Gli strumenti di analisi del sentiment leggono i messaggi, le chiamate o le recensioni dei clienti ed etichettano il tono come positivo, negativo o neutro, spesso con un punteggio. Per un team di assistenza, lo strumento giusto dipende da dove sono le conversazioni, dai canali e dal fatto che il sentiment debba stare accanto ai punteggi QA o ai dati di sondaggi e recensioni.
In sintesi
- Parta da che cosa cercare: fonte dei dati, canali, prove, analisi delle cause e dove finiscono i risultati.
- L’elenco ristretto qui sotto copre otto opzioni: analisi costruita sul QA, conversation analytics per contact center, piattaforme di analisi del feedback e API cloud.
- Ogni strumento passa gli stessi tre controlli: che cosa fa, punti di forza e limiti, modello di prezzo, tutto dal sito del fornitore.
- Una scheda di punteggio e un test di accuratezza con esempio di calcolo la aiutano a scegliere e poi a verificare lo strumento una volta in uso.
- Nell’UE, rilevare le emozioni dei dipendenti dalla loro voce è una pratica vietata; il sentiment ricavato da testi scritti è trattato in modo diverso.
Trasparenza: Kaizo è il nostro prodotto. Lo includiamo dove è pertinente e diciamo che cosa fanno meglio gli altri. Per i fatti riportati qui sotto abbiamo letto il sito di ciascun fornitore il 4 novembre 2026, e non abbiamo usato valutazioni di siti di recensioni. Le funzionalità cambiano, quindi verifichi con il fornitore tutto ciò che è decisivo.
Se prima le servono le definizioni, la nostra guida all’analisi del sentiment dei clienti spiega come funziona l’analisi del sentiment e dove sbaglia. Per come Kaizo valuta l’analisi del sentiment su ogni messaggio di assistenza, veda la pagina del prodotto.
Che cosa cercare negli strumenti di analisi del sentiment
Cerchi cinque cose: lo strumento legge la sua fonte di dati reale, copre ogni canale che gestisce, mostra le righe dietro ogni etichetta, separa le cause dai sintomi e porta i risultati dove qualcuno agirà.
| Che cosa verificare | Perché conta per l’assistenza | Domanda per il fornitore |
|---|---|---|
| Fonte dei dati | Gli strumenti pensati per recensioni e sondaggi vedono un cliente diverso da quelli pensati per ticket e chiamate | A quali delle nostre fonti vi collegate in modo nativo? |
| Canali | Uno strumento forte sulla voce può essere debole su chat ed e-mail, e viceversa | Il sentiment su una chat è affidabile quanto su una chiamata? |
| Unità di analisi | Un’etichetta a livello di conversazione nasconde il momento in cui il tono è cambiato | Valutate per messaggio, per frase o per conversazione? |
| Prove | Un’etichetta negativa che nessuno riesce a ricondurre a una riga non otterrà fiducia | Mi mostri le righe dietro questa etichetta |
| Causa e contesto | Il sentiment le dice com’è stata vissuta, non perché | Posso vedere il sentiment per motivo di contatto, team o criterio QA? |
| Lato operatore | Il sentiment del cliente e l’empatia dell’operatore sono misure diverse | Misurate anche il lato dell’operatore, e come? |
| Lingue | L’accuratezza spesso cala fuori dall’inglese | Quali lingue supportate specificamente per il sentiment? |
| Dove finiscono i risultati | Un avviso senza un responsabile è rumore | Può filtrare, inviare avvisi o esportare verso il team che agisce? |
Un test supera la maggior parte delle demo: chieda al fornitore di aprire una conversazione negativa e di mostrarle esattamente quali righe hanno determinato l’etichetta. La nostra guida al punteggio del sentiment nel QA spiega com’è fatto un segnale di sentiment utile all’interno di un programma di qualità.
L’elenco ristretto in breve
Questa tabella riporta per ogni strumento l’uso ideale e il modello di prezzo dal suo sito; nessuno pubblica un prezzo di listino per questi prodotti nelle pagine che abbiamo letto.
| Strumento | Tipo | Ideale per | Modello di prezzo |
|---|---|---|---|
| Kaizo | Conversation analytics costruita sul QA | Team di assistenza che vogliono il sentiment accanto ai punteggi QA su chiamate, chat ed e-mail | Per postazione, preventivo su richiesta |
| CallMiner | Conversation intelligence per contact center | Contact center con molta voce che vogliono segnali acustici e indicazioni in tempo reale | Su richiesta |
| Qualtrics (contact center) | Suite di experience management | Grandi aziende che usano già i sondaggi Qualtrics | Piani, su richiesta |
| Medallia | Suite di experience management | Grandi aziende già su Medallia che vogliono text analytics su tutti i canali | Su richiesta |
| SentiSum | Analisi dei ticket di assistenza | Team su Zendesk, Freshdesk, Gorgias o Intercom che vogliono una classificazione per causa | Varia in base a canali, utenti e volume di ticket |
| Chattermill | Analisi del feedback dei clienti | Team CX che uniscono ticket, sondaggi e recensioni | Demo; nessun costo per utente |
| Thematic | Analisi del feedback dei clienti | Team di insight che vogliono temi riconducibili ai commenti testuali | Demo |
| API NLP cloud | Componenti per sviluppatori | Team con ingegneri che costruiscono la propria pipeline | Pagamento a consumo, listini pubblici |
1. Kaizo: ideale per il sentiment accanto ai punteggi QA
Kaizo è ideale per i team di assistenza che vogliono sentiment, empatia e punteggi QA sulle stesse conversazioni, perché valuta ogni chiamata, chat ed e-mail rispetto ai suoi criteri.
Che cosa fa
Secondo la pagina di Kaizo sul sentiment, il sentiment dei clienti e l’empatia degli operatori vengono valutati sul 100% dei messaggi, così la frustrazione emerge come tendenza.
Può filtrare per sentiment negativo, riaperture frequenti o CSAT basso per trovare le conversazioni che stanno prendendo la piega sbagliata, e l’analisi della causa radice mostra se un calo dipende da un processo che non funziona, da un attrito nel prodotto o da una lacuna di competenze. Kaizo ha app native per Zendesk e Salesforce, e collega CRM personalizzati tramite un connettore, la sua API o l’importazione CSV.
Punti di forza e limiti
Il punto di forza è il contesto: una conversazione negativa arriva con il suo punteggio QA e il criterio non superato, così può distinguere un problema di prodotto da un bisogno di coaching.
Il limite è di tempi e di perimetro. Kaizo analizza una conversazione dopo che si è conclusa, quindi non dà agli operatori indicazioni sul sentiment dal vivo durante una chiamata, e lavora sulle conversazioni dell’helpdesk, non su recensioni delle app o post sui social. Se quelle sono le sue fonti principali, una delle piattaforme di analisi del feedback più sotto è più adatta.
Prezzi
La pagina dei prezzi di Kaizo indica che tutti i piani sono fatturati per postazione, con tre piani e un preventivo esatto su richiesta. Non c’è una prova in autonomia; il prodotto si vede in una demo dal vivo con dati di esempio.
2. CallMiner: ideale per i contact center con molta voce
CallMiner è ideale per i grandi contact center in cui la maggior parte del volume è voce, perché unisce i segnali acustici della voce di chi parla alle parole pronunciate e offre indicazioni in tempo reale agli operatori.
Che cosa fa
La pagina di CallMiner sull’analisi del sentiment (in inglese) dice che valuta il sentiment “combining the acoustic characteristics of a speaker’s voice with the context of the conversation” (combinando le caratteristiche acustiche della voce di chi parla con il contesto della conversazione), usando segnali come la velocità del parlato e lo stress. La sua homepage dice che la piattaforma acquisisce e analizza tutte le interazioni omnicanale, comprese chiamate, e-mail, messaggi e sondaggi, e cita indicazioni in tempo reale per gli operatori.
Punti di forza e limiti
L’analisi acustica coglie un tono che la trascrizione perde, un punto che trattiamo in che cos’è lo speech analytics, e i suggerimenti in tempo reale sono una capacità che gli strumenti che lavorano dopo la conversazione non offrono.
Il rovescio della medaglia è che una piattaforma nata per la voce richiede un’implementazione più ampia e, nell’UE, il rilevamento delle emozioni dalla voce dei suoi operatori rientra nel divieto dell’AI Act descritto più sotto, quindi lo limiti ai clienti.
Prezzi
CallMiner non pubblica prezzi sulla homepage e invita gli acquirenti a contattare il commerciale o a richiedere una demo.
3. Qualtrics: ideale per i team che usano già Qualtrics
Qualtrics è ideale per le grandi aziende che gestiscono già i sondaggi in Qualtrics e vogliono analizzare le conversazioni del contact center nello stesso programma di experience management.
Che cosa fa
La pagina di Qualtrics sul contact center (in inglese) dice che la sua elaborazione del linguaggio naturale valuta empatia, aderenza allo script e sentiment, segnala i processi ad alto sforzo e può monitorare e valutare tutte le interazioni con l’AI, con oltre 150 modelli predefiniti. Funziona con sistemi on-premise, CCaaS e sviluppati internamente.
Punti di forza e limiti
Il punto di forza è unire dati dei sondaggi e dati delle conversazioni in un solo programma, il che si adatta alle organizzazioni in cui il team CX gestisce già Qualtrics. Il limite è il peso: è una suite ampia, e un team di assistenza che ha bisogno solo del sentiment sulle conversazioni dell’helpdesk rischia di usarne una piccola parte.
Prezzi
La pagina rimanda a piani di prezzo flessibili ma non mostra cifre.
4. Medallia: ideale per i team che usano già Medallia
Medallia è ideale per le grandi aziende che usano già Medallia per il feedback sull’esperienza e vogliono text analytics, compresi sentiment e sforzo, sugli stessi canali.
Che cosa fa
La pagina di Medallia sulla text analytics (in inglese) dice che la sua comprensione del linguaggio naturale analizza “themes, sentiment, empathy, and nuanced emotions across dozens of languages and dialects” (temi, sentiment, empatia ed emozioni sfumate in decine di lingue e dialetti), con sentiment, empatia e sforzo come misure pronte all’uso e personalizzabili. Cita avvisi sui cambiamenti di sforzo e rischio, valutazione automatica degli operatori e prioritizzazione dei ticket.
Punti di forza e limiti
La copertura linguistica e i modelli di settore predefiniti sono i punti di forza, insieme ai modelli di argomento low-code per i team senza data scientist. Il limite è simile a Qualtrics: il valore è massimo quando Medallia è già la sua piattaforma di experience management.
Prezzi
La pagina non descrive come viene tariffata la text analytics.
5. SentiSum: ideale per classificare i ticket per causa
SentiSum è ideale per i team di assistenza su helpdesk come Zendesk, Freshdesk, Gorgias o Intercom che vogliono ticket classificati per argomento, causa e sentiment senza costruire a mano una tassonomia.
Che cosa fa
La pagina di SentiSum sull’analisi del sentiment (in inglese) descrive tag automatici positivi, negativi e neutri sui ticket di assistenza. La sua homepage dice che unifica ticket, chat, chiamate, recensioni e sondaggi, classifica i problemi per causa, li ordina per impatto e li smista ai team, e che un Quality Agent valuta tutte le conversazioni.
Punti di forza e limiti
L’ampiezza delle integrazioni con gli helpdesk è un punto di forza per i team che non usano la coppia Zendesk e Salesforce, e la scrittura dei tag nell’helpdesk aiuta lo smistamento. La valutazione QA è un territorio più nuovo per l’azienda rispetto alla classificazione, quindi verifichi quanto la scheda di valutazione si può adattare ai suoi criteri.
Prezzi
La homepage dice che il prezzo “scales based on channels, users, and ticket volume” (varia in base a canali, utenti e volume di ticket), con piani per il mid-market e per le grandi aziende.
6. Chattermill: ideale per ticket insieme a sondaggi e recensioni
Chattermill è ideale per i team CX e voice of the customer che devono analizzare i ticket di assistenza insieme a sondaggi, recensioni e feedback dai social, ordinati per impatto sulle loro metriche.
Che cosa fa
La homepage di Chattermill (in inglese) dice che “analyzes all your surveys, reviews, tickets and calls, ranks issues by impact on your metrics” (analizza tutti i sondaggi, le recensioni, i ticket e le chiamate e ordina i problemi per impatto sulle metriche), classifica il feedback in temi con il sentiment e dichiara oltre 65 integrazioni native, tra cui Zendesk, Intercom, Salesforce, Qualtrics e Trustpilot.
Punti di forza e limiti
Vede i clienti che non contattano mai l’assistenza, cosa che uno strumento di helpdesk non può fare. Chattermill stessa dice di essere poco adatta ai team che non raccolgono con costanza più di 5.000 feedback al mese, e non è uno strumento di QA, quindi la valutazione dei singoli operatori sta altrove.
Prezzi
Basato su demo, senza costo per utente secondo la homepage.
7. Thematic: ideale per temi riconducibili ai commenti testuali
Thematic è ideale per i team di ricerca e di insight che vogliono temi costruiti dalle parole stesse dei clienti invece che da un elenco fisso, con ogni tema riconducibile ai commenti che lo originano.
Che cosa fa
La homepage di Thematic (in inglese) dice che costruisce i temi dal linguaggio dei clienti, “not a predefined taxonomy” (non da una tassonomia predefinita), mostra il sentiment per tema e accetta sondaggi, ticket di assistenza, trascrizioni del call center, recensioni delle app e note del CRM, con oscuramento dei dati personali e traduzione integrati.
