Dai dati alle decisioni: AI e Machine Learning per capire davvero i tuoi clienti

Documenti, e-mail, ticket e recensioni: la quantità di dati testuali, nell’era in cui viviamo, sta crescendo sempre di più. Fonti diverse, sempre più complesse, che contengono un volume immenso di informazioni. Come possono essere gestite? L’obiettivo principale è comprenderle, organizzarle ed estrarne valore.

Le aziende oggigiorno hanno rapporti sempre più complessi con i loro stakeholder, comprendere quali sono le loro necessità e indirizzare di conseguenza le attività è cruciale.

In questo articolo vedremo come il Machine Learning e l’Intelligenza Artificiale possono essere utilizzati per la classificazione e l’analisi testuale di recensioni e richieste al servizio clienti.

Capire i clienti attraverso i dati: una sfida cruciale per le aziende

La costruzione di una relazione solida e duratura con il cliente è alla base della creazione di valore per un’azienda. Saper cogliere le esigenze e creare soluzioni target permette all’azienda di indirizzare gli investimenti e, di conseguenza, generare marginalità e vantaggio competitivo. I dati, in questo senso, svolgono un ruolo decisivo. Attraverso l’analisi e lo studio dei dati, l’azienda può conoscere meglio i bisogni e le caratteristiche dei suoi clienti. Quante necessità gestiamo? Come supportare in modo efficiente il cliente? Queste sono solo alcune delle domande a cui l’azienda può rispondere attraverso i dati.

Nel processo di fidelizzazione della clientela, tra i dati testuali più rilevanti ci sono le recensioni e le richieste al servizio clienti. Come automatizzare il processo di analisi e comprensione di quest’ultime?

Classificare le recensioni: dall'opinione al valore strategico

Pensiamo ad un’azienda che offre un prodotto, i feedback dei clienti si baseranno sulla qualità dell’esperienza con il prodotto stesso: ci saranno recensioni che riguardano i tempi di consegna, altre che mettono in luce il design o la funzionalità del prodotto, altre ancora che si soffermano più sul prezzo.

La classificazione testuale consiste nell’assegnazione di una classe di appartenenza ad un testo sulla base del suo contenuto. Le categorie e le modalità in cui si possono classificare le recensioni sono molteplici, e per un’azienda potrebbe essere complesso conoscerle a priori. Come analizzare l’enorme volume di testi che riportano la voce del cliente e trovare argomenti comuni? Il Machine Learning e l’Intelligenza Artificiale sono strumenti che ci semplificano l’analisi di recensioni, feedback e richieste estraendo temi o problematiche comuni. Questo permette di osservare, studiare e segmentare i bisogni della clientela, trasformando dati complessi non direttamente analizzabili in insight strategici.

Cluster Analysis: come funziona?

La Cluster Analysis è una tecnica di Machine Learning che ha come obiettivo quello di raggruppare dati in gruppi omogenei (cluster), in modo che gli elementi all’interno di un cluster siano il più simile possibile tra loro, mentre quelli appartenenti a cluster diversi siano il più possibile diversi. I dati possono anche essere testuali, e la Cluster Analysis può essere utilizzata per raggruppare testi simili tra loro.

Per poterlo fare, dopo una fase di pulizia del testo, è necessario trasformare i dati testuali in numeri. Questo perché il computer capisce il significato delle parole attraverso i numeri. Gli “embeddings” sono rappresentazioni numeriche di concetti, e possono essere utilizzati per misurare la similarità tra testi. Ogni parola viene rappresentata nello spazio da un vettore di punti, e parole simili tra loro saranno vicine. Questo perché embeddings che sono simili dal punto di vista numerico rappresentano testi semanticamente simili.

Nel caso delle richieste al servizio clienti, supponiamo di avere a che fare con recensioni sulle auto e di voler identificare 3 cluster che le sintetizzano. La recensione “L’auto è performante ed è perfetta per viaggi lunghi” sarà nello stesso cluster di “La tenuta su strada è ottima, anche se il motore è un po’ rumoroso in accelerazione”, in quanto semanticamente simili: entrambe si riferiscono alle prestazioni e alla guida dell’auto. Un altro cluster sarà invece costituito da: “L’auto è poco spaziosa e non adatta per famiglie” e “Gli interni sono comodi e la qualità dei materiali è buona”, dove l’utente specifica invece i comfort dell’auto. L’ultimo sarà invece composto da: “Il prezzo è buono rispetto alla concorrenza” e “Il rapporto qualità-prezzo è notevole”, dove il cliente si focalizza sul prezzo.

