L’analisi del sentiment: capire le emozioni dei lettori

6 cuscini a forma di emoticon su un prato

Esiste un modo per capire che emozioni suscitano nei lettori i nostri contenuti o scoprire le valenze positive o negative di sostantivi, aggettivi e avverbi prima di impiegarli in un testo o in un messaggio?

Una possibilità è utilizzare l’analisi dei sentiment (dall’inglese: “sentiment analysis”), ossia l’estrazione delle emozioni e delle opinioni espresse nei testi presenti in rete tramite particolari algoritmi computazionali.

L’utilità di questo strumento è immediata:

  • le organizzazioni riescono a comprendere  le emozioni e opinioni associate al loro nome, a un prodotto specifico o a un brand;
  • i giornalisti a scoprire l’orientamento generale del pubblico rispetto a un determinato argomento;
  • copywriter e creatori di contenuti potranno invece usare l’analisi dei sentiment per scegliere con maggior attenzione le espressioni per coinvolgere emozionalmente i lettori.

Le applicazioni non si fermano certo qui. Si parla di Social Media Intelligence per indicare l’attività di profilazione di utenti, aziende e organizzazioni per finalità non solo commerciali, ma anche politiche, militari e di antiterrorismo.

Che informazioni ci offre la Sentiment Analysis?

screenshot di un tool di analisi dei sentiment che mostra le emozioni del pubblico associate alal parola copywriting
I sentiment associati alla parola copywriting secondo un tool di sentiment analysis

Cosa aspettarsi concretamente da un tool per la sentiment analysys? Le tipologie di informazioni estraibili sono essenzialmente quattro:

  • Che polarità emotiva – negativa, neutra, positiva – è associata a un nome, una parola o un argomento;
  • Che emozione di base (arrabbiato, felice, triste, etc.) prova un lettore o un utente rispetto a un contenuto specifico;
  • Cosa intendono fare le persone dopo aver letto un testo. Se ad esempio leggo: “Mi aiuti a capire come fare il biglietto con la piattaforma Trenitalia?”, non è difficile immaginare l’azione successiva del lettore;
  • Quale aspetto di un prodotto o di un argomento delude o soddisfa. “La batteria del cellulare X è difettosa” è una chiara indicazione non solo di un sentimento, ma anche della sua causa.

I punti di forza

Una caratteristica interessante dell’analisi dei sentiment condotta tramite algoritmi (senza quindi l’intervento di operatori umani) è  la possibilità di usare criteri coerenti e oggettivi, con conseguente maggiore obbiettività dell’analisi svolta.

Secondo una stima, le persone concordano tra loro solamente nella metà dei casi quando viene loro chiesto di giudicare il sentimento di un particolare testo.

Altri vantaggi legati a questo strumento sono:

  • la scalabilità, ossia la possibilità di gestire mole enormi di big data;
  • la capacità di trattarli in tempo reale, caratteristica che permette di sapere immediatamente in che direzione va la corrente dell’opinione dei lettori.

Alcuni esempi pratici

Vogliamo sapere tra due marche di automobili quale è la più apprezzata? Niente di più facile: basta semplicemente analizzare le conversazioni nella rete con un tool per l’analisi del sentiment e vedere chi delle due totalizza i commenti più positivi.

La sentiment analysis non si ferma comunque qui: ci restituirà altri dati cruciali, come i modelli di autovettura che piacciono di più, le caratteristiche che maggiormente colpiscono i clienti, i difetti e le lamentele.

State scrivendo una presentazione di un prodotto e avete il dubbio che un’espressione che vorreste usare possa dare una impressione negativa a chi vi legge? Un qualsiasi tool di analisi dei sentiment vi dirà in un solo clic che emozioni sono associate a quella parola o frase.

Volete sapere chi sta per vincere le elezioni? Basta digitare i nomi dei vari partiti o politici nel vostro tool di analisi del sentiment e vedere la polarità assegnata a ciascuno di essi.

Da questi esempi non è difficile comprendere come questo strumento completa i tool di analisi del comportamento onpage dell’utente tipo le mappe di calore e le registrazione di sessione. Si riesce in sostanza ad avere un’idea non solo di cosa fanno gli utenti, ma anche di cosa provano mentre lo fanno.

L’analisi del sentiment nel giornalismo

I sentiment possono essere anche un mezzo di informazione e coinvolgimento. Un esempio è il blog del Corriere della Sera, dedicato all’ascolto degli umori espressi in diversi blog su determinati fatti di cronaca o eventi.

Altro settore di massiccio utilizzo è quello delle elezioni politiche. Con lo spostamento negli ultimi anni dei lettori dalla carta stampata verso i social, i tradizionali sondaggi di opinione (lenti, costosi e complessi da gestire) possono essere sostituiti in molti casi da quella che viene chiamata Social Media Analysis.

Le disavventure di Mark Zuckemberg col caso Cambridg-Analytica ne dimostrano sia la potenza, sia i rischi. Tra i vantaggi da segnalare:

  • la velocità di monitoraggio, praticamente immediata grazie alla velocità dei meccanismi di machine learning impiegati dai vari applicativi;
  • la possibilità di prevedere i trend a breve termine di spostamento delle opinioni del pubblico.

Ma l’ambito dove questo strumento si rivela più utile è probabilmente il giornalismo finanziario. L’analisi del sentiment ricavati dagli articoli dei giornalisti consente di ottenere previsioni più accurate di quelle degli analisti finanziari.

Secondo uno studio della Federal Reserve Bank di San Francisco, gli articoli di giornale potrebbero diventare un nuovo indice economico.

Sentiment marketing per il brand

Il settore di utilizzo più importante di quella che viene chiamata più propriamente Social Sentiment Analysis resta comunque quello del marketing.

L’obbiettivo è seguire l’andamento della reputazione di un brand o di un  prodotto sui vari social in tempo reale per poter intervenire in modo rapido ed efficace se si verificano delle crisi (si parla al riguardo di “Crisis Management“).

Per afferrare tutta la potenzialità dello strumento, bisogna partire dalla constatazione che in certi casi basta un commento negativo su  Facebook o Twitter per scatenare vere e proprie tempeste mediatiche contro una azienda tramite i meccanismi del contagio emozionale (ossia la rapidissima diffusione di sentimenti negativi nella rete) .

Se si riesce a individuare immediatamente il cliente insoddisfatto e a intervenire, il contagio emozionale può essere contenuto, arginando i danni.

Comunque, l’area di utilizzo della social sentiment analysis non si limita solamente al crisis management. Le aziende hanno bisogno di monitorare il ritorno delle azioni di social media marketing nell’attività di ogni giorno. E con questi strumenti si riesce agevolmente a sapere quanto e con quale frequenza viene menzionato un brand, e con quali connotazioni emotive.

Come funzionano i tool di analisi del sentiment

Come viene svolta un’analisi del sentiment? La base di partenza sono i portatori di opinione, ossia coloro che scrivono contenuti di qualsiasi genere (dall’emoticon di approvazione/disapprovazione a post e commenti) sulla rete.

Le opinioni espresse dagli utenti nei loro contenuti hanno necessariamente un orientamento (in termine tecnico: “polarità”), che potrà essere positivo, neutro o negativo. Con tecniche di Data Mining e Natural Language Processing si estrare l’emozione provata dai soggetti interagendo con determinati contenuti in un dato contesto.

Dopo avere compreso l’emozione provata dai lettori e averla classificata secondo la polarità, si procede all’Opinion Mining, ossia a ricavare le opinioni collegate all’emozioni per capire le motivazioni che sono alla base di un determinato sentiment.

Il lavoro viene svolto da software che “leggono” e “interpretano” i contenuti con algoritmi NLP (sta per Natural Language Processing, ossia di elaborazione del linguaggio naturale) cercando di individuare:

  • Il tono: l’emozione è positiva o negativa?
  • L’intensità dell’emozione provata;
  • L’emotività e la rilevanza rispetto al contesto in cui l’opinione è stata espressa.

Un problema da risolvere è quello della polisemia, ossia dei diversi significati che può avere una parola. L’esempio classico è quello della parola “espresso”, che può indicare un treno o un caffè in base ai diversi contesti in cui è collocata.

Il problema più difficile resta comunque quello di classificare e riconoscere le emozioni. Se in alcuni casi basta ricercare espressioni dalla chiara valenza emotiva come la frase “sono infelice”, in altri casi questo non è facile.

Le soluzioni elaborate sono due:

–              si va a cercare se sono presenti parole considerate affini a una emozione particolare sulla base di indici di probabilità;

–              si tenta un’analisi grammaticale del contenuto di tutto il testo, previo addestramento della macchina con tecniche di machine learning per coglierne il significato.

L’ultimo sistema è il più complesso. Presuppone l’elaborazione di un modello di classificazione e attribuzione di diverse tipologie di commenti a una determinata polarità o sentimento in riferimento a un determinato topic. In questo processo di apprendimento, i computer utilizzano oggi l’intelligenza artificiale.

I limiti della sentiment analysis

tabella che mostra affidabilità del tool talkwalker per quantità dei dati
Affidabilità di un tool di sentiment analysis in base ai dati (fonte: Talkwalker)

Il grado di attendibilità dei vari tool di analisi del sentiment varia in funzione a quale algoritmo di elaborazione del linguaggio naturale si utilizza.

