La maggior parte dei dati disponibili può essere classificata come non strutturata e include tanti tipi di dati, dai documenti aziendali, alle e-mail, articoli di notizie, immagini, video, audio e post sui social media. Gartner stima che oltre il 90 per cento di tutti i dati digitali non sia strutturato.

La Natural Language Processing (NLP), un campo dell’intelligenza artificiale, analizza, comprende e ricava significato da dati non strutturati. NLP viene utilizzato per Named Entity Recognition (NER) e Sentiment Analysis, di cui parleremo più avanti, nonché per il riepilogo automatico del testo, la codifica di parti del discorso e altro ancora.

La Named Entity Recognition, o NER, è una tecnica di Natural Language Processing che si serve del Machine Learning per identificare e riconoscere entità in un testo e classificarle in una o più categorie. Le entità possono essere, tra gli altri, nomi di persone, organizzazioni, località, argomenti, interessi.

È utilizzata per classificare automaticamente articoli, feedback dei clienti, ticket di assistenza clienti, post sui social media.

La NER consente di cercare in modo efficace tra dati non strutturati, migliorare l’efficienza dei processi e fornire ai clienti esperienze personalizzate.

La Sentiment Analysis è una forma di text mining avente l’obbiettivo di estrarre, classificare e comprendere le impressioni, le opinioni o i sentimenti espressi da clienti, dipendenti o altri stakeholder.

Tale analisi rileva un sentiment positivo o negativo, per esempio, nei post sui social media, nei feedback dei clienti e negli articoli.

La Sentiment Analysis aiuta a identificare cosa impatta la soddisfazione o l’insoddisfazione del cliente, le sue intenzioni e le opinioni riguardo determinati argomenti ed è uno strumento di grande valore, perché aiuta ad anticipare le tendenze del mercato, identificare nuove opportunità di business, conoscere la concorrenza e migliorare l’esperienza del marchio, del prodotto e del servizio.