Diversi indizi ci fanno ritenere che, tra tutte le manifestazioni della data science, la sentiment analysis possa avere un impatto sempre maggiore sul business. Eppure, la conquista dei mercati è appena iniziata: secondo ResearchandMarkets, nel 2020 il valore globale era di 1,6 miliardi di dollari, ma con un CAGR del 15,5% fino al 2027.
Adozione migliorabile e opportunità da cogliere
Formalmente task di Natural Language Processing (NLP), la sentiment analysis trova svariati ambiti applicativi e interessa a quasi tutte le industry, con una particolare preferenza per il Retail (in tutte le sue sfaccettature) e l’Healthcare.
In Italia, spiega l’Osservatorio del Politecnico di Milano, l’adozione delle tecniche di NLP è ancora modesta per una serie di motivi, tra cui l’ormai cronica penuria di competenze specialistiche, unita alla carenza di dataset già pronti per l’addestramento dei motori di AI e alle caratteristiche peculiari della nostra lingua e di tutte le sue declinazioni dialettali. Non aiuta, infine, il fatto che sia poco usata al di fuori dei nostri confini.
La scarsa diffusione di NLP, e quindi di sentiment analysis, è un’opportunità che le aziende devono cogliere. Nel mondo retail, per esempio, McKinsey affermò che sarebbe stata sufficiente una bad experience per portare il 25% dei clienti verso un competitor. Il mondo è stracolmo di studi e statistiche che affermano il ruolo essenziale dell’esperienza per la differenziazione, il vantaggio competitivo e, in ultima analisi, per il successo di un brand. Comprendere l’approccio emotivo del cliente rispetto all’azienda, e fare un drill down fino a evidenziarne i motivi profondi ha un impatto straordinario sull’agilità, sulla capacità di personalizzare il rapporto, di soddisfare i trend per tempo e di rimediare a qualche inefficienza nei processi.
Sentiment Analysis multicanale e la Voice of the Customer
Nella complessità delle relazioni tra l’azienda e i clienti, comprendere l’intento degli interlocutori ha un valore inestimabile, soprattutto se lo si può fare su larga scala. Non per niente uno dei principali use case di sentiment analysis resta l’analisi della brand reputation attraverso i dati social. Ma oggi si può fare di più, per esempio integrando l’analisi del sentiment nelle piattaforme di contact center. Astraendo dalla complessità tecnica sottostante, ciò significa dare agli agenti un’indicazione in tempo reale dello stato emotivo dei propri interlocutori, così da regolarsi di conseguenza.
Il sentiment viene estratto da conversazioni testuali o vocali attraverso gli interaction analytics e può indirizzare l’orchestrazione automatica dei processi: a titolo d’esempio, il sentiment negativo nella relazione con un bot può determinare immediatamente l’escalation a un agente umano; un eccesso di silenzio nella conversazione o un tono concitato identificano insofferenza, che viene colta dal motore di routing intelligente, elevata a livello di priorità e smistata in tempo reale all’operatore più adeguato a gestirla in funzione di diversi parametri, tra cui l’empatia.
La sentiment analysis rientra tra le tecniche con cui le aziende rilevano la voice of the customer. Il massimo valore si ottiene integrando il sentiment con altre informazioni analitiche (anch’esse derivanti dall’utilizzo di NLP), che permettano di comprendere la causa del sentiment stesso. Un approccio negativo nei confronti del brand può infatti essere determinato da un prodotto difettoso, da flussi logistici lenti, o magari dall’incapacità dell’agente di rispondere alla problematica in tempi considerati congrui. La capacità di risalire alle cause è essenziale per la soddisfazione del cliente e la conseguente fidelizzazione. Alcune imprese adottano l’analisi del sentiment per migliorare le performance del contact center, ma un’analisi più approfondita può indirizzare interventi a livello di produzione, ricerca e sviluppo, logistica, IT e gestione della supply chain.
Uno sguardo al futuro, dai sistemi di raccomandazione all’intelligence competitiva
L’adozione di tool di sentiment analysis è in crescita. A un forte progresso tecnico, finalizzato a perfezionare il Natural Language Understanding (NLU) e a rendere sempre più precisa e granulare la classificazione del sentiment, si associano use case in costante ascesa. L’analisi semantica, connessa all’identificazione dell’intent delle varie espressioni, resta la sfida principale, cui Machine Learning e Deep Learning permettono di dare una risposta adeguata. Nel frattempo, si stanno affacciando nuove possibilità di impiego della sentiment analysis.
- Alcuni studi dimostrano l’impatto positivo delle tecniche di Sentiment Analysis sugli esiti dei motori di raccomandazione. La dinamica, complessa e affascinante al tempo stesso, è in fase di adozione soprattutto nell’ambito dei contact center più evoluti. Da un’opinione espressa in linguaggio naturale, il sistema deriva in forma automatica un suggerimento sui next step finalizzati alla customer satisfaction. Un’applicazione analoga potrebbe attivare promozioni automatiche e tailor-made sulla base delle informazioni disponibili (storico degli acquisti, customer journey…) e del sentiment palesato dal cliente.
- Perfezionamento della employee experience. L’analisi del sentiment è adottata soprattutto per migliorare la relazione con i clienti. In realtà, tra i problemi che le aziende fronteggiano ogni giorno ci sono il turnover, l’incapacità di acquisire e trattenere talenti. La sentiment analysis può informare le divisioni HR sullo stato di benessere dei dipendenti e, con la stessa metodologia già vista, spiegarne le cause.
- Capacità proattive. In tandem con tecniche di AI, la sentiment analysis può acquisire capacità predittive, superando i vincoli dello strumento ‘che descrive’ una situazione di fatto.
- Competitive Intelligence. L’intelligence competitiva è un ambito di applicazione su cui si stanno concentrando le attenzioni di molte aziende. L’evoluzione tecnica sottostante permetterà alle imprese di affinare sempre di più le proprie indagini, integrando nuove fonti di dati. A titolo d’esempio, le relazioni telefoniche con i propri clienti possono nascondere informazioni utili sul rapporto tra il brand e suoi competitor, sulla competitività del loro pricing, sui punti di forza e le debolezze della loro rete logistica.
