Llegamos a ustedes gracias a:



Reportajes y análisis

¿Qué es el análisis de sentimientos?

Utilizando PNL y ML para extraer significado

[22/09/2021] El análisis de sentimientos es una técnica analítica que utiliza estadísticas, procesamiento del lenguaje natural (PLN) y aprendizaje automático (ML) para determinar el significado emocional de las comunicaciones.

[Reciba lo último de CIO Perú suscribiéndose a nuestro newsletter semanal]

Las empresas utilizan el análisis de sentimientos para evaluar los mensajes de los clientes, las interacciones con los centros de llamadas, las reseñas en línea, las publicaciones en las redes sociales y otros contenidos. El análisis de sentimientos puede rastrear cambios en las actitudes hacia empresas, productos o servicios, o hacia características individuales de esos productos o servicios.

Ejemplos de análisis de sentimiento

Actualmente, uno de los ejemplos más destacados de análisis de sentimientos en la web es el Hedonómetro, un proyecto del Computational Story Lab de la Universidad de Vermont.

El grupo analiza cada día más de 50 millones de tweets en inglés, aproximadamente una décima parte del tráfico total de Twitter, para calcular el puntaje de felicidad.

El enfoque es computacionalmente sencillo. El laboratorio recopiló un conjunto de 10 mil palabras de uso común y, a través del servicio Mechanical Turk de Amazon, hizo que las personas le dieran a cada palabra una puntuación de felicidad del uno al nueve. Las palabras neutrales y aquellas que dependen en gran medida del contexto se eliminan, 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 realizar análisis de sentimientos algo antigua, señala Hayley Sutherland, analista senior de investigación de IA conversacional y descubrimiento de conocimiento inteligente en IDC. "Pero puede ser excelente para conjuntos de texto realmente grandes, asegura.

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 del uno al nueve, otros enfoques utilizan tres valores - positivo, negativo y neutral- o dan porcentajes. Los enfoques más precisos también pueden detectar otras emociones, indica Sutherland. "Varía según la herramienta, explica. "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. "Se trata de entender 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 escanear texto sin formato. "Algunos usan análisis facial, otros usan señales vocales, comenta Sutherland. "Cada vez veo que más empresas se centran en la inteligencia artificial emocional. Al comprender el tono de voz, además de lo que la gente literalmente dice, es más fácil identificar 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 World Health Organization's Vaccine Confidence Project utiliza el análisis de sentimientos como parte de su investigación, examinando las redes sociales, noticias, blogs, Wikipedia y otras plataformas en línea.

Google Cloud lanzó este año Intelligent Impact Solution, 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 fundamentar sus estrategias de vacunación contra el COVID, señala Sutherland.

Herramientas de 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 está funcionando correctamente.

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, explica Sutherland de IDC. Este nivel más sofisticado de análisis de sentimientos puede analizar oraciones completas, incluso conversaciones enteras, para determinar las emociones, y también puede utilizarse para analizar voz y video.

Todos los grandes actores 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, indica Sutherland.

Las empresas interesadas en realizar un análisis de sentimientos deben analizar primero las herramientas y tecnologías que ya están utilizando, sugiere Boris Evelson, vicepresidente y analista principal de Forrester Research. "¿Disponen de una herramienta de encuestas que incluya análisis de sentimientos? Las plataformas de gestión de opiniones de los clientes también cuentan con un análisis de sentimientos entre básico y bastante decente.

Además, comenta que hay herramientas de análisis de propósito general que tienen análisis de sentimientos, como IBM Watson Discovery y Micro Focus IDOL.

"Aconsejamos a nuestros clientes que lo siguiente que hagan sea buscar ahí, ya que normalmente necesitan un análisis de sentimientos como parte de la ingesta y minería de documentos o del proceso de experiencia del cliente, indica Evelson.

Análisis de sentimientos, PNL y ML

Pocas empresas crean sus propias plataformas de análisis de sentimientos. Se requiere experiencia interna y grandes conjuntos de datos de entrenamiento. Pero puede valer la pena para aquellas compañías 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.

Entre las bibliotecas de PNL capaces de realizar análisis de sentimientos se encuentran HuggingFace, SpaCy, Flair y AllenNLP. Además, algunas herramientas de lenguaje de máquina de código bajo también admiten el análisis de sentimientos, como PyCaret y Fast.AI.

