Gracias al aprendizaje automático, las empresas ahora pueden comenzar a poner en práctica la capacidad de determinar el valor emocional de la comunicación. Así es como las organizaciones lo pueden capitalizar.

El análisis de sentimientos está empezando a demostrar su valía en la empresa. Esta técnica analítica, que permite a las empresas determinar el valor emocional de las comunicaciones , está encontrando tracción en una variedad de casos de uso, desde la transcripción de reuniones hasta el servicio al cliente y la retroalimentación.

En estos días, el análisis de sentimientos se basa en gran medida en algoritmos de aprendizaje automático supervisados ​​o semi-supervisados. Todos los grandes actores de la nube ofrecen herramientas de análisis de sentimientos, al igual que la mayoría de las principales plataformas de atención al cliente y proveedores de marketing. Los proveedores de Inteligencia Artificial Conversacional también incluyen funciones de análisis de sentimientos en sus productos.

Pero aprovechar al máximo el análisis de sentimientos requiere una curiosa mezcla de arte y ciencia. A continuación, se muestra cómo algunas organizaciones están dando un uso benéfico al análisis de sentimientos.

Subrayar la importancia en la transcripción

La mayoría de las plataformas de reuniones virtuales ofrecen servicios de transcripción. De hecho, el reconocimiento de voz está integrado en gran parte de lo que Microsoft y Google ofrecen de inmediato. Zoom también planea ofrecer transcripción en vivo este otoño pero, hasta entonces, hay servicios de terceros como Otter AI.

Pero la transcripción por computadora es un pobre sustituto para un tomador de notas humano porque el “juicio humano” es necesario para determinar la importancia frente a la charla inactiva, y para descubrir cuáles son los próximos pasos y quién se comprometió con qué.

Para abordar esta brecha, el proveedor de transcripción Pickle está recurriendo al análisis de sentimientos. La plataforma Pickle utiliza AssemblyAI, una API de voz a texto, para su funcionalidad de transcripción. Pero si bien algunas herramientas de código abierto pueden realizar análisis de sentimientos, tienden a centrarse en identificar palabras clave particulares, apunta el CEO y fundador de Pickle, Birch Eve. Debido a esto, la compañía decidió construir sus modelos de aprendizaje automático de análisis de sentimientos desde cero.

El enfoque de Pickle utiliza un modelo de aprendizaje supervisado en combinación con algoritmos de clasificación de aprendizaje no supervisados. Para la parte supervisada, los humanos, originalmente empleados de Pickle, etiquetarían y clasificarían manualmente partes de las conversaciones, incluida la diferenciación entre charlas informales y negocios importantes. También notaron cualquier segmento de conversación que tuviera una fuerte emoción positiva o negativa. A medida que la empresa avanzaba, recurrió a Scale AI para realizar más etiquetado y clasificación.

El conjunto de datos de entrenamiento creció a un millón de conversaciones, y la primera generación de modelos tenía niveles de precisión entre 77% y 83%, dice Eve, dependiendo del tipo de conversación que se analiza.

“Hacemos un control de calidad en el que marcamos conversaciones al azar y las enviamos a una cola donde las revisamos manualmente y verificamos el modelo dos veces”, dice. “Si algo está mal, volvemos al modelo, vemos dónde están las inconsistencias y ajustamos los datos o cambiamos los conjuntos de datos”.

Hoy, la precisión es del 93% al 94%, dice. Hay menos variación en parte porque desde enero la compañía se ha centrado en las conversaciones de Zoom. “Ha hecho que los datos sean más consistentes porque la mayoría de las conversaciones de Zoom tienen un estilo similar”, dice. “Hay una pequeña charla y luego el aspecto comercial”.

La clave del éxito con los proyectos de Inteligencia Artificial que involucran análisis de sentimientos es mantenerse enfocado, afirma Eve.

“Es emocionante cuando empiezas a recuperar datos consistentes y comienzas a buscar otras áreas que puedes hacer, y hay un par de trampillas en las que caemos”, dice. “Pero el mejor camino hacia el éxito es mantener la cabeza baja y concentrarse sólo en el sentimiento”.

Aprovechar las reseñas de productos

La práctica del análisis de sentimientos se remonta a 15 años, explica John Dubois, director de Ernst & Young Technology Consulting. En ese entonces, seguía el enfoque de “bolsa de palabras”, que simplemente contaba cuántas veces aparecían palabras en particular en una conversación, publicación en redes sociales, artículo de noticias o reseña de producto.

“El resultado fue un pulgar hacia arriba o hacia abajo”, dice. “Desde entonces ha cambiado bastante”.

Pero el aprendizaje automático está ayudando a las organizaciones a determinar mejor el sentimiento detrás de esas palabras. Un área muy fértil donde los modelos de aprendizaje automático de análisis de sentimientos están teniendo un impacto es en las reseñas de productos, ya que una reseña podría ser extremadamente positiva o negativa sin usar palabras como “excelente” o “terrible”, o podría usar esas palabras en un forma sarcástica.

Por ejemplo, considere esta reseña: “Realmente pensé que este vestido iba a ser fantástico. Las fotos eran hermosas y el empaque en el que llegaron era simplemente perfecto. Luego, cuando me lo puse, parecía una jirafa alegre. Pero al menos a mi perro le gusta dormir sobre él, y ver a mi perro feliz me hace feliz a mí”.

Hay muchas palabras positivas en esta revisión, pero la calificación de estrellas atribuida es baja. Las calificaciones son, en efecto, una puntuación de sentimiento: lo que el cliente piensa del producto en general. A medida que los sistemas de aprendizaje automático leen y comparan millones de reseñas con las calificaciones que otorgan los compradores, mejoran su comprensión de las emociones reales detrás de las palabras.

Dubois trabajó recientemente en un proyecto para una empresa de automóviles nacional que implicó analizar el sentimiento relacionado con las características del automóvil para todos los principales fabricantes de automóviles. Por ejemplo, a los clientes les pueden gustar los portavasos de un modelo, pero no les gusta la versión de la competencia, o les gustan más los interiores de la competencia que los del cliente.

El análisis del sentimiento permitió a la empresa determinar exactamente qué les gustaba a los clientes de sus productos y dónde se quedaba atrás de sus competidores, análisis que se convirtió en combustible para una mejor publicidad. “A medida que vamos a varios espacios de evaluación y compra de automóviles, podemos comprar anuncios basados ​​en dónde sabemos que están nuestras fortalezas y sus debilidades”, señala Dubois.

“Hicimos eso para los eventos de ventas de primavera, verano y otoño y vimos un aumento del 15% en las tasas de clics y un aumento del 4 al 6% en la conversión. De hecho, el 4% en automóviles es bastante importante para un evento de ventas”.

Se está utilizando bastante Inteligencia Artificial para el análisis de sentimientos para este tipo de soluciones puntuales, dice. Pero las empresas pueden encontrar aún más valor en el análisis de sentimientos como arma estratégica si van más allá del nivel de departamento.

“El departamento de ventas podría utilizarlo para actualizar las listas de productos, y podría ser utilizado por la comercialización para actualizar la arquitectura de información de un sitio. Más aún, podría ser utilizado por I + D”.

Una vez que la tecnología ha demostrado su eficacia, los líderes de TI deben llevarla a un grupo más amplio de partes interesadas del negocio que se beneficiarán de ella como parte de una estrategia empresarial integral.

Extraer valor de los almacenes de datos

A medida que el almacenamiento se ha vuelto más económico, muchas empresas han comenzado a ahorrar grandes cantidades de datos no estructurados, como llamadas de servicio al cliente, correos electrónicos de solicitud de soporte, chats en línea, cualquier cosa que pueda resultar valiosa algún día.

“Todo el mundo ha estado hablando de Big Data y su almacenamiento, pero nadie ha podido extraer valor de él y utilizarlo”, dice Derek Chin, vicepresidente de innovación de Nerdery.

El análisis de sentimientos podría ayudar a capturar la información de los clientes a gran escala. “Toda la idea es muy emocionante”, señala.

Por ejemplo, los clientes pueden molestarse si un agente intenta venderles más. Pero el análisis de sentimientos puede generar ideas sorprendentes sobre situaciones en las que una venta adicional es realmente útil.

“Supongamos que tiene datos y conectividad WiFi en su automóvil. Cuando su agente puede identificar que está a punto de quedarse sin datos y puede darle la opción de comprar más para evitar tarifas de servicio adicionales, la gente está contenta con eso. Pero si fuera una oferta fría, ‘Veo que estás en un gigabyte al mes y hay una oferta especial por dos gigabytes al mes’, eso desanimaría a la gente”.

La clave para acertar en el análisis de sentimientos, dice, es comprender sus limitaciones y estar preparado para dedicarle tiempo. “En un entorno de voz a texto, tendrás situaciones en las que no se capta el sarcasmo”, dice. “Esas cosas se ordenan solas con el tiempo a medida que los tamaños de las muestras aumentan y la IA se vuelve más inteligente”.

Como resultado, reaccionar demasiado rápido a los datos iniciales puede ser peligroso. “Tienes que dejar que estos modelos se capaciten y obtengan suficientes tamaños de muestra antes de tomar decisiones estratégicas a largo plazo”, asevera.

Pero las empresas deberían empezar ahora, señala. “Estamos en el principio y se volverá más sofisticado e impactante en el futuro, y más competidores comenzarán a usarlo”, dice. “No tenga miedo de que sea imperfecto ahora. Empiece a pilotar, a experimentar con él”.

Yendo más allá de lo ‘bueno contra lo malo’

El análisis de sentimientos ya es efectivo en un contexto simple y bien definido con resultados claros, dice Dan Simion, vicepresidente de Inteligencia Artificial y Análisis de Capgemini.

“Cuando se trata de, ¿es bueno o malo? Ahí es cuando el análisis de sentimientos está funcionando ”, afirma. “Cuando empezamos a entrar en tipos de comentarios más complicados, ahí es donde todavía hay muchas oportunidades para que los modelos mejoren”.

Digamos, por ejemplo, que usted desea utilizar el análisis de opiniones para ver fotos o videos y saber si la gente está feliz o molesta. “Nuestros clientes de medios y entretenimiento están tratando de comprender el sentimiento de las personas que ven diferentes programas y tratando de comprender qué segmento de programas en particular encuentra interesante la gente”, dice.

Ahora que las audiencias en vivo están de regreso, eso podría ser analizando las transmisiones de video de la audiencia. O podría ser gente mirando en casa, dijo, sentado frente a cámaras web. Tradicionalmente, evaluar las respuestas es un proceso manual.

Pero los evaluadores humanos son subjetivos, dice. “Necesitas tener algo que sea objetivo, así que cuando comparas los resultados, empiezan a tener sentido”.

“Y luego está el problema de la escala”, agrega. “Cuando tienes varios programas y al final del día quieres ser consistente, siguiendo el mismo proceso, ahí es donde necesitas comenzar a usar máquinas”.

Con las expresiones faciales, los modelos de análisis de sentimientos aún están evolucionando y ni siquiera está claro cómo medir qué tan precisos son. E incluso cuando el análisis del sentimiento de las expresiones faciales va más allá de la fase inicial de exageración, todavía habrá mucho camino por recorrer, especialmente para los tipos de expresiones faciales más matizadas, antes de que la mayoría de las empresas quieran comprar, dice.

“Pero para las empresas que confían en este tipo de soluciones, especialmente las grandes que pueden permitírselo y pueden usarlo como una ventaja competitiva, vale la pena invertir”, concluye Simion.

Maria Korolov, CIO.com