Le nuove interazioni digitali tra consumatore e azienda
di Francisco Villarroel Ordenes
Molte interazioni tra consumatore e azienda sono passate da offline a online, trasformando piattaforme come Google, Amazon, Facebook in punti di contatto cruciali del customer journey. Quasi il 70% dei consumatori fa affidamento ai social media per risolvere problemi di carattere commerciale (Ahmed, 2017). Il 58% di questi consumatori cerca recensioni prima di selezionare un ristorante (Gatherup, 2018). Le aziende si connettono attivamente con i consumatori avviando conversazioni o rispondendo online ai reclami dei consumatori insoddisfatti. Le piattaforme di social media fortemente basate sulla condivisone di immagini come Instagram stanno conquistando una rilevanza senza precedenti. Il 71% delle aziende, infatti, utilizza piattaforme image-based per promuovere servizi e il 75% dei consumatori dimostra interesse e coinvolgimento verso tali promozioni (Clarke, 2019). L’aumento delle interazioni digitali ha generato una quantità di dati non strutturati senza precedenti, enfatizzando la necessità di cambiare approcci e metodi di ricerca per la comprensione e risoluzione di problemi manageriali.
A differenza dei dati strutturati, che sono stati la principale fonte di informazioni che le aziende hanno analizzato negli ultimi decenni, i dati non strutturati vengono generati da clienti allo scopo di connettersi con altri clienti e/o aziende. Si tratta, dunque, di una fonte di dati spontanei. Ottenere raccomandazioni manageriali basate sull’analisi di dati non strutturati (ad esempio, brand sentiment analysis) richiede l’uso di metodi e strumenti di natural language processing, computer vision e machine learning. Il presente articolo descrive: a) lo stato dell’arte dei metodi e strumenti in grado di estrarre informazioni rilevanti da dati (testi e immagini) non strutturati, b) gli obiettivi e i metodi chiave per la ricerca aziendale e c) le implicazioni per la formazione degli studenti di business.
Negli ultimi cinque anni si è verificato un incremento esponenziale dell’utilizzo di metodi di analisi e di estrazione di testo e immagini. La recente letteratura di riferimento ha sviluppato varie guide su come analizzare dati non strutturati nell’ambito del marketing (Berger et al.2020), del management (McKenny et al.2018), della vendita al dettaglio (deKimpe 2020) e del business in generale (Schwenzow et al.2020). Il tasso di crescita previsto per il mercato globale del text mining, ad esempio, è del 18,1% e si stima una crescita da 4,75 miliardi nel 2019 a 16,85 miliardi di dollari nel 2027 (Reports and Data 2020). La crescita del mercato globale dell’image mining è stata valutata pari a 27,3 miliardi di dollari nel 2019 e si stima una crescita del 18,8% dal 2020 al 2027 (Reports and Data 2020).
Alla luce di tali evidenze, risulta necessario comprendere gli obiettivi e i metodi chiave per implementare l’estrazione e l’analisi di testo e immagini. È possibile identificare tre obiettivi principali per l’estrazione di testo e immagini (Villarroel Ordenes e Zhang 2020). Il primo riguarda l’operazionalizzazione di un costrutto osservato. Ad esempio, un manager interessato alle emozioni espresse dal consumatore potrebbe estrarre e analizzare tale costrutto utilizzando testi e immagini condivisi dal consumatore nei social media. Il secondo obiettivo può riguardare l’identificazione di costrutti non osservati. Ad esempio, un manager potrebbe voler comprendere quali sono gli argomenti più rilevanti che vengono discussi nelle recensioni online, oppure identificare diversi tipi di esperienza di servizio attraverso il raggruppamento e la classificazione di immagini condivise dai consumatori nei social media. Il terzo obiettivo riguarda l’identificazione delle relazioni tra le caratteristiche del testo o delle immagini. Un manager potrebbe essere interessato alle parole che ricorrono più frequentemente e a quali parole vengono associate maggiormente con una determinata marca o, ancora, comprendere le interazioni tra elementi verbali e visivi nei messaggi commerciali condivisi su social media.
Ciascuno dei suddetti obiettivi può essere raggiunto mediante un metodo o una combinazione di metodi. Le emozioni dei consumatori possono essere misurati attraverso metodi basati sul lessico, machine learning, deep learning, ensembles e transformer (Heitmann et al.2020). Esistono anche metodi per l’identificazione di argomenti diversi dalle recensioni dei clienti in social media come Latent Dirichlet Allocation(LDA), Correlated Topic Models(CTM), or Structural Topic Models (STM) (Grewal et al.2020). Anche l’identificazione delle relazioni di entità offre un’ampia gamma di metodi per valutare le relazioni tra i costrutti. Ad esempio, nel valutare la somiglianza tra le marche, i ricercatori possono utilizzare le misure di distanza Cosine o il word embedding (Netzer et al. 2012). Nella prospettiva dell’analisi delle immagini, applicazioni come Amazon Rekognition possono identificare oggetti nelle immagini con elevata precisione. Inoltre, i progressi raggiunti nel deep learning e nelle neuronal nets hanno contribuito allo sviluppo di algoritmi personalizzati per identificare vari tipi di immagini (Liu, Dzyabura e Mizik 2020).
Gli sviluppi nei metodi di estrazione di testo e immagini appena citati hanno portato alla pressante necessità di includere tali strumenti negli approcci di analisi dei dati di business. È necessario bilanciare capacità tecniche avanzate nella programmazione (ad esempio, R, Python, Knime) con dimostrazioni empiriche basate su dati aziendali reali. L’approccio migliore per raggiungere tale equilibrio e supportare il processo decisionale manageriale consiste nell’implementazione di progetti applicati che stimolano gli studenti ad identificare domande ed obiettivi di ricerca specifici, estrarre dati di testo e immagini adeguati per rispondere a tali domande (ad es., social media, forum di brand o recensioni online) e definire il set più efficiente di metodi (ad esempio, supervised e/o unsupervised learning) e visualizzazioni (ad esempio, tipo di grafico o figura per rappresentare un fenomeno). Un curriculum che promuova lo sviluppo di abilità e tecniche nelle suddette tre aree permetterà ai manager del futuro di districarsi con grande successo nella grande mole dei Big data.
Articolo precedentemente apparso su Luiss Open il 18 dicembre 2020