Análise de Polaridade de Reputação 

Uma observação sobre como as limitações de análises de sentimento para gestão de reputação de mídia podem ser superadas, e como a Hypefactors está oferecendo serviços de ponta nesse campo. 

Esse é o quarto capítulo de uma série de posts discutindo técnicas de Inteligência Artificial para a gestão da sua reputação. Veja o post anterior dessa série aqui.

Nesse post faremos uma análise de como a Hypefactors está encorajando a gestão de reputação assistida por IA, indo além das limitações da análise de sentimentos, como discutimos no post anterior. 

Como discutido no post anterior,  identificamos várias limitações nos sistemas tradicionais de análise de sentimento oferecidos pela maior parte das plataformas de RP e gestão de reputação disponíveis no mercado hoje: 

• Sistemas de análise de sentimento são fundamentalmente incapazes de identificar declarações que afetam a sua reputação positivamente ou negativamente sem expressar sentimentos e opiniões. 
• Muitos sistemas de sentimentos que são utilizados hoje não levam em consideração menções da sua marca que expressam sentimentos em relação a outra coisa ou pessoa, e, em muitos casos, atribuem sentimentos de forma imprecisa para a menção de uma forma generalizada. 
• A performance dos sistemas que mensuram sentimentos degrada quando são aplicados a dados noticiosos ou de mídias sociais porque estas fontes de informação são linguisticamente diferentes das fontes atualmente disponíveis para os treinamento de sistemas de análises de dados.

Em resposta a essas limitações, nós pesquisamos, e reformulamos uma abordagem alternativa, que acreditamos será capaz de entregar muito mais valor do que aquele alcançado por outros produtos de gestão de RP no mercado. As características chave desse sistema de IA são:

• A habilidade de prever se uma declaração específica vai ou não vai impactar na reputação da sua marca de forma negativa ou positiva, mesmo quando a declaração não expressa nenhum sentimento.Ability to distinguish between different targets of reputation polarity within the same text, and assign labels to them independently.
• A habilidade de distinguir entre diferentes alvos de polaridade de reputação dentro do mesmo texto, e atribuir tags para cada um de forma independente. 
• A habilidade de atribuir tags de polaridade de reputação para textos em até 104 diferentes idiomas. 
• Treinada com os nossos datasets internos para fornecer estimativas precisas sobre veículos de mídia que são relevantes para a sua marca. 

Por exemplo, considere a declaração a seguir, tirada de uma notícia descrevendo como a Grundfos Lifelink está entregando uma tecnologia que fornece água limpa para consumo na África.

A maior parte dos sistemas convencionais de análise de sentimento marcam essa declaração como negativa graças a presença de frases como entrará em decadência, será encerrado e não é uma abordagem inviável. Imagine que você é o administrador de RP da Grundfos Lifelink. A tag que você recebe de um sistema de análise de sentimentos de ponta é tecnicamente correta, mas não é útil para você entender como essa menção afeta a reputação da Grundfos Lifelink, já que esse é exatamente o oposto da tag de análise de sentimentos, ou seja, positiva.

“Existe uma abundância de água debaixo da terra na maior parte das regiões. O desafio é fazer um sistema que é sustentável. Não faz sentido estabelecer um sistema que fornece água para as pessoas se elas não têm dinheiro para mantê-lo. Ele simplesmente entrará em decadência, e será descontinuado rapidamente. Isso não é uma abordagem viável.”

Antes de mais nada, nós estamos construindo nossos próprios datasets para treinar sistemas de aprendizagem de máquina a reconhecer  e marcar a linguagem natural, não com sentimento, mas com o que é comumente conhecido como polaridade de reputação.

A Análise de Polaridade de Reputação (RPA) tem como enfoque a classificação do texto levando em consideração o impacto previsto na percepção do leitor sobre a reputação da marca, seja este impacto negativo, neutro ou positivo. Diferente da análise de sentimentos, RPA captura a maior parte do que é importante para você, com o propósito de administrar a reputação. 

Os Desafios da Análise de Polaridade de Reputação 

Do ponto de vista técnico, a RPA é muito mais complexa do que a análise de sentimento. Um sistema RPA deve ser capaz de fazer tudo o que um sistema de análise de sentimento faz, já que a expressão de opiniões positivas e negativas sobre uma marca é capaz de afetar a percepção do leitor sobre a sua reputação. Além disso, um sistema IA focado em prever a polaridade de reputação também deve conseguir reconhecer eventos que são geralmente associados a mudanças negativas na percepção da reputação – como por exemplo recalls de produtos – e eventos associados com mudanças positivas na percepção da reputação da marca – como por exemplo doações para caridade.

Por fim, o impacto de certos eventos na reputação da sua organização pode depender do tipo da sua organização ou marca. Por exemplo, se você é uma organização financiada através de impostos, fazer uma festa de arromba pode ter um impacto negativo na sua reputação. Mas, se você é uma empresa privada, esse mesmo evento pode não afetar a sua reputação, ou mesmo afetá-la de forma positiva. Um sistema RPA de sucesso deve aprender a fazer essas distinções complexas, o que requer um exemplo de fatos que frequentemente não estão imediatamente expressados no texto em si. 

Análise Dirigida de Polaridade de Reputação

Além de lidar com essas questões difíceis, nosso sistema de IA é projetado para fazer distinções entre diferentes alvos de polaridade de reputação dentro do mesmo texto. Isso permite  que possamos fornecer tags corretas para o exemplo da United Airlines, presente no blog post anterior, dependendo da nossa escolha de enfoque na United Airlines, ou no Donald Trump. 

Por fim,  estamos utilizando técnicas de ponta no campo de aprendizagem de máquina, chamadas transfer learning. Isso nos permite fornecer análises de polaridade de reputação para 104 idiomas. Isso faz com que nossos clientes aproveitem de forma completa a utilidade dos nossos sistemas de IA, mesmo para marcas verdadeiramente globais. 

O sistema RPA da Hypefactors está projetado para marcar textos com exatamente esta informação. Nós acreditamos que essa melhoria faz com que nosso  sistema seja bem mais útil do que outras soluções existentes no mercado. 

Conclusão

Nesse post final da nossa série sobre técnicas de IA para gestão de reputação,  pudemos observar as formas em que a Análise de Polaridade de Reputação fornece informações muito mais relevantes sobre a reputação da sua marca, em comparação às abordagem mais comuns, focadas em análise de sentimentos. 

Também discutimos como a Hypefactors está impulsionando tecnologias de ponta nesse campo, através da construção de sistemas de IA que conseguem fazer distinções entre diversos alvos diferentes de polaridade de reputação dentro do mesmo texto, o que aumenta a precisão da nossa solução em muitos casos. 

Se você quer saber mais sobre como a Hypefactors pode te ajudar a administrar a reputação da sua marca e a sua relação pública, entre em contato conosco hoje.