Análise de sentimentos, conheça esse tipo de análise de dados

Quando ouvi o termo análise de sentimentos em TI, fiquei confusa, pois eu achava que esse era um assunto exclusivo da psicologia, mas não é bem assim. 

A análise de sentimentos é um tipo de análise de dados que está sendo cada vez mais utilizada pelas organizações, com intuito de analisarem textos (como e-mails, chats de atendimento, comentários etc) para obter informações sobre sua audiência e entender melhor os anseios do seu público. 

Esse tipo de análise é feita utilizando processamento de linguagem neural (PNL), que abrange aprendizado de máquina e está ligado à inteligência artificial. Esse recurso possibilita analisar a linguística do texto para dizer se ele é negativo, positivo ou neutro, auxiliando nas tomadas de decisão sobre o relacionamento com as pessoas.

Entendendo a análise de dados 

Os métodos de análise de dados surgiram com a necessidade de extrair informações vantajosas dos dados, visto que com os avanços tecnológicos e aumento de pessoas com acesso a internet, aumentaram exponencialmente a produção de dados.

Leandro Nunes de Castro e Daniel Gomes Ferrari afirmam sobre a “aplicação de técnicas e ferramentas que transformem, de maneira inteligente e automática, os dados disponíveis em informações úteis, que representem conhecimento para uma tomada de decisão estratégica”, tanto para o cotidiano das pessoas quanto para instituições públicas ou privadas.

Nesse cenário, as empresas estão aderindo cada vez mais ferramentas que auxiliem na sua tomada de decisão, e as ferramentas de análise de dados auxiliam nessa questão. 

Por que a mineração de dados e o aprendizado de máquina são importantes para a análise de dados?

A mineração de dados é um conceito importante para a análise de dados e na análise de sentimentos, isso não é diferente. 

As etapas para mineração de dados foram relatadas de maneira bem didática por Leandro Nunes de Castro e Daniel Gomes Ferrari em seu livro “Introdução à Mineração de Dados: Conceitos Básicos, Algoritmos e Aplicações”.

Sendo abordado que o conceito de mineração deriva da descoberta de conhecimento com base em dados (KDD), com suas principais etapas sendo a base de dados, o pré-processamento de dados, a mineração de dados e a validação dos dados.

• A base de dados é formada pelos dados que foram selecionados e organizados qualitativamente ou quantitativamente, com objetivo de proporcionar uma recuperação eficiente desses dados.

• O pré-processamento prepara os dados para a etapa de mineração, proporcionando uma análise eficiente e eficaz. Além de remover dados inconsistentes, serão combinados dados de várias fontes diferentes, estes serão refinados para apenas os dados relevantes serem formatados apropriadamente para a mineração.  

• Na mineração de dados, são aplicados algoritmos para a extração de conhecimento. Algumas das técnicas disponíveis são análise descritiva, agrupamento, predição, associação e detecção de anomalias.

• A validação dos dados avalia os resultados obtidos na etapa de mineração, identificando os conhecimentos úteis. 

A mineração de dados é interdisciplinar, seus principais objetivos são caracterizar os dados (classificação descritiva) e fazer inferências para gerar predições (classificação preditiva).

A aprendizagem de máquina (machine learning) é um meio automático para extrair informações dos dados que foram minerados. “Sistemas que sofrem aprendizagem são aqueles capazes de se adaptar ou mudar seu comportamento com base em exemplos, de forma que manipulem informações ” - Leandro Nunes de Castro e Daniel Gomes Ferrari.

Sistemas com machine learning, se adaptam ao ambiente de acordo com as regras que foram estabelecidas. Isso permite ajustar os resultados obtidos com a mineração por meio da aprendizagem e treinamento dos algoritmos utilizados.

• O aprendizado de máquina pode ser supervisionado (quando se tem conhecimento das saídas desejadas ou comportamento do sistema), ou não supervisionado (o próprio algoritmo caracteriza os objetos).

Já a computação natural usa técnicas baseadas na natureza para processar informações, alguns exemplos são redes neurais artificiais e algoritmos evolutivos, que estão relacionados com a mineração de dados, aprendizado de máquina e inteligência artificial. 

Como a análise de sentimentos funciona

Agora que já entendemos um pouco sobre análise e mineração de dados, aprendizado de máquina e inteligência artificial, fica mais claro para entender o funcionamento da análise de sentimentos, já que ela engloba esses mecanismos. 

As ferramentas de análise de sentimento identificam os sentimentos com mineração de texto e sistemas de análise, que podem ser: análise automatizada, com base em regras ou híbrida. 

• A análise automatizada, utiliza aprendizado de máquina e algoritmos de classificação dos sentimentos, assim ela associa entradas e saídas correspondentes para gerar previsões, que podem ser melhoradas com treinamento do algoritmo. 

• A análise com base em regras utiliza um dicionário de palavras pré determinadas e palavras chaves para classificar os sentimentos, funcionando melhor para palavras e frases diretas, com sentido explícito. 

• Já a análise híbrida combina o sistema automatizado e o baseado em regras, trazendo os melhores resultados, já que ela utiliza recursos dos dois sistemas para otimizar a velocidade e a precisão, porém precisa de mais técnica e tempo para ser implementada.

Tipos de análise de sentimentos

As análises de sentimento podem ter objetivos diferentes, podendo ser uma análise do tipo: granular (também chamada de refinada), com base em aspectos, com base em intenções, ou de detecção emocional.

• A análise granular, ou análise refinada, cria categorias e utiliza uma escala para classificar os sentimentos de muito positivos a muito negativos. Por exemplo, as avaliações de produtos em e-commerces, pois a partir delas, você pode filtrar os produtos do melhor avaliado para o pior avaliado.

• A análise com base em aspectos se refere a um aspecto específico de um produto ou serviço, de acordo com as opiniões dos clientes. Por exemplo, se estão falando que o preço de um produto é muito caro, ou se uma funcionalidade ou peça do produto não atendem às suas expectativas. 

• A análise com base em intenções, busca entender qual a intenção e sentimentos do cliente ao comprar ou ao fazer uma pesquisa de mercado sobre um produto, e como essa intenção vai influenciar no seu consumo. De acordo com a AWS, esse método é utilizado no marketing para entender como um grupo específico de clientes se comportam no ciclo de compras.

• A análise de detecção de emoções se concentra em entender qual o estado emocional da pessoa, no momento em que ela escreveu o texto, fazendo a associação de determinadas palavras com emoções específicas.

Análise de sentimentos na vida real

Alguns dos setores que estão se beneficiando da análise de sentimentos são os de marketing, suporte e atendimento ao cliente. Pois as ferramentas de análise de sentimentos, fazem uma classificação objetiva dos sentimentos que foram encontrados no texto, o que contribui para diminuir as análises tendenciosas feitas por seres humanos. 

Tudo isso contribui para melhores resultados nas campanhas de anúncios, monitoramento da marca, pesquisas de mercado, além de produtos e serviços que atendam melhor às necessidades dos clientes. 

Porém, ainda existem alguns pontos que confundem essas ferramentas, como o sarcasmo, gírias e as frases ambíguas. Relembrando que o computador trabalha apenas com instruções exatas, esses são potenciais desafios que essa tecnologia enfrenta.

Alguns exemplos de ferramentas utilizadas para análise de sentimentos são Amazon Comprehend, Dynamics 365 Customer Insights da Microsoft, Natural Language AI do Google e IBM Watson Natural.

Conclusões

Com essa introdução à análise de dados aplicada na análise de sentimentos, observamos que esse tipo de tecnologia é muito poderosa, e com a quantidade de dados que surgem todos os dias na internet (principalmente nas redes sociais), ela se mostra muito útil.

Mesmo com os desafios apresentados, as ferramentas para análise de sentimentos tem potencial para serem amplamente utilizadas, o que tornam delas um tópico que os desenvolvedores devem ter conhecimento, pois podem ser exploradas para contribuírem com novas soluções, além dos exemplos citados.

Sem contar que o mercado está cada vez mais utilizando inteligência artificial, que é um assunto relacionado aos tópicos abordados neste artigo.

Referências:

CASTRO, Leandro Nunes de; FERRARI, Daniel Gomes. 

Introdução à Mineração de Dados: Conceitos Básicos, Algoritmos e Aplicações.

O que é análise de sentimentos?. Disponível em: https://aws.amazon.com/pt/what-is/sentiment-analysis/#:~:text=As%20ferramentas%20de%20an%C3%A1lise%20de,aumentar%20a%20reputa%C3%A7%C3%A3o%20da%20marca. 

O que é análise de sentimento?. Disponível em: https://dynamics.microsoft.com/pt-br/ai/customer-insights/what-is-sentiment-analysis/

O que é processamento de linguagem natural?. Disponível em: https://cloud.google.com/learn/what-is-natural-language-processing?hl=pt-br

O que é Processamento de Linguagem Natural (NLP). Disponível em: https://didatica.tech/o-que-e-processamento-de-linguagem-natural-nlp/

Matos, David. Análise de Sentimentos e Machine Learning. Disponível em: https://www.cienciaedados.com/analise-de-sentimentos-e-machine-learning/