Analisi del sentiment (sentiment analysis)
L'analisi del sentiment è la classificazione automatica del testo di una recensione come positivo, negativo o neutro, spesso unita all'estrazione dei temi che raggruppa argomenti ricorrenti come spedizione, taglie o assistenza, così un negozio può leggere l'umore di centinaia di recensioni senza leggerle una per una.
L'analisi del sentiment moderna lavora su due livelli. Il primo assegna una polarità a un testo, valutandolo come positivo, negativo o neutro, a volte con un valore di confidenza allegato. Il secondo, spesso chiamato sentiment basato sugli aspetti, lega ogni opinione alla cosa di cui parla davvero, così una singola recensione può registrare entusiasmo per il prodotto, frustrazione per la consegna e indifferenza per l'imballaggio tutto insieme. Per un negozio con migliaia di recensioni, questo trasforma un mucchio illeggibile in una sintesi: quale quota di clienti è soddisfatta, quali prodotti raccolgono lamentele e quali temi (vestibilità, consegna, qualità, rapporto qualità-prezzo) continuano a emergere. È più utile come smistamento. Ti indica i prodotti e gli argomenti che meritano uno sguardo umano più attento, invece di sostituire quello sguardo.
Prendi un negozio Shopify che vende capi termici in lana merino. Sulle 600 recensioni il punteggio complessivo è positivo, eppure la vista per aspetti mostra un nodo di sentiment negativo concentrato sulle taglie di una felpa, con frasi come "veste stretto" e "ho dovuto prendere una taglia in più" che si ripetono. Il commerciante aggiorna quella singola descrizione prodotto con una nota sulla vestibilità, aggiunge una guida alle taglie con le misure e nelle settimane successive vede le lamentele sulle taglie diminuire. Nessun sondaggio avrebbe fatto emergere quel dato altrettanto in fretta, perché il segnale era già lì, in un testo che nessuno aveva tempo di leggere. La stessa vista può anche cogliere il contrario: un prodotto che il commerciante dava per mediocre raccoglie lodi silenziose e ripetute per la durata, e vale la pena promuoverlo invece di scontarlo.
Dove sbaglia la lettura è nelle sfumature. Il sarcasmo ("ottimo, un'altra cerniera rotta") spesso viene segnato come positivo per via della parola "ottimo". Le recensioni miste che lodano il prodotto ma criticano la spedizione vengono appiattite in un'unica etichetta che perde entrambi i punti. Negazioni, gergo e linguaggio specifico del prodotto mettono in difficoltà i modelli generici, così una valutazione a cinque stelle e il testo che la accompagna a volte si contraddicono. Tratta i punteggi come un segnale, non come un verdetto, e leggi un campione del testo grezzo dietro ogni tema prima di agire.
Il valore più profondo del sentiment sta nel rendere leggibile un insieme di recensioni, e proprio questa leggibilità è ciò che i motori di risposta premiano. Quando un cliente chiede a ChatGPT, Perplexity o Google AI Overviews se una giacca veste stretta o regge il lavaggio, questi sistemi si appoggiano al testo delle recensioni che riescono a interpretare in affermazioni chiare e confermate. Un insieme di recensioni in cui i temi ricorrenti sono espliciti, coerenti e facili da riassumere ha molte più probabilità di essere citato rispetto a uno in cui le stesse opinioni sono sparse e contraddittorie. L'analisi del sentiment è il modo in cui trovi quei temi; renderli leggibili, confermati e citabili è il divario che BeyondReviews colma.