Toen first direct, een Britse Internetbank voor retailers, haar brand value als gevolg van de financiele crisis achteruit zag gaan, begon ze een campagne die andere banken als een zelfmoordactie zagen. Samen met Mindshare, een marketing en media services bedrijf, lanceerde first direct de first direct live and unedited campagne die de kracht van sentiment analysis goed laat zien
De campagne verzamelde informatie van online forums, blogs, commentaren en sociale netwerken om te laten zien wat klanten zeiden over first direct, of dat nu positief of negatief was. De analyses werden live en onbewerkt uitgezonden via digital advertising in de gangen en op perrons van de London Underground, op trein stations en in winkelcentra. Deze aanpak had als doel de mening van mensen over first direct te laten zien in plaats van deze te verkondigen.
Deze transparante aanpak die geen andere bank had durven te overwegen bereikte 1.8 miljoen consumenten en verhoogde de merkdifferentiatie van first direct met 10%. Voor de prestatie om sentiment analysis op zo’n effectieve manier in te zetten ontving Mindshare de Gold Lion award op het Cannes Lions advertising festival, één van de meest prestigieuze evenementen binnen de advertising industrie.
Maar wat is sentiment analysis?
Sentiment analysis heeft als doel op systematische wijze de emotie die achter tekst schuilgaat te extraheren, identificeren en karakteriseren. Het stelt ons in staat de houdingen en meningen die mensen via sociale media met elkaar delen, te volgen. Het voert verder dan alleen het tellen van woorden: het identificeert emoties door gebruik te maken van Natural Language Processing (NLP) en statistische methoden. Sentiment analysis wordt al langer gebruikt in wetenschappelijk onderzoek ten behoeve van bijvoorbeeld het voorspellen van verkiezingsuitkomsten, het volgen van een griepepidemie, het voorspellen van aandelenprijzen, en het detecteren van depressie bij jeugdigen om eventuele zelfmoord te kunnen voorkomen.
De de techniek van sentiment analysis is niet nieuw; hij wordt al jaren gebruikt binnen linguistisch onderzoek. Het is echter wel nieuw dat deze techniek wordt toegepast op texten die uit sociale media wordt verkregen. De techniek zoekt automatisch het web af en dat is wat het verschil maakt met het handmatig doen van analyses. Het handmatig afzoeken van het web is te doen wanneer je merk een aantal keer genoemd wordt in blogs of op Twitter. Maar wanneer je merk 50.000 keer wordt genoemd heb je een tool nodig om deze taak uit te voeren.
Hoe werkt het? Een voorbeeld
De Universiteit Antwerpen levert een interessant voorbeeld van een toepassing van sentiment analysis in de vorm van een politieke barometer, een website die de populariteit van politieke partijen en politici laat zien gebaseerd op Twitter data. De barometer gebruikt de Pattern web mining module van Python, een open source tool voor sentiment analysis. Deze tool struint automatisch de Nederlandstalige Twitter af naar de namen van politici en politieke partijen. De tool bepaalt of een woord een negatieve of positieve toon heeft. Sentimenten worden vaak uitgedrukt in bijvoegelijke naamwoorden. “Sterk” heeft bijvoorbeeld een positieve toon in: “Een sterke campagne!” De 10 meest gebruikte bijvoegelijke naamwoorden zijn: beste, goede, slechte, grote, sterke, duidelijke, eerlijke, racistische, en wijze. Deze methode wordt losgelaten op alle tweets om een samenvatting te maken voor ieder politicus en politieke partij. En met zo’n samenvatting kun je bijvoorbeeld politici en partijen met elkaar vergelijken of trends waarnemen.
Neem de volgende tweet met een duidelijk positieve toon: "Danny Pieters, sterke speech voor een gedurfde en degelijke sociale bescherming." Deze zin wordt automatisch in het Engels vertaald met gebruik van Google Translate en dan wordt ieder woord gewogen met een van tevoren bepaalde functie in SentiWordNet. Deze functie beoordeeld ieder woord en zet dit oordeel om in getallen zodat de volledige tweet kan worden samengevat. Deze tweet heeft een positief sentiment (zie tabel).
| Danny | Pieters | strong | Speech | for | a | Bold | and | proper | social | protection | Score |
| 0 | 0 | +0.5 | 0 | 0 | 0 | +0.375 | 0 | +0.75 | 0 | -0.125 | +1.5 |
Hoe kun jij sentiment analysis gebruiken?
Sentiment analysis is eenvoudig te gebruiken. Als de schaal het toelaat, kun je het web handmatig afzoeken naar sentimenten over jouw merk. Naarmate de schaal toeneemt zal dat te veel werk worden en zul je specifieke tools nodig hebben. Er zijn verscheidene tools beschikbaar, zowel gratis als betaald. Gratis tools voor sentiment analysis zijn bijvoorbeeld Social Mention en Sentiment140. Betaalde tools zijn Lithium, Sysomos, Lexalytics, en AiAiO Labs. Tot slot kun je er voor kiezen om je eigen tool te bouwen door open source tools te gebruiken zoals de politieke barometer van hierboven. Ander open source tools zijn GATE, NLTK, Apache, Mahout, Weka, Rapidminer, KNIME en OpenNLP. Je kunt ook tools combineren, afhankelijk van je eigen behoefte.
De meeste tools hebben hun tekortkomingen als zaken meer complex worden. Bijvoorbeeld wanneer schrijvers ironie, sarcasme, dubbele ontkenningen en metaforen gebruiken dienen de tools te worden aangevuld met menselijke interpretatie. In dat geval gaat de betekenis van tekst namelijk boven die van individuele woorden en dient de tekst in zijn geheel en binnen zijn context beoordeeld te worden.
Los van de vraag hoe je sentiment analysis wilt gebruiken binnen je marketing activiteiten is het niet de vraag of je het wilt gaan gebruiken, maar wanneer!
