ACCADE IL:

·

Intelligenza artificiale nell’analisi emotiva: impatti, sfide e opportunità nel marketing personalizzato

ABSTRACT

La Sentiment Analysis consente di raccogliere ed interpretare i dati emotivi dei clienti attraverso l’ausilio dell’intelligenza artificiale generativa, favorendo un rapido adattamento delle campagne marketing alle emozioni percepite. L’obiettivo principale che si prefigge è di tradurre testi in opinioni e definire uno schema di polarità, analizzando piattaforme social, siti di annunci, recensioni, articoli, forum, blog e sondaggi.

L’articolo si propone di esaminare l’importanza attuale dell’analisi emotiva, attraverso un’iniziale panoramica teorica sul ruolo dell’intelligenza artificiale nel settore, con un focus sui tool più comunemente usati e gli obiettivi attesi.

Successivamente, saranno esaminati i limiti e le sfide legati all’analisi del sentiment con l’IA, considerando gli eventuali errori dettati dalle ambiguità linguistiche e dalle variabili culturali. Infine, si procederà esplorando le opportunità pratiche offerte dai tool di IA per l’analisi emotiva, attraverso la realizzazione di un esperimento dimostrativo. La conclusione sarà dedicata a una panoramica degli sviluppi futuri e di come la Sentiment Analysis potrebbe integrarsi a nuove tecnologie.

  • La campagna "Bestie Mode" ha trasformato il packaging in uno strumento interattivo, integrando codici QR che collegano i consumatori a esperienze digitali personalizzate su Spotify.
  • I consumatori hanno potuto creare playlist uniche per celebrare l’amicizia, unendo intrattenimento, tecnologia e connessioni personali.
  • La campagna ha ottenuto risultati significativi: 1,76 milioni di impression su Instagram e 50.000 interazioni su TikTok, dimostrando un alto coinvolgimento sui social media.
  • L'uso di tecnologie come codici QR e realtà aumentata ha trasformato il packaging in un canale attivo di connessione tra il brand e il pubblico.
  • "Bestie Mode" rappresenta il futuro del marketing digitale, dove il packaging diventa un mezzo di comunicazione diretto, capace di creare esperienze uniche e rafforzare la fidelizzazione dei consumatori.

Indice

  1. Panoramica sulla Sentiment Analysis

  2. IA: uno strumento di svolta

  3. I limiti dell’analisi del linguaggio
  4. Analisi pratica

PANORAMICA SULLA SENTIMENT ANALYSIS

Cos’è la Sentiment Analysis?

La Sentiment Analysis è un campo dell’elaborazione del linguaggio naturale (NLP), che ha il fine di interpretare il tono emotivo e la polarità di un testo (negativa, neutra o positiva).

In altre parole, garantisce una comprensione profonda del sentiment dietro alle opinioni riguardo ad un messaggio, un prodotto, un servizio o un brand.

Sebbene i suoi campi di indagine siano estremamente vasti, analizzeremo come i feedback e le percezioni dei consumatori si rivelano fondamentali per un marketing efficace. Difatti, in un mercato sempre più orientato all’esperienza del cliente, la Sentiment Analysis rappresenta una risorsa fondamentale per definire al meglio le strategie di vendita.

Perché è importante nel marketing?

La Sentiment Analysis permette di capire se i messaggi di marketing hanno attivato i giusti meccanismi psicologici. Infatti, se i sentimenti espressi sono coerenti con le emozioni che il brand sperava di suscitare, significa che la campagna ha raggiunto il suo obiettivo. Al contrario, quando vi è una discrepanza tra emozioni attese e percepite, serve rivedere la strategia per adattarla alle aspettative dei consumatori.

Si crea quindi un ciclo di feedback tra i meccanismi emotivi e i sentimenti espressi, che influenza le decisioni d’acquisto (e viceversa). Questo ciclo fornisce un flusso costante di dati per affinare le strategie di marketing e promuovere un coinvolgimento più autentico.

Possiamo individuare dieci apporti principali della Sentiment Analysis nel marketing:

  • