Como aproveitar ao máximo a ‘análise de sentimento’

A análise de sentimento está começando a provar seu valor na empresa. Essa técnica analítica, que permite às empresas determinarem o valor emocional das comunicações, está encontrando tração em uma variedade de casos de uso, desde a transcrição da reunião até o atendimento ao cliente e feedback.

Hoje em dia, a análise de sentimento depende amplamente de algoritmos de machine learning supervisionados ou semissupervisionados. Todos os grandes participantes da nuvem oferecem ferramentas de análise de sentimento, assim como a maioria das principais plataformas de suporte ao cliente e fornecedores de marketing. Os fornecedores de IA de conversação também incluem recursos de análise de sentimento em seus produtos.

Mas tirar o máximo proveito da análise de sentimento requer uma curiosa mistura de arte e ciência. Veja como algumas organizações estão colocando a análise de sentimento para uso benéfico.

Destacando a importância na transcrição

A maioria das plataformas de reuniões virtuais oferece serviços de transcrição. Na verdade, o reconhecimento de voz está embutido em muito do que a Microsoft e o Google oferecem fora da caixa. O Zoom também planeja oferecer transcrição ao vivo neste semestre, mas, até então, existem serviços de terceiros, como o Otter AI.

Mas a transcrição de computador é um substituto pobre para um tomador de nota humano porque o julgamento humano é necessário para determinar o que é importante versus o que é bate-papo ocioso e para descobrir quais são os próximos passos e quem se comprometeu com o quê.

Para resolver essa lacuna, o provedor de transcrição Pickle está se voltando para a análise de sentimento. A plataforma Pickle usa AssemblyAI, uma API de fala para texto, para sua funcionalidade de transcrição. Mas, embora algumas ferramentas de código aberto possam realizar análises de sentimento, elas tendem a se concentrar na identificação de palavras-chave específicas, diz Birch Eve, CEO e fundador da Pickle. Por causa disso, a empresa decidiu criar seus modelos de machine learning de análise de sentimento do zero.

A abordagem de Pickle usa um modelo de aprendizagem supervisionada em combinação com algoritmos de classificação de aprendizagem não supervisionada. Para a parte supervisionada, humanos – originalmente funcionários de Pickle – rotulariam e classificariam manualmente partes das conversas, incluindo a diferenciação entre bate-papo casual e negócios importantes. Eles também observaram todos os segmentos de conversação que tiveram uma forte emoção positiva ou negativa. À medida que a empresa crescia, ela recorreu à Scale AI para fazer mais da rotulagem e classificação.

O conjunto de dados de treinamento cresceu para um milhão de conversas, diz Eve, e a primeira geração de modelos tinha níveis de precisão entre 77% e 83%, diz ele, dependendo do tipo de conversa que está sendo analisada.

“Fazemos controle de qualidade onde sinalizamos conversas aleatoriamente e as enviamos para uma fila, onde as examinamos manualmente e verificamos novamente o modelo”, diz ele. “Se algo estiver errado, voltamos ao modelo, vemos onde estão as inconsistências e ajustamos os dados ou trocamos os conjuntos de dados”.

Hoje, a precisão é de 93% a 94%, diz ele. Em parte, há menos variação porque, desde janeiro, a empresa tem se concentrado em conversas sobre Zoom. “Isso tornou os dados mais consistentes porque a maioria das conversas sobre o Zoom tem um estilo semelhante”, diz ele. “Há alguma conversa fiada e depois o lado comercial”.

A chave para o sucesso com projetos de IA envolvendo análise de sentimento é manter o foco, diz Eve.

“É empolgante quando você começa a obter dados consistentes e começa a olhar para outras áreas que você pode fazer, e há alguns alçapões em que caímos”, diz ele. “Mas o melhor caminho para o sucesso é manter a cabeça baixa e focar apenas no sentimento”.

Capitalizando em análises de produtos

A prática da análise de sentimento remete a 15 anos, diz John Dubois, Diretor da EY Technology Consulting. Naquela época, ele seguia a abordagem de “saco de palavras”, que simplesmente contava quantas vezes determinadas palavras apareciam em uma conversa, postagem em mídia social, artigo de notícias ou análise de produto.

“O resultado foi positivo ou negativo”, diz ele. “Desde então mudou bastante”.

Mas o machine learning está ajudando as organizações a determinar melhor o sentimento por trás dessas palavras. Uma área muito fértil onde os modelos de machine learning de análise de sentimento estão tendo um impacto é nas avaliações de produtos, já que uma avaliação pode ser extremamente positiva ou negativa, sem usar palavras como “ótimo” ou “terrível” – ou poderia usar essas palavras em um maneira sarcástica.

Por exemplo, considere esta análise: “Eu realmente pensei que este vestido seria fantástico. As fotos eram lindas, e a embalagem em que ela chegava era simplesmente perfeita. Então, quando o coloquei, parecia uma girafa alegre. Mas pelo menos meu cachorro gosta de dormir nele, e ver meu cachorro feliz me deixa feliz”.

Há muitas palavras positivas nesta análise, mas a classificação por estrelas atribuída é baixa. As classificações são, na verdade, uma pontuação de sentimento – o que o cliente pensa do produto como um todo. À medida que os sistemas de machine elarning leem e comparam milhões de avaliações com as avaliações dadas pelos compradores, eles melhoram a compreensão das emoções reais por trás das palavras.

Dubois trabalhou recentemente em um projeto para uma empresa automobilística nacional que envolvia a análise de sentimentos relacionados às características do carro para todos os principais fabricantes automotivos. Por exemplo, os clientes podem gostar dos porta-copos em um modelo, mas não gostar da versão dos concorrentes, ou gostar mais dos interiores dos concorrentes do que os do cliente.

