L'analisi del sentimento consiste nell'estrarre le emozioni e i sentimenti da un determinato testo. Ciò consente alle organizzazioni di comprendere i significati sottostanti a un messaggio che possono essere ben nascosti. Ma come funziona esattamente la sentiment analysis e come dovrebbe essere utilizzata dalla vostra azienda?
Prima di addentrarci nel funzionamento dell'analisi del sentiment, diamo un'occhiata a quanto può essere potente l'analisi del sentiment se sfruttata nel modo giusto.
Ricordiamo tutti la campagna Nike Colin Kaepernick, vero? Quella che ha causato discussioni durante il Ringraziamento e che probabilmente è stata responsabile della rottura di diverse amicizie?
Se non lo sapete, ecco un breve riassunto.
Nel 2018, Nike ha introdotto una campagna di marketing con Colin Kaepernick, una figura controversa per alcuni, che ha scatenato una tempesta di fuoco sui social media a livello nazionale.
Nei 12 mesi precedenti all'annuncio della pubblicità di Kaepernick da parte di Nike, Nike ha registrato un sentimento positivo netto di 26,7% sui social media. Tuttavia, il sentiment netto di Nike è crollato a -4,7% dopo l'annuncio.
Se foste il capo del marketing di Nike, stacchereste immediatamente la spina alla campagna, giusto? Allora perché non l'hanno fatto?
Nonostante l'accoglienza apparentemente negativa a livello superficiale, Nike ha riportato una aumento delle vendite di 31% e un'esplosione in menzioni del marchio di 2.677%.
Nike ha sfruttato l'analisi del sentiment per rendersi conto che sotto quell'ondata di sentimenti negativi c'era un sentiment positivo non dichiarato da parte dei suoi clienti target - i consumatori che contano per loro. Nike ha accettato la scommessa, ha continuato con lo spot e i risultati hanno parlato da soli.
L'analisi del sentimento, nota anche come opinion mining, si riferisce all'estrazione di emozioni (felice, arrabbiato), intenzioni (richiesta, reclamo, opinione, ecc.) e positività (negativo, neutro, positivo) da un testo.
Gli usi più comuni della sentiment analysis includono la gestione della reputazione, il monitoraggio dei social media, le ricerche di mercato e l'analisi dei feedback dei clienti. L'analisi del sentiment è anche un sottoinsieme dell'elaborazione del linguaggio naturale (NLP), che utilizza l'intelligenza artificiale e i computer per studiare la linguistica.
È comune vedere i termini sentiment analysis, text analytics e natural language processing (NLP) usati insieme. Sebbene si tratti di termini correlati nell'ambito della scienza dei dati e che possono avere le stesse applicazioni pratiche, non hanno lo stesso significato.
Analisi del sentimento: Come già detto, l'analisi del sentiment si riferisce all'assegnazione di punteggi di sentiment (positivo, negativo o neutro) ai testi tramite algoritmi automatici. L'analisi del sentiment è nota anche come opinion mining.
Analisi del testo: Conosciuta anche come text mining, l'analisi del testo si riferisce all'analisi di dati non strutturati e all'estrazione di informazioni da essi, come la generazione di nuvole di parole. L'analisi del testo di solito si accompagna all'analisi del sentiment per via della sua natura simile.
Elaborazione del linguaggio naturale (NLP): L'elaborazione del linguaggio naturale è un campo dell'informatica che si occupa di utilizzare i computer per analizzare il linguaggio umano. Si può pensare all'elaborazione del linguaggio naturale come a un insieme di analisi del sentimento e analisi del testo.
Esistono cinque tipi principali di sentiment analysis, ognuno dei quali si concentra su aspetti diversi di un set di dati:
Il rilevamento delle emozioni mira a riconoscere le emozioni attraverso le parole di un dato testo, come ad esempio felicità, delusione, rabbia e paura.
Esistono diversi modi per rilevare le emozioni nei testi. Il più comune consiste nell'identificare le parole chiave e nell'assegnare loro le emozioni sulla base di un lessico (un elenco di parole e dei sentimenti ad esse associati).
L'Aspect-based sentiment analysis (ABSA), nota anche come feature-based sentiment analysis, è il processo di riconoscimento di aspetti predeterminati e dei relativi sentimenti associati in un set di dati.
Questi aspetti variano da un'organizzazione all'altra, ma i più comuni sono il prezzo, il packaging, il design, la UX e il servizio clienti.
L'ABSA è più comunemente usato nelle recensioni di prodotti e servizi per determinare quali caratteristiche sono piaciute o non sono piaciute di più ai clienti. In questo modo, le organizzazioni possono concentrarsi su aree specifiche dei loro prodotti e servizi che richiedono miglioramenti.
L'analisi del sentiment a grana fine suddivide le frasi in parti ed estrae il sentiment da queste singole parti. Il sentiment viene quindi classificato in una delle cinque categorie di polarità: molto positivo, positivo, neutro, negativo, molto negativo.
La precisione della polarità è fondamentale per interpretare le scale di valutazione dei feedback dei clienti. Ad esempio, in una scala di valutazione da 1 a 5 stelle, 1 sarebbe molto negativo, mentre 5 sarebbe molto positivo. In una scala di valutazione da 1 a 10, 1-2 sarebbe molto negativo, mentre 9-10 sarebbe molto positivo.
L'analisi del sentiment a grana grossa è simile all'analisi del sentiment a grana fine. Tuttavia, l'analisi del sentiment a grana grossa è diversa perché estrae il sentiment dall'insieme dei documenti o delle frasi piuttosto che suddividere le frasi in parti diverse.
L'analisi del sentiment a grana grossa classifica il sentiment in tre sole categorie di polarità: positivo, neutro, negativo.
L'analisi del sentiment multilingue consente di raccogliere dati da testi non inglesi senza tradurli. Affidarsi alle traduzioni nelle analisi multilingue può essere comodo, ma non è affidabile perché le sfumature linguistiche, come la semantica e il lessico, possono confondersi.