Para el aprendizaje profundo, el análisis de sentimientos puede realizarse con modelos de transformadores como BERT, XLNet y GPT3. Incluso GPT3 puede realizar análisis de sentimiento sin datos de entrenamiento.

Construir sus propias plataformas puede darles a las empresas una ventaja sobre la competencia, señala Dan Simion, vicepresidente de inteligencia artificial y análisis de Capgemini.

 "Esta es la tendencia que estamos viendo en el mercado de las grandes empresas, anota. "De lo contrario, si compra la misma herramienta que su competidor, no obtendrá la ventaja competitiva.

APIs de análisis de sentimientos

Un enfoque más común para las empresas que crean sus propias plataformas es incorporar la funcionalidad de análisis de sentimientos a través de APIs. 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 cuenta con una API.

"La pregunta es, al final del día, qué tan buenas son estas APIs, reflexiona Simion de Capgemini. "Si tiene un producto muy especializado, es difícil que sea útil.

Y luego está el costo, agrega.

"Absolutamente todas las llamadas a la API cuestan dinero, sostiene. "Debe asegurarse de que sea económicamente viable recurrir a estas API concretas.  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 suelen contar con grandes bases de datos, pero tienden a ser muy genéricas y poco específicas para dominios de industria muy especializados.

"Realmente se necesitan miles de millones de palabras y ejemplos para aprender a detectar correctamente los sentimientos, asegura Bryan Richardson, socio asociado de McKinsey & Co.

Las empresas más grandes puedan ser capaces de recolectar sus propias palabras con el tiempo suficiente.

"Para una sola empresa, minorista o bancaria, es difícil obtener suficientes datos sobre sus propios clientes para construir un modelo, señala. "Pero ahora, a través de herramientas como el aprendizaje por transferencia, los modelos de PNL están siendo calibradas con conjuntos muy amplios con miles de millones de registros y luego aplicadas a diferentes casos de uso.

Eso significa que una empresa con un pequeño conjunto de datos de entrenamiento específicos del dominio puede comenzar con una herramienta comercial y adaptarla a sus propias necesidades.

Principales casos de uso de análisis de sentimientos

El mayor caso de uso del análisis de sentimientos en la industria hoy en día es en los centros de llamadas, donde analizan las comunicaciones de los clientes y las transcripciones de llamadas.

Por ejemplo, si el sentimiento negativo aumenta después del lanzamiento de un nuevo producto, eso podría ser un indicio temprano de que algo está fallando, lo que le permitiría a la empresa profundizar para comprender qué funciones están causando problemas, o para conseguir que más agentes se unan para manejar la situación.

Dado que ahora la atención al cliente incluye más videollamadas a través de la web, también está empezando a aparecer una cantidad cada vez mayor de datos de entrenamiento en video.

El mismo tipo de tecnología que se utiliza para realizar análisis de sentimientos para la experiencia del cliente, también se pueden aplicar a la experiencia del empleado. Por ejemplo, Genpact, el gigante de la consultoría, utiliza el análisis de sentimientos con sus 100 mil empleados, comenta Amaresh Tripathy, líder global de análisis de la empresa.

"Usamos una herramienta de inteligencia artificial: un chatbot conversacional, explica. "En lugar de que la gente de recursos humanos se comunique con cada uno para comprobar si todo va bien y si se sienten apoyados, hay un chatbot, y uno puede elegir si desea hablarle o no.

Esto puede ayudar a una empresa a encontrar áreas en las que los empleados tienen dificultades o no se sientan apoyados. "Buscamos sectores en los que podamos ayudar potencialmente, anota. "Entramos y conversamos. Termina siendo enormemente beneficioso porque sabemos cómo brindar apoyo a las personas de una manera beneficiosa.

El análisis de sentimientos también puede utilizarse para la gestión de la marca, para ayudar a una empresa a comprender cómo se sienten los segmentos de su base de clientes con respecto a sus productos, y a orientar mejor los mensajes de marketing dirigidos a esos clientes.

"Es particularmente útil cuando se trata de relaciones públicas, asegura Andy Thurai, vicepresidente y analista principal de Constellation Research. "Es mejor enterarse cuanto antes si alguien dice algo negativo para poder manejar la crisis. O, si publica un anuncio, puede saber si a la gente le gusta o no.

El método antiguo consistía en enviar encuestas, y tardaba días o semanas recopilar y analizar los datos.

"Pero parece que ahora la gente da su opinión sin filtros en Twitter y otros lugares, señala.

Puede ver también: