La Sentiment Analysis, o analisi del sentiment, è una tecnica di analisi computazionale e testuale che permette di determinare il tono emotivo (positivo, negativo o neutro) di un testo, estraendo informazioni soggettive.

È una tecnica sempre più utilizzata nell'analisi dei rischi, per valutare la reputazione digitale, identificare i punti critici e prevenire eventuali problemi futuri. 

L'applicazione di algoritmi di Sentiment Analysis permette di analizzare grandi quantità di dati testuali in modo automatico e di estrarre informazioni utili per la valutazione dei rischi. Con la Sentiment Analysis, infatti, si può rappresentare il significato delle parole tramite word embeddings, un vettore numerico che colloca la parola in uno spazio “n” dimensionale, dove “n” è la grandezza dell’embedding. Il significato delle parole è rappresentato come un punto in questo spazio, in reciproco rapporto con altri significati. 

In particolare, è possibile creare una rete neurale convoluzionale in grado di analizzare dei dati di training, pulirli, stilare un vocabolario e apprendere delle rappresentazioni vettoriali del significato delle parole del vocabolario (automaticamente stilato), in base al sentiment dei commenti in cui le parole osservate occorrono. 

Accanto all’analisi dei flussi di social media, oggi abbiamo a disposizione anche il deep learning, che, con gli ultimi progressi, permette, attraverso algoritmi, di analizzare il testo in maniera più approfondita. Prima di avviare l’analisi di un testo, è importante fare lo studio dello stato dell’arte, quindi classificare gli aspetti chiave del prodotto e del servizio di un marchio e le reazioni, riguardo a questi aspetti, degli utenti. 

La Sentiment Analysis ricorre anche alla ricerca semantica contestuale (CSS, Contextual Semantic Search), che riguarda quale aspetto del nostro obiettivo di ricerca è argomento del testo.

In definitiva, l'applicazione di algoritmi di Sentiment Analysis rappresenta uno strumento prezioso per la valutazione dei rischi, in quanto, con l’analisi di grandi quantità di dati testuali in modo automatico, identifica eventuali problemi prima che diventino criticità. 

Per integrare la Sentiment Analysis nel data model di analisi dei rischi, è necessario considerare diversi passaggi.