Te contamos cómo avanza internet

Continuamos con otro caso práctico de NLP. En este tercer post vamos a centrarnos en cómo podemos utilizar técnicas de NLP para analizar el sentimiento de un tweet, post, noticia… Si recordáis, en el post anterior tratamos la problemática de NER, que utilizábamos para extraer información relevante de documentos. En este caso la problemática es la de clasificar o rankear un documento, y, en concreto, un sentimiento. El Sentiment Analysis es un área especial dentro del campo de clasificación de textos.

 Un ejemplo claro de aplicabilidad está en el mundo del marketing. Digamos que hemos lanzado un producto al mercado, y más allá de solicitar su valoración a los compradores (solicitudes que a menudo se ignoran), queremos analizar la respuesta que está teniendo en la sociedad. Para ello nos podremos valer de las redes sociales, donde muchísima gente da su opinión sobre cualquier cosa, incluidos los productos que compra.

Primero nos encontraremos con la dificultad de tener que extraer esos datos, ya que no son opiniones que nos han realizado en nuestra página web y no las tenemos en nuestra base de datos. Esta tarea se denomina scrapping, y trata de extraer información de diferentes portales.

Una vez que tenemos una base de datos de tweets, posts, noticias, etc. sobre nuestro producto, tendremos que analizar qué dicen, si son positivas, negativas… Aquí, desde un enfoque “clásico”, lo que tendríamos que hacer sería etiquetar a mano parte de nuestra base de datos para poder entrenar un modelo y poder analizar el resto y las futuras opiniones. Además, nos encontraríamos con la dificultad de tener que codificar emoticonos, abreviaturas típicas de redes sociales… Afortunadamente, con el auge de los modelos de lenguaje y su liberación podemos clasificar directamente la base de datos que hemos creado con una altísima precisión. Además, estos modelos ya tienen en cuenta y saben tratar emoticonos! Si aún así quisiéramos afinar este modelo con nuestra base de datos, podríamos corregir a mano una mínima cantidad de textos clasificados por el modelo y hacer un ajuste del modelo, lo que se denomina como fine-tunning, y no haría falta re-entrenar el modelo desde cero. Estos modelos, aparte de decirnos si una opinión es positiva o negativa, también pueden devolvernos un grado de satisfacción de 0 a 100 si quisiéramos analizar más en detalle.

Esta misma tarea, aunque de una forma más compleja y sin resultados finales directos se aplica en el mundo de las finanzas. Hoy en día un alto porcentaje de las transacciones en bolsa están automatizadas, y para automatizar esas transacciones un parámetro relevante puede ser la opinión positiva/negativa que se esté dando sobre un producto o empresa en la prensa o redes sociales.

Si quieres saber más de cómo estas nuevas tecnologías pueden ayudar a tu empresa no dudes en ponerte en contacto con nosotros, estaremos encantados de atenderte y asesorarte.