più nel dettaglio. Vediamo come se la cava questo iPhone 12 (o meglio Amazon) nel servizio di spedizione.

In questo caso, la sentiment analysis è stata applicata solamente alle recensioni contenenti alcune keyword relative al macro-argomento del servizio di consegna a domicilio, tra le quali “spedizione”, “spedizioni” e “consegna”. Solamente l’8% delle reviews ha un sentiment negativo e, anche se non c’è bisogno che te lo diciamo noi, niente male Amazon!

Se si volesse ulteriormente migliorare in questo settore si potrebbero andare a vedere le singole recensioni negative o le parole maggiormente utilizzate per esprimere commenti negativi per rendere, dove possibile, ancora più efficiente il servizio.

La sentiment analysis ha enormi potenzialità e diversi strumenti con i quali applicarla (Python, R, Orange e molti altri), ma è una tecnica ancora migliorabile e con numerose lacune, tra le quali la percezione sbagliata del sarcasmo o delle parole colloquiali: ci sono saltate all’occhio recensioni come “questo telefono è una bomba!” o “prodotto da paura” con un punteggio di sentiment negativo.

Nel frattempo, non sottovalutiamo le sue capacità. Dove ci sono parole c’è sentiment!