Nel processo di social listening, la fase di Comprensione è la fase centrale, in cui avviene un’effettiva comprensione e classificazione dei dati acquisiti. Infatti, dopo aver scelto le fonti da monitorare (per un approfondimento leggi qui), bisogna dare una forma ai dati che li renda comprensibili e utili per analisi, statistiche e confronti.

Per questo motivo, l’analisi semantica del testo diventa imprescindibile. La sua sfida è proprio quella di riconoscere all’interno di un testo sia i concetti di cui il testo è composto, sia le relazioni che esistono tra un concetto e l’altro. Analizzare queste relazioni tra i concetti all’interno di un testo significa analizzare un testo in modo più approfondito della semplice sequenza delle parole. Le potenzialità di un motore semantico possono essere sfruttate anche per cogliere opinioni all’interno delle frasi.

L’incremento dell’utilizzo dei Social Media e la conseguente diffusione di recensioni, valutazioni e raccomandazioni User-Generated, come testimoniato dal report “Italiani e Social Media” (che puoi scaricare qui), ha stimolato gli studi verso uno specifico campo di indagine: quello della sentiment analysis.

Per sentiment analysis si intende la rilevazione delle opinioni contenute nei testi estratti e l’attribuzione a esse della polarità corretta. L’analisi del sentiment serve a separare tutti i post che citano un determinato target (il brand in analisi) in modo neutro (ad esempio: “l’auto xxx è stata prodotta dal 2010 in poi”) da quelli in cui è espressa un’opinione positiva (“il fondotinta yyy è il migliore”) o negativa (“non comprerò mai più da zzz”).

L’analisi può essere effettuata manualmente, individuando le stringhe di testo di interesse e assegnando a loro la polarità corretta, oppure in modo automatizzato. La sentiment analysis realizzata in modo automatico (o opinion mining) è basata su regole di schematizzazione del linguaggio umano: tramite l’aiuto di sistemi di software assegna una valutazione positiva o negativa a un’opinione, una frase o un messaggio espressi in un linguaggio naturale. Le regole per la valutazione della polarità di una parola sono differenti in base ai domini linguistici utilizzati, ad esempio la parola “cattivissima” può avere una valenza positiva se utilizzata in riferimento alla potenza del motore di un’auto.

Per monitorare il sentiment legato al proprio brand, esistono diversi indici che consentono di avere confronti immediati e analisi dettagliate. Un esempio è il Blogmeter Trend Sentiment Index, di cui abbiamo parlato in questo post.

Blogmeter Suite – Trend Sentiment Index per singolo brand

Non tutti i messaggi sui Social Media hanno la stessa rilevanza, la definizione di questo valore delle fonti è un tema importante per le aziende per comprendere la vastità e la composizione dell’audience raggiunta dal messaggio stesso. Per riassumere il grado di rilevanza complessiva di un soggetto in rete si possono utilizzare indicatori di sintesi (come il Blogmeter Rank) comune per tutti i documenti. Il Blogmeter Rank assegna un valore da 1 a 10 in base alla rilevanza della fonte (dove 1 è poco significativo e 10 è molto significativo).  Questo indice si rivela molto utile nel caso in cui si debba analizzare una grossa mole di messaggi, così da poter comprendere quali messaggi si siano rivelati più impattanti per la reputazione del brand o per permettere una scelta ponderata del campione di messaggi da leggere in caso di analisi qualitativa.

Avere uno strumento che rivela in modo automatizzato le opinioni (come la Blogmeter Suite) può essere un vantaggio per un’azienda che ha interesse a:

• Monitorare la reputazione del proprio brand (per saperne di più clicca qui)
• Analizzare la reputazione dei propri competitor (per saperne di più clicca qui)
• Gestire le crisi social tempestivamente
• Valutare la percezione dei propri prodotti.

Blogmeter dispone del sistema più avanzato di Sentiment Analysis, richiedi subito una demo: