Claves para aprovechar al máximo el análisis de sentimientos

El análisis de sentimientos está empezando a demostrar su eficacia en la empresa. Esta técnica analítica, que permite a las empresas determinar el valor emocional de las comunicaciones, se está imponiendo en una serie de casos de uso, desde la transcripción de reuniones hasta el servicio de atención al cliente y los comentarios.

En la actualidad, el análisis de sentimientos se basa en gran medida en algoritmos de aprendizaje automático supervisado o semi supervisado. Todos los grandes actores de la nube ofrecen herramientas de análisis de sentimientos, al igual que la mayoría de las principales plataformas de atención al cliente y los proveedores de marketing. Los proveedores de IA conversacional también incluyen funciones de análisis de sentimientos en sus productos.

Pero sacar el máximo partido al análisis de sentimientos requiere una curiosa mezcla de arte y ciencia. A continuación, veremos cómo algunas organizaciones están haciendo un uso beneficioso del análisis de sentimientos.

 

Subrayar la importancia de la transcripción

La mayoría de las plataformas de reuniones virtuales ofrecen servicios de transcripción. De hecho, el reconocimiento de voz está integrado en muchas de las ofertas de Microsoft y Google. Zoom también tiene previsto ofrecer transcripción en directo este otoño, pero hasta entonces existen servicios de terceros como Otter AI.

Sin embargo, la transcripción por ordenador no es un buen sustituto de la toma de notas por parte de un humano, ya que es necesario el juicio humano para determinar la importancia frente a la cháchara, y para averiguar cuáles son los siguientes pasos y quién se ha comprometido con qué.

Para solventar esta carencia, el proveedor de transcripciones Pickle recurre al análisis de sentimientos. La plataforma Pickle utiliza AssemblyAI, una API de conversión de voz a texto, para su función de transcripción. Sin embargo, aunque algunas herramientas de código abierto pueden realizar análisis de sentimientos, tienden a centrarse en la identificación de palabras clave concretas, afirma el director general y fundador de Pickle, Birch Eve. Por ello, la empresa decidió construir sus modelos de aprendizaje automático de análisis de sentimientos desde cero.

El enfoque de Pickle utiliza un modelo de aprendizaje supervisado en combinación con algoritmos de clasificación de aprendizaje no supervisado. Para la parte supervisada, los humanos - originalmente empleados de Pickle - etiquetarían y clasificarían manualmente partes de las conversaciones, incluyendo la diferenciación entre charlas casuales y negocios importantes. También señalaban cualquier segmento de la conversación que tuviera una fuerte emoción positiva o negativa. A medida que la empresa fue creciendo, recurrió a Scale AI para realizar una mayor parte del etiquetado y la clasificación.

El conjunto de datos de entrenamiento creció hasta un millón de conversaciones, dice Eve, y la primera generación de modelos tuvo niveles de precisión de entre el 77% y el 83%, dice, dependiendo del tipo de conversación que se analizara.

"Hacemos un control de calidad en el que marcamos aleatoriamente las conversaciones y las enviamos a una cola en la que las revisamos manualmente y volvemos a comprobar el modelo", reconoce. "Si algo está mal, volvemos al modelo, vemos dónde están las incoherencias y ajustamos los datos o cambiamos los conjuntos de datos".

En la actualidad, la precisión se sitúa entre el 93% y el 94%, afirma. Hay menos variación en parte porque desde enero la empresa se ha centrado en las conversaciones de Zoom. "Ha hecho que los datos sean más consistentes porque la mayoría de las conversaciones de Zoom tienen un estilo similar", dice. "Hay una pequeña charla y luego la parte comercial".

La clave del éxito con los proyectos de IA que implican el análisis de sentimientos es mantenerse centrado, argumenta Eve.

