Page 18 - MK_1-2023

Fig. 6
Correlazione tra categorie emozionali e driver
Fonte: Analytics Lab - BNL BNP Paribas
messo infatti di passare dal paradig- ma di algoritmo di Sentiment Analy- sis generico, al più efficace modello di analisi semantica ed emozionale che utilizza un approccio attivo di ascolto della propria clientela.
Così facendo, si riescono a classifica- re i termini in base al percepito reale dei nostri clienti. Partendo dai 200 mila verbatim, quella che andiamo a effettuare è una selezione dei termi- ni più rilevanti (e con maggior porta- to emotivo) attraverso l’applicazione dell’algoritmo TF-IDF.
Una volta individuate le parole sin- gole e le coppie (bigrammi) utili all’analisi, associamo loro una prima informazione per collocarle nello spazio bidimensionale, ossia il voto medio che ne determina la posizione orizzontale (valenza).
Prendiamo, ad esempio, la parola “appuntamento”. In fig. 7 è rap- presentata la sua distribuzione di frequenza rispetto ai voti. Il voca- bolo è stato utilizzato per il 74% in verbatim di detrattori. Per il 30% delle volte associato a un voto pari
18 1-2023
Partendo dai 200 mila verbatim, viene effettuata una selezione dei termini più rilevanti (e con maggior portato emotivo) attraverso l’applicazione dell’algoritmo TF-IDF
La TF-IDF
La TF-IDF è una misura dell’ori- ginalità di una parola. Si ottiene confrontando il numero di volte in cui una parola appare in un docu- mento con il numero di documenti in cui appare la parola.