È facile dimenticarlo, ma solo 17% della popolazione mondiale parla inglese, e L'inglese rappresenta solo il 25,9% degli utenti internet. L'analisi del sentiment multilingue vi permette di attingere a questa maggioranza mancante e di massimizzare il valore per la vostra azienda.
Piuttosto che identificare il sentiment, l'analisi dell'intento esamina le indicazioni testuali per intenzione e li classifica in tag predeterminati. Questi tag dipendono in larga misura dalle esigenze aziendali e non sono univoci.
Ad esempio, i classificatori di intenti per i messaggi dei social media possono essere separati in suggerimento, interrogazione, reclamo, feedback, e marketing. Mentre i tag più appropriati per l'analisi del feedback dei clienti includono interessato, disinteressato, sottoscrivere, e annullare l'iscrizione.
L'analisi del sentiment utilizza un mix di tecniche di elaborazione del linguaggio naturale (NLP), statistiche e metodi di apprendimento automatico per determinare automaticamente il sentiment nel testo e la sua polarità..
I modelli di sentiment analysis più comuni sono quelli basati su regole, quelli di apprendimento automatico e quelli ibridi.
Nell'approccio basato sulle regole, l'algoritmo assegna e calcola il punteggio sentimentale di un testo in base a un insieme di regole o lessici creati dall'uomo (un elenco di parole e di emozioni ad esse associate).
Nell'elenco sono già stati indicati i corrispondenti punteggi sentimentali sia negativi (terribile, terribile, cattivo) e positivo (buono, fantastico, delizioso) parole. Quindi, l'algoritmo identifica le parole polarizzate e riassume il sentiment complessivo, di solito su una scala da -1 a +1.
Un buon modello di sentiment analysis che utilizzi un approccio basato sul lessico dovrebbe incorporare l'impatto di ogni sottotesto sull'intensità percepita nel testo a livello di frase. Ci sono 5 fattori che possono influenzare la polarità di una frase:
Punteggiatura, cioè il punto esclamativo (!), aumenta l'entità dell'intensità senza modificare l'orientamento semantico.
CapitalizzazioneIn particolare, l'uso di ALL-CAPS per enfatizzare una parola rilevante per il sentimento in presenza di altre parole non maiuscole, aumenta l'intensità del sentimento senza influenzare l'orientamento semantico.
Modificatori di grado (chiamati anche intensificatori, parole di richiamo o avverbi di grado) hanno un impatto sull'intensità del sentimento, aumentando o diminuendo l'intensità. Ad esempio: "Il tempo è estremamente caldo".
Spostamenti di polarità dovuti a congiunzioniLa congiunzione contrastiva "ma" segnala un cambiamento nella polarità del sentimento, con il sentimento del testo che segue la congiunzione dominante. Ad esempio: "Il tempo è caldo, ma è sopportabile" ha un sentimento misto, con la seconda metà che detta la valutazione complessiva.
Negazione della polarità di cattura Esaminando la sequenza contigua di 3 elementi che precedono un elemento lessicale carico di sentimento, si possono individuare quasi 90% di casi in cui la negazione inverte la polarità del testo. Ad esempio, una frase negata sarebbe: "Il tempo non è poi così caldo".
Investimento iniziale dello sforzo umano: Costruire da zero un motore di analisi del sentiment basato su regole può essere arduo. La lingua inglese contiene migliaia di parole, per non parlare dello sviluppo di lessici per motori di analisi del sentiment multilingue.
Soggettività nel concordare la polarità: Anche i disaccordi sulla valenza di una parola possono influenzare i risultati finali. Ad esempio, se un altro ricercatore assegna lo stesso punteggio sentimentale a atroce come si farebbe con cattivo, quale dovrebbe essere il punteggio complessivo del sentiment?
Impossibile rilevare il contesto: L'approccio al sentiment basato su regole potrebbe non rilevare il sarcasmo e il contesto. Ad esempio, "QUEL Jack è il capo squadra? Sono sicuro che farà un ottimo lavoro e non rovinerà le cose 😂😂 " può produrre un punteggio di sentiment positivo nonostante sia un insulto sarcastico e negativo.
Nell'approccio di apprendimento automatico, il motore di sentiment analysis viene addestrato per classificare automaticamente i dati di testo con i tag corretti. L'addestramento (apprendimento automatico supervisionato e non supervisionato) viene solitamente effettuato alimentando il motore con tonnellate di dati testuali pre-taggati.
Grazie all'alimentazione continua di esempi pre-taggati, la macchina può apprendere la linguistica come farebbe un essere umano e prevedere con precisione i tag dei futuri set di dati (ad esempio, quella canzone era illuminata lol -> positivo)
Investimento di tempo e risorse: L'addestramento di un algoritmo di apprendimento automatico per raggiungere livelli di accuratezza soddisfacenti può richiedere molto tempo. Anche ottenere un numero sufficiente di dati per alimentare il motore può essere costoso.
Suscettibile di errori: I sistemi di apprendimento automatico possono anche essere imprecisi, ad esempio quando vengono alimentati con set di dati parziali o imprecisi.
L'approccio ibrido combina l'apprendimento automatico e l'analisi del sentiment basata su regole per produrre risultati più accurati. Tuttavia, i modelli che utilizzano l'approccio ibrido comportano i maggiori costi iniziali di capitale e di manutenzione.
Dall'avvento di Internet negli anni '90, le piattaforme dei consumatori e dei social media si sono evolute e sono diventate sempre più parte integrante della nostra vita quotidiana. Con l'avvento di Il numero di utenti di Internet dovrebbe crescere fino a 5,3 miliardi entro il 2023. (6% CAGR), non si può trascurare l'enorme valore dei dati online.
Le aziende non possono inoltre ignorare l'influenza dei social media sulle decisioni di acquisto dei consumatori. Secondo Indice web globale, 54% delle persone con un account sui social media utilizzano i social media per ricercare prodotti.