"Es emocionante cuando empiezas a obtener datos consistentes de vuelta y empiezas a buscar otras áreas que puedes hacer, y hay un par de trampas en las que caímos", dice. "Pero el mejor camino hacia el éxito es mantener la cabeza baja y centrarse sólo en el sentimiento".

 

Aprovechar las reseñas de productos

La práctica del análisis de sentimientos se remonta a hace 15 años, dice John Dubois, director de Ernst & Young Technology Consulting. Por aquel entonces, se seguía el enfoque de la "bolsa de palabras", que se limitaba a contar cuántas veces aparecían determinadas palabras en una conversación, una publicación en las redes sociales, un artículo de prensa o una reseña de producto.

"El resultado era un pulgar hacia arriba o un pulgar hacia abajo", expone. "Desde entonces ha cambiado bastante".

Pero el aprendizaje automático está ayudando a las organizaciones a determinar mejor el sentimiento que hay detrás de esas palabras. Un área muy fértil donde los modelos de aprendizaje automático de análisis de sentimientos están teniendo un impacto es en las reseñas de productos, ya que una reseña podría ser extremadamente positiva, o negativa, sin usar palabras como "genial" o "terrible", o podría usar esas palabras de manera sarcástica.

Por ejemplo, considere esta reseña: "Realmente pensé que este vestido iba a ser fantástico. Las fotos eran preciosas y el embalaje en el que llegó era perfecto. Luego, cuando me lo puse, parecía una jirafa alegre. Pero al menos a mi perro le gusta dormir en él, y ver a mi perro feliz me hace feliz".

Hay muchas palabras positivas en esta reseña, pero la calificación de estrellas atribuida es baja. Las valoraciones son, en efecto, una puntuación de sentimiento: lo que el cliente piensa del producto en general. A medida que los sistemas de aprendizaje automático leen y comparan millones de opiniones con las valoraciones de los compradores, mejoran la comprensión de las verdaderas emociones que hay detrás de las palabras.

Dubois trabajó recientemente en un proyecto para una empresa nacional de automóviles que consistía en analizar el sentimiento relacionado con las características de los coches de los principales fabricantes de automóviles. Por ejemplo, a los clientes les pueden gustar los portavasos de un modelo pero no la versión de la competencia, o les gustan más los interiores de la competencia que los del cliente.

El análisis del sentimiento permitió a la empresa determinar exactamente qué les gustaba a los clientes de sus productos y en qué aspectos quedaba por detrás de sus competidores, un análisis que se convirtió en combustible para mejorar la publicidad. "Al ir a varios espacios de compra y evaluación de coches, podemos comprar anuncios en función de dónde sabemos que están nuestros puntos fuertes y sus puntos débiles", expone Dubois.

"Lo hicimos para los eventos de ventas de primavera, verano y otoño y vimos un aumento del 15% en las tasas de clics y un aumento del 4 al 6% en la conversión", dice. "Y un 4% en auto es algo bastante grande para un evento de ventas".

Hay bastante IA que se utiliza para el análisis de sentimientos con objeto de analizar este tipo de soluciones puntuales, explica. Pero las empresas pueden encontrar aún más valor en el análisis de sentimientos como un arma estratégica si van más allá del nivel del departamento.

"Podría ser utilizado por ventas para actualizar los listados de productos", dice. "Podría ser utilizado por merchandising para actualizar la arquitectura de la información de un sitio. Podría ser utilizado por I+D".

Una vez que la tecnología haya demostrado su eficacia, los responsables de TI deben llevarla a un grupo más amplio de interesados en el negocio que puedan beneficiarse de ella como parte de una estrategia empresarial integral.

 

Extraer valor de los almacenes de datos

Con el abaratamiento del almacenamiento, muchas empresas han empezado a guardar grandes cantidades de datos no estructurados, como llamadas de atención al cliente, correos electrónicos de solicitudes de asistencia, chats en línea... cualquier cosa que pueda resultar valiosa algún día.

