Sentiment analysis con l’AI: trasformare i sondaggi in decisioni strategiche

Con l’AI, la sentiment analysis e l’analisi semantica delle risposte aperte, fino a tre anni fa riservate a costose ricerche di mercato, sono alla portata di qualsiasi azienda con un budget contenuto. Ma se ti limiti a caricare le risposte e a chiedere all’AI cosa ne pensa, ottieni gli stessi risultati superficiali di prima.

Descriviamo il metodo che Komsulting usa nei progetti di gestione sondaggi per i clienti, con i dettagli per applicarlo da soli.

Che cos’è la sentiment analysis e cosa può dirti

Nella forma classica, la sentiment analysis attribuisce a un testo un valore di "sentiment": positivo, negativo, neutro o qualche gradazione intermedia. Per anni si è fatta con tecniche di NLP (Natural Language Processing) basate su dizionari di parole "positive" e "negative", poi con modelli statistici e reti neurali addestrate.

Detta così serve a poco: sapere che il 64% delle risposte è positivo e il 22% negativo basta giusto per un grafico a torta nel report.

Con i modelli di AI generativa (Claude, ChatGPT, Gemini) si fa un’analisi semantica e tematica molto più utile, che da centinaia o migliaia di risposte aperte ricava: i temi ricorrenti, con frequenza e intensità; il sentiment di ciascun tema, invece che sul totale; i legami tra temi e tipi di rispondenti; i segnali deboli, cioè poche risposte con implicazioni strategiche importanti; per ogni tema, qualche citazione testuale rappresentativa.

Come l’AI ha cambiato tempi e costi dell’analisi

Prima del 2024. Un analista esperto impiegava 3-5 giorni lavorativi per analizzare in modo rigoroso 500 risposte aperte, con un costo medio di 2.000-3.500 euro. Oltre le 1.000 risposte circa, poi, la stanchezza peggiorava la qualità della classificazione.

Oggi, con l’AI. La stessa analisi richiede 4-8 ore in tutto (preparazione dei dati, prompt strutturati, verifica, sintesi) e costa in media 400-800 euro. Il volume è praticamente illimitato: abbiamo seguito progetti su 8.000 risposte aperte senza perdere qualità.

Con questi costi chi faceva un sondaggio superficiale ogni sei mesi può farne uno al trimestre, analizzato a fondo. E chi leggeva le recensioni di un solo canale, come Trustpilot, può aggiungere Google Reviews, ticket di assistenza, conversazioni dei chatbot e commenti social.

L’ascolto dei clienti diventa continuo, e chi decide su prodotto e marketing può reagire molto prima.

Il metodo Komsulting in sei fasi

Lo abbiamo messo a punto su decine di analisi: soddisfazione dei clienti B2B, sondaggi post-acquisto negli e-commerce, NPS strutturati, ricerche di mercato qualitative, recensioni online.

Fase 1: Definire gli obiettivi

Prima di toccare i dati fissiamo cosa l’analisi deve dirci, altrimenti si ottengono frasi generiche come quella dell’inizio, che non aiutano a scegliere.

Le domande tipiche: quali aspetti del prodotto scontentano i clienti senza che ce ne fossimo accorti? Segmenti diversi lo percepiscono in modo diverso? Cosa alimenta il passaparola positivo? Che motivi dà chi non rinnova il contratto? Quali temi sono emersi negli ultimi 6 mesi?

Per ogni domanda indichiamo anche la decisione che deve aiutare a prendere, così l’analisi resta concreta.

Fase 2: Preparare i dati

I dati grezzi raramente sono pronti per l’AI. Vanno estratti dal CRM, dagli strumenti per i sondaggi (SurveyMonkey, Typeform, Google Forms) o da piattaforme proprietarie; ripuliti da risposte vuote, "non so" e risposte di una parola; arricchiti con i dati per segmentare (segmento, anzianità, prodotto acquistato, canale di acquisizione, ticket degli ultimi 12 mesi); infine ordinati in un CSV o in una tabella, una riga per risposta e colonne chiare.

Richiede 1-3 ore, secondo il disordine dei dati, e saltarla porta ad analisi sbagliate.

Fase 3: Scegliere la tassonomia

La tassonomia è l’elenco delle categorie in cui classificheremo le risposte, e da questa dipende la profondità dell’analisi. Si costruisce in due modi.

