Análisis de Sentimientos en Redes Sociales [Infografía]

No cabe duda que los consumidores ven en las redes sociales un medio para poder expresar sus opiniones acerca de una marca, producto o servicio. Las empresas deben tomar estas opiniones en consideración, ya que, a través de su respectivo análisis podrán medir mejor el impacto se sus publicaciones, el rendimiento de sus estrategias de marketing y podrán conocer que le gusta o no al usuario.

Para analizar las opiniones emitidas por la audiencia en las redes sociales, nace lo que se denomina el análisis de sentimientos, el cual utiliza tecnología de big data y machine learning para aproximarse a la medición de alguna respuesta emocional, bien sea positiva, negativa o neutra; que pueda tener alguna persona acerca de una marca, producto o servicio. El conocer estos datos permitirá a la empresa mejorar o crear nuevas estrategias de marketing y contribuirá a una mejor toma de decisiones.

El análisis de sentimiento: un KPI cualitativo

El análisis de sentimientos es un proceso complejo ya que requiere el análisis cualitativo de grandes volúmenes de datos y por lo general, es mayormente llevado a cabo por un científico de datos.

Estamos tan acostumbrados a analizar datos cuantitativos que dejamos de lado y nos vemos lo primordial que puede llegar a ser tener datos cualitativos cuyos beneficios son exponenciales porque son datos que se analizan con mayor profundidad.

No tiene sentido alguno que hayan 3000 menciones de mi marca y que no sepa que el 80% de esas menciones fueron negativas. Conocer estos datos es fundamental porque allí detectamos el por qué se generó ese clima de opinión negativa o que temas están generando rechazo hacia mi marca.

Pero vayamos más allá, ¿Por qué el análisis cualitativo es importante en social media?

A nivel analítico: El análisis cualitativo de conversaciones exige de imaginación y creatividad para trascender el análisis y aterrizar en la interpretación; un proceso que va de lo general a lo particular con el fin de agrupar y resumir los textos, para luego buscar el sentido de los mismos.

A nivel metodológico: Con el análisis cualitativo un community manager aprende a moderar mejor las comunidades online, para de esta manera enriquecer así los datos generados. Con el análisis cualitativo se aprende de qué se debe hablar (contenido), cómo hablar (dinámica) y cuándo hablar (el tiempo).

Además, el community manager aprende a su vez, qué contenidos impactan al consumidor, cuál es la relación de los consumidores respecto a la marca, cómo es la dinámica de conversación y el funcionamiento de la comunidad online.

A nivel conceptual: Hay que considerar que,

• Las conversaciones en social media constituyen un acto de consumo.
• El consumo constituye un fenómeno social.
• No todos los consumidores son iguales y conviene ser muy críticos
  con la representatividad de los datos analizados, recordando la presencia de
  bots y trolls.
• Los datos en social media son producidos por un segmento de los
  consumidores, que no representa al total de los mismos: son sólo los que están
  ahí, los que hablan, los que hablan más, los que hablan en perfiles públicos.

¿Qué es el análisis de sentimientos?

El análisis de sentimientos también conocido como minería de opinión (opinion mining), es el estudio sistemático que interpreta las actitudes, opiniones y  sentimiento del usuario hacia una marca.

Específicamente el análisis de sentimientos consiste en determinar el tono emocional que hay detrás de una serie de palabras y clasificarlas como positiva, negativa o neutra.

El objetivo es extraer aquellos términos semánticos que expresen un sentimiento en particular y de esta manera conocer el clima de opinión generado en torno a nuestra marca, producto o servicio.

¿Cómo funciona el análisis de sentimientos?

Según David Abad Fernández, el análisis de sentimientos es una herramienta de la minería de datos o data mining que recurre al procesamiento del lenguaje natural (PLN), lingüístico computacional y analítico para identificar y extraer contenido de interés de un conjunto de información textual.

