El análisis de sentimientos, que permite a las empresas determinar el valor emocional de las comunicaciones, ahora va más allá del análisis de texto para incluir audio y video.
Qué es el análisis de sentimientos
El análisis de sentimientos es una técnica analítica que utiliza estadísticas, procesamiento del lenguaje natural y aprendizaje automático para determinar el significado emocional de las comunicaciones.
Las empresas utilizan el análisis de sentimientos para evaluar los mensajes de los clientes, las interacciones del centro de llamadas, las reseñas en línea, las publicaciones en las redes sociales y otro contenido. El análisis de sentimientos puede rastrear cambios en las actitudes hacia empresas, productos o servicios, o características individuales de esos productos o servicios.
Ejemplos de análisis de sentimientos
Uno de los ejemplos más destacados de análisis de sentimientos en la Web hoy en día es el Hedonometer, un proyecto del Computational Story Lab de la Universidad de Vermont.
El grupo analiza más de 50 millones de tweets en inglés todos los días, aproximadamente una décima parte del tráfico total de Twitter, para calcular una tienda de felicidad diaria.
El enfoque es computacionalmente sencillo. El laboratorio recopiló un conjunto de 10,000 palabras de uso común y, a través del servicio Mechanical Turk de Amazon, las personas le dieron a cada palabra una puntuación de felicidad de uno a nueve. Las palabras neutrales y las palabras que dependen en gran medida del contexto se filtran y las puntuaciones del resto se suman y promedian para determinar las puntuaciones diarias de felicidad. Las listas de palabras, con puntuaciones, están disponibles en el sitio web del proyecto en inglés y en otros nueve idiomas.
Este enfoque de “bolsa de palabras” es una forma de la vieja escuela de realizar análisis de sentimientos, dice Hayley Sutherland, analista de investigación senior para IA conversacional y descubrimiento de conocimiento inteligente en IDC. “Pero puede ser excelente para conjuntos de texto realmente grandes”, afirma.
El hedonómetro también utiliza una escala simple positiva-negativa, que es el tipo más común de análisis de sentimientos.
Mientras que el hedonómetro usa una escala de uno a nueve, otros enfoques usan tres valores (positivo, negativo y neutral) o dan un porcentaje almacenado. Los enfoques más detallados también pueden detectar otras emociones, dice Sutherland. “Varía según la herramienta”, agrega. “Triste, enojado y emocionado son algunos de los más comunes”.
Las empresas pueden utilizar esta versión más matizada del análisis de sentimientos para detectar si las personas se sienten frustradas o incómodas.
Otro tipo de análisis de sentimientos es la detección de intenciones. “Estás entendiendo qué acción van a tomar”, señala. “Por ejemplo, en ventas, ¿están interesados o no en comprar?”
El análisis de sentimientos puede hacer más que solo mirar texto sin formato. “Algunos usan análisis facial, otros usan señales vocales”, explica Sutherland. “Cada vez veo más empresas que se centran realmente en la inteligencia artificial emocional. Al comprender el tono de voz además de lo que la gente realmente dice, es más fácil comprender el sarcasmo, por ejemplo “.
Abundan los ejemplos públicos de análisis de sentimientos. La administración Obama utilizó el análisis de sentimientos para medir la opinión pública. El Proyecto de Confianza en las Vacunas de la Organización Mundial de la Salud utiliza el análisis de sentimientos como parte de su investigación, buscando en las redes sociales, noticias, blogs, Wikipedia y otras plataformas en línea.
Esta primavera, Google Cloud lanzó su solución de impacto inteligente, que incluye un componente de análisis de sentimientos para que las agencias gubernamentales puedan orientar mejor sus esfuerzos de comunicación y comprender las creencias y comportamientos cambiantes en torno a las vacunas COVID-19.
“Ayuda a diferentes estados y municipios a informar sus estrategias de vacunación contra COVID”, estima Sutherland.
Herramientas para el análisis de sentimientos
El nivel básico de análisis de sentimientos involucra estadísticas o aprendizaje automático basado en algoritmos de aprendizaje supervisados o semi-supervisados. Al igual que con el hedonómetro, el aprendizaje supervisado implica que los humanos califiquen un conjunto de datos. Con el aprendizaje semi-supervisado, hay una combinación de aprendizaje automático y verificaciones periódicas para asegurarse de que el algoritmo esté haciendo las cosas bien.
El aprendizaje profundo es otro medio por el cual se realiza el análisis de sentimientos. “El aprendizaje profundo utiliza redes neuronales de muchas capas que se inspiran en el funcionamiento del cerebro humano”, asegura Sutherland, de IDC. Este nivel más sofisticado de análisis de sentimientos puede analizar oraciones completas, incluso conversaciones completas, para determinar la emoción y también se puede utilizar para analizar voz y video.
Todos los grandes jugadores de la nube ofrecen herramientas de análisis de sentimientos, al igual que las principales plataformas de atención al cliente y proveedores de marketing. Los proveedores de inteligencia artificial conversacional también incluyen funciones de análisis de sentimientos, dice Sutherland.
Las empresas interesadas en realizar un análisis de sentimiento deben mirar primero las herramientas y tecnologías que ya están utilizando, explica Boris Evelson, vicepresidente y analista principal de Forrester Research. “¿Tienen una herramienta de encuesta que incluya análisis de sentimiento? Las plataformas de gestión de comentarios de los clientes también tienen un análisis de opinión básico o bastante decente “.
También hay herramientas de análisis de propósito general, dice, que tienen análisis de sentimiento, como IBM Watson Discovery y Micro Focus IDOL.
“Aconsejamos a nuestros clientes que busquen allí a continuación, ya que normalmente necesitan un análisis de sentimiento como parte de la ingestión y extracción de documentos o el proceso de experiencia del cliente”, dice Evelson.
Análisis de sentimientos, PNL y ML
Pocas empresas construyen sus propias plataformas de análisis de sentimientos. Requiere experiencia interna y grandes conjuntos de datos de capacitación. Pero puede resultar rentable para las empresas que tienen requisitos muy específicos que las plataformas existentes no cumplen. En esos casos, las empresas suelen elaborar sus propias herramientas a partir de bibliotecas de código abierto.
Las bibliotecas de PNL capaces de realizar análisis de sentimientos incluyen HuggingFace, SpaCy, Flair y AllenNLP. Además, algunas herramientas de lenguaje de máquina de código bajo también admiten el análisis de sentimientos, incluidos PyCaret y Fast.AI.
Para el aprendizaje profundo, el análisis de sentimientos se puede realizar con modelos de transformadores como BERT, XLNet y GPT3. GPT3 incluso puede realizar análisis de sentimiento sin datos de entrenamiento.
La creación de sus propias plataformas puede dar a las empresas una ventaja sobre la competencia, estima Dan Simion, vicepresidente de inteligencia artificial y análisis de Capgemini.
“Esta es la tendencia que estamos viendo en el mercado de las grandes empresas”, dice. “De lo contrario, si está comprando la misma herramienta lista para usar que su competidor, no obtendrá la ventaja competitiva”.
API de análisis de opiniones
Un enfoque más común para las empresas que crean sus propias plataformas es incorporar la funcionalidad de análisis de sentimientos a través de API. Todos los principales proveedores de la nube ofrecen este servicio: Amazon Comprehend, Azure Cognitive Services y la API de Google Natural Language, por nombrar algunos. IBM Watson también tiene una API.
“La pregunta es, al final del día, qué tan buenas son estas API”, afirma Simion, de Capgemini. “Si tiene un producto de nicho, será difícil que sea útil”.
Y luego está el costo, agrega.
“Todas y cada una de las llamadas a la API cuestan dinero”, dice. “Debe asegurarse de que sea económicamente factible recurrir a estas API en particular. Pero podría ser una buena solución para las pequeñas y medianas empresas “.
Conjuntos de datos de análisis de sentimientos
Los enfoques de lenguaje de máquina y aprendizaje profundo para el análisis de sentimientos requieren grandes conjuntos de datos de entrenamiento. Las herramientas comerciales y disponibles públicamente a menudo tienen grandes bases de datos, pero tienden a ser muy genéricas, no específicas para dominios de industria limitados.
“Realmente se necesitan miles de millones de palabras y ejemplos para aprender a comprender correctamente el sentimiento”, comenta Bryan Richardson, socio asociado de McKinsey & Co.
Es posible que las empresas más grandes puedan recolectar las suyas propias con el tiempo suficiente.
“Para una sola empresa, minorista o banco, es difícil para ellos obtener suficientes datos sobre sus propios clientes para construir un modelo”, asegura. “Pero ahora, a través de herramientas como el aprendizaje por transferencia, los modelos de PNL se están calibrando contra corporaciones muy amplias con miles de millones de registros y luego se aplican a diferentes casos de uso”.
Eso significa que una empresa con un pequeño conjunto de datos de capacitación específicos del dominio puede comenzar con una herramienta comercial y adaptarla a sus propias necesidades.
Principales casos de uso de análisis de sentimientos
El caso de uso más grande del análisis de sentimientos en la industria hoy en día es en los centros de llamadas, analizando las comunicaciones de los clientes y las transcripciones de las llamadas.
Por ejemplo, si el sentimiento negativo aumenta después del lanzamiento de un nuevo producto, eso podría ser una indicación temprana de que algo va mal, lo que le permitirá a la empresa hacer un análisis profundo para comprender qué funciones están causando problemas o conseguir que más agentes se unan para manejar los problemas. .
Con la atención al cliente que ahora incluye más videollamadas basadas en la web, también hay una cantidad cada vez mayor de datos de capacitación en video que comienzan a aparecer.
Los mismos tipos de tecnología que se utilizan para realizar análisis de sentimiento para la experiencia del cliente también se pueden aplicar a la experiencia de los empleados. Por ejemplo, el gigante de la consultoría Genpact utiliza el análisis de sentimientos con sus 100,000 empleados, dice Amaresh Tripathy, líder global de análisis de la compañía.
“Usamos una herramienta de inteligencia artificial, un chatbot conversacional”, dice. “En lugar de que la gente de recursos humanos se comunique con todos para comprobar si todo va bien y si se sienten apoyados, hay un chatbot y puedes elegir si hablar con el chatbot o no”.
Esto puede ayudar a una empresa a encontrar áreas en las que los empleados tengan dificultades o no se sientan apoyados. “Estamos buscando áreas en las que podamos ayudar potencialmente”, argumenta Tripathy . “Entramos y tenemos una conversación. Es enormemente beneficioso porque sabemos cómo brindar apoyo a las personas de una manera beneficiosa “.
El análisis de sentimientos también se puede utilizar para la gestión de marca, para ayudar a una empresa a comprender cómo se sienten los segmentos de su base de clientes con respecto a sus productos y para ayudarla a orientar mejor los mensajes de marketing dirigidos a esos clientes.
“Es particularmente útil en las relaciones públicas”, asevera Andy Thurai, vicepresidente y analista principal de Constellation Research. “Desea saber más temprano que tarde si alguien dice algo negativo para poder manejar la crisis. O, si ejecuta un comercial, puede saber si a la gente le gusta o no “.
El método antiguo era enviar encuestas, dice, y tomaría días o semanas recopilar y analizar los datos.
“Pero la gente parece dar su opinión sin filtros en Twitter y otros lugares”, concluye.
Maria Korolov, CIO.com
