Social Media Listening and Analytics Blog - Digimind Blog

4 Esempi di Tecnologie di Social Media Listening e Monitoring

Scritto da Alberto Pirro | Sep 20, 2022 8:20:18 AM

Il termine intelligenza artificiale per processi e software è spesso utilizzato in maniera impropria. È diventato uno stratagemma di marketing che purtroppo a volte si riferisce ad algoritmi, certamente ben progettati, ma che sono ben lontani da un'intelligenza che suggerisca che la macchina abbia giudizio e libero arbitrio nell'elaborare i dati, indipendentemente da una precedente programmazione da parte dell'uomo.  In effetti, l'AI descrive principalmente il processo di imitazione di alcune funzioni cognitive da parte di una macchina, come l'apprendimento e la risoluzione di problemi.

Eppure, i metodi statistici e gli algoritmi che vengono erroneamente definiti intelligenza artificiale consentono di ottimizzare e perfezionare gli strumenti di social media listening e monitoring. Digimind ha trascorso più di vent'anni sviluppando un'Intelligenza Artificiale leader nel settore, supportata da algoritmi di Machine Learning o Deep Learning, ma anche da altre tecnologie utilizzate negli strumenti di monitoraggio, come il Natural Language Processing (NLP).

Ecco 4 esempi di tecnologie utilizzate dai migliori strumenti di monitoraggio, ascolto e analisi dei social media per renderne più facile e veloce l'utilizzo e più rilevanti i risultati.

 

📌

I. Il Natural Language Processing

II. L’analisi del sentiment

III. La classificazione automatica intelligente

IV. Il Visual Listening

 

 

I. Il Natural Language Processing

L'elaborazione del linguaggio naturale (Natural Language Processing, NLP) consente di qualificare e aggregare milioni di informazioni e messaggi raccolti sul web, sui siti di discussione e sui social network.

Questa tecnologia opera con centinaia di lingue e dialetti e con modelli di analisi statistica e semantica, per facilitare l'analisi dei dati.

 

 

Esempio: Clustering dei dati 

Per facilitare la rilevazione e la comprensione del contenuto e delle tendenze di centinaia o addirittura migliaia di messaggi sul tuo brand, il NLP faciliterà l'estrazione e il riconoscimento dei concetti chiave e li raggrupperà sotto forma di una visualizzazione di dati per mostrarti, a colpo d'occhio, di cosa stanno parlando i tuoi clienti. Esistono diverse modalità di "dataviz": possiamo citare ad esempio il clustering dei dati (raggruppamento in cluster coerenti per tema), l'analisi degli hashtag, la concept wheel o anche la più classica tag cloud.

Nel clustering qui sotto, realizzato analizzando il settore delle telecomunicazioni in Italia, puoi osservare come il NLP permette di raggruppare più di 10mila menzioni in grandi temi (interattivi e cliccabili per visualizzare i messaggi corrispondenti) riguardanti in particolare:

  • alcuni brand; 
  • servizi offerti, 
  • brand correlati, 
  • le espressioni maggiormente usate dai consumatori, 

 

NLP per raggruppare meglio i dati per tematiche



 

Esempio: la qualificazione di post e messaggi

Per risparmiarti il noioso compito di leggere centinaia di messaggi, il NLP supportato dal Machine Learning consentirà di etichettare qualsiasi post, tweet o commento sui social media. Ad esempio, nel post di Instagram qui sotto, l'algoritmo "tagga" il messaggio in base ai brand e al servizio, determina inoltre automaticamente la lingua, il Paese o la città di provenienza.

Il vero vantaggio è la flessibilità delle impostazioni: la possibilità di definire etichette personalizzate che si adattino perfettamente al tuo settore e ai tuoi marchi. E poi? Il Machine Learning prende il testimone e impara dai messaggi raccolti a capire nuove parole e concetti che corrispondono alle tue etichette.