Tassonomia pre-definita (top-down). Le categorie ricalcano la struttura del prodotto o servizio (per un software: usabilità, funzionalità, prezzo, supporto, prestazioni, integrazioni). Permette il confronto nel tempo, ma rischia di perdere i temi nuovi.

Tassonomia emergente (bottom-up). Le categorie nascono dai dati, con un primo passaggio esplorativo dell’AI. Coglie i temi inattesi, ma si confronta poco con le analisi precedenti.

Approccio ibrido (quello che usiamo). Partiamo dalle categorie pre-definite e chiediamo all’AI di segnalare i temi che non ci rientrano, da valutare per le prossime rilevazioni.

Fase 4: Classificare le risposte

Il prompt che usiamo: "Sei un analista qualitativo esperto. Sotto trovi [N] risposte aperte di un sondaggio di [tipo sondaggio]. Per ciascuna risposta: 1) categorizzala secondo questa tassonomia [LISTA CATEGORIE]; 2) attribuisci un sentiment (molto negativo, negativo, neutro, positivo, molto positivo); 3) identifica eventuali sotto-temi specifici menzionati; 4) segnala se la risposta solleva un tema non coperto dalla tassonomia. Output in formato CSV strutturato".

Sopra le 500 risposte lavoriamo a blocchi di 100-200 e manteniamo le categorie coerenti con un’istruzione esplicita ("usa esattamente le stesse categorie nominate del batch precedente"): un compito in cui Claude è molto affidabile.

Fase 5: Aggregare e analizzare i numeri

Con le risposte classificate emergono le tendenze: peso di ogni tema in valore assoluto e percentuale; sentiment per tema, perché i temi più citati non sono per forza i più critici; legami tra temi e segmenti (per esempio un problema citato dal 35% delle grandi aziende e dall’8% delle piccole e medie); andamento dei temi nel tempo, se l’analisi si ripete.

Questi conti li facciamo con strumenti tradizionali (Excel, Sheets, Python con pandas) sui dati classificati dall’AI: per la statistica sono più affidabili.

Fase 6: Tirare le conclusioni

Molti progetti con l’AI si fermano a numeri e grafici. Il lavoro si chiude rispondendo alle domande della Fase 1, spiegando cosa comportano per l’azienda e proponendo azioni concrete.

Il prompt per questa fase: "Sulla base dell’analisi aggregata fornita, rispondi alle seguenti domande strategiche [DOMANDE FASE 1]. Per ogni risposta: argomenta con riferimento ai dati specifici, identifica le implicazioni per le decisioni di prodotto/marketing/customer success, proponi 2-3 azioni concrete e prioritarizzate".

Claude scrive la sintesi e noi la rifiniamo: è il documento su cui l’azienda decide.

Un caso reale nel manifatturiero

Cliente: azienda B2B nel settore manifatturiero industriale, circa 200 dipendenti, vende macchinari complessi a clienti europei.

Sondaggio: questionario di soddisfazione annuale inviato a 800 clienti attivi negli ultimi 24 mesi. Ha risposto il 31%: 248 questionari completi, 198 dei quali con risposte aperte sostanziose (oltre 20 parole).

Domande aperte rilevanti: "Cosa apprezzi di più della collaborazione con noi?", "Cosa miglioreresti se potessi cambiare una cosa?", "Quale tema dovremmo affrontare per il prossimo anno?".

Tassonomia ibrida usata: prodotto (qualità, affidabilità, prestazioni), servizio (consulenza tecnica, assistenza clienti, formazione), commerciale (rapporto venditore, processo d’acquisto, condizioni), post-vendita (manutenzione, ricambi, supporto remoto), prezzo (rapporto qualità-prezzo, condizioni di pagamento), reputazione (immagine, brand, riferimenti).

Risultati che hanno cambiato decisioni:

Il tema "supporto remoto" compare nel 41% delle risposte a "cosa miglioreresti", con sentiment fortemente negativo. I sotto-temi sono i tempi di risposta (62% delle citazioni del tema), la competenza del primo livello (28%) e l’accesso al servizio in alcuni paesi UE (10%). Decisione: un nuovo team di supporto remoto multilingue e la piattaforma dei ticket ridisegnata.

Il tema "formazione operatori clienti" emerge come opportunità nel 23% delle risposte, soprattutto per i clienti con molto ricambio di personale operativo. Decisione: un’accademia online di formazione per i clienti, oggi diventata anche centro di profitto.