L’immagine sotto è una rappresentazione del significato di embeddings

Dopo aver trasformato i testi in numeri, possiamo applicare l’algoritmo K-Means. Quest’ultimo suddivide i dati in K cluster sulla base della similarità. Si deve specificare il numero di cluster e l’algoritmo assegnerà ciascuna recensione al cluster con i feedback più simili.

Quello che fa l’algoritmo, in modo automatico e ottimizzato, è raggruppare i testi sulla base del loro contenuto. I clienti possono quindi essere segmentati sulla base delle loro richieste e dei loro bisogni. Così facendo, l’azienda conosce nel dettaglio quali sono i temi sollevati dai suoi clienti e quindi le aree in cui migliorare o investire, oltre che ottenere in modo automatico una modalità per gestire richieste diverse tra loro.

Una volta ottenuti i gruppi di clienti, come etichettarli? L’algoritmo K-Means assegna il testo ad un cluster, senza specificare di cosa trattano i testi al suo interno. Nell’ultimo step entra in gioco l’Intelligenza Artificiale.

AI per etichettare i gruppi

Una volta ottenuti i cluster, quello che manca è capire cosa accomuna le recensioni in ciascun gruppo. Sappiamo che testi appartenenti allo stesso cluster sono simili, ma non sappiamo il perché. Qui entra in gioco un agente AI che, dato un campione di testi in un cluster, identifica il tema comune. In particolare, per ogni cluster verrà estratto un campione di recensioni, l’agente verrà poi addestrato con un prompt che gli insegna qual è il suo compito, come lo deve svolgere, su quali testi e che risposta deve fornire. L’agente avrà come obiettivo quello di comprendere di cosa parlano le recensioni e di assegnare, di conseguenza, un’etichetta che descriva il cluster stesso.

Perché un agente AI? Perché fornisce una soluzione automatica e veloce, può sempre essere aggiornato con nuove recensioni o istruzioni e può analizzare una grande mole di dati.

Evoluzioni e applicazioni

Il processo descritto, che va dalla recensione rappresentata sottoforma di numeri all’individuazione ed etichettatura di classi di richieste e bisogni, può essere applicata a qualsiasi tipologia di dato testuale e per qualsiasi segmentazione.  

Ad esempio, l’azienda potrebbe voler classificare le e-mail che riceve per poterle gestire in modo efficiente: immaginiamoci il direttore di un supermercato che vuole conteggiare quante lamentele ha ricevuto per aver venduto prodotti scaduti? Un lavoro laborioso da sviluppare con normali strumenti operativi, un caso d’uso perfetto in cui Intelligenza Artificiale e Machine Learning arricchiscono il dato e permettono una ricerca semantica di valore ed efficiente.

Altrimenti: una casa automobilistica può pensare di rivedere le recensioni rilasciate dai clienti ai rivenditori senza leggerle tutte per comprendere se vi sono punti di forza comuni al prodotto o se i venditori attraverso il racconto dei clienti hanno chiaro la brand identity.

Non solo: dalla singola recensione, se vista sotto punti di vista diversi, si possono ottenere più classificazioni, che possono servire all’azienda in diversi ambiti. Dalla recensione “l’auto è bella, ma l’esperienza con il servizio clienti è stata pessima”, si evince sia che il cliente apprezza il prodotto, ma allo stesso tempo si solleva il problema del servizio scadente.

Conclusione

La complessità e diversità delle situazioni che un’azienda deve gestire devono essere affrontati con strumenti sempre più veloci, precisi e scalabili. L’articolo ha voluto mettere in luce una modalità di gestione del dato testuale che risolve, in modo automatico, la difficile comprensione delle necessità dei clienti

Contattaci oggi per scoprire come Cegeka può supportare la tua azienda con soluzioni di AI e Machine Learning.