È ampiamente dimostrato che le emozioni giocano un ruolo decisivo nelle decisioni di acquisto, soprattutto quando si tratta di commercio al dettaglio (B2C). Infatti, l’ultimo rapporto 2023 della società di consulenza PwC (PricewaterhouseCoopers) rivela che il 32% dei consumatori smetterebbe di acquistare da … un marchio dopo una sola brutta esperienza, e aumenta fino al 59% dopo diverse brutte esperienze.
Una delle metodologie più efficaci per decifrare tutti questi dati è l’analisi del sentiment. Una tecnica di intelligenza artificiale basata sulla PNL (elaborazione del linguaggio naturale), tecniche di “apprendimento automatico” (per compiti di classificazione supervisionata), “apprendimento profondo” (che forniscono questa comprensione aggiuntiva delle sfumature e dei contesti nell’analisi) e “sintesi vocale” ‘ (per analizzare conversazioni e audio in tempo reale attraverso la trascrizione) che consentono di identificare, estrarre e analizzare i dati pubblicati in e-mail, commenti sui social network, forum, recensioni, conversazioni, ecc. E vengono utilizzati dalle aziende per alimentare le proprie strategie commerciali.
Non si tratta solo di identificare schemi o segni nel testo che indicano la presenza di emozioni, atteggiamenti e opinioni. Si tratta di “conoscere il cliente, le sue aspettative, i suoi bisogni e sapere come si sente durante un’interazione in qualsiasi momento della giornata”. ‘percorso del cliente’ e su qualsiasi canale”, afferma Laia Mercadal, direttrice della consulenza e della trasformazione digitale di E-voluciona by Intelcia.
“Fino a poco tempo fa, gli algoritmi della PNL venivano addestrati a riconoscere determinate parole nei testi e a calcolarle per fornire una semplice valutazione ‘positiva o negativa’, e questo era già un risultato considerevole”, osserva Bruno Gerlic, Chief Revenue Officer di PredictLand AI. A poco a poco, hanno iniziato a migliorare questa classificazione binaria fino a quando non sono stati in grado di combinare sentimenti con altri tipi di informazioni preziose nello stesso sistema, a volte chiamato “text mining” o “text mining”. In questo senso, “ora forniscono informazioni molto più preziose, poiché migliorano il processo decisionale nelle aziende con maggiore granularità e minore latenza”.
In termini semplici, quando un testo viene inserito in un algoritmo di apprendimento automatico, restituisce un punteggio compreso tra 0 e 1 che indica quanto sia positivo il testo. Attraverso le risorse lessicali e l’elaborazione del linguaggio naturale è possibile valutare le connotazioni emotive delle parole e classificare un testo come positivo, negativo o neutro. Oltre alle risorse lessicali, esistono numerosi modelli di machine learning e deep learning appositamente formati. Soddisfatto, insoddisfatto, appagato, irritato, turbato, grato, sorpreso… ogni sentimento lascia un segno nel modo in cui ci esprimiamo, e il sistema è in grado di decifrare questo codice emotivo.
Grazie ai progressi dell’intelligenza artificiale generativa, i cui modelli, chiamati LLM (come ChatGPT 4), sono stati addestrati principalmente su Internet, gli algoritmi rilevano queste sottili sfumature della comunicazione nei sentimenti, comprendono nativamente tutti i tipi di linguaggi e stili, e sanno interpretare il contesto. «Se il sistema rileva, ad esempio, ripetuti reclami dei clienti su una funzionalità di un prodotto e, a seconda dell’intensità delle sensazioni associate, lo etichetterà come ‘prioritario’ o ‘bassa criticità’ e genererà un report indirizzato al product manager .», spiega Gerlic.
Percorso di miglioramento
Ma come può davvero questa tecnica contribuire a creare una migliore esperienza del cliente? Da E-voluciona valutano la qualità del servizio con parametri e metriche per sapere come ti senti e il grado di soddisfazione attraverso analizzatori come FCR (First Call Revolution) per sapere se la query è stata risolta in chiamata o tramite NPS (Net Promoter Score) che indicano il livello di raccomandazione del brand. “Tutto ciò ci permette di conoscere il reale tasso di soddisfazione del cliente e di migliorare continuamente la qualità del servizio”, afferma Mario García Láinez, direttore di Soluciones IA. «Nel settore dei contact center l’utilizzo di questi strumenti e competenze tecnologiche serve a migliorare la qualità del servizio e a ridurre le richiamate. L’obiettivo è garantire che l’Average Operating Time, ovvero il tempo necessario per gestire e risolvere una query, sia il più basso possibile con elevata produttività e soddisfazione del cliente.
Combinata con altre tecniche di “text mining”, l’analisi del sentiment contribuisce anche a migliorare molteplici esperienze, riconosce PredictLand AI. Dal redesign o personalizzazione di prodotti e messaggi promozionali per ogni tipologia di cliente, proponendo la comunicazione in base allo stato emotivo, all’anticipazione dei casi di rischio abbandono per attivare strategie di fidelizzazione personalizzate, soprattutto dopo aver analizzato richieste di supporto e reclami.
Tuttavia, ci sono molti aspetti delle nostre interazioni e dei nostri comportamenti umani che non possono essere quantificati dagli algoritmi. In questo contesto, il neuromarketing emerge come uno strumento complementare per rivelare quei processi inconsci che influenzano le nostre decisioni e comportamenti.
Salima Sánchez, psicologa specializzata in Neuromarketing e Comportamento del Consumatore, sottolinea come la psicologia studi e spieghi molto bene i processi psicologici e i pregiudizi a cui siamo sottoposti, ma “attraverso neuromarketing loppure quello che otteniamo è andare un po’ più in profondità e dire: okay, non lo chiederò alla persona perché può mentirmi inconsciamente, chiederò al suo cervello, cosa che so non farà Esso. Con tecniche come l’elettroencefalografia, che registra l’attività elettrica del cervello, permettendo di identificare schemi di attenzione, emozione e memoria, l’eye tracking, che monitora i movimenti oculari per capire dove i consumatori concentrano la loro attenzione e per quanto tempo o con risposte fisiologiche come la frequenza cardiaca, la conduttanza cutanea e la risposta galvanica della pelle, l’esperienza dell’utente può essere valutata in modo molto preciso e con dati.
Analizzatori
A seconda della tipologia dei dati disponibili, della loro qualità e degli obiettivi perseguiti, le aziende devono scegliere con attenzione tra molteplici formule, ognuna con i suoi pro e contro. Secondo Gerlic, “piattaforme generali come Microsoft, Google o Amazon offrono strumenti di analisi del sentiment all’interno dei loro servizi cloud. Poi ci sono più software specializzati, che di solito forniscono un ulteriore livello di intelligenza a un processo specifico. Ad esempio, software di analisi dei social media, software di monitoraggio della reputazione del marchio online, moduli aggiuntivi nelle piattaforme di gestione dei clienti (CRM), piattaforme di gestione dei progetti, ecc. Ma esistono anche modelli open source che i dipartimenti IT possono adattare e integrare a un’esigenza specifica.
Più nello specifico, nel settore dei contact center, l’analisi vocale consente di analizzare più di 25 emozioni in diversi momenti della conversazione sia in voce che in testo, convertendo dati non strutturati in informazioni consumabili e strutturate per l’analisi. Mario García spiega che “l’intelligenza artificiale generativa viene applicata a tutte queste informazioni, sfruttando la sua capacità di comprendere, individuare le cause profonde ed essere in grado di migliorare il servizio”.
