¿Qué es el análisis de sentimiento? Claves para abordarlo con tecnología de IA

El análisis de sentimiento es una técnica analítica que utiliza la estadística, el procesamiento del lenguaje natural y el aprendizaje automático para determinar el significado emocional de las comunicaciones. Las empresas lo utilizan para evaluar los mensajes de los clientes, las interacciones con los centros de llamadas, las reseñas online, las publicaciones en las redes sociales y otros contenidos. Este tipo de análisis puede rastrear los cambios de actitud hacia las empresas, los productos o los servicios o las características individuales de esos productos o servicios.

Ejemplos de análisis de sentimiento

Uno de los ejemplos más destacados de análisis de sentimiento 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 tuits en inglés, aproximadamente una décima parte del tráfico total de Twitter, para calcular un almacén de felicidad diario.

El enfoque es sencillo, desde el punto de vista computacional. El laboratorio recopiló un conjunto de 10.000 palabras de uso común y, a través del servicio Mechanical Turk de Amazon, hizo que la gente diera a cada palabra una puntuación de felicidad del uno al nueve. Las palabras neutras y las que dependen en gran medida del contexto se filtran, y las puntuaciones del resto se suman y se hace un promedio para determinar las puntuaciones diarias de felicidad. Las listas de palabras, con sus 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 la vieja escuela de realizar análisis de sentimiento, dice Hayley Sutherland, analista de investigación senior de IA conversacional y descubrimiento de conocimiento inteligente en IDC. "Pero puede ser muy útil para conjuntos de texto realmente grandes", añade.

El Hedonómetro también utiliza una escala simple de positivo-negativo, que es el tipo más común de análisis de sentimientos. Mientras que el Hedonómetro utiliza una escala de uno a nueve, otros enfoques utilizan tres valores (positivo, negativo y neutro) o aportan un almacén de porcentajes. Los enfoques más precisos también pueden detectar otras emociones, dice Sutherland. "Varía según la herramienta", dice. "Triste, enfadado y emocionado son algunas de las más comunes". Las empresas pueden utilizar esta versión más matizada del análisis de sentimientos para detectar si la gente se siente frustrada o incómoda.

Otro tipo de análisis de sentimientos es la detección de intenciones. "Se trata de entender qué acción van a realizar", dice. "Por ejemplo, en ventas, ¿están interesados o no en comprar?".

El análisis del sentimiento puede hacer algo más que mirar el texto plano. "Algunos utilizan el análisis facial, otros las señales vocales", dice Sutherland. "Cada vez veo más empresas que se centran de verdad en la IA emocional. Al entender el tono de voz, además de lo que la gente realmente dice, es más fácil entender el sarcasmo, por ejemplo".

Abundan los ejemplos públicos de análisis de sentimiento. En Estados Unidos, el Gobierno de Obama utilizó esta práctica para medir la opinión pública. El Proyecto de Confianza en las Vacunas de la Organización Mundial de la Salud utiliza el análisis de sentimientos como parte de su investigación, examinando las redes sociales, las noticias, los blogs, Wikipedia y otras plataformas online.

Esta primavera, Google Cloud lanzó una Solución de Impacto Inteligente, que incluye un componente de análisis de sentimiento para que los organismos gubernamentales puedan orientar mejor sus esfuerzos de comunicación y comprender los cambios de creencias y comportamientos en torno a la vacunación de COVID-19. "Ayuda a los estados y municipios a fundamentar sus estrategias de vacunación contra la covid", afirma Sutherland.

Herramientas de análisis de sentimiento

El nivel básico del análisis de sentimiento implica la estadística o el aprendizaje automático basado en algoritmos de aprendizaje supervisado o semisupervisado. Al igual que en el caso del Hedonómetro, el aprendizaje supervisado implica la participación de seres humanos para puntuar un conjunto de datos. Con el aprendizaje semisupervisado, hay una combinación de aprendizaje automatizado y comprobaciones periódicas para asegurarse de que el algoritmo está haciendo las cosas bien.

El aprendizaje profundo es otro medio por el que se realiza el análisis de sentimiento. "El aprendizaje profundo utiliza redes neuronales de muchas capas que se inspiran en el funcionamiento del cerebro humano", explica Sutherland. Este nivel más sofisticado de análisis de sentimiento puede examinar frases enteras, incluso conversaciones completas, para determinar la emoción, y también puede utilizarse para analizar la voz y el vídeo.

Todos los grandes actores de la nube ofrecen herramientas de análisis de sentimiento, al igual que las principales plataformas de atención al cliente y los proveedores de marketing. Los proveedores de IA conversacional también incluyen funciones de análisis de sentimientos, afirma el analista.

Las empresas interesadas en realizar un análisis de sentimiento deben examinar primero las herramientas y tecnologías que ya están utilizando, indica Boris Evelson, vicepresidente y analista principal de Forrester Research. "¿Disponen de una herramienta de encuestas que incluya el análisis de sentimientos? Las plataformas de gestión de opiniones de los clientes también tienen un análisis de sentimientos básico o bastante decente". También hay herramientas de análisis de propósito general, dice, que tienen análisis de sentimientos, como IBM Watson Discovery y Micro Focus IDOL.

"Aconsejamos a nuestros clientes que busquen ahí, ya que normalmente necesitan el análisis de sentimiento como parte de la ingesta y minería de documentos o del proceso de experiencia del cliente", apunta el experto.

Análisis de sentimiento, procesamiento del lenguaje natural y 'machine learning'

Pocas empresas crean sus propias plataformas de análisis de sentimiento. Se requiere experiencia interna y grandes conjuntos de datos para el entrenamiento. Pero puede valer la pena para las empresas que tienen requisitos muy específicos que no cumplen las plataformas existentes. En esos casos, las empresas suelen crear sus propias herramientas a partir de bibliotecas de código abierto.

Entre las bibliotecas de procesamiento del lenguaje natural capaces de realizar análisis de sentimiento se encuentran HuggingFace, SpaCy, Flair y AllenNLP. Además, algunas herramientas de lenguaje automático de bajo código también admiten el análisis de sentimiento, como PyCaret y Fast.AI.

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

Construir sus propias plataformas puede dar a las empresas una ventaja sobre la competencia, asevera Dan Simion, vicepresidente de IA y análisis de Capgemini. "Esta es la tendencia que estamos viendo en el mercado en las grandes empresas", dice. "De lo contrario, si estás comprando la misma herramienta fuera del estante que tu rival, no obtienes la ventaja competitiva".

API de análisis del sentimiento

Un enfoque más común para las empresas que construyen sus propias plataformas es extraer la funcionalidad de análisis de sentimiento a través de las API. Todos los principales proveedores de la nube ofrecen este servicio: Amazon Comprehend, Azure Cognitive Services y Google Natural Language API, por nombrar algunos. IBM Watson también tiene una API.

"La cuestión es, al final, cómo de buenas son estas API", dice Simion (Capgemini). "Si tienes un producto de nicho, tendrán dificultades para ser útiles". Y luego está el coste, añade. "Todas y cada una de las llamadas a la API cuestan dinero. Tienes que asegurarte de que es económicamente viable llamar a esas API concretas. Pero podría ser una buena solución para las pequeñas y medianas empresas".

Conjuntos de datos de análisis de sentimiento

Los enfoques de lenguaje automático y aprendizaje profundo para el análisis de sentimientos requieren grandes conjuntos de datos de entrenamiento. Las herramientas comerciales y disponibles públicamente suelen tener grandes bases de datos, pero tienden a ser muy genéricas, no específicas para dominios industriales estrechos.

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

Las empresas más grandes pueden ser capaces de recopilar las suyas propias con el tiempo suficiente. "Para una empresa individual, minorista o bancaria, es difícil conseguir suficientes datos sobre sus propios clientes para construir un modelo", comenta. "Pero ahora, gracias a herramientas como el aprendizaje por transferencia, los modelos de procesamiento del lenguaje natural se calibran con corpus muy amplios con miles de millones y miles de millones de registros y luego se aplican a diferentes casos de uso".

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

Principales casos de uso del análisis de sentimiento

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

Por ejemplo, si el sentimiento negativo aumenta tras el lanzamiento de un nuevo producto, eso podría ser una indicación temprana de que algo va mal, lo que permitiría a la empresa hacer un estudio profundo para entender qué características están causando problemas o para conseguir más agentes para manejarlos. Dado que el servicio de atención al cliente incluye ahora más videollamadas a través de la web, también empiezan a aparecer cada vez más datos de formación por vídeo.

El mismo tipo de tecnología que se utiliza para realizar el análisis de sentimiento para la experiencia del cliente también puede aplicarse a la experiencia de los empleados. Por ejemplo, el gigante de la consultoría Genpact utiliza el análisis de sentimiento con sus 100.000 empleados, dice Amaresh Tripathy, líder global de análisis de la empresa. "Utilizamos una herramienta de IA, un chatbot conversacional", descela. "En lugar de que el personal de RRHH se ponga en contacto con todo el mundo para comprobar si todo va bien y se sienten apoyados, hay un chatbot, y puedes elegir si quieres hablar con él o no".

Esto puede ayudar a una empresa a encontrar áreas en las que los empleados tienen dificultades o no se sienten apoyados. "Buscamos áreas en las que potencialmente podemos ayudar", dice. "Entramos y tenemos una conversación. Es enormemente beneficioso porque sabemos cómo proporcionar apoyo a la gente de forma beneficiosa."

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

"Es especialmente útil en las relaciones públicas", dice Andy Thurai, vicepresidente y analista principal de Constellation Research. "Quieres saber cuanto antes si alguien dice algo negativo para poder hacer una gestión de crisis. O, si haces un anuncio, puedes saber si a la gente le gusta o no".

El antiguo enfoque consistía en enviar encuestas, dice, y se tardaba días, o semanas, en recoger y analizar los datos.