In certi casi si può arrivare anche al 90%, anche se talvolta si ci ferma poco sopra il 50%. Secondo una ricerca dell’università di Stanford del 2009 condotta su tre algoritmi di classificazione dei contenuti, gli indici di accuratezza si attesterebbero intorno all’80%.

Un secondo aspetto da non trascurare è il tipo di bacino di dati in cui si va ad attingere. Ad esempio, se usiamo solo chi scrive dei tweet, avremo un’idea dei sentiment degli utilizzatori di questo strumento, che non è detto sia rappresentativo di tutta la popolazione di riferimento.

Un altro fattore importante di successo di questo tipo di analisi è la quantità di dati disponibile. Maggiori i dati analizzati, minori i rischi di errore. Detto in parole povere, la sentiment analysis funziona bene per le grandi organizzazioni o l’analisi di trend generali, meno bene per le piccole organizzazioni.

I modelli linguistici e di psicologia cognitiva alla base della NLP legano inoltre i risultati alle assunzioni di base di detti modelli. In sostanza, se cade il modello di riferimento l’analisi viene invalidata.

Per questo motivo si vanno affermando tecniche che si limitano a cercare regolarità statistiche prescindendo dal problema di come si forma il linguaggio (fonte: Trevisani Paolo: “Sentiment Analysis, l’analisi dei testi nell’epoca dei big data“, pag.67).

Più in generale, il vero limite della sentiment analysis riguardano l’impossibilità di cogliere stati emotivi complessi come ad esempio l’ironia. Ad esempio, un acida reazione del tipo: “Grazie per avere organizzato” in un contesto di fallimento di un evento, verrà in ogni caso interpretata come positiva.

Le emozioni attualmente rilevabili dai vari tool disponibili sono solamente quelle semplici, come odio, tristezza, felicità. Tuttavia, negli ultimi anni sono usciti algoritmi che grazie all’impiego del machine learning riescono a comprendere anche le forme più elementari di ironia e sarcasmo.

Il futuro: sapremo tutto, ma proprio tutto, di chi ci legge

Secondo il team di Talkwalker, uno dei leader mondiali del settore in questo campo, l’analisi del sentiment è ancora in una fase embrionale, una situazione del resto comune a tutto il settore dei big data. Bisogna quindi aspettarsi rapide innovazioni, soprattutto nei prossimi anni.

In una rete in cui si stima che tra qualche anno i contenuti saranno per l’80% visivi, la vera sfida è arrivare a leggere foto e video. La possibilità di riconoscere le emozioni facciali e interpretare cosa ci dicono i volti dei lettori e degli utenti renderebbe finalmente completi i tool di raccolta e analisi dei sentiment.

Non stupisce quindi sapere che è proprio in questa direzione che tutti stanno lavorando. Un esempio per tutti: con l’aggiornamento del 2016, Talkwalker ha introdotto sul mercato un sistema di estrarre i sentiment dalle immagini. Il passo successivo della ricerca potrebbe essere il riconoscimento dei sentiment nei video.

Ma non è finita qui. Difficile prevedere oggi dove ci porterà l’intreccio tra analisi del sentiment, big data e tracciamento utenti. “Il grande fratello vi guarda”, scriveva Orwell nel 1949. Mai scrittore fu più profetico; eppure, neanche Orwell riuscì a immaginare che sarebbero stati i computer e la rete, e non i rivoluzionari del fantomatico partito del “Socing”, i protagonisti di una delle rivoluzioni più importanti degli ultimi secoli.

Ti è piaciuto questo articolo? Iscriviti alla nostra newsletter: ti invieremo periodicamente una sintesi degli ultimi argomenti trattati dal blog.

Per approfondire:

Un’introduzione al Natural Language Processing

http://www.dia.uniroma3.it/~ia/docs/old/Introduzione_NLP.pdf

Una guida pratica ai tool di social sentiment analysis

https://www.html.it/guide/social-analytics-guida-completa/

Diventare sentiment analyst:

https://www.panorama.it/economia/lavoro-come-diventare-social-media-analyst/

Autore: Marco La Rosa

Sono un traduttore, web content writer & copywriter appassionato di neuroscienze, psicologia, psicologia cognitiva, UX design, oltreché un esperto di SEO e un web master. Cerco di applicare le nuove scoperte sul cervello e la mente umana al mio lavoro quotidiano di scrittura di testi e ottimizzazione di contenuti per il web per offrire a lettori e utenti una esperienza il più possibile vicina alle loro reali esigenze e necessità

Lascia un commento

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.