 

 

Machine Learning per meglio qualificare i messaggi

 

 

II. L’analisi del sentiment

La sentiment analysis (o analisi del tono) applicata al social media listening (i tuoi messaggi sono qualificati come positivi, negativi o neutrali) è stata a lungo discussa. Spesso si è criticato il fatto che la qualificazione automatica del sentiment di un messaggio da parte degli algoritmi non sia efficace, soprattutto per un tweet composto da una sola frase! Ma ecco il punto: con il potenziamento degli algoritmi di NLP combinati con il machine learning, le menzioni non qualificate e gli errori sono ora notevolmente ridotti.

In effetti, il machine learning è inizialmente alimentato dagli esempi che fornisci al sistema, che poi imparerà da tutti gli altri messaggi che raccoglie, in base al contesto della parola chiave nel messaggio (altre parole chiave, tono, associazioni di parole chiave, ecc.) Nel corso del tempo, l'algoritmo costruirà una libreria di messaggi ed espressioni per arricchire il suo lessico con espressioni positive o negative. Risultato: un aumento della rilevanza dal 30% al 75% nell'analisi del sentiment dei tuoi messaggi.

Esempio: nel messaggio qui sotto, l'NLP combinato con il machine learning permette di determinare un sentiment positivo.

 

 

Machine Learning per analizzare meglio il sentiment

 

 

 

III. La classificazione automatica intelligente

Il machine learning può anche etichettare e organizzare i dati raccolti per una categorizzazione e classificazione più efficace.

Ad esempio, il machine learning capirà dal tuo utilizzo che quando monitori "Target", è la catena di negozi statunitense a cui sei interessato, ma non i "target" in assoluto. E questo, senza dover elencare tutte le parole chiave per specificare la tua query come negozio, elettronica, internet, telefono NOT target NOT sport 

 

 

 

 

Dopo una fase di apprendimento con te, l'utente, il machine learning combinato con il NLP permette di comprendere meglio la vera natura delle menzioni associate a ciascun tag e di etichettare automaticamente tutte le menzioni raccolte, per un'organizzazione rapida e pertinente dei dati che saranno poi classificati. Questa classificazione verrà utilizzata per selezionare con un solo clic i dati rilevanti per i grafici, i report e le dashboard di analisi.

 

Machine Learning per la classificazione dei dati (esempio di 3 brand francesi)

 

 

 

IV. Il Visual Listening

Il deep learning consente di analizzare le immagini in modo dettagliato. Anche gli algoritmi di deep learning hanno bisogno di dati per imparare e risolvere i problemi. Esso viene infatti utilizzato per risolvere problemi complessi in cui i dati sono ingenti, diversificati e poco strutturati. Impara progressivamente dai dati grezzi e dalle esperienze precedenti e si corregge da solo senza una programmazione esplicita e preventiva come nel caso del Machine Learning.

Nel contesto dell'analisi dei social media, il deep learning riconosce loghi e immagini per rivelare la presenza di un brand non menzionato in un testo, ma anche un tipo di oggetto, persona, ambiente, utile per comprendere il comportamento dei consumatori.

 

Deep learning per il visual listening.

 

Nel primo esempio qui sopra, con un approccio classico alle parole chiave, l'algoritmo non sarebbe stato in grado di rilevare la presenza del brand "Nike", che non è menzionato nel testo di questo post di Instagram. Il deep learning, invece, rileva l'ala del logo Nike sulla scarpa.

Negli altri due esempi, il deep learning riconosce l'ambiente (la montagna) o le persone in una situazione (la donna che si allena). 

 

Il riconoscimento delle immagini tramite deep learning (visual listening) offre quindi molteplici possibilità ai brand, alle agenzie e agli advertiser: 

  • riconoscimento di loghi presenti da soli, senza alcuna menzione testuale del brand (il Woosh di Nike, il coccodrillo di Lacoste, la "C" di Carrefour, la conchiglia di Shell, la sirena di Starbucks, la mela di Apple, ecc);
  • riconoscimento del contesto in cui si trova il consumatore (mare, montagna, città, casa, famiglia, lavoro);
  • riconoscimento del genere, delle pratiche e delle attività.