Nell’ultimo decennio è esplosa la quantità di dati testuali prodotti nel mondo. Tali dati risiedono perlopiù in rete, nel web e sui social, e sono molto spesso a libero accesso e condivisi con tutti. Una fonte di risorse pressoché infinite e spesso gratuite dalla quale attingere informazioni utili al business.
Infatti, ciascuno di noi oggi esprime pareri, diffonde notizie, recensisce prodotti o piatti di un ristorante tramite internet e i social network più in voga. Ma un’azienda può davvero utilizzare questi dati a supporto del proprio business?
Certamente sì, ma per fare ciò è necessario sfruttare strumenti in grado trasformare dati testuali in indicatori quantitativi.
Ecco allora che la statistica e l’informatica vengono in nostro soccorso con lo sviluppo di quella che viene definita in generale opinion mining.
L’opinion mining, infatti, è proprio la pratica di analizzare i dati testuali con l’obiettivo di estrarre e comprendere pareri, opinioni, preferenze e reazioni rispetto ad un dato argomento. Essa permette dunque di ottenere in tempi minimi l’interpretazione di grandi quantità di testi di varia natura e complessità con lo scopo di ricavarne degli insight.
Tramite l’”ascolto” del web fatto con l’ausilio di tecniche di opinion mining è possibile analizzare le opinioni che tutti noi ogni giorno condividiamo in rete e sui social network. È questo il presupposto che ha portato T-Voice a sviluppare un algoritmo che consente di ricavare indicatori quantitativi utili al business sfruttando l’enorme fonte di dati testuali presenti in rete e combinando le classiche metodologie di mining dei testi con i più avanzati metodi di deep-learning supervisionato.
Dal Web Scraping alla NPS Analysis
Il processo di analisi delle opinioni si compone di quattro fasi fondamentali, che vanno dalla ricerca e raccolta del dato all’analisi vera e propria delle menzioni.
Ricerca e raccolta
Innanzitutto, si ricercano e collezionano i dati testuali presenti sul web quali articoli, pubblicazioni, menzioni e post. La ricerca viene indirizzata tramite specifiche keywords a seconda del tema di interesse.
È possibile ottenere dati da tutte le maggiori fonti online: siti web, news, forum, blog e tutti i principali social network quali Twitter, Facebook, Instagram, Reddit e Tumbrl.
Nel caso di siti web e siti di news, per scaricare i contenuti desiderati vengono applicate tecniche di web crawling e scraping, ove è possibile invece si procede al loro download tramite API, come nel caso di Twitter.
Qualora si fosse già in possesso dei testi sui quali condurre le analisi (ad esempio survey o questionari di gradimento), è altresì possibile importare direttamente tali documenti sulla piattaforma.
Una volta trovati e verificati i dati, questi vengono importati nella piattaforma e sono pronti per essere processati.
Tagging
Un ridotto numero di menzioni viene sottoposto a screening umano e vengono classificate secondo i propri obiettivi. Si possono impostare dei tag di opinion, come sentiment, trending topic, purchase propensity, satisfaction rate, e dei tag di de-noise che permettono di classificare i post non rilevanti ai fini delle analisi.
Questa fase può essere definita human supervised learning in quanto è l’essere umano, il coder (colui che codifica i testi), che “insegna” alla macchina come procedere. L’approccio supervisionato è fondamentale in quanto è l’unico in grado di identificare i costrutti semantici particolari e difficili da riconoscere (ad esempio sarcasmo e ironia) e perciò consente di produrre analisi estremamente accurate rispetto alle comuni tecniche di NLP o di analisi testuale basate sui dizionari.
Deep Learning
Terminate le codifiche, l’algoritmo di deep learning apprende le istruzioni dettate dal teaching umano e le estende rapidamente al resto dei dati. È così possibile analizzare facilmente centinaia di migliaia di post provenienti dal web che parlano di un brand, dei propri competitor o delle preferenze di un cliente.
Sentiment e NPS
Il processo culmina con l’analisi vera e propria delle opinioni che la gente ha espresso sulla rete.
Se ne analizza il sentiment verificando se il percepito rispetto al tema di interesse risulta essere per la maggior parte positivo, negativo oppure neutro.
In particolare, è possibile estrarre dai testi il Social NPS (Net Promoter Score), ovvero un indice che sintetizza il percepito sul web rispetto ad un determinato argomento (come un brand, un prodotto o un settore di mercato) e consente di confrontare tra loro i sentiment di vari topic (ad esempio un confronto tra il proprio marchio e quello dei competitor). Tale indicatore permette, ad esempio, di conoscere e valutare nel tempo le opinioni espresse dai propri clienti e prospect rispetto al proprio brand e a quelli dei competitor. Inoltre, a differenza del classico NPS ottenuto tramite survey questo presenta due enormi vantaggi: permette di capire quali sono le motivazioni che lo condizionano attraverso analisi qualitative e dei trending topic dai quali sono emerse considerazioni positive e negative; viene calcolato su un numero potenzialmente enorme di pareri, superando così i problemi statistici di rappresentatività e affidabilità del risultato.
NPS e poi…?
Le analisi di sentiment e social NPS, che consentono di valutare in modo facile ed efficacie la percezione di un tema attraverso il web, sono solitamente supportate dall’analisi dei trending topic associati al tema sotto osservazione. Si tratta di ricercare non solo se un parere risulta essere positivo o negativo, ma anche quali sono le motivazioni che portano ad esprime tale opinione. In questo modo si entra sempre più nel merito della questione andando a definire quali sono i temi più discussi e come questi si associano a sentimenti positivi e negativi e, in ultima analisi, al social NPS.
Una volta trasformati i dati testuali provenienti dalla rete in valori e indici quantitativi si procede con la ricerca delle relazioni che esistono tra questi e altri dati utili. Gli andamenti del sentiment, gli score di Social NPS o gli andamenti dei trending topic possono essere correlati con altre serie di dati per capire eventuali influenze reciproche. Tramite l’analisi delle correlazioni, infatti, si possono di studiare come variano (anche temporalmente) determinate variabili al variare di altri indicatori. Ad esempio: come variano le vendite al variare del sentiment?; oppure come varia il Social NPS in seguito a una determinata campagna di marketing?; oppure ancora se aumenta il percepito sul web relativo a un determinato prodotto aumenteranno anche i miei ricavi?
Si tratta dunque di capire come i KPI aziendali subiscono variazioni in base alle opinioni presenti in rete.
Infine, è possibile trasformare i dati testuali in indicatori quantitativi che sintetizzano gli argomenti desiderati in numeri di facile comprensione e utilizzo. Si costruiscono così nuovi KPI a partire dalle opinioni espresse sulla rete che noi definiamo WOI, Web Opinion Index. Tali indici permettono il monitoraggio e il confronto degli andamenti dei temi di interesse, quali ad esempio la purchase propensity, il livello di soddisfazione o le preferenze tra i colori di un determinato prodotto.
T-Voice: la "voce" del web a supporto delle strategie commerciali.
Guarda il video per scoprire come T-Voice può supportare le tue strategie commerciali
Guarda il video