Inoltre, gli utenti dei social media e gli opinion leader esprimono opinioni su marchi, politica e diritti umani. Questi contenuti generati dagli utenti influenzano notevolmente il comportamento dei consumatori perché i clienti si affidano al passaparola più che ai messaggi pubblicitari.
Con l'analisi del sentiment, le aziende possono smettere di reagire passivamente all'opinione pubblica e adottare misure proattive per plasmare il sentimento generale verso il proprio marchio. L'analisi del sentiment consente alle aziende di scoprire cosa I consumatori dicono e anche i significato dietro questi messaggi.
Gli strumenti di sentiment analysis consentono di analizzare migliaia, se non milioni, di testi online in un clic. Invece di esaminare i singoli tweet o post di Facebook, i proprietari di aziende possono avere una panoramica immediata di come i consumatori percepiscono il loro marchio.
Inoltre, l'analisi del sentiment è automatica e consente di risparmiare sui costi di manodopera e sul tempo dedicato alla raccolta dei dati.
L'analisi del sentimento va oltre cosa clienti, forniscono informazioni su perché I clienti hanno queste opinioni. Analizzando le opinioni in base alle loro intenzioni e alla loro polarità, le aziende possono identificare le aree da migliorare di cui non si sono mai rese conto.
L'analisi del sentiment consente inoltre di prendere decisioni basate sui dati per un processo decisionale più informato. Senza dati affidabili su cui basare le vostre decisioni, sparereste nel buio e perdereste tempo e denaro.
L'analisi del sentiment offre ampie opportunità per il marketing in tempo reale - messaggi di marketing creati spontaneamente. Grazie ai dati forniti in tempo reale, l'analisi del sentiment consente di capitalizzare gli eventi di tendenza o addirittura di gestire le crisi di PR prima che diventino un problema grave.
L'analisi del sentiment può anche analizzare grandi quantità di dati non strutturati su scala, ad esempio commenti, messaggi, immagini e persino video. È persino possibile integrare alcune API di sentiment analysis con il software di gestione delle relazioni con i clienti (CRM) per estrarre le opinioni dai feedback dei clienti in tempo reale.
L'analisi del sentimento è, in sostanza, la scoperta di come le persone si sentono su un determinato argomento. Questa tecnologia trova applicazione nelle aziende, nelle ONG, nei partiti politici e persino nei Paesi. Dopo tutto, la comprensione dei sentimenti interiori delle persone permette ai ricercatori di capire meglio le loro esigenze.
L'ascolto sociale si riferisce al monitoraggio delle menzioni sui social media relative a un marchio o a un argomento correlato alla vostra azienda. Piuttosto che raccogliere quantità massicce di post sui social media che menzionano la vostra azienda, l'analisi del sentiment fa un ulteriore passo avanti e mette in evidenza perché hanno fatto quei commenti.
È anche possibile condurre un'attività di opinion mining sui vostri concorrenti e scoprire cosa pensano le persone del loro marchio e dei loro prodotti e servizi. Inoltre, tutte queste analisi avvengono in tempo reale, consentendovi di condurre strategie di marketing più agili.
È possibile integrare un'API di sentiment analysis con Twitter per estrarre le opinioni su un determinato argomento. In questo studio di Abdur Rasool et al. è stata condotta un'analisi del sentiment in machine learning su Adidas e Nike, estraendo i testi da Twitter. Il punteggio complessivo del sentiment è stato calcolato con tecniche di apprendimento automatico prima di essere confrontato.
I risultati hanno mostrato che Nike e Adidas hanno una distribuzione del sentiment simile, con un sentiment complessivamente positivo e la maggioranza neutrale. Tuttavia, Adidas ha registrato un sentiment positivo leggermente superiore a quello di Nike (27,2% contro 24,5%). Questo potrebbe essere un segnale positivo o negativo, a seconda dell'azienda per cui si lavora.
A seconda dello strumento di analisi del sentiment, è possibile individuare gli utenti con sentimenti neutri e negativi per convertirli in ambasciatori positivi del marchio. In generale, l'analisi del sentiment fornisce informazioni per prendere decisioni informate e migliorare l'immagine del vostro marchio.
A seconda delle dimensioni della vostra azienda, potrebbero esserci centinaia o addirittura migliaia di menzioni sui social media che coinvolgono il vostro marchio ogni giorno. Alcune di queste possono essere richieste, reclami o altri messaggi negativi.
La mancanza o la lentezza dell'impegno sui social media può comportare la perdita di clienti fedeli e del loro valore di vita. Peggio ancora, potrebbero diffondere un passaparola negativo e dissuadere altre persone dall'acquistare da voi.
Se emerge una crisi di pubbliche relazioni, gli strumenti di sentiment analysis vi aiuteranno a gestirla prima che diventi troppo grande.
Nel 2014, Expedia Canada ha lanciato il suo "Fuga dall'inverno: Pubblicità natalizia "Paura. In esso, un padre era terrorizzato da quella che pensava fosse la violenta tempesta di neve all'esterno, ma che in realtà era il suono stridente della figlia che si esercitava con il violino.
Gli strilli stridenti e stonati sono diventati insopportabili dopo diverse messe in onda. Lo spot è stato trasmesso anche durante i Campionati Mondiali di Hockey Junior, ma non è stato accolto bene.
Molti canadesi si sono riversati sui social media per criticare la pessima scelta sonora dello spotcon commenti che si spingono fino a dire "Il peggior spot pubblicitario, è talmente esagerato da diventare fastidioso, e probabilmente non utilizzerò più expedia semplicemente perché questo spot è così dannatamente fastidioso."
Expedia Canada ha immediatamente risposto al sentimento negativo interrompendo lo spot e pubblicando due sequel. In uno di questi, lo stesso padre gettava il violino fuori di casa. Nell'altro sequel, Expedia ha invitato un vero utente dei social media che aveva commentato il primo spot a fare a pezzi il violino.
Come dimostrato da Expedia Canada, l'analisi del sentiment consente di convertire disavventure imbarazzanti o crisi di pubbliche relazioni in opportunità di marketing e, di conseguenza, di aumentare la consapevolezza del marchio.
