Text Mining, per una migliore comunicazione tra P.A. ed il cliente-cittadino Com-P.A Salone della Comunicazione e dei Servizi al Cittadino Bologna, 21 settembre 2000 ing. Vasco Borghi IBM Italia

A) Introduzione Cosè una buona colazione per voi? Inchiesta dopinione (con risposte aperte) in Nestlé

La colazione Italiana: caffè, cioccolato, latte, brioche, pane, burro, marmellata Inglese: tè, succo di frutta, toast, uva,bacon/prosciutto Dietetica: frutta, latte, cereali, pane, formaggio, yogurt, miele in vacanza, il weekend, la domenica il piacere, la tranquillità, la calma, la distensione, la libertà, la vita, la forma, lenergia, la forza in casa, in famiglia, senza televisione, senza sveglia, a letto, con un libro, con dei giornali, in un hotel lussuoso, su una terrazza, di fronte al mare, sul ponte di una nave, al bordo di una piscina, vicino al camino

B) La tecnologia Permette di cercare / organizzare / classificare /categorizzare /riassumere testi scoprendo tendenze apprendendo concetti Text Mining Il processo di estrazione di conoscenza, precedentemente sconosciuta, da fonti testuali (agenzie stampa, transazioni, siti Web, , forum, mailing list…) utilizzabile per prendere decisioni aziendali

Il CRA - Customer Relationship Management Cosè è una soluzione (tecnologia+consulenza) basata su text mining, information agency, intelligenza artificiale, per estrarre, in pochi secondi ed online, i contenuti delle fonti analizzate Fonti , telefono, newsgroup, forum, mailing list, lettere, articoli, documenti, opinion survey Perché scoprire quali sono le opinioni, le idee, le tendenze, i gusti dei clienti sta diventando sempre più impegnativo: a causa delle-business, troppi i dati a disposizione, e, a causa della globalizzazione, troppo rapidi i cambi di tendenza Obiettivo leggere migliaia di testi in pochi secondi, raggruppandoli in funzione del loro contenuto (NON stabilito in precedenza), estraendo opinioni, tendenze, idee…degli autori

Domande cui il CRA risponde 1. Cosa vogliono i miei clienti? 2. Di cosa sono insoddisfatti? 3. Quali sono le loro caratteristiche? 4. Quando parlano tra loro (forum), di cosa parlano? 5. Cosa pensano di un tema specifico (la nostra azienda, la prima colazione, un possibile nuovo prodotto? La direzione aziendale Il marketing manager La Direzione comunicazione

Esempi di applicazione 1) EDF GDF Text Mining analisi delle lettere dei clienti Dove: Francia Consulenza + Servizio

Analisi delle lettere di lamentela dei clienti Lanalisi delle lettere di lamentela dei clienti può essere vista da due punti di vista: per risolvere un problema locale per considerarlo come sintomo di un problema generale

Analisi delle lettere di lamentela Il risolvere localmente il problema dà la possibilità di rispondere rapidamente al cliente, ma risolvendolo in maniera generale si ha la possibilità di trovare una soluzione definitiva disponibile per tutti i clienti; il primo caso è facile da implementarsi, il secondo richiede una visione completa delle lettere

2) Text Mining Analisi delle Inchieste di opinione in IBM

Inchieste di opinione in IBM Focus su temi strategici della gestione del personale, attraverso lutilizzo di analisi comportamentali I risultati sono paragonati a quelli di altre aziende e a quelli di analisi precedenti Enfasi sui feedback e sulle azioni da prendere

Inchieste di opinione in IBM Inchieste annuali somministrate a: un campione del 25% degli impiegati, in 50 paesi, 14 lingue. Domande: 40 a scelta multipla 3 a testo libero

Analisi delle risposte Metodo basato sulla codifica del contenuto: noioso e lento altamente suscettibile ad errori dellanalista il campionamento compromette la qualità

Analisi attraverso la codifica del contenuto Sono applicate tecniche standard: sono selezionate a caso 300 risposte identificati 1-3 temi ogni risposta codifica a livello di dettaglio si combinano categorie simili

Analisi attraverso Text Mining Formazione ed assistenza da parte di specialisti di Text Mining Output delle analisi basate su Text Mining: mappe a cluster, statistica e commenti individuali

Conclusioni Vantaggi delluso di Text Mining elimina un lavoro noioso risparmio di tempo paragonabile a tecniche tradizionali sono processati tutti i commenti a testo libero meno soggetto ad errori ed influenze dellanalista visione dei dati attraverso loro sottogruppi linterpretazione è un processo top down

Un gran numero di progetti e di clienti Caisse Régionale du Crédit Agricole Pyrénées Gascogne, Michelin, Unilever, UAP, Le Monde, Libération, Technical Center for Mechanical Industry, American Chemical Society, IBM Corporation, Synthélabo, Pfizer, Assicurazioni Generali, Advanced Network & Services, LOréal, Moulinex, Electricité de France, GDF, National Power, DCN de Toulon, Centre de Documentation de lArmement, SSB, Aérospatiale, Peugeot SA, Crédit Mutuel, Carbone Lorraine, Groupe Mornay, Hachette Distribution Service, Telecom Italia, Nestlé, National Institute for scientific Information, Danone, US Patent Office, TELCAL, ICI, Sorgem, General Electric, Johnson & Johnson, Direction Generale de lArmement, Walt Disney, Merill Lynch, Mellon Bank, Centrelink, Deethy, CINECA, Health Insurance Commission, Novartis, Akzo Nobel, Pechiney, BASF, Procter & Gamble, Bayer, Bosch, BP, Shell, Dow Chemical, Siemens, IBM Italia, Ericsson, Solvay, Henkel, IFP, CIC, France Telecom, Crédit Mutuel, Pirelli, Gruhe&Jahre, Finance Wise, Search Cafe, Saab, Military Aircraft, MNIS, State Farm, Usinor...

Per saperne di più: Pubblicazioni: 1. A. Zanasi et al.: Discovery data mining, 1998, Ed. Prentice Hall. 2. A. Zanasi: Competitive Intelligence through Data Mining Public Sources, 1998 in Competitive Intelligence Rewiev (March). 3. A. Zanasi: Web Mining with the Online Analyst, 2000, Ed. Wessex Institute of Technology. 4. A. Zanasi: Online Text Mining: unapplicazione, 2000, Notizie (Associazione Italiana per lIntelligenza Artificiale) Siti Web: Contatto: ing.Alessandro Zanasi tel