Analisi testuale e linguistica nel business: meglio uomo o macchina?

Condividi sui tuoi social:

Version française

Version en españolL’esigenza di analisi testuale e linguistica nel business è la più diretta conseguenza intervenuta con il web2.0  ed è rappresentata dalla simmetria di comunicazioni, o come nel marketing si dice, essere passati dalle comunicazioni alle conversazioni. Gli utenti sono abituati ormai ad esprimere i propri commenti e recensioni in una molteplicità di luoghi della rete. A questo ci hanno abituato Tripadvisor, Trustpilot, Amazon e tanti altri. A questi si aggiungono i commenti sollecitati direttamente dalle aziende tramite sondaggi di opinione, questionari e quant’altro. Chi mi conosce e sa la mia storia professionale è a conoscenza del fatto che ho lavorato per 8 anni nel settore delle soluzioni di software linguistico (NLP, ETL, ecc…) ed almeno 15 anni in quello del Digital Media Marketing, recentemente mi sono riavvicinato professionalmente al settore dei software di analisi testuale e linguistica, lo dichiaro apertamente per prevenire eventuali obiezioni di ‘conflitto di interessi’, questo mi ha portato allo stimolo della riflessione e della domanda che ho messo nel titolo, spero di stimolare altrettanto nei colleghi e professionisti interessati occasioni di approfondimento.

Ma se da un lato è semplice analizzare i dati provenienti dalle risposte alle domande chiuse, a quelle in cui viene chiesto di assegnare un punteggio di soddisfazione, ben altra sfida è quella che riguarda l’analisi delle informazioni provenienti dalle domande aperte, da ciò che gli utenti, clienti, pazienti scrivono in un campo a testo libero.

Il trattamento umano se da un lato porta con sé numerosi fattori positivi, dall’altro per esperienza personale e diretta, quando si tratta di analizzare ‘il sentiment’ espresso nel testo, è stato più volte verificato con test su differenti panel di analisti apre il campo all’ambito delle interpretazioni personali ed i risultati da un analista ad un altro possono essere molto difformi e non omogenei.

Dall’altra parte ci sono ormai sistemi molto sofisticati di analisi testualethe Forrester Research Inc nel 2018 ne ha fatto una discreta analisi comparativa, trovando vari sistemi che sanno mettere in correlazione dizionari, algoritmi sofisticati ed intelligenza artificiale. Un sistema software per quanto sofisticato ed avanzato, non sarà mai per definizione perfetto, difficilmente potrà cogliere le sfumature dell’ironia o del sarcasmo. Avendo però la possibilità di analizzare la mia esperienza professionale di oltre 8 anni in questo settore, ed oggi ai dati ed alle tecnologie di Language Logic LLC, con la suite dei prodotti di Ascribe, posso dire con prova di fatti che un sistema automatico permette di dare un primo risultato con una confidenza di molto precisa del sentiment espresso nei commenti e nelle recensioni degli utenti e se consideriamo questo esito come un semilavorato su cui far concentrare il lavoro ‘umano’ esclusivamente ad una fase di ‘fine tuning’ si arriva ad una precisione elevatissima ma con una riduzione dei tempi altrettanto significativa e quantificata da un panel di utenti estremamente qualificato, riducendo quindi in modo esponenziale i costi ed aumentando conseguentemente la redditività delle commesse.

Esempio di visualizzazione grafica di analisi testuale fatta con Coder di Ascribe

Analisi testuale con Ascribe Coder

Gli ambiti di applicazione sono diversi, si può andare dalle ricerche di mercato, all’analisi dei dati del rischio clinico e delle segnalazioni di eventi avversi nell’ambito farmaceutico; dal ricavare indicatori per sviluppare strategie commerciali, di marketing o di prodotto per aziende manifatturiere b2c fino al monitoraggio della propria reputazione in rete, fattore sempre più cruciale ai fini competitivi sul mercato.

Disporre di uno strumento affidabile, capace di lavorare in parallelo con più lingue, in grado di fornire in pochi minuti un primo elaborato anche con migliaia di commenti da analizzare, rendendo più efficace l’assunzione di decisioni strategiche per le aziende è un elemento distintivo.

Categorizzare grandi moli di documenti creando regole e tassonomie può diventare estremamente semplice e funzionale, in un ambiente collaborativo e multiutente.

Sul mercato i prodotti disponibili hanno prezzi estremamente differenti, ci sono soluzioni davvero ‘importanti’ per costi e commitment tecnologico richiesto ma anche piattaforme SaaS come quella di Ascribe estremamente competitive ed accessibili anche a medie imprese.

Quindi sulla domanda che ho posto nel titolo di questo articolo, io credo che la combinazione migliore veda la macchina la maggior parte del lavoro più standard e l’uomo impegnato in quella quota decisamente inferiore di lavoro, che però è capace di fare la differenza ed incrementare esponenzialmente il valore aggiunto del risultato finale.

So già che alcuni degli amici e dei colleghi professionisti che mi conoscono, mi attendono al varco sul tema del ‘machine learning’, su questo io ho una posizione molto personale (un po’ radicale) ed una esperienza leggermente ‘datata’ su tecnologie con queste caratteristiche. Ma quando si parla di linguaggio naturale, sinceramente faccio fatica a credere che una macchina sia veramente in grado di apprendere l’interpretazione corretta di un testo e di riprodurre un’attività di apprendimento capace di autodeterminare le regole da applicare da quel punto in poi. Se poi mi baso sulle esperienze personali dirette ho visto soluzioni eccellenti ma che davanti all’assunzione di un errore linguistico tendono poi ad amplificarlo in scala logaritmica ed in modo difficilmente riconoscibile da un controllo umano se non a disastro compiuto. Quindi resto del mio parere, preferisco soluzioni stabili, che applicano l’intelligenza artificiale ma in modo controllato.

Follow me on Linkedin