Poiché l'analisi del sentiment si occupa di comprendere gli atteggiamenti e le opinioni dei consumatori, è comune abbinarla a ricerca di mercato. L'estrazione di opinioni avviene di solito nella fase di interpretazione e di analisi della ricerca. processo di ricerca di marketing.
In particolare, i ricercatori di mercato estraggono le opinioni dai dati raccolti attraverso focus group e interviste. Scavando più a fondo nel motivo per cui i partecipanti alla ricerca hanno detto ciò che hanno detto, è possibile scoprire i loro problemi, le loro esigenze e i loro desideri.
Pochi trascrizione dei dati e software di raccolta dati sono dotati di strumenti di sentiment analysis, e questo è un modo per differenziarci. Con Speak è possibile produrre trascrizioni su scala e analizzare questi set di dati precisi con strumenti di analisi del testo e del sentiment, il tutto in un unico database multimediale centralizzato.
Se desiderate saperne di più su come Speak può ottimizzare i vostri processi di flusso di lavoro e aumentare il ROI della ricerca, registratevi per il nostro 7 giorni di prova senza carta di credito.
La ricerca qualitativa è un tipo di ricerca di mercato che si concentra sull'ottenimento di informazioni soggettive. A differenza della ricerca quantitativa, i dati qualitativi raccolgono dati non quantificabili come opinioni, atteggiamenti e percezioni nei confronti di un argomento.
Una parte importante di qualsiasi ricerca di mercato consiste nel trascrivere i dati delle interviste per analizzarli ulteriormente. Poiché l'attenzione è rivolta alle opinioni soggettive, le risposte fornite possono essere piuttosto lunghe.
Anche le ricerche di mercato per le piccole imprese possono comportare l'analisi di decine di serie di dati qualitativi. Supponendo di aver intervistato 50 partecipanti e che ogni sessione duri 30 minuti, si tratta di 25 ore di registrazioni da esaminare.
La sentiment analysis accelera questo processo analizzando i set di dati e producendo i punteggi di sentiment su scala. Il cruscotto di insight di Speak genera anche parole chiave e argomenti prevalenti da qualsiasi ricerca di mercato per ottenere una panoramica delle aree chiave a cui prestare attenzione.
In questo modo è possibile identificare rapidamente le aree chiave che potrebbero richiedere miglioramenti. Per un'analisi più precisa, la dashboard di Speak riporta anche il sentiment delle singole frasi, consentendo di individuare le aree specifiche che potrebbero richiedere un miglioramento.
Le nuvole di parole sono un ottimo modo per evidenziare le parole, gli argomenti e le frasi più importanti di un brano di testo in base alla frequenza e alla rilevanza. Generate nuvole di parole dai vostri dati testuali per creare una suddivisione visiva di facile comprensione per un'analisi più approfondita. Provate il nostro generatore gratuito di nuvole di parole per visualizzare automaticamente gli insight dei vostri dati.
Un solido servizio clienti è un imperativo per qualsiasi azienda. Secondo uno studio condotto da Twitter, gli utenti si aspettano che i marchi rispondano entro un'ora. Un'ora è un tempo breve per rispondere a tonnellate di domande dei clienti, per non parlare del fatto che la richiesta è stata fatta in orari non lavorativi.
Inoltre, Rispondere a un reclamo sui social media può aumentare l'adesione dei clienti fino a 25%.
Il software di gestione delle relazioni con i clienti (CRM) consente di rispondere immediatamente alle richieste dei clienti. Se abbinato all'API per l'analisi del sentiment, è possibile analizzare le interazioni dei clienti su scala e determinare come i clienti percepiscono i vostri prodotti e servizi.
L'analisi del sentiment fa luce anche su aspetti inosservati dei vostri prodotti e servizi. Con l'analisi del sentiment basata sugli aspetti, è possibile identificare le caratteristiche da migliorare o mantenere.
In generale, il vostro prodotto è l'elemento più importante del marketing mix e l'analisi del sentiment vi aiuta a portare la qualità dei vostri prodotti a livelli più alti.
Adobe è una vasta suite di software amata dai creativi di tutto il mondo. Alcuni dei suoi strumenti più importanti sono Adobe XD (progettazione UI/UX), Adobe Photoshop (editor grafico) e Adobe Lightroom (editor fotografico). Il servizio clienti di Twitter di Adobe XD, in particolare, è così impressionante che Twitter li ha elogiati sul proprio blog.
Rispondendo in modo proattivo alle domande dei clienti, Adobe XD (e altri account Twitter di Adobe) sono riusciti a creare una comunità affiatata di creativi su Twitter.
Per esempio, @AdobeXD ha quasi 120 mila follower, una cifra impressionante, ma che è ancora inferiore a quella degli altri account Twitter di Adobe, @Lightroom (1,8 milioni di follower) e @Photoshop (3,2 milioni di follower).
L'account Twitter del servizio clienti generale di Adobe, @AdobeCareIl sito, in realtà, scandaglia Twitter alla ricerca di menzioni di argomenti che potrebbero essere correlati alla loro azienda, in questo caso, photoshop. Come si può notare, il cliente non ha mai etichettato AdobeCare.
Tuttavia, grazie all'analisi proattiva del sentiment e al software di social listening, AdobeCare riesce a rispondere alle richieste dei clienti con una velocità impressionante.
L'analisi del sentimento trova applicazione anche in ambito finanziario, in particolare tra gli investitori e i day trader. Gli investitori monitorano spesso il sentimento del mercato - il sentimento generale degli investitori nei confronti di un mercato finanziario o di una società.
I mercati finanziari sono volatili e cambiano sempre in modo inaspettato, con la conseguente sconfitta dei day trader principianti che sperano di arricchirsi rapidamente. Gli investitori esperti utilizzano psicologia del trading per analizzare i fattori di sentimento del mercato ed effettuare operazioni redditizie.
I due principali fattori che influenzano questa volatilità sono gli eventi di cronaca (politica, nuove leggi, settore, utili aziendali) e i commenti sui social media.
Sfruttando gli strumenti di analisi del sentiment, gli investitori possono conoscere il sentiment generale di un mercato finanziario in tempo reale e fare previsioni sulle variazioni dei prezzi delle azioni.
Ad esempio, dopo che l'influencer dei social media Kylie Jenner ha pubblicato questo tweet, il prezzo delle azioni di SNAP è sceso di 7%, il che si è tradotto in una perdita di $1,3 miliardi di valore di mercato. All'epoca, Kylie Jenner aveva 39 milioni di follower, quindi non c'è da stupirsi che un singolo tweet abbia avuto un impatto così significativo sul sentiment del mercato e sui prezzi delle azioni.
Un software di sentiment analysis segnalerebbe immediatamente un improvviso calo del sentiment, dando agli investitori il tempo sufficiente per vendere le azioni prima che i prezzi crollino ulteriormente.
I politici e gli enti governativi utilizzano spesso la sentiment analysis per raccogliere le opinioni del pubblico, degli elettori e persino dei concorrenti. Con l'analisi del sentiment, è possibile estrarre istantaneamente i punti dolenti di milioni di cittadini e affrontarli per ottenere sostegno politico.
Nell'ambito della campagna per la rielezione del Presidente Barack Obama nel 2012, Obama for America ha utilizzato strumenti di analisi del sentimento per estrarre 5,7 milioni di messaggi dal sito web della campagna. L'algoritmo ha etichettato parole provenienti da richieste come scrutinio o contributo sulla base di lessici predefiniti (un elenco che assegna un sentiment a una determinata parola).
La Malesia, membro dell'ASEAN (Associazione delle Nazioni del Sud-Est Asiatico), ha tenuto le sue 14esime elezioni generali nel 2018. Il partito al governo è sempre stato il Barisan Nasional, la principale coalizione di partiti di destra e centristi.
Tuttavia, Pakatan Harapan (la coalizione di partiti di centro-sinistra) ha miracolosamente vinto le 14esime elezioni generali, sconfiggendo il Barisan Nasional con una vittoria schiacciante. I sentimenti erano contrastanti perché sarebbe stata la prima volta in 61 anni che la Malesia sarebbe stata governata da un altro partito.
Diversi ricercatori ha condotto un'analisi del sentiment sull'accettazione del nuovo partito al governo da parte dei cittadini, basata sul metodo Naive Bayes (un metodo probabilistico). I ricercatori hanno estratto i tweet e gli hashtag rilevanti per un mese prima di calcolare il sentiment complessivo.
È emerso che il sentimento pubblico nei confronti del Pakatan Harapan è stato di 30% positivo, 41% neutro e 29% negativo - appena positivo.
Il nuovo governo si è messo subito al lavoro e ha analizzato nuovamente il sentimento pubblico dopo 100 giorni di mandato. Dopo sondaggio su 487.000 intervistatiI risultati hanno mostrato che il sentimento dell'opinione pubblica è "più positivo che negativo", con sentimenti negativi verso i trasporti e la corruzione.
Pertanto, l'analisi del sentiment crea opportunità non solo per le aziende, ma anche per i governi, per soddisfare meglio le esigenze dei cittadini. Senza l'analisi del sentiment, potreste ignorare i problemi sottostanti e perdere entrate, sostegno pubblico o altre metriche rilevanti per la vostra organizzazione.
Quando si parla di strumenti di sentiment analysis, si hanno tre opzioni: costruirseli da soli, acquistare software già pronti o farli costruire su misura da un fornitore. In ogni caso, ci sono diverse domande da porsi prima di scegliere uno strumento di sentiment analysis.
In primo luogo, quanto devono essere complessi gli algoritmi? Esistono vari tipi di software di sentiment analysis, ognuno dei quali utilizza tecniche diverse per analizzare il testo. Gli strumenti più avanzati sono in grado di riconoscere con maggiore precisione sarcasmo, emoticon e altre sfumature linguistiche, ma comportano costi più elevati.
Il prossimo, si ottiene una prova? Il modo migliore per implementare la sentiment analysis nella vostra azienda è quello di provarla personalmente. I diversi modelli di sentiment analysis hanno un'accuratezza variabile e potrebbero non essere addestrati per le vostre esigenze specifiche.
Inoltre, chiedetevi se lo strumento di sentiment analysis è adatto all'ambito e al budget del vostro progetto. Un software di sentiment analysis completo richiederebbe un capitale iniziale e costi di manutenzione più elevati. Che si tratti di analizzare i tweet o i feedback dei clienti, scegliete una soluzione che si adatti ai vostri obiettivi aziendali per massimizzare il ROI.
Infine, Ci sono servizi a valore aggiunto? Un software di sentiment analysis efficace combina diversi strumenti di analisi del testo per un'analisi più olistica dei dati testuali. Dovrebbe essere presente anche un API per l'analisi del sentimento che si possono integrare nel proprio CRM o in altri sistemi di software di marketing nella pila.
Poiché la sentiment analysis è un processo così complesso, la maggior parte delle opzioni è a pagamento. Alcune piattaforme includono delle prove per consentirvi di testare la piattaforma prima di impegnarvi, poiché questi strumenti possono essere costosi, con costi di centinaia e persino migliaia di euro all'anno.
Naturalmente, questi costi sono trascurabili se si tratta di una grande azienda. Ma se siete agli inizi o volete semplicemente sperimentare le capacità degli strumenti di sentiment analysis?
Speak offre una soluzione all-in-one per la trascrizione dei dati, l'analisi del sentiment e le integrazioni API. Permettiamo inoltre agli utenti di utilizzare tutti i nostri strumenti di analisi gratuiti - sentiment analysis, riconoscimento delle entità e word cloud maker per identificare le parole chiave prevalenti.
Forniamo anche un 7 giorni di prova senza bisogno di carta di credito, se volete sperimentare ulteriormente. Per avere accesso a tutta la nostra suite di strumenti, non dovete fare altro che iscrivervi gratuitamente!
Se desiderate utilizzare la sentiment analysis per la vostra organizzazione, abbiamo vari programmi a partire da soli $19,99 al mese. Disponiamo anche di soluzioni personalizzate per soddisfare le vostre esigenze specifiche e rendere più semplice la scalabilità delle vostre attività di ricerca e analisi.
Se volete saperne di più, contattateci e vi aiuteremo a migliorare i ricavi aziendali, ad aumentare la notorietà del marchio e a ottimizzare i flussi di lavoro grazie alla sentiment analysis.
Esistono molti motori di analisi del sentiment già pronti (come ad esempio Parlare) di solito sotto forma di SaaS (Software as a Service). D'altra parte, è possibile costruire le proprie soluzioni di sentiment analysis con librerie open source e seguendo le esercitazioni riportate di seguito.
La scelta tra l'acquisto o la costruzione di uno strumento di sentiment analysis riguarda principalmente costi, competenze e tempo.
L'acquisto di una soluzione di sentiment analysis consente di risparmiare tempo e non richiede conoscenze informatiche. Questi modelli pre-addestrati di solito sono dotati di integrazioni con le applicazioni di terze parti più diffuse, come Twitter, Slack, Trello e altre integrazioni Zapier. Inoltre, non è necessario mantenere questi motori di sentiment analysis perché il fornitore lo farà per voi.
D'altra parte, costruire il proprio modello di analisi del sentiment consente di personalizzarlo in base alle proprie esigenze. Se avete tempo e impegno, potete imparare da soli con le risorse online e costruire un modello di sentiment analysis da zero.
Qui di seguito abbiamo fornito risorse ed esercitazioni utili se desiderate costruire la vostra soluzione di sentiment analysis o se volete semplicemente saperne di più sull'argomento.
Pro
✅ Più economico
✅ Risparmio di tempo e fatica
Viene fornito con integrazioni API e Zapier
Non è necessario avere conoscenze di scienza dei dati o di codifica.
Contro
❌ Potrebbe non essere adatto alle vostre esigenze specifiche.
Pro
✅ Personalizzato in base alla portata e agli obiettivi del progetto
✅ È possibile realizzare da soli semplici modelli di analisi del sentiment.
Contro
Ci vuole tempo per costruire e addestrare il motore.
❌ Comporta costi di investimento e di manutenzione iniziali.
L'analisi del sentimento fornisce una panoramica di ciò che le persone pensano di un argomento. Tuttavia, non è perfetta e presenta diverse limitazioni. Le principali limitazioni della sentiment analysis sono:
Il termine polarità nella sentiment analysis si riferisce al grado di positività, negatività o neutralità di una parola o di una frase. È facile classificare le parole polarizzate come positive o negative. Ad esempio, buono indica un sentimento positivo, mentre cattivo indica un sentimento negativo.
Tuttavia, il problema si pone quando si deve decidere quanto positiva debba essere una parola o una frase. Ad esempio, "il cibo era atroce" e "il cibo era estremamente terribile" indicano chiaramente un sentiment negativo, ma l'attribuzione di un punteggio specifico al sentiment è soggettiva al modello di analisi e all'annotatore umano.
In generale, persone diverse possono assegnare punteggi di sentiment diversi alla stessa frase, perché il sentiment è soggettivo.
Le persone esprimono le loro opinioni in un contesto che, se rimosso, cambierebbe il significato delle loro parole. Alcuni di questi contesti includono l'uso di sinonimi, commenti ironici e sarcastici, meme e persino emoticon.
Ad esempio, "Perché lo fai solo ora? 😠😠" indica chiaramente un sentimento negativo. Tuttavia, il sentimento cambierebbe completamente se questo commento fosse, ad esempio, seguito da un altro messaggio".Quel rifiuto avrebbe dovuto avere ciò che si meritava molto prima lmao"..
Il messaggio successivo fornisce un contesto più ampio e cambia completamente la frase precedente. Improvvisamente, non si tratta di una lamentela negativa per i ritardi, ma di una celebrazione di qualcuno che finalmente viene punito per le sue azioni.
Molti modelli di sentiment analysis funzionano assegnando un punteggio di sentiment a una parola specifica sulla base di un elenco predeterminato. Ma il fatto che una frase non contenga alcuna parola di sentiment non significa che non esprima un sentiment e viceversa.
Ad esempio, "Il tizio della Redmi mi ha detto che avrei dovuto comprare un iPhone invece di un Android se volevo uno smartphone vero e proprio". non contiene parole polarizzate e può produrre un punteggio di sentiment neutro. Tuttavia, la frase indica chiaramente un sentiment negativo nei confronti dei telefoni Android.
È necessario addestrare i modelli di analisi del sentimento di apprendimento automatico per identificare correttamente il sarcasmo, i contesti e altre sfide di analisi del sentimento. L'addestramento comporta l'alimentazione del motore con tonnellate di documenti di testo per migliorare e imparare proprio come farebbe un essere umano.
L'aspetto negativo è che l'algoritmo richiede molto tempo e molta alimentazione per raggiungere un'accuratezza pari a quella umana. Eventuali errori o imprecisioni nei set di dati alimentati dalla macchina causerebbero inoltre l'apprendimento di cattive abitudini e, di conseguenza, la produzione di punteggi di sentiment imprecisi.
Le culture hanno i loro dialetti e persino sottodialetti, ognuno dei quali contiene parole simili con significati leggermente diversi. Decifrare il sentiment senza comprendere queste sfumature porterebbe a un'analisi imprecisa.
Ad esempio, "Vuoi andare, amico?" sarebbe una provocazione se detta negli Stati Uniti, ma sarebbe una domanda innocente sui viaggi se posta altrove.
Solo nel 2021, Merriam-Webster ha aggiunto più di 520 parole al dizionario inglese. Molte di queste parole (ad esempio, FTW, TBH, amirite) derivano dalla cultura online. Altre parole sono state modificate nelle loro definizioni.
Ad esempio, "sfondamento" potrebbe significare una scoperta improvvisa (sentimento positivo) o una persona completamente vaccinata che contrae il virus (sentimento negativo).