Il tema "documentazione tecnica in lingua locale" è un segnale debole (7% delle citazioni), ma concentrato sui grandi clienti tedeschi, un segmento ad alto margine. Decisione: la traduzione strutturata della documentazione tecnica in tedesco, francese e spagnolo.

Senza l’analisi con l’AI questi temi sarebbero rimasti sepolti tra le 198 risposte aperte. Un’analisi tradizionale fatta in fretta avrebbe colto solo i due più frequenti, e il segnale tedesco, nascosto in 14 risposte, sarebbe andato perso.

Cinque errori da evitare nell’analisi dei sondaggi

Li vediamo spesso nei progetti che ereditiamo da team interni o da altre agenzie.

Errore 1: "L’AI ha detto che…" L’AI classifica secondo la tassonomia che le abbiamo dato e sintetizza, ma l’interpretazione spetta a chi fa l’analisi. Scrivere "secondo l’analisi AI il 41% dei clienti vuole X" è fuorviante, perché a firmare l’analisi è l’analista.

Errore 2: Una tassonomia troppo generica. Con 4-5 categorie larghissime (prodotto, servizio, prezzo) tutto finisce in "servizio" e non si sa cosa fare; con 20-30 categorie specifiche emergono indicazioni su cui agire.

Errore 3: Scambiare la frequenza per importanza. Un tema citato da pochi clienti di grande valore può contare più di uno citato da molti clienti marginali, quindi l’analisi va sempre incrociata con il valore dei segmenti.

Errore 4: Cambiare tassonomia a ogni rilevazione. Così si perde di vista l’evoluzione dei temi: conviene tenerla stabile per almeno 4-6 rilevazioni consecutive.

Errore 5: Saltare il controllo a mano. Va ricontrollato un campione di 50-100 risposte classificate dall’AI. Con Claude e categorie ben specificate il tasso di errore che osserviamo di solito è del 5-12%, e il controllo serve a correggerlo e ad affinare i prompt.

Gli strumenti che usiamo

Per chi vuole provare da solo, ecco cosa usiamo nei nostri progetti.

Modello AI: Claude di Anthropic, soprattutto Sonnet, per l’equilibrio tra costo e qualità. Oltre le 5.000 risposte usiamo Haiku per la prima classificazione e Sonnet per la sintesi.

Preparazione dei dati: Excel o Google Sheets fino a 2.000 righe; oltre, Python con pandas.

Classificazione: API di Anthropic e script Python su misura per i grandi volumi, chat di Claude.ai con un prompt strutturato per i piccoli.

Aggregazione e visualizzazione: Excel o Sheets per l’analisi standard, Power BI o Tableau per i cruscotti ricorrenti.

Archivio e versioni: sistema interno per i progetti dei clienti, con lo storico di prompt, tassonomie e dati analizzati.

Tutto insieme costa poche centinaia di euro al mese, e le analisi ne valgono di solito 10-50 volte tanto.

Cosa significa per il tuo programma di Voice of Customer

Se la tua azienda ha già un programma di Voice of Customer (la raccolta strutturata dei pareri dei clienti), aggiungere queste tecniche ha quasi sempre un ROI alto. Bastano poche giornate per tassonomia, primi prompt e messa a punto, poi ogni rilevazione si analizza in poche ore e meglio di prima.

Se invece un programma così non c’è ancora, conviene costruirlo: in molti settori le metriche sull’esperienza dei clienti sono diventate il segnale che meglio anticipa la crescita dei ricavi, e con l’AI questa analisi non richiede più grandi budget di ricerca.

In Komsulting affianchiamo le aziende che vogliono costruire o ripensare il proprio programma di sondaggi e Voice of Customer con il metodo descritto qui. Definiamo cosa rilevare, costruiamo la tassonomia, formiamo il team interno a gestire le analisi da solo e lo seguiamo nei primi cicli.

Perché i sondaggi tornano a essere utili

Per anni i sondaggi sono stati un obbligo: si fanno perché "bisogna fare", si sfogliano e si archiviano. Rendendo accessibile un’analisi profonda, l’AI restituisce loro lo scopo originale, cioè ascoltare i clienti per decidere meglio.

Chi porterà queste analisi dentro le proprie decisioni vedrà prima dove va il mercato e coglierà i temi nuovi che i concorrenti ignorano.

Se vuoi applicare questo metodo ai tuoi sondaggi, parliamone: nel primo audit Komsulting, gratuito, partiamo dai questionari che mandi già e dalle risposte che hai raccolto.