"Todo el mundo ha hablado de Big Data y de almacenarlo, pero nadie ha sido capaz de extraer valor de él y utilizarlo", afirma Derek Chin, vicepresidente de innovación de Nerdery.

El análisis de los sentimientos podría ayudar a captar la información de los clientes a gran escala, afirma. "Toda la noción es súper emocionante".

Por ejemplo, los clientes pueden molestarse si un agente intenta venderles algo más. Pero el análisis de los sentimientos puede aportar información sorprendente sobre las situaciones en las que una venta adicional es realmente útil, afirma.

"Digamos que tienes datos y conectividad Wifi en su coche", dice. "Cuando el agente puede identificar que casi se han agotado los datos y puede ofrecerle la opción de comprar más para evitar tarifas de servicio adicionales, la gente se alegra de ello. Pero si se tratara de una oferta fría - "Veo que está en un gigabyte al mes, y hay una oferta especial por dos gigabytes al mes"-, eso desanimaría a la gente".

La clave para acertar con el análisis de sentimientos, dice, es comprender sus limitaciones y estar preparado para dedicarle tiempo. "En un entorno de voz a texto, habrá situaciones en las que no se detecte el sarcasmo. Esas cosas se arreglan solas con el tiempo, a medida que el tamaño de las muestras aumenta y la IA se vuelve más inteligente".

Como resultado, reaccionar demasiado rápido a los datos iniciales puede ser peligroso, dice. "Hay que dejar que estos modelos se entrenen por sí mismos y obtener suficientes tamaños de muestra antes de tomar decisiones estratégicas a largo plazo".

Pero las empresas deberían empezar ya, añade.

"Estamos en los inicios y sólo se está volviendo más sofisticado e impactante en el camino, y más de sus competidores comenzarán a usarlo", dice. "No tenga miedo de que sea imperfecto. Empieza a pilotar, a experimentar con ella".

 

Ir más allá de "bueno o malo

El análisis de sentimientos ya es eficaz en contextos bien definidos y sencillos con resultados claros, argumenta Dan Simion, vicepresidente de IA y analítica de Capgemini.

"Cuando se trata de, ¿es bueno o malo? Ahí es cuando el análisis de sentimientos funciona", dice. "Cuando empezamos a entrar en tipos de comentarios más complicados, ahí es donde todavía hay muchas oportunidades para que los modelos mejoren".

Digamos, por ejemplo, que se quiere utilizar el análisis de sentimientos para ver fotos o vídeos y saber si la gente está contenta o disgustada. "Nuestros clientes del sector de los medios de comunicación y el entretenimiento intentan comprender el sentimiento de las personas que ven diferentes programas y tratan de entender qué segmento de determinados programas les resulta interesante", afirma.

Ahora que han vuelto las audiencias en directo, eso podría deberse al análisis de las transmisiones de vídeo del público. O podría tratarse de gente que lo ve en casa, dijo, sentada frente a cámaras web. Tradicionalmente, la evaluación de las respuestas es un proceso manual.

Pero los evaluadores humanos son subjetivos, cree. "Hay que tener algo que sea objetivo, para que cuando se comparen los resultados empiecen a tener sentido".

"Y luego está el problema de la escala", prosigue. "Cuando tienes varios programas y al final quieres ser coherente, seguir el mismo proceso, ahí es donde tienes que empezar a usar máquinas".

En el caso de las expresiones faciales, los modelos de análisis de sentimientos todavía están evolucionando y ni siquiera está claro cómo medir su precisión. E incluso cuando el análisis de los sentimientos de las expresiones faciales supere la fase inicial de exageración, todavía habrá que recorrer un trecho, especialmente para los tipos de expresiones faciales más matizados, antes de que la mayoría de las empresas quieran participar, dice.

"Pero para las empresas que dependen de este tipo de soluciones, especialmente las grandes empresas que pueden permitírselo y utilizarlo como ventaja competitiva, merece la pena invertir", afirma Simion.