El análisis de sentimiento se refiere a los diferentes métodos de lingüística computacional que ayudan a identificar y extraer información subjetiva del contenido existente en el mundo digital (redes sociales, foros, webs, etc.). Gracias al análisis del sentimiento, podemos ser capaces de extraer un valor tangible y directo, como puede ser determinar si un texto extraído de la red Internet contiene connotaciones positivas o negativas.
Con las redes sociales, los usuarios tienen hoy en día todo tipo de facilidades para mostrar sus opiniones sobre cualquier tema que deseen. Tener constancia sobre las opiniones referentes a una marca o producto y medir su impacto es actualmente de vital importancia para todas las empresas, ya que es tu imagen lo que está en juego.
A toda la información que se recopila de esta forma se le denomina minería de opinión y gracias a ella, las empresas tienen una inmediata disponibilidad de la información deseada. Además, la minería de opinión no solo permite responder “qué opinan los internautas sobre su propia marca o producto” sino que facilita, mediante los medios adecuados, obtener ventajas competitivas en diferentes ámbitos.
Posteriormente queremos conocer que valoración tiene dicha frase, y para ello se le aplica la denominada polaridad, a través de la cual se clasifica el mensaje en función de la intención que tenga el autor al realizarlo, pudiendo ser este positivo, neutro o negativo. Esto permite controlar el sentimiento de los usuarios respecto a una marca o producto, con lo que obtendremos los puntos fuertes y débiles sobre ello fácilmente.
Para aplicar esta polaridad y posteriormente poder obtener datos concluyentes y predecir comportamientos futuros.
Existen básicamente dos formas de procesar la información obtenida tal como mencionábamos en el punto anterior:
-El análisis manual suele darse en casos en los que las palabras claves sobre las que se quiere obtener información pueden representar diferentes significados en diferentes ámbitos, por lo que habrá que estar atento e ir clasificando cada texto en su lugar correspondiente. Un buen ejemplo sería una marca o el nombre de una empresa que se llama igual que una ciudad, de este modo se recopilarían multitud de datos que no tienen nada que ver con lo que de verdad se pretende obtener.
-El análisis de sentimiento automático. Este comienza con el establecimiento de una serie de palabras clave para que cualquier texto que contenga esa palabra o combinación de ellas, quede automáticamente encuadrado en una categoría de una forma previamente definida o descartado directamente. Por ejemplo, mensajes que contengan “No me gusta”, “odio” o “no recomiendo” se clasificarán automáticamente cómo datos negativos. Mientras que, aquellos mensajes que incluyan un “excelente”, “genial” o “perfecto”, quedarán clasificados cómo positivos.
Pero no basta con realizar un análisis positivo, negativo o neutro del contenido que se ha transmitido ya que este se ve influenciado por un contexto por ejemplo a continuación se presentaran casos usuales que se dan en la vida cotidiana que su interpretación varia en función al contexto.
En el primer ejemplo sabemos que “peor” va asociado a “banco”, que es el foco del sentimiento; y que “cobrarme comisiones” es un patrón que representa una categoría, ‘cobro de comisiones’, que puede ser útil para el cliente.
Sin embargo en el segundo ejemplo, “banco” no es un foco relevante para la industria de la cerveza por lo que ignoraríamos el sentimiento que tiene asociado, aunque sí tomaríamos como foco en este caso la palabra “litrona”, así detectaríamos el patrón “beberme una litrona”, que representaría la categoría “deseo de consumo”, que suele corresponder con un resultado positivo para el cliente.
Por esto, es clave entender la conversación dentro de cada tipo de industria y discriminar qué mensajes son relevantes y cuales no; categorizarla para extraer patrones y detectar los focos.
Otro ejemplo, puede ser cuando se presenta ambigüedad a la hora de interpretar en sentimiento:
Ambos son comentarios que probablemente podrían discutirse si son negativos o neutros, lo cual supone que sea complejo desarrollar un proceso de negocio basado en esa información.
Es mucho más fácil cuando esto se resume en un patrón o categoría llamado “falta de suministro” o “falta de cobertura” donde realmente se entiende el contexto del comentario y no existe ambigüedad.
Así existen muchos casos en los que detectar la polaridad del contenido no es suficiente para determinar lo que intenta expresar, lo que valida la afirmación de que es complicado conseguir un alto porcentaje de acierto en temas de interpretación al tener muchas variables que convergen.
Fuentes:
* Análisis de sentimiento, ¿qué es, cómo funciona y para qué sirve? (INTELLIGENT, 2017)
http://www.itelligent.es/es/analisis-de-sentimiento/
*El análisis de sentimiento. ¿Aplicación directa al negocio de las empresas? (Jorge Peñalva, Séntesis , 2017)
https://sentisis.com/aplicacion-analisis-sentimiento/