A análise do sentimento permitiu que a empresa determinasse exatamente o que os clientes gostavam em seus produtos e onde ficava atrás de seus concorrentes – análises que se tornaram o combustível para uma melhor publicidade. “Como vamos a vários espaços de compra e avaliação de automóveis, podemos comprar anúncios com base em onde sabemos que nossos pontos fortes e fracos estão”, diz Dubois.

“Fizemos isso para eventos de vendas de primavera, verão e outono e vimos um aumento de 15% nas taxas de cliques e um aumento de 4 a 6% na conversão”, diz ele. “E 4% no setor automotivo é um grande negócio para um evento de vendas.”

Há bastante IA sendo usada para análise de sentimento para esses tipos de soluções pontuais, diz ele. Mas as empresas podem achar ainda mais valor na análise de sentimento como uma arma estratégica se forem além do nível de departamento.

“Isso poderia ser usado por vendas para atualizar listas de produtos”, diz ele. “Ele poderia ser usado pelo merchandising para atualizar a arquitetura de informações de um site. Pode ser usado por P&D”.

Depois que a tecnologia for comprovada, os líderes de TI devem levá-la a um grupo mais amplo de partes interessadas de negócios que podem se beneficiar dela como parte de uma estratégia de negócios holística.

Extraindo valor de armazenamentos de dados

À medida que o armazenamento ficou mais barato, muitas empresas começaram a salvar grandes quantidades de dados não estruturados, como ligações para o atendimento ao cliente, e-mails de solicitação de suporte, bate-papos on-line – tudo e qualquer coisa que algum dia possa ser valiosa.

“Todo mundo tem falado sobre big data e como armazená-lo, mas ninguém foi capaz de extrair valor dele e usá-lo”, disse Derek Chin, Vice-Presidente de Inovação da Nerdery.

A análise de sentimento pode ajudar a capturar percepções do cliente em uma mega escala, diz ele. “Toda a noção é super emocionante”.

Por exemplo, os clientes podem ficar irritados se um agente tentar fazer um upsell para eles. Mas a análise de sentimento pode trazer percepções surpreendentes sobre situações em que um upsell é realmente útil, diz ele.

“Digamos que você tenha dados e conectividade Wi-Fi em seu carro”, diz ele. “Quando seu agente pode identificar que você está quase sem dados e pode lhe dar a opção de comprar mais para evitar taxas de serviço adicionais, as pessoas ficam felizes com isso. Mas se fosse uma oferta fria – ‘Vejo que você está com um gigabyte por mês, e há uma oferta especial para dois gigabytes por mês’ – isso desanimaria as pessoas’”.

A chave para obter uma análise de sentimento correta, diz ele, é entender suas limitações e estar preparado para gastar tempo com ela. “Em um ambiente de fala para texto, você terá situações em que não pegará sarcasmo”, diz ele. “Essas coisas se resolvem com o tempo conforme os tamanhos das amostras ficam maiores e a IA fica mais inteligente”.

Como resultado, reagir muito rapidamente aos dados iniciais pode ser perigoso, diz ele. “Você tem que permitir que esses modelos se treinem e obtenham tamanhos de amostra suficientes antes de tomar decisões estratégicas de longo prazo”.

Mas as empresas devem começar agora, acrescentei.

“Estamos no início e ele está ficando mais sofisticado e impactante no futuro, e mais concorrentes seus começarão a usá-lo”, diz ele. “Não tenha medo de que seja imperfeito agora. Comece a pilotar, experimentando”.

Indo além de ‘bom vs. mau’

A análise de sentimento já é eficaz em um contexto simples e bem definido com resultados claros, diz Dan Simion, Vice-Presidente de IA e Analytics da Capgemini.

“Quando é em termos de, é bom ou ruim? É quando a análise de sentimento está funcionando”, diz ele. “Quando começamos a entrar em tipos de feedback mais complicados, é aí que ainda há muitas oportunidades para os modelos serem aprimorados”.

Digamos, por exemplo, que você queira usar a análise de sentimento para ver fotos ou vídeos e saber se as pessoas estão felizes ou chateadas. “Nossos clientes de mídia e entretenimento estão tentando entender o sentimento das pessoas que assistem a diferentes programas e tentando entender que segmento de programas específicos as pessoas acham interessante”, diz ele.

Isso poderia acontecer devido à análise dos feeds de vídeo do público, agora que as audiências presenciais estão de volta. Ou poderiam ser pessoas assistindo em casa, disse ele, sentados na frente de webcams. Tradicionalmente, avaliar as respostas é um processo manual.

Mas os avaliadores humanos são subjetivos, diz ele. “Você precisa ter algo que seja objetivo, então, quando você compara os resultados, eles começam a fazer sentido.”

“E há o problema de escala”, diz ele. “Quando você tem vários programas e no final do dia quer ser consistente, seguindo o mesmo processo – é aí que você precisa começar a usar as máquinas”.

Com as expressões faciais, os modelos de análise de sentimento ainda estão evoluindo e nem mesmo está claro como medir o quão precisos eles são. E mesmo que a análise do sentimento das expressões faciais vá além da fase inicial de campanha publicitária, ainda haverá um longo caminho a percorrer, especialmente para os tipos mais diferenciados de expressões faciais, antes que a maioria das empresas queira comprar, diz ele.

“Mas para as empresas que contam com esses tipos de soluções, especialmente as grandes empresas que podem pagá-las e podem usá-las como uma vantagem competitiva, vale a pena investir”, diz Simion.