Sentiment analysis dashboard
VerdeVita Cosmetics S.r.l., azienda cosmetica, 85 dipendenti, canale diretto ed e-commerce. 534 feedback raccolti tramite interviste AI condotte con Tacita, durata media 3–5 minuti per intervista. Periodo di analisi: gennaio–giugno 2025. Pipeline ibrida con classificatore transformer e aspect-based sentiment analysis.
Metriche principali
Tasso positivi
54%
289 interviste
Tasso negativi
22%
117 interviste
Sarcasmo rilevato
4,9%
26 su 534 interviste
Soggettivita media
0,56
scala 0 (fattuale) – 1 (opinione)
Evoluzione mensile della polarità dei feedback raccolti via Tacita
Istogramma dei punteggi assegnati dalla pipeline (0–100)
La concentrazione nella fascia 55–80 indica un sentiment complessivamente positivo. Il cluster sotto 25 pesa il 7,8% delle interviste.
Net promoter score derivato dal sentiment delle interviste
Numero di interviste AI completate tramite Tacita
Aspect-based sentiment analysis
La pipeline ABSA scompone ogni intervista nei suoi aspetti costitutivi e assegna un sentiment indipendente a ciascuno. Il modello identifica 7 aspetti primari per VerdeVita. Ogni intervista tocca in media 1,8 aspetti distinti, per un totale di 961 menzioni di aspetto sulle 534 interviste.
Score per aspetto — clicca per espandere
Asse X = sentiment score. Asse Y = numero menzioni. Dimensione = tasso positivi.
Gli aspetti nel quadrante alto-sinistra (basso sentiment, alto volume) richiedono intervento prioritàrio. Il prezzo e i resi sono le due aree più critiche.
Priorita di intervento
Insight chiave
Il 68% delle interviste con punteggio negativo contiene almeno due emozioni distinte. La rabbia raramente compare isolata: nel 64% dei casi si accompagna a delusione o frustrazione rispetto a un'aspettativa tradita.
Analisi automatica — modello emotivo Plutchik, 534 interviste processate
Analisi emotiva e pragmatica
Il sentiment score cattura la polarità. L'analisi emotiva va oltre, identificando le emozioni specifiche secondo il modello Plutchik a 8 dimensioni. Il modulo di rilevamento sarcasmo corregge i falsi positivi. L'analisi di soggettività distingue risposte fattuali da opinioni personali.
Intensita rilevata vs benchmark settore cosmetico
Classificatore transformer fine-tuned su dataset italiano
Interviste con sarcasmo
26
su 534 totali (4,9%)
Accuratezza classificatore
F1 = 0,84
su test set interno bilanciato
Tasso falsi positivi
7,1%
risposte neutre erroneamente classificate come sarcastiche
Il sarcasmo inverte la polarità della risposta. Il classificatore rileva pattern lessicali tipici quali iperbole, antitesi apparente e superlativi incongrui. Le risposte sarcastiche ricevono una rettifica automatica del sentiment score.
Distribuzione delle interviste per grado di soggettività
Soggettivita media
0,56
scala 0 (fattuale) – 1 (opinione)
Le risposte fattuali (bassa soggettività) contengono prevalentemente segnalazioni di difetti o problemi tecnici. Quelle ad alta soggettività esprimono preferenze personali. Distinguere le due categorie migliora la prioritizzazione degli interventi operativi.
Segmenti e analisi temporale
Le 534 interviste AI con Tacita hanno coinvolto clienti di diversi segmenti. L'analisi incrociata tra segmento e sentiment permette di identificare i gruppi con maggiore criticità percepita.
Volume interviste, sentiment medio e distribuzione per tipologia di cliente
| Segmento | Interviste | Sentiment | Durata media |
|---|---|---|---|
| Clienti ricorrenti | 186 | 68% | 4,6 min |
| Primo acquisto | 142 | 55% | 3,8 min |
| Clienti e-commerce | 118 | 48% | 4,1 min |
| Clienti retail | 88 | 72% | 3,4 min |
I clienti retail esprimono il sentiment più positivo (72%), probabilmente legato all'esperienza diretta con il prodotto. I clienti e-commerce mostrano il sentiment più critico (48%), con concentrazione delle lamentele su spedizione e resi.
Giorno della settimana in cui sono state condotte le interviste. Hover per dettagli.
Confronto della ripartizione positivi/neutri/negativi per ciascun segmento
Risposte classificate
Ogni intervista viene processata in 4 fasi dopo la trascrizione. Tokenizzazione e preprocessing. Classificazione sentiment con modello transformer. Estrazione aspetti con ABSA. Rilevamento sarcasmo e calcolo soggettività. Il risultato è uno score composito che integra tutte le dimensioni.
Processo
Dopo la trascrizione dell'intervista AI condotta con Tacita (durata media 3–5 minuti), il testo entra nella pipeline di analisi. Le 4 fasi vengono eseguite in sequenza su ciascuna trascrizione.
01
Preprocessing
~0,2s per trascrizioneTokenizzazione, normalizzazione, rimozione del noise conversazionale (interiezioni, false partenze, ripetizioni). Gestione di slang, abbreviazioni e varianti dialettali italiane raccolte durante le interviste.
02
Classificazione sentiment
~0,8s per trascrizioneModello transformer (RoBERTa-IT fine-tuned) con output probabilistico su 5 classi. Ensemble con weighted voting su 3 modelli indipendenti per ridurre il bias del singolo classificatore.
03
ABSA e analisi emotiva
~1,2s per trascrizioneEstrazione aspetti con sequence labeling. Assegnazione di sentiment indipendente per ciascun aspetto identificato. Emotion detection secondo il modello Plutchik a 8 dimensioni primarie.
04
Post-processing
~0,3s per trascrizioneRilevamento sarcasmo con classificatore dedicato (F1 = 0,84). Calcolo soggettività. Rettifica automatica dello score per risposte sarcastiche. Generazione dello score composito finale.
Domande frequenti
I 534 feedback sono stati raccolti tramite interviste conversazionali condotte da un agente AI Tacita. Ogni intervista dura in media 3–5 minuti e segue un flusso semi-strutturato che lascia spazio al cliente di esprimere le proprie opinioni in modo naturale, senza vincoli di formato.
Il punteggio è una media ponderata dei risultati di tre modelli transformer eseguiti in parallelo. Ogni modello produce una distribuzione di probabilità su 5 classi (molto negativo, negativo, neutro, positivo, molto positivo). Lo score finale è normalizzato su scala 0–100.
L'analisi tradizionale assegna un unico punteggio all'intera intervista. L'aspect-based sentiment analysis scompone la trascrizione nei suoi aspetti costitutivi e assegna un sentiment distinto a ciascuno. Una risposta come "la qualità è ottima ma il prezzo è troppo alto" produce due score indipendenti.
Il classificatore è un modello transformer fine-tuned su un dataset di testi italiani annotati per sarcasmo. Rileva pattern lessicali tipici come iperbole, antitesi apparente e superlativi incongrui con il contesto. Quando una risposta è classificata come sarcastica, il sentiment score viene invertito automaticamente.
L'indice misura quanto una risposta esprime un'opinione personale (valore alto) rispetto a una constatazione fattuale (valore basso). Le risposte fattuali spesso contengono segnalazioni di bug, difetti o problemi logistici. Quelle ad alta soggettività esprimono preferenze. La distinzione aiuta a separare i problemi tecnici dalle percezioni.
Trattamento dati e privacy. Le trascrizioni delle interviste Tacita vengono anonimizzate prima dell'analisi. Nessun dato personale viene conservato nel dataset di training. L'infrastruttura è conforme al GDPR (art. 6.1.f — legittimo interesse per il miglioramento del servizio). Le trascrizioni anonimizzate sono conservate per 12 mesi e successivamente eliminate.
Le interviste AI di Tacita raccolgono feedback strutturati in 3–5 minuti. La pipeline si adatta a qualsiasi settore.
Parla con il team