Funciona con base a sistemas computacionales que utilizan algoritmos de aprendizaje automático (machine learning) o minería de datos (data mining) para la clasificación y análisis de textos.

Estos sistemas computacionales extraen de forma automática la información de las menciones, opiniones y emociones de los usuarios a través del Procesamiento de Lenguaje Natural.

La PLN usa una variedad de metodologías para descifrar las ambigüedades en el lenguaje humano, incluyendo lo siguiente: resumen automático, etiquetado de la parte del discurso, desambiguación, extracción de entidades y extracción de relaciones, así como desambiguación y comprensión y reconocimiento de lenguaje natural.

Básicamente, existen dos modelos de PLN:

• Los modelos lingüísticos, basados en gramáticas y recursos lingüísticos y en donde se encuentra el análisis léxico (los motores de análisis llegan a un nivel de palabras más superficial. Ejemplo: una oración con la palabra “grandioso” será positiva y aquella que tiene la  palabra “terrible” se clasificará negativa) y los análisis más complejos (aquellos en donde los motores de análisis llegan a un nivel morfológico, sintáctico y de contexto, es decir, reconoce estructuras positivas con palabras negativas. Ejemplo: Reconocería como positivo la oración “Disfruté mucho de la obra “Muerto y enterrado”).

• Los modelos probabilísticos, basados en datos anotados y aprendizaje automático.

Para trabajar, cualquier software de procesamiento de lenguaje natural se necesita una base de conocimiento consistente, como un diccionario de sinónimos detallado, un léxico de palabras, un conjunto de datos para reglas lingüísticas y gramaticales, una ontología y entidades actualizadas.

Es importante señalar que para realizar análisis de sentimientos no existe una aplicación mágica. Los mejores y más poderosos análisis para recuperar información útil, con aplicaciones prácticas, se logran con procedimientos «artesanales» llevados a cabo por especialistas en ciencia de los datos utilizando softwares tales como: R y KH Coder, y lenguaje de programación como Python.

No obstante, grandes compañías tecnológicas como IBM y Google, han democratizado el acceso a plataformas de Inteligencia Artificial capaces de procesar el lenguaje natural (PLN) y aplicar complejos algoritmos de aprendizaje automático (machine learning) y profundo (deep learning) para la extracción de información a partir de datos no estructurados o semiestructurados en diversas fuentes de texto.

Beneficios del análisis de sentimientos en redes sociales

Como sabemos en las  redes sociales encontramos una gran cantidad de datos de opiniones y de comentarios de los clientes. Conocer esos gustos y preferencias es un punto a favor que cualquier marca o empresa tendría ya que pueden ofrecer productos o servicios que satisfagan las verdaderas necesidades del consumidor.

En este sentido el análisis de sentimientos en redes sociales es beneficioso porque:

• Mide el impacto de las acciones en redes sociales (publicaciones y posts).
• Se conoce que opinan los consumidores acerca de nuestra marca o empresa.
• Permite obtener una ventaja competitiva.
• Recopila información suficiente para conocer qué piensa o qué opinan los usuarios sobre ciertos temas.
• El correcto análisis permite reaccionar de forma inmediata ante una posible crisis de reputación online.
• Permite una mejor toma de decisiones en cuanto a estrategias de marketing y desarrollo de productos y servicios.
• Permite hacer seguimiento de tendencias a lo largo del tiempo.
• Se puede obtener datos concluyentes y predecir comportamientos futuros del usuario.

Desafío del análisis de sentimientos

El lenguaje humano tiene muchas variantes en cuanto al tono de la información que se desea transmitir, y esta información es interpretada de manera intuitiva en sus diferentes contextos por el humano.

Ahora bien, el lenguaje natural es complejo y en tal sentido, es difícil enseñar a una máquina a entender cómo el contexto puede afectar al tono, intención real o  significado de una frase. Enseñar a una máquina los matices gramaticales, expresiones coloquiales, jergas, variaciones culturales y faltas de ortografías es bastante dificultoso.

La mayor parte del trabajo en el análisis de sentimientos en los últimos años, ha sido en torno al desarrollo de clasificadores de sentimientos más precisos para superar  algunos de los principales retos y limitaciones en el área. Entre los desafíos del análisis de sentimientos más importantes, nos encontramos los siguientes:

1. Subjetividad y tono

La detección de textos subjetivos y objetivos es tan importante como analizar su tono. De hecho, los llamados textos objetivos no contienen sentimientos explícitos. Digamos, por ejemplo, que tienes la intención de analizar el sentimiento de los siguientes textos:

La mayoría de la gente diría que el sentimiento es positivo para el primero, negativo para el segundo y neutral para el tercero, ¿Cierto? Todos los predicados (adjetivos, verbos y algunos sustantivos) no deben tratarse de la misma manera con respecto a cómo crean el sentimiento. En los ejemplos anteriores, lo agradable y lo desagradable es más subjetivo que el rojo.

También, un comentario puede ser claramente positivo para mi marca y negativo para la tuya.

2. Contexto y polaridad

Todas las declaraciones se pronuncian en algún momento, en algún lugar, por y para algunas personas; se entiende lo que se está diciendo. Todas las declaraciones se pronuncian en contexto. Analizar el sentimiento sin contexto se vuelve bastante difícil. Sin embargo, las máquinas no pueden aprender sobre contextos si no se mencionan explicitamente. Uno de los problemas que surgen del contexto son los cambios en la polaridad. Mira las siguientes respuestas a la encuesta:

En este caso, las respuestas es para responder a la pregunta ¿Qué te gustó del congreso? la primera respuesta sería negativa y la segunda positiva. Ahora, imagina que las respuestas provienen para responder a la pregunta ¿Qué no te gustó del congreso? Lo negativo en la pregunta hará que el análisis del sentimiento cambie por completo.

Se necesitará mucho pre procesamiento o post procesamiento si queremos tener en cuenta al menos parte del contexto en el que se produjeron los textos. Sin embargo, no es sencillo cómo pre procesar o post procesar los datos para capturar los bits de contexto que ayudarán a la máquina a analizar el sentimiento.

3. Comparaciones

El cómo tratar las comparaciones en el análisis del sentimiento es otro desafío que vale la pena abordar. Mira los textos a continuación:

Hay algunas comparaciones como la primera de arriba que no necesitan ninguna pista contextual para ser clasificadas correctamente.

Sin embargo, el segundo y tercer texto son un poco más difíciles de clasificar. ¿Los clasificarías como neutrales o positivas? Probablemente, es más probable que elijas positivo para el segundo y neutral para el tercero.

Una vez más, el contexto puede hacer una diferencia. Por ejemplo, si las herramientas antiguas de las que habla el segundo texto se consideraron inútiles en contexto, entonces el segundo texto resulta bastante similar al tercer texto. Sin embargo, si no se proporciona un contexto, estos textos se sienten diferentes.

4. Definiendo lo neutral

Definir lo que entendemos por neutral es otro desafío que se debe abordar para realizar un análisis preciso de los sentimientos. Como en todos los problemas de clasificación, la definición de sus categorías (y, en este caso, la etiqueta neutral) es una de las partes más importantes del problema. Lo que se quiere decir con neutral, positivo o negativo importa cuando se entrenan modelos de análisis de sentimientos. Dado que los datos de etiquetado requieren que los criterios de etiquetado sean consistentes, una buena definición del problema es una necesidad.

Aquí hay algunas ideas sobre lo que podría contener una etiqueta neutral:

1. Textos objetivos: Como se dice  aquí, los llamados textos objetivos no contienen sentimientos explícitos, por lo que debe incluir esos textos en la categoría neutral.

2. Información irrelevante: Si no se ha procesado previamente los datos para filtrar información irrelevante, se puede etiquetar como neutral. Sin embargo, hay que tener cuidado, se debe hacer esto sí se sabe cómo podría afectar el rendimiento general. A veces, se agregará ruido al clasificador y el rendimiento podría empeorar.

3. Textos que contengan deseos: Algunos deseos como me gustaría que el producto tuviera más aditamentos son generalmente neutrales. Sin embargo, aquellos textos que incluyen comparaciones, como me gustaría que el producto fuera mejor, son bastante difíciles de categorizar.

5. Ironía y sarcasmo

Las diferencias entre el significado literal y el significado deseado (es decir, la ironía) y la versión más insultante o ridícula de la ironía (es decir, el sarcasmo) generalmente cambian el sentimiento positivo a negativo, mientras que el sentimiento negativo o neutral puede cambiarse a positivo. Sin embargo, detectar la ironía o el sarcasmo requiere un gran análisis del contexto en el que se producen los textos y, por lo tanto, es realmente difícil detectarlos automáticamente.

Por ejemplo, mira el siguiente texto…

¿Qué sentimiento asignarías a esta frase? Probablemente, habrás dicho negativo. El problema es que no hay una indicación textual que haga que una máquina aprenda ese sentimiento negativo, ya que la mayoría de las veces pertenecen a textos positivos o neutros.

Obviamente, un humano puede interpretar ese enunciado como sarcasmo y sin duda tiene un contexto negativo, pero una máquina no puede interpretar el contexto y, por lo tanto, no puede determinar con exactitud en qué sentido se está emitiendo el mensaje y al identificar la palabra “felicidad”  clasificaría la frase como positiva.

Sin embargo, veamos los siguientes casos…

En muchos caso se hace imprescindible conocer el contexto para aclarar en qué sentido se emitió el mensaje. A veces ese contexto se da en forma de imagen y por lo tanto, al no tratarse de lenguaje natural, no puede analizarse sino de forma manual.

En otras ocasiones, se hace difícil determinar la predominancia, cuando un mensaje a analizar posee cargas similares de sentimiento negativo y positivo.

Ante estos ejemplos, el resultado que pueda arrojar el proceso automático del análisis de sentimiento no es 100% fiable y está propenso a errores; por ello es importante realizar una revisión manual posterior. No obstante,  los sistemas de análisis del sentimiento más avanzados son capaces de luchar contra estos posibles errores y ofrecer resultados más ajustados.

Herramientas automáticas para el procesamiento de lenguaje natural y ANÁLISIS DE SENTIMIENTOS

Como ya lo indiqué anteriormente, Google e IBM han puesto a disposición del público plataformas de inteligencia artificial que procesan el lenguaje natural y que son capaces de hacer lo siguiente:

• Extraer información útil sobre la receptividad de tus productos o la experiencia del usuario a partir de conversaciones con clientes por correo electrónico, chat o redes sociales mediante la detección de entidades y el análisis de opiniones.
• Clasificar contenido y crear gráficos de relaciones usando los indicadores del avanzadísimo sistema de análisis sintáctico para filtrar el contenido que no sea apropiado, clasificar los documentos por temas y crear gráficos de relaciones de las entidades que extraigas de noticias o páginas de Wikipedia.
• Extraer entidades y conocer las opiniones de los usuarios.
• Identificar los tópicos principales, crear palabras clave e identificar conceptos.

A continuación, les voy a hablar sobre las plataformas de inteligencia artificial que usan el procesamiento de lenguaje natural para el análisis de sentimientos en redes sociales.

1. Google Cloud Natural Language

Google Cloud Natural Language usa una interfaz de programación de aplicaciones (API) que permite conocer de manera fácil la estructura y el significado del texto mediante potentes modelos de aprendizaje automático. Puedes utilizarla para extraer información sobre:

• Personas,
• lugares,
• eventos y
• muchos otros elementos que se mencionen en documentos de texto, artículos de noticias o entradas de blogs.

También puedes usarla para conocer las opiniones sobre tu producto en social media o analizar las intenciones de los clientes a partir de las conversaciones de un centro de llamadas o una aplicación de mensajería. Es posible analizar el texto que se suba en la solicitud o integrar la función en tu almacenamiento de documentos de Google Cloud Storage.  

Puedes extraer información valiosa sobre la recepción de los productos o la experiencia del usuario desde correos electrónicos, chats o medios sociales con la detección de entidades y el análisis de opiniones.

Miremos el siguiente ejemplo (para este ejemplo usé un comentario en inglés en vista de que la aplicación a pesar de que dice que soporta el idioma español, no lo hace para la sección de sentimiento que es el objeto de este artículo).

La API funciona de forma automática y basta con pegar el texto de interés  y pulsar el botón «ANALYZE» (analizar), como se observa en esta imagen:

Una vez que el texto es procesado, la API extrae Entidades (Entities), analiza el sentimiento (Sentiment), la sintaxis (Syntax) e identifica las principales categorías (Categories).

Las entidades se refieren a las organizaciones, personas, eventos, entre otros, que los algoritmos de la herramienta identifican, y es de utilidad para estudios de posicionamiento web, destacar influyentes y actividades relacionadas con campañas de marketing digital.

En cuanto al Análisis de Sentimiento, Google Cloud Natural Language API lo valora con un Puntaje (Score) en una escala de -1 (negativo) a 1 (positivo).

Y valora los sentimientos con las siguientes escalas:

• Negativo: de -1 a -0,25

• Neutro: de -0,25 a 0,25

• Positivo: 0,25 a 1

Esta API también calcula la magnitud de la emoción, tanto en el documento general como en secciones. La magnitud indica la fuerza general de la emoción (tanto positiva como negativa) dentro del texto dado, entre 0,0 y + infinito. A diferencia del puntaje de la emoción en sí, la magnitud no está normalizada; cada expresión de emoción dentro del texto (tanto positiva como negativa) contribuye a la magnitud del texto por lo que los bloques de texto más largos pueden tener magnitudes mayores.

Se puede apreciar que el puntaje general es de -0,1 valorando el comentario como neutral, mientras que la magnitud o intensidad del sentimiento es de 3,5 para el documento pero no pasa de 1 en los párrafos.

Para más detalle, la herramienta interpreta que el comentario contiene tanto sentimiento positivo, negativo y neutral.

La API también realiza un análisis sintáctico quedando de esta manera:

A su vez, la API extrae las categorías en la que se encuentra el comentario acompañadas de un coeficiente de confianza:

2. IBM Watson Natural Language Understanding

IBM Watson fue la primera supercomputadora de Inteligencia Artificial de tipo cognitivo y está disponible desde el  año 2012 con una capacidad de procesamiento equivalente a 800 millones de páginas de datos por segundo, ocupando el lugar 114 en el ranking de las supercomputadoras más potentes del planeta.

IBM Watson Natural Language Understanding es una plataforma de IA que se basa en el Procesamiento del Lenguaje Natural y que ha democratizado el acceso a cualquier persona.

Utilicé como ejemplo, un tema muy controvertido en la redes sociales por la actriz que representará a La Sirenita en el nuevo live action de Disney.

Al pulsar el botón «Analyze» se produce el siguiente resultado con siete pestañas que abarcan Sentimiento, Emoción (no habilitado para Español), Palabras Clave (Keywords), Entidades, Categorías, Conceptos, Sintaxis (no habilitado para Español),  y Roles Semánticos (Semantic Roles, función bastante limitada en Español).

Como puede observarse Watson determina el Sentimiento general que predomina en la URL, en este caso «negativo» con un coeficiente de -0,33. La escala va de -1 a 1, con valores negativos y positivos correspondiendo a sentimiento negativo y positivo, respectivamente. Cuanto más cercano a -1 o 1 es más intenso el sentimiento.

También se puede estudiar el Sentimiento Dirigido («Targeted Sentiment») hacia una entidad detectada escribiendo el término en la caja:

Se puede observar que la palabra «Ariel» tiene un sentimiento negativo en el clima de opinión generado.

Watson también detecta emociones básicas como felicidad, ira, disgusto, tristeza, duda, entre otros (No disponible para el idioma español).

Se puede observar que en los valores de emoción de felicidad, ira y disgusto, en referencia a la actriz son muy similares. En tal sentido, el tono emocional de las conversaciones respecto al tema se comparte entre lo negativo y lo positivo.

Respecto a la emoción dirigida para la palabra «Ariel», se evidencia que la emoción felicidad tiene mayor preponderancia.

Las Palabras Clave (Keywords) revela sobre qué trata el tema, su contenido principal.

También la API identifica las Entidades realcionadas a personas, compañías, lugares, entre otros.

La aplicación categoriza el tema y le asigna una jerarquía descendente:

La sección Conceptos ayuda a comprender términos importantes y que pueden no estar directamente referenciados en el texto; van de una escala de 0 a 1. El sistema selecciona Conceptos asignados a recursos de DBpedia, que pueden proporcionar más información sobre temas relacionados que en el propio texto.

Al igual que Google Cloud Natural Language, IBM Watson Natural Language Understanding realiza un análisis sintáctico del texto analizado.

Ya la última sección de la API analiza el rol semántico del texto.

El punto a favor de la API de IBM Watson sobre la de Google, es que posibilita el análisis directo de URL o direcciones de sitios web, tales como: landing page, fan page, blogs, Wiki, redes sociales, entre otras) y de texto. Analiza el sentimiento y la emoción con respecto a términos específicos («targeted emotion» y «targeted sentiment») e incluye además, el análisis de emociones, keywords y conceptos.

OTRAS HERRAMIENTAS AUTOMÁTICAS PARA EL ANÁLISIS DE PERSONALIDAD Y ANÁLISIS DE EMOCIONES

1. Análisis de Personalidad con Watson Personality Insights

Existe una teoría muy aceptada en la psicología,  el marketing y otras áreas del conocimiento, que sostiene que en el lenguaje humano se puede percibir la personalidad, el estilo de pensamiento, la conducta social y los estados emocionales del individuo.

En este sentido, IBM Watson creó una API que es capaz de predecir las características de la personalidad del usuario a través de un texto escrito proveniente, bien sea de blogs, posts, ensayos y tweets, y a partir de allí comprender los hábitos y preferencias de los clientes.

Esta herramienta se llama Watson Personality Insights y gracias a los resultados de ella podemos segmentar a la audiencia y personalizar nuestro contenido.

IBM con los deseos de ir más allá en la aplicación del Procesamiento de Lenguaje Natural y la Inteligencia Artificial, realizó una serie de estudios para comprender si las características de personalidad inferidas de los datos de las redes sociales pueden predecir el comportamiento y las preferencias de las personas. Así descubrió que las personas con características de personalidad específicas respondían y volvían a tuitear en mayor número en las tareas de recopilación y distribución de información.

Por ejemplo, las personas que puntúan alto en la búsqueda de emociones tienen más probabilidades de responder, mientras que aquellos que puntúan alto en cautela tienen menos probabilidades de hacerlo. Del mismo modo, las personas que puntúan alto en modestia, apertura y amabilidad tienen más probabilidades de difundir información.

A continuación te muestro como utilizar Watson Personality Insights.

En primera instancia esta API te permite analizar tanto un perfil de Twitter así como un texto o fragmento de texto obtenido de algún comentario de una red social o un foro.

