Sempre più spesso, Sentiment e Opinion Analysis sono usati come sinonimi a tal punto che persino su Wikipedia alla definizione di Sentiment Analysis si legge: “Sentiment analysis (also known as opinion mining) refers to the use […]”.

Le differenze, però, sono sostanziali perché individuare il mood di un testo è un’operazione ben differente rispetto al derivarne l’opinione. Proviamo a pensare alla seguente frase:

Questi biscotti sono buonissimi”.

E’ abbastanza semplice attribuirne il corretto mood che, in questo caso, è “POSITIVO” ma se la frase da analizzare fosse la seguente, quale sarebbe il suo mood?

Questa marca fa dei biscotti buonissimi, ma sono pieni di grassi e costano troppo.

La maggior parte dei tool di Sentiment Analysis forzerebbe l’attribuzione di un’etichetta attraverso un algoritmo basato su regole generiche di interpretazione semantica e, nella migliore delle ipotesi, ad un testo come quello dell’esempio attribuirebbe un moodNEUTRALE” (potrebbe comunque capitare che l’etichetta assegnata sia quella di “POSITIVO”).

È evidente che il risultato non solo non rispecchia perfettamente la realtà ma fornisce indicazioni potenzialmente opposte al reale sentimento espresso.

La forzatura nell’attribuire un mood “a tutti i costi” è uno dei principali motivi per cui nella maggior parte delle analisi del sentiment la percentuale di neutralità è molto alta (sopra il 60-70%), questo tipo di risultato dovrebbe essere un allarme per chi lo riceve: sui social network le persone scrivono per esprimere le proprie opinioni o per condividere informazioni, è quindi strano concludere un’analisi di questo tipo affermando che la maggior parte dei post sia etichettata come “NEUTRALE”.

La colpa di questo risultato non è (solo) da attribuire al tool o agli algoritmi impiegati nell’analisi: provate ad attribuire voi un sentiment alla frase incriminata. Sono convinto che la maggior parte delle persone, alla domanda “Che mood attribuiresti alla frase sopra?”, risponderebbe “DIPENDE”.

Ecco, questo è il problema: uno strumento di analisi non può rispondere “DIPENDE”, e senza istruzioni precise non può far altro che forzare una risposta, anche se palesemente sbagliata.

Proviamo ad analizzare la frase precedente ponendo una condizione ben definita: cosa risponderemmo se la domanda fosse posta nel seguente modo: “Qual è l’opinione rispetto al prezzo dei biscotti?“ oppure “Qual è l’opinione rispetto al gusto dei biscotti?“; in questo caso, ne sono certo, la risposta non sarebbe “DIPENDE” ma un’etichetta (o categoria) ben precisa.

Bene, la precisione delle risposte è una delle differenze sostanziali tra Sentiment Anlysis e Opinion Analysis, ma non è ovviamente l’unica.

Quando si chiede l’opinione di qualcuno, ci si aspetta una risposta argomentata o comunque l’espressione precisa di un pensiero personale. Provo a spiegarmi ancora una volta con un esempio, alla domanda “Perché ti piacciono questi biscotti?” cosa vi aspettate che vi venga risposto? Un qualcosa del tipo “percezione positiva” oppure un commento strutturato come potrebbe essere il seguente: “Questi biscotti mi piacciono perché sanno di burro”?

Ecco un’altra differenza tra Sentiment Analysis e Opinion Analisys: nel primo caso il massimo che riusciamo ad ottenere è una più o meno precisa rappresentazione del mood attorno ad un singolo e ben delineato argomento, mentre nel secondo caso possiamo ottenere le risposte alle nostre domande.

A titolo di esempio, di seguito riportiamo una possibile rappresentazione di un’analisi d’opinione. Nella fattispecie, l’analisi fa riferimento alla percezione dell’utente dei servizi di assistenza di una società manifatturiera operante nell’elettronica di consumo:

schema2

Come si può notare, a prescindere dal caso specifico, l’Opinion Analysis ci consente non solo di determinare il mood ma anche, e soprattutto, di capirne le motivazioni alla base.

Una delle maggiori difficoltà durante un ascolto della rete è quella di riuscire a separare ciò che è un’opinione, da ciò che invece è una semplice news, ossia un post o articolo che non esprime opinione, ma che semplicemente condivide delle informazioni, oppure dalle comunicazioni dello stesso brand di cui si vuole derivare il percepito.

Anche in questo caso la semplice Sentiment Analysis non è sufficiente, per capire quale opinione ha la gente del nostro brand, prodotto o servizio, ma è necessario affidarsi all’Opinion Analysis.

L’immagine di seguito mostra l’effetto grafico dell’approccio sopra descritto applicato a un’indagine condotta durante il lancio di un prodotto di consumo:

schema1

La prima cosa che appare evidente è come i volumi in gioco siano drasticamente differenti e come, soprattutto, il numero di post nei quali gli utenti esprimono una reale opinione riguardo ad un determinato argomento sia molto minore del numero di post che riportano informazioni generiche ma che non rappresentano l’espressione degli utenti finali che è però quello che ogni brand vuole conoscere quando analizza l’opinione dei suoi clienti e prospect.