Spostate lo sguardo in alto a destra del vostro MacBook Air. Sono le quattro del pomeriggio. Un’altra ora di lavoro e poi siete liberi di tornare a casa a guardare l’ultimo episodio di Game of Thrones. Si potrebbe pensare che sia una cosa piacevole per gran parte delle persone. Ma una buona fetta della popolazione americana su Twitter non la pensa così. Per questi lavoratori, le quattro del pomeriggio rappresentano la fascia oraria più triste della giornata lavorativa.

Un team di cinque ricercatori delle università di Northeastern e Harvard è giunto a questa conclusione dopo aver analizzato 300 milioni di tweet da settembre 2006 ad agosto 2009. Analizzare milioni di testi da 140 caratteri per determinare l’umore dei rispettivi autori potrebbe sembrare un’enorme mole di lavoro per cinque persone, ma in realtà ciò si è reso possibile grazie all’aiuto dell’intelligenza artificiale. 

Il tono di ogni tweet è stato classificato da un algoritmo che ha abbinato il suo contenuto a un elenco di parole ANEW (Affective Norms for English Word) e ha prodotto un punteggio che determinava se era positivo o negativo. Da lì, i ricercatori sono stati in grado di individuare i sentimenti degli autori di quei tweet e in che modo sono cambiati dalla mattina alla sera. 

La tecnologia alla base si chiama analisi del sentiment e non viene applicata solo per capire come cambia l’umore delle persone nel corso della giornata. 

Macchine emotivamente intelligenti

L’analisi del sentiment, o data mining, è un campo dell’intelligenza artificiale che utilizza algoritmi per determinare se il tono di un messaggio scritto è positivo, negativo o neutro. Analizza frasi, MicroBlog (brevi messaggi fino a 140 caratteri, come i tweet o i post di Facebook) o anche interi documenti e ne stabilisce il sentimento, l’atteggiamento o l’opinione dell’autore nei confronti di uno specifico argomento, prodotto o marchio. 

Questa è la versione base dell’analisi del sentiment. Altri algoritmi più complessi cercano di determinare quanto sia forte quell’opinione. Si attribuisce un peso alle parole positive o negative e si ottiene un punteggio che va da -1 a +1; il risultato viene utilizzato per definire il sentiment della frase. 

Ma esattamente in che modo le macchine leggono le nostre emozioni?

Esistono tre approcci principali all’analisi del sentiment: basato su regole, automatico e ibrido. 

Gli approcci basati su regole funzionano definendo prima un insieme di regole in un linguaggio di scripting che individua il tono del messaggio scritto in questione. Queste regole utilizzano diversi input, tra cui le classiche tecniche di elaborazione del linguaggio naturale e altre risorse come dizionari o elenchi di parole specifiche. All’atto pratico, i ricercatori possono ad esempio creare un elenco di parole positive e uno di parole negative. Quindi l’algoritmo analizza i messaggi scritti e abbina il loro contenuto a quello degli elenchi. Se un messaggio contiene più parole positive che negative, il suo tono è considerato positivo e viceversa. Diversamente, sono considerati neutrali. 

Gli approcci automatici, d’altra parte, non si basano su regole artigianali, ma su tecniche di apprendimento automatico molto più complesse. Per farla semplice, gli approcci automatici consistono nell’addestrare un computer mostrando un numero sufficiente di esempi o casi di training, in modo che possa iniziare a riconoscere autonomamente i modelli e imparare a trasformare l’input nell’output desiderato. In questo caso, si potrebbe utilizzare una serie di tweet e il rispettivo sentiment come input e quindi misurare le prestazioni dell’algoritmo osservando la percentuale dei tweet successivi che verranno classificati correttamente in ciascuna possibile categoria. 

Gli approcci ibridi prendono il meglio da entrambi i mondi e permettono di ottenere risultati più precisi.

Inizialmente l’analisi del sentiment è stata sviluppata per le ricerche di mercato. Bing Liu, professore di informatica presso l’Università dell’Illinois e autore di numerosi testi sull’argomento, spiega che l’analisi del sentiment ha fatto il suo ingresso a metà degli anni 2000, quando le recensioni online hanno acquisito popolarità e le aziende volevano esaminarle per capire cosa dicevano i clienti. Prima dell’analisi del sentiment, l’unico modo in cui le aziende potevano conoscere le reazioni delle persone verso un particolare prodotto o servizio era quello di creare gruppi di discussione o inviare sondaggi, che non offrivano alcuna garanzia di raccogliere un numero statisticamente significativo di risposte.

Poi sono arrivati gli algoritmi e hanno reso tutto più semplice. Sono in grado di analizzare quantità maggiori di dati in tempi più brevi e le aziende non hanno bisogno di contattare i clienti per conoscere le loro opinioni; prendono semplicemente quelle condivise online di loro spontanea volontà.

Unaminiera d’oro di dati

In qualità di consumatori, produciamo una quantità immensa di dati scritti online. Inviamo email, ci scambiamo idee sui forum, pubblichiamo messaggi sulle bacheche dei nostri amici e commentiamo le loro foto su Instagram. Passiamo sempre più tempo sui social media. Nel 2017, l’utilizzo quotidiano dei social media da parte degli utenti Internet nel mondo è salito a 135 minuti al giorno, rispetto ai 90 minuti di soli 5 anni prima. Utilizziamo Facebook, Instagram e altri canali non solo per dire cosa ci piace o non ci piace, ma anche per esprimere le nostre opinioni su determinati marchi o prodotti. 

I dati raccolti da recensioni online, post sui social media e altre fonti assumono un gran valore per le aziende, perché è possibile utilizzare i risultati di un’analisi del sentiment per migliorare diversi ambiti. 
Ad esempio, per le iniziative di marketing, ciò consente alle aziende di sapere se le reazioni a diversi eventi o campagne sui social media sono state positive, negative o neutre e quindi di rivedere la propria strategia per rispondere meglio alle esigenze del pubblico. È inoltre uno strumento utile che permette di capire cosa le persone pensano della concorrenza e di trarre un vantaggio competitivo sul mercato. 
Di recente l’analisi del sentiment si è rivelata utile nelle risorse umane e nelle operazioni del personale. Aziende come Frrole hanno sviluppato una IA DeepSense che acquisisce i dati social pubblici dei candidati e, sulla base dei risultati, consente ai reclutatori di avere un’idea dei loro tratti comportamentali e personalità per valutare se sono adatti al team. 

Altre grandi aziende hanno iniziato a utilizzare questa tecnologia per capire come si sentono i loro dipendenti attuali. IBM, ad esempio, ha una piattaforma interna di social networking chiamata Connections, grazie alla quale tutti i 380,000 dipendenti di IBM possono mettersi in contatto tra loro, pubblicare opinioni e commentare i contenuti condivisi di altre persone. IBM abbina questa piattaforma a uno strumento di analisi del sentiment sviluppato internamente chiamato Social Pulse, che analizza ciò che dicono le persone e individua le tendenze e i possibili segnali negativi nella soddisfazione dei dipendenti. 

Leggere le menti dei clienti

L’analisi del sentiment è inoltre utile e importante per monitorare e migliorare la customer experience

I sentimenti dei clienti nei confronti di un marchio possono essere influenzati da una serie di fattori. Il lancio o la modifica di prodotti, l’aumento dei prezzi, le campagne virali e altre azioni di marketing, nonché la qualità del servizio clienti.

Le aziende possono ad esempio ricorrere all’analisi del sentiment per analizzare le recensioni di prodotti o servizi e assegnare un punteggio a ciascuna di esse, permettendo agli agenti dell’assistenza di contattare prima i clienti con le opinioni più negative e cercare di neutralizzare la situazione negativa il prima possibile. Le recensioni con i punteggi più positivi consentono invece alle aziende di capire quali azioni generano emozioni positive sui clienti, come punto di riferimento in futuro. 

Lo stesso principio può essere applicato alle richieste di assistenza in entrata. Gli algoritmi di analisi del sentiment sono in grado di ordinare le richieste di assistenza in base alla loro urgenza analizzando il tono di voce dell’email. In questo modo gli agenti possono rivolgere l’attenzione ai clienti più frustrati o insoddisfatti senza dover prima esaminare ciascuna richiesta per valutarne manualmente la priorità. 

Per i manager è uno strumento utile per misurare la soddisfazione complessiva dei clienti nei confronti del team di assistenza. I risultati non si basano sul feedback richiesto dopo una determinata interazione con un agente, ma su opinioni meno invadenti e più oneste che i clienti scrivono da qualche parte online semplicemente perché ne hanno voglia. Può integrare l’analisi delle prestazioni interne come ulteriore livello di feedback dei clienti, da cui i manager possono avere un’idea più chiara delle interazioni più efficaci e utilizzare tali informazioni per migliorare i processi. 

Ma la tecnologia non è ancora del tutto precisa. Si basa sulla lingua, che ha innumerevoli sfumature e non è soltanto una lista di parole positive e negative. Una parola positiva può talvolta implicare un tono esattamente opposto a quello che in genere viene associato. Ad esempio, per commentare una consegna tardiva, posso dire: “Amazon non ha consegnato puntualmente il mio ordine. Grandioso!”. La parola “grandioso” ha una connotazione generalmente positiva, ma in questo caso viene utilizzata per commentare un servizio inadeguato. 

Benché alcune aziende nel campo dell’IA stiano già addestrando gli algoritmi a riconoscere il sarcasmo, si presentano molte altre variabili, come il contesto o persino le complessità di alcune lingue che complicano alle macchine il compito di determinare correttamente il tono implicito della conversazione. 

Ciononostante le macchine migliorano sempre di più nel rilevare le emozioni umane. C’è ancora molto margine di miglioramento nell’analisi del sentiment, ma si sta investendo in altri strumenti di lettura del sentimento, come le scansioni del volto. Chissà, magari fra qualche anno avremo un rapporto sulle ore meno produttive della giornata lavorativa in base al numero di volte in cui i nostri computer ci hanno scansionato il volto durante uno sbadiglio.