Fin dall'antichità, scienziati e studiosi sono sempre stati affascinati dalla linguistica. Grazie all'impegno nella ricerca per la comprensione perché una persona dice qualcosa, sono stati fatti molti progressi nella scienza e nel comportamento dei consumatori.
Il mondo sta attraversando il Quarta rivoluzione industriale in cui AI, big data e apprendimento automatico sono destinati ad avere la precedenza. Questa tecnologia in rapida evoluzione influenzerà tutti i settori, dalla sanità alla legge, al marketing e così via.
Inoltre, Da parola a testo sta diventando sempre più comune grazie all'utilizzo di Google e Amazon. Uno studio ha infatti previsto che la metà degli utenti di smartphone utilizzerà la tecnologia di ricerca vocale.
Il parlato e il testo scritto sono dati cruciali per qualsiasi organizzazione. In particolare, la comprensione del intento dietro il testo parlato o scritto sta diventando sempre più importante per la sopravvivenza di un'organizzazione.
Di conseguenza, la domanda di strumenti di sentiment analysis è destinata ad aumentare, in quanto le organizzazioni si affannano per ottenere informazioni più approfondite sui propri clienti e sviluppare offerte migliori per soddisfare le loro esigenze. La domanda è: utilizzerete anche voi la sentiment analysis nella vostra azienda o rimarrete indietro rispetto ai vostri concorrenti?
La sentiment analysis è un argomento molto studiato, con molti articoli di riviste, libri e risorse online disponibili per l'apprendimento. Qui di seguito abbiamo raccolto le risorse utili se volete costruire il vostro modello di sentiment analysis o se volete semplicemente saperne di più.
Lo sviluppo di un modello di sentiment analysis prevede l'utilizzo di Python, Javascript o R, i linguaggi di programmazione più comuni in ambito NLP e machine learning. C'è un dibattito in corso su quale linguaggio sia migliore, ma si consiglia di utilizzare Python se siete principianti.
Da quando Python è stato creato più di 30 anni fa, la comunità di codificatori ha accumulato una vasta collezione di librerie, documentazione, guide e video tutorial per qualsiasi livello di competenza. Questa vasta raccolta di risorse Python velocizzerà il processo di sviluppo per la creazione di algoritmi altamente precisi, riducendo così i costi e l'impegno complessivo richiesto.
A prescindere da ciò, ogni programmatore ha le sue preferenze, quindi abbiamo compilato un elenco di tutorial per la creazione di modelli di analisi del sentimento utilizzando Python, Javascript e R.
Se siete esperti di programmazione, abbiamo anche ampia documentazione sulle nostre API Speakcompleto di linee di codice da copiare e incollare nel proprio editor di testo. Oltre all'analisi del sentiment, è possibile integrare anche Speak Ai per convertire il parlato in testo e incorporarlo nel browser.
Python NLTK con Pycharm - NLTK è una delle librerie Python più diffuse, con un'estesa wiki contenente corsi, progetti, FAQ e molto altro. Questo video tutorial fornisce esempi dettagliati, passo dopo passo, di utilizzo di Pycharm, un editor di testo per la programmazione.
Python NLTK con Google Colab - Questo video tutorial insegna a creare un algoritmo di sentiment analysis Naive Bayes utilizzando Google Colab. Questa piattaforma di Google consente a chiunque di scrivere codice sul proprio browser.
Analisi del sentiment di Twitter con Google Colab - Questa esercitazione mostra come creare un modello di sentiment analysis specifico per estrarre opinioni dai Tweet.
Analisi del sentimento con Tensorflow e Google Colab - Questo video tutorial fornisce una guida dettagliata, passo dopo passo, alla costruzione di un modello di sentiment analysis partendo da zero. La libreria Python utilizzata è Tensorflow, una libreria molto diffusa nei framework di apprendimento automatico e di deep learning.
Costruire un'applicazione di sentiment analysis con Node.js - Questo tutorial è una guida passo-passo di facile comprensione che fornisce codici copia-incollabili per facilitare il processo di sviluppo.
Come costruire l'analisi del sentimento in R da Kaggle - Kaggle è una comunità online di scienziati dei dati con dataset rilevanti, concorsi, corsi e un forum attivo.
Le macchine per l'analisi del sentimento imparano alimentando un lessico - un elenco di parole e dei sentimenti ad esse associati. Questo elenco deve essere codificato a mano e richiede molto tempo per essere compilato, data la grande quantità di parole presenti in una lingua.
Per fortuna, Kaggle dispone di un lessico del sentiment disponibile pubblicamente in 81 lingue. Kaggle è una comunità per programmatori e contiene molte risorse utili per la codifica, l'NLP e l'apprendimento automatico.
Consigliamo vivamente di prendere il loro corsi che premiano con un certificato di completamento che si può evidenziare nel proprio CV. Kaggle offre corsi per tutti i livelli di competenza su Python, machine learning, SQL, NLP, machine learning e Game AI.
Kaggle dispone anche di più di 992 siti disponibili pubblicamente. insiemi di dati per l'analisi del sentimento. Questi set di dati coprono un'ampia gamma di argomenti di sentiment analysis, tra cui Twitter, recensioni di Amazon, notizie finanziarie e altro ancora.
Nel complesso, Kaggle è il posto giusto per trovare materiale di codifica, soprattutto se siete principianti. Se siete esperti di scienza dei dati, potete anche partecipare a concorsi di codifica con premi in denaro fino a $150.000.
Oltre ai lessici sopra citati, la comunità della scienza dei dati utilizza comunemente anche VADER, TextBlob, e SentiWordNet lessici. È possibile scaricare gratuitamente questi lessici su GitHub, una piattaforma popolare per gli sviluppatori per costruire software in modo collaborativo.
VADER: VADER (Valence Aware Dictionary for Sentiment Reasoning) è un lessico basato su regole specifico per i sentimenti dei messaggi dei social media. I data scientist amano VADER perché è altrettanto accurato, se non addirittura più accurati dei valutatori umani.
TextBlob: TextBlob è una libreria Python (2 e 3) per l'elaborazione di dati testuali, dotata di un'API che consente di eseguire le più comuni operazioni di NLP, come il tagging, l'estrazione di sostantivi e frasi, la classificazione, la traduzione e altro ancora.
SentiWordNet: SentiWordNet è una risorsa lessicale basata su WordNet, un enorme database di relazioni semantiche di parole inglesi. Queste parole sono collegate tra loro in base a relazioni semantiche (sinonimi, iponimi, meronimi) prima di essere assegnato un punteggio numerico per indicare il sentimento.
Se desiderate approfondire il tema della sentiment analysis e dell'elaborazione del linguaggio naturale, vi consigliamo di iniziare a leggere "Sentiment Analysis: Estrazione di opinioni, sentimenti ed emozioni" di Bing Liu.
Bing Liu è un illustre professore di informatica che pubblica regolarmente articoli accademici sull'analisi del sentimento, l'elaborazione del linguaggio naturale, l'apprendimento automatico e il data mining.
In qualità di leader di pensiero in questi campi, è molto apprezzato dai data scientist per la sua vasta conoscenza dell'argomento e per la sua capacità di spiegare in modo comprensibile argomenti tecnici di NLP.
Si consiglia vivamente di acquisire le basi dell'elaborazione del linguaggio naturale prima di passare all'analisi del sentimento. L'analisi del sentiment è un sottoinsieme dell'elaborazione del linguaggio naturale e quindi entrambi dovrebbero essere appresi di pari passo.
Questo corso online gratuito di Coursera offre una panoramica sull'elaborazione del linguaggio naturale e rilascia un certificato al completamento. Ci sono quattro moduli, ognuno dei quali contiene esercizi pratici che richiedono la creazione di un modello NLP, tra cui l'addestramento di una rete neurale per eseguire l'analisi del sentiment dei tweet.
Consigliamo vivamente anche questo corso sull'apprendimento automatico se volete creare i vostri modelli di sentiment analysis. Nel corso, imparerete a creare algoritmi di apprendimento automatico con Python e R, due dei più comuni linguaggi di programmazione.
È molto conveniente e contiene 44 ore di materiale didattico, il che può sembrare scoraggiante, ma il corso, ben strutturato, suddivide l'apprendimento automatico in parti di dimensioni ridotte.
Se il budget non è un problema, vi consigliamo di iscrivervi a questo corso online. Elaborazione del linguaggio naturale con l'apprendimento profondo corso di Stanford Online. La retta è di $1.595 e richiede un impegno di 10-14 ore settimanali per le 10 settimane del programma. Al termine del corso, riceverete anche una certificazione, che potrete evidenziare nel vostro CV.
Se i corsi online non sono la vostra passione, potete guardare il Serie di video su YouTube sull'elaborazione del linguaggio naturale di Dan Jurafsky e Christopher Manning, professori di informatica e linguistica all'Università di Stanford.
L'analisi del sentiment è il processo di utilizzo di tecniche di elaborazione del linguaggio naturale (NLP) per estrarre i sentimenti (positività, emozioni, sentimenti) dai dati di testo. Con il rapido progresso dell'apprendimento automatico e delle tecnologie NLP, le aziende grandi e piccole sfruttano sempre più la sentiment analysis per affermarsi sul mercato.
Le applicazioni della sentiment analysis e dell'opinion mining sono molteplici. Le organizzazioni possono utilizzare l'analisi del sentiment nelle ricerche di mercato, nel servizio clienti, nei mercati finanziari, nella politica e nel mercato dei social media, solo per citarne alcuni.
Sebbene la sentiment analysis non sia perfetta, è comunque molto efficace nell'analisi dei dati testuali online su larga scala. Tuttavia, i modelli di analisi del sentiment sono già accurati quanto i valutatori umani, se non addirittura più affidabili.
È solo questione di tempo prima che i modelli di sentiment analysis raggiungano un'accuratezza virtualmente pari a 100% nell'estrarre opinioni da grandi quantità di testo. Si tratta di una tecnologia che ha dimostrato di ottimizzare i processi di lavoro e di consentire ai team di acquisire una conoscenza più approfondita dei clienti.
Se volete saperne di più, provate il nostro 7 giorni di prova senza carta di credito, oppure parla con noi per discutere di come le nostre soluzioni di sentiment analysis possano portare la vostra organizzazione a un livello superiore.
Prova Speak gratuitamente per 7 giorni, senza carta di credito
Come trascrivere una registrazione in testo Il nostro strumento di trascrizione senza codice consente di convertire una registrazione audio in testo in soli due passaggi. Trovare
Come trascrivere un video di YouTube Non è necessario convertire un video di YouTube in mp4 per trascriverlo. È sufficiente caricare l'URL su Speak
Come trascrivere audio e video in testo in 2 minuti (Guida 2022) Impara a trascrivere audio e video in testo con Speak Ai
La guida completa all'analisi del testo (2022) L'analisi del testo (o text mining) si riferisce all'utilizzo di tecniche di elaborazione del linguaggio naturale per estrarre informazioni chiave da parti del testo.
Cos'è l'elaborazione del linguaggio naturale: La guida definitiva L'elaborazione del linguaggio naturale è il vasto campo dello studio di come i computer possano comprendere accuratamente il linguaggio umano, e
Una semplice guida su come fare ricerche di mercato nel 2021 Imparate alcuni semplici passi per iniziare a fare ricerche di mercato,
Per un periodo di tempo limitato, salvare 93% con un piano Speak completamente caricato. Iniziate il 2025 con una piattaforma AI di prim'ordine.
Italiano 
English 
Español 
Français 
العربية 
Português do Brasil 
Nederlands 
Deutsch 
עִבְרִית 
Русский 
日本語 
Polski 
Čeština 
Українська 
Slovenščina 
Svenska 
Ελληνικά 
Norsk bokmål 
简体中文 
Türkçe 
Català 
Magyar 
한국어 
Slovenčina 
Suomi