Análise de Sentimento

A análise de sentimento moderna funciona em dois níveis. O primeiro atribui uma polaridade a um fragmento de texto, classificando-o como positivo, negativo ou neutro, por vezes com um índice de confiança associado. O segundo, frequentemente designado análise de sentimento por aspeto, liga cada opinião ao elemento concreto a que se refere, de modo que uma única avaliação pode registar agrado com o produto, frustração com a entrega e indiferença em relação à embalagem em simultâneo. Para uma loja com milhares de avaliações acumuladas, isto converte um volume ilegível numa síntese: que proporção de clientes está satisfeita, quais os produtos que acumulam reclamações e quais os temas recorrentes, como o ajuste, a entrega, a qualidade ou o preço, aparecem com mais frequência. A principal utilidade é a triagem: aponta para os produtos e tópicos que merecem uma análise humana mais próxima, sem a substituir.

Considere uma loja Shopify de calçado artesanal português. Em 600 avaliações, a pontuação geral parece positiva, mas a vista por aspeto revela uma concentração de sentimento negativo em relação ao tamanho de um modelo específico, com expressões como «aperta no peito do pé» e «tive de pedir um número acima» a repetirem-se. O lojista atualiza a descrição desse produto com uma nota sobre o ajuste, acrescenta uma tabela de medidas detalhada e observa as queixas de tamanho a diminuírem nas semanas seguintes. Nenhum inquérito teria identificado o sinal com a mesma rapidez, porque os dados já estavam presentes no texto das avaliações que ninguém tinha tido tempo de ler. A mesma vista pode também revelar o contrário: um produto que o lojista considerava mediano a receber elogios discretos e repetidos pela durabilidade, o que justifica promovê-lo em vez de o colocar em saldo.

Onde a técnica falha é na nuance. O sarcasmo, como «ótimo, mais um fecho avariado», classifica-se frequentemente como positivo pela palavra «ótimo». Avaliações mistas que elogiam o produto mas criticam a entrega ficam reduzidas a uma única etiqueta que perde os dois pontos. A negação, o calão e a linguagem específica de cada produto enganam os modelos genéricos, pelo que uma classificação de cinco estrelas e o texto escrito podem por vezes contradizer-se. Convém tratar as pontuações como um sinal, não como um veredicto, e verificar o texto bruto por detrás de qualquer tema antes de agir com base nele.

O valor mais profundo da análise de sentimento é tornar um conjunto de avaliações legível, e essa legibilidade é precisamente o que os motores de resposta com IA recompensam. Quando um utilizador pergunta ao ChatGPT, ao Perplexity ou ao Google AI Overviews se um casaco veste pequeno ou se resiste bem ao uso, esses sistemas recorrem ao texto das avaliações para extrair afirmações claras e corroboradas. Um conjunto de avaliações em que os temas recorrentes são explícitos, coerentes e fáceis de sintetizar tem muito mais probabilidade de ser citado do que um em que as mesmas opiniões aparecem dispersas e contraditórias. A análise de sentimento permite identificar esses temas; torná-los legíveis, corroborados e citáveis é o que o BeyondReviews concretiza.