Para realizar el análisis de un fragmento de texto sólo tienes que pegar el mismo en la caja que ves a continuación:

Es importante tomar en consideración al momento de analizar la personalidad en un texto, que el mismo contenga palabras acerca de experiencias cotidianas, pensamientos, y respuestas. Se puede utilizar la demo de la API con un mínimo de 100 palabras, pero para un análisis más preciso, se necesitan al menos 3500 palabras para obtener un análisis «fuerte» (más confiable) según el modelo de la plataforma.

Al introducir el texto en la caja y darle al botón «Analizar», la herramienta muestra el resultado para el Retrato de Personalidad y para el Gráfico Circular. Voy a ejempliflicar el uso de esta aplicación con la otra variante para hacer el análisis, que es, con un perfil de Twitter.

Ten en cuenta que la plataforma analizará «tu» personalidad de acuerdo a lo que publicas y compartes en Twitter, por tal motivo la API pedirá autorización a tu cuenta de Twitter para el análisis.

En el retrato de personalidad se analizaron 22.090 palabras, resultando un análisis muy fuerte que asegura un resultado más confiable.

Continuamos con el resto del análisis, en donde se verán las facetas correspondientes a Personalidad, Necesidades y Valores.

Los valores que se ven en los resultados son todos percentiles. Provienen de comparar a una persona con una población más amplia. Por ejemplo, el 82% de Extroversión no significa que yo sea 82% extrovertida. Significa que para ese rasgo de la personalidad, yo soy más extrovertida que el 82% de las personas en esa población.

El modelo también determina rasgos más específicos dentro de cada faceta al pulsar la lista desplegable:

Puedes explorar con más detalle en cada una de las facetas del resultado.

Para el servicio Personality Insights, IBM también desarrolló modelos para inferir puntajes de las dimensiones y facetas, necesidades y valores de Big Five (Cinco Grandes) a partir de información textual. Los modelos utilizados por el servicio se basan en investigaciones en los campos de la psicología, la psicolingüística y el marketing.

Big Five es el modelo de personalidad más utilizado para describir cómo una persona generalmente se relaciona con el mundo. El modelo incluye cinco dimensiones principales, las cuales son: AMABILIDAD, CONCIENCIA, EXTRAVERSIÓN, ALCANCE EMOCIONAL Y APERTURA.

Cada una de estas dimensiones de nivel superior tiene seis facetas que caracterizan aún más a un individuo según la dimensión.

Con respecto a las necesidades, el modelo describe qué aspectos de un producto resonarán con una persona. El modelo incluye doce necesidades características y los valores describen los factores motivadores que influyen en la toma de decisiones de una persona.

Para visualizar el gráfico de las Big Five, los rasgos de personalidad, necesidades y valores en el gráfico circular, tienes que pulsar en el enlace que indica la flecha.

Obtendrás un gráfico como este:

2. Análisis de Emociones con Google Vision API

Ahora vamos a ir un poco más allá, porque ya la Inteligencia Artificial está reconociendo rostros para hacer un análisis de emociones de una persona en una determinada imagen. Esto evidentemente lo implementarán las compañías para realizar estudios de un producto, analizando los rostros de las personas que lo estén probando o utilizando.

Es por ello que Google está apostando por el desarrollo de productos de Inteligencia Artificial y aprendizaje automático y dispone al público de su Vision API, en donde lo único que tienes que hacer es arrastrar y soltar la imagen a analizar y tendrás los resultados de la misma en pocos segundos.

Puedes accesar a esta API a través del siguiente link: https://cloud.google.com/vision/docs/drag-and-drop

Como puedes ver a continuación, la API analiza la fotografía en varias secciones…

La aplicación a través de patrones detecta la emoción que pueda tener una persona a partir de la imagen de su rostro. En este caso determinó que la emoción representada en la imagen es de alegría.

No obstante analicé otra fotografía de una persona triste para probar si efectivamente detectaba esta emoción y sí lo hizo.

La Vision API también analiza los Objetos que aparecen en la imagen.

En este caso quise probar la herramienta para saber si detectaba los lentes en mis rostro…

En la sección Etiquetas, la API analiza las características que presenta la imagen…

Y para finalizar en cuanto a las secciones relevantes de la herramienta, en la parte de Propiedades, muestra la gama de colores presentes en la imagen y especifica el valor RGB y hexadecimal del color predominante.

Conclusión

El análisis de sentimientos en redes sociales es un indicador que debe tomarse en cuenta; porque es más que una estadística, su análisis es más profundo porque te indica que respuesta tiene el público ante alguna acción implementada.

Existen cuestiones claves que toda empresa o marca se deben preguntar, más que pedir números.

• ¿Quiénes están hablando de la marca? Para medir niveles de influencia.

• ¿Qué se está diciendo de la marca? ¿Ese comentario fue positivo? ¿Esa opinión fue sarcástica? Para medir niveles de reputación.

• ¿Se está creando una comunicación activa  entre los clientes y la marca? Para medir niveles de participación.

Ser capaces de analizar esto, nos permite saber si nuestras estrategias de Social Media Marketing son las más idóneas y tienen buena receptividad en la audiencia, y de esta manera poder mejorar o eliminar ciertos puntos.

Pero también no hay que negar que el análisis de sentimientos puede ser bastante demandante de tiempo y necesitar de una persona cualificada para tal fin; obviamente siempre dependerá del tamaño de los datos a analizar.

Es por ello que ya existen muchas compañías cuyas aplicaciones permiten analizar y monitorear el sentimiento de las personas hacia una marca. Así como también, están las API’s que disponen de manera gratuita Google e IBM.

Al final de todo, debemos entender que a medida que la tecnología avanza, su aplicabilidad en el campo del marketing, también. Es innegable que los avances del marketing en general estará a la par a los avances tecnológicos porque ambos, aunque no lo creamos, se interrelacionan.

Lo importante aquí, es que la empresas se den cuenta de que tienen que dar un paso importante hacia la transformación digital, porque si no: van a ser olvidadas, no estarán a la par de su competencia que si aceptó esta transformación y lamentablemente, no podrá sobrevivir en un mercado que ya está cambiando la manera de consumir y aceptar publicidad.

• ¿Tu empresa ya está preparada para este cambio?

• ¿Estás dispuesto a ir más allá, y no solo a requerir números a tu community manager, sino a conocer qué tu audiencia siente por tu marca?

• ¿Crees que es importante analizar cualitativamente tus acciones en redes sociales?

• ¿Crees que es importante el análisis de sentimientos en redes sociales?

• ¿Consideras que las herramientas descritas en el post de alguna forma te puedan servir de ayuda?

Estas y otras muchas preguntas debemos hacernos, pero lo realmente importante es entender que hoy en día el marketing es mucho más que número, se trata de las emociones y sentimientos que le hacemos sentir a nuestro público, y conocer esto es la pieza clave para nuevas estrategias y acciones de marketing.

Me gustaría saber tu opinión sobre este artículo, así que escríbelas en los comentarios…

INFOGRAFÍA: ¿qUÉ ES EL ANÁLISIS DE SENTIMIENTOS?

Fernández, D. (2016). Técnicas Estadísticas aplicadas a Redes Sociales y Análisis de Sentimiento: el caso Volkswagen Año 2016. Trabajo de Grado. Universidade Da Coruña. https://ruc.udc.es/dspace/bitstream/handle/2183/18076/AbadFern%C3%A1ndez_David_TFG.pdf

López, P. (2017). La investigación de mercados cualitativa como recurso para el Social Media. www.iebschool.com/blog/investigacion-mercados-cualitativa-social-media-redes-sociales/

Lugo, L. (2018). Análisis de sentimientos y personalidad en social media. Curso Herramientas de Gestión de Social Media. www.aulaciete.net