Punti di forza e limiti
La tracciabilità dal tema al commento testuale è il punto di forza, ed è ciò che rende l’analisi credibile per i team di prodotto. È un livello di analisi per i team di insight più che uno strumento che i team leader dell’assistenza usano ogni giorno sulle singole conversazioni. La nostra guida alla text analytics per l’assistenza spiega il metodo dietro l’individuazione dei temi.
Prezzi
Basato su demo; la homepage non mostra prezzi.
8. API NLP cloud: ideali per costruire in proprio
Le API cloud di Google, Amazon e Microsoft sono ideali per i team con ingegneri che vogliono il sentiment come componente della propria pipeline di dati e che costruiranno da soli dashboard, collegamenti e avvisi.
Che cosa fanno
Google Cloud Natural Language (in inglese) restituisce un punteggio da -1,0 a 1,0 più una magnitudine per l’intensità dell’emozione, e può valutare il sentiment per singola entità. Amazon Comprehend (in inglese) restituisce positivo, negativo, misto o neutro con un punteggio di confidenza per ciascuno. L’analisi del sentiment di Azure Language (in inglese) restituisce etichette con punteggi di confidenza a livello di frase e di documento, più l’opinion mining per aspetto.
Punti di forza e limiti
Controlla i dati e il costo per messaggio, e il risultato alimenta qualsiasi cosa costruisca. Ma costruisce anche tutto il resto: connettori, collegamento con motivi di contatto e QA, interfaccia e seguito. Metta in conto anche i cambiamenti: Microsoft dice che l’analisi del sentiment e l’opinion mining verranno ritirati da Azure Language il 31 marzo 2029, e i nuovi progetti vengono indirizzati verso Microsoft Foundry.
Prezzi
Pagamento a consumo, con listini pubblici sul sito di ogni fornitore.
Come scegliere: una scheda di punteggio
Dia a ogni strumento dell’elenco ristretto un punteggio da 1 a 5 sui criteri qui sotto, lo moltiplichi per il peso e sommi; adatti i pesi alla sua situazione prima di iniziare, non dopo le demo.
| Criterio | Peso (esempio per un team di assistenza) | Strumento A | Strumento B | Strumento C |
|---|---|---|---|---|
| Si collega in modo nativo alla nostra fonte di dati principale | 25% | |||
| Copre tutti i nostri canali con la stessa profondità | 20% | |||
| Mostra le righe dietro ogni etichetta | 15% | |||
| Collega il sentiment a motivo di contatto, team e QA | 15% | |||
| Misura sul lato operatore (empatia) | 10% | |||
| Lingue che supportiamo | 10% | |||
| I risultati arrivano a chi agisce | 5% |
Dietro i pesi c’è una semplice regola di decisione.
Se le sue domande sul sentiment riguardano le conversazioni di assistenza e il coaching, dia il peso maggiore alla fonte dei dati e al collegamento con il QA.
Se riguardano l’intera base clienti, comprese le persone che non la contattano mai, dia il peso maggiore a sondaggi e recensioni e si aspetti che vinca una piattaforma di analisi del feedback. Per un piano di valutazione più completo, la nostra guida all’acquisto di software di conversation intelligence aggiunge le domande su sicurezza, configurazione e costi.
Come verificare l’accuratezza del sentiment una volta in uso
Verifichi l’accuratezza facendo etichettare a due persone un insieme casuale di conversazioni, poi confronti le etichette dello strumento con le loro, con la massima attenzione a quante conversazioni davvero negative lo strumento ha intercettato.
I numeri che seguono sono un esempio illustrativo calcolato da noi, non risultati di un fornitore.
Il campione. Due revisori etichettano 200 conversazioni recenti come positive, neutre o negative e risolvono insieme i disaccordi. Concordano che 40 sono negative.
Il confronto. Lo strumento coincide con i revisori su 158 conversazioni su 200: un accordo complessivo del 79%. Segnala 45 conversazioni come negative, e 30 di queste sono tra le 40 dei revisori.
Che cosa significa. Lo strumento intercetta 30 conversazioni negative su 40 (75%), e 30 delle sue 45 segnalazioni negative sono corrette (67%). Il 79% complessivo sembra buono, ma un cliente scontento su quattro sfugge e un avviso su tre è un falso allarme.
Legga i casi mancati prima di cambiare qualsiasi cosa. Sarcasmo, messaggi misti (“grazie, ma è la terza volta”) e conversazioni non in inglese sono le cause più comuni. Ripeta il controllo ogni trimestre e dopo ogni modifica al modello o ai canali. La nostra guida sull’accuratezza del controllo qualità con l’AI usa la stessa logica di accordo per i punteggi QA.
Sentiment, emozioni e AI Act
In base al regolamento europeo sull’IA (AI Act), dedurre le emozioni dei dipendenti da dati biometrici come la voce è vietato dal 2 febbraio 2025; il sentiment ricavato da testi scritti è fuori da quel divieto.
Il divieto è nell’articolo 5, paragrafo 1, lettera f), dell’AI Act, e la panoramica sull’AI Act (in inglese) della Commissione europea elenca “emotion recognition in workplaces and education institutions” (il riconoscimento delle emozioni sul luogo di lavoro e negli istituti di istruzione) tra le pratiche vietate da febbraio 2025.
Gli orientamenti della Commissione di febbraio 2025 sulle pratiche vietate, che sono indicazioni e non norme di legge, citano come esempio vietato un call center che usa il riconoscimento vocale per monitorare le emozioni dei propri dipendenti. Secondo la sintesi di CMS di quegli orientamenti (in inglese), monitorare le emozioni dei clienti tramite la voce e dedurre emozioni da testi scritti sono fuori dal divieto.
Due conseguenze pratiche per un team di assistenza nell’UE. Non attivi il rilevamento delle emozioni dalla voce per i suoi operatori; limiti le funzioni acustiche al lato del cliente. E dal 2 agosto 2026 i deployer di sistemi di riconoscimento delle emozioni devono informare le persone che vi sono esposte, in base all’articolo 50, paragrafo 3. Questa è una sintesi, non una consulenza legale, quindi verifichi la sua configurazione con un legale.
Come iniziare a scegliere uno strumento di analisi del sentiment
Parta scrivendo l’unica decisione che il sentiment dovrebbe migliorare, ad esempio quali conversazioni un team leader rivede per prime, poi inserisca nell’elenco ristretto solo gli strumenti che si collegano ai dati dietro quella decisione.
Se la decisione riguarda conversazioni di assistenza, coaching e qualità, parta dagli strumenti che mettono il sentiment accanto ai punteggi QA. Veda come Kaizo valuta sentiment ed empatia su ogni messaggio in una demo dal vivo con dati di esempio. Prenota un incontro.
Domande frequenti
ChatGPT può fare analisi del sentiment?
Sì. Un modello linguistico di grandi dimensioni può etichettare il sentiment di un messaggio se glielo chiede, e spesso gestisce sarcasmo e messaggi misti meglio dei modelli più vecchi. Da solo, però, non è uno strumento: deve comunque collegare le sue conversazioni, mantenere le etichette coerenti nel tempo, conservare i risultati e verificarne l’accuratezza rispetto a etichette umane.
Quali sono i tre tipi principali di analisi del sentiment?
I tre tipi più comuni sono la polarità (positivo, negativo o neutro), l’analisi a grana fine (una scala, ad esempio da molto negativo a molto positivo) e l’analisi per aspetto (il sentiment su un argomento specifico, come consegna o prezzi). Il rilevamento delle emozioni, che nomina stati d’animo come la frustrazione, viene spesso indicato come quarto tipo.
L’analisi del sentiment è la stessa cosa del CSAT?
No. Il CSAT è ciò che i clienti le dicono quando rispondono a un sondaggio; l’analisi del sentiment legge il tono della conversazione stessa, compresi i clienti che non rispondono mai. I due dati divergono abbastanza spesso da essere utili insieme, come spiega la nostra guida su come misurare la soddisfazione senza chiedere (in inglese).
Gli strumenti di analisi del sentiment funzionano in lingue diverse dall’inglese?
Quasi tutti sì, ma copertura e accuratezza variano per lingua e per funzionalità, quindi verifichi l’elenco delle lingue del fornitore specifico per il sentiment e non per il prodotto in generale. Poi esegua il test di accuratezza descritto sopra su un campione in ciascuna delle sue lingue principali.
Conviene misurare il sentiment degli operatori oltre a quello dei clienti?
Misuri il comportamento dell’operatore, come empatia e tono, come criterio QA a partire dalla trascrizione, invece di dedurne le emozioni. Nell’UE dedurre le emozioni dei dipendenti da dati biometrici come la voce è vietato, mentre valutare ciò che l’operatore ha scritto o detto rispetto a una griglia di valutazione è una revisione della qualità.
Continua a leggere
- What is sentiment analysis in customer service? (in inglese), la definizione breve
- Empatia nel servizio clienti, con frasi che gli operatori possono usare
- What is voice of the customer? (in inglese), su come unire le fonti di feedback
- Conversation analytics per l’assistenza, sentiment, QA e causa radice in un’unica vista
