El software de minería de texto de Collective Intellect, una compañía con sede en Boulder, Colorado, examina mensajes en Twitter, Facebook, MySpace, blogs y foros para ayudar a las empresas a saber lo que se comenta acerca de sus productos. El software de la empresa utiliza un conjunto de algoritmos para analizar el texto y averiguar a lo que se refiere una persona y con qué tono emocional.
Algo que resulta más crucial es que no se limita a realizar una búsqueda por palabras clave como hace Google, sino que también trata de precisar el significado. "'Apple' es un buen ejemplo", afirma Greg Greenstreet, director de tecnología de la compañía. "Puede significar una compañía de tecnología, o puede significar un tipo de fruta". El software de Collective Intellect trata de distinguir entre los distintos significados observando los usos de la palabra en contextos similares. Como resultado, puede hacer juicios de valor y asociaciones que no se diferencian de las de un ser humano. "Si yo digo, 'Steve Jobs", usted y nuestro software saben de qué empresa estoy hablando", afirma Greenstreet.
Los usuarios del software de Collective Intellect comienzan por la definición de algunas palabras clave de interés. La herramienta devuelve varios grupos de resultados que pueden ser aceptados o rechazados para enseñar al sistema aquello en lo que el usuario está interesado. Alguien que quiera explorar el sentimiento de los consumidores acerca de la marca Crocs, por ejemplo, rechazaría los grupos de resultados sobre los cocodrilos y aceptaría los de zapatos. Después de eso, Collective Intellect buscará discusiones en línea relacionadas con el tema definido y enviará informes periódicos y detallados. Un tablero de instrumentos en línea muestra la actividad de publicaciones a lo largo del tiempo y el volumen de mensajes positivos, neutrales y negativos.
MTV es un ejemplo de una nueva estrategia que estas herramientas hacen posible. "La investigación de mercado tradicional es demasiado lenta para ellos", asegura Greenstreet. "Ellos quieren saber, en el preciso momento en que ocurrió, si la gente pensó que fue genial cuando una de las protagonistas de Jersery Shore recibió un puñetazo". Las charlas en línea sobre programas de televisión también pueden poner de relieve nuevas oportunidades de publicidad, añade: "Puedo demostrar a Clorox, por ejemplo, que a la gente que ve un programa en particular le importa un producto en particular".
Recientemente, Collective Intellect ha estado trabajando con datos más privados—por ejemplo, el procesamiento de transcripciones de llamadas a las líneas de servicio al cliente, o de transcripciones de las consultas médico-paciente. "En ese caso la compañía farmacéutica quiere saber cuáles fueron los temas de discusión cuando un medicamento fue prescrito", afirma Greenstreet. Predice que las herramientas de este tipo comenzarán a ser utilizadas con datos inte os con mucha más frecuencia. "Hay una gran cantidad de datos en el mundo empresarial que no están siendo utilizados", señala.
David Steier, director de gestión de información con la división de consultoría de Deloitte en Palo Alto, Califo ia, está de acuerdo con que muchas empresas, sin saberlo, poseen datos valiosos que no utilizan. Su equipo permite extraer automáticamente puntos de vista a partir de colecciones de documentos que de otra manera tendrían que ser leídos de forma individual.
"Las reclamaciones de seguros de automóvil, por ejemplo, tienen descripciones de texto del accidente que normalmente serían leídas e interpretadas por la persona que procesa la demanda", afirma. "Podemos hacer que el software lea el texto y otra información en el formulario, para crear una puntuación de riesgo para la reclamación de forma automática." El sistema de Deloitte ha sido entrenado usando un grupo de solicitudes procesadas manualmente y fue capaz de aprender qué palabras de la descripción escrita señalaban accidentes de alto coste. "Motocicleta" y "enviado rápidamente al hospital" demostraron ser indicaciones particularmente fuertes de que una reclamación iba a ser costosa.
"Podemos usar la calificación que generamos para dirigir complejas reclamaciones de forma automática a los ajustadores con más experiencia", afirma Steier. Un enfoque similar es capaz de utilizar el texto de las solicitudes de apoyo y las transcripciones de las llamadas para hacer predicciones acerca de qué clientes es probable que se pasen a un producto de la competencia, dando a las empresas la oportunidad de desarrollar estrategias innovadoras para dirigirse a estas personas antes de que cambien. "Las empresas deben prestar atención al hecho de que existe un gran valor en estos datos no estructurados y que es fácil pasarlos por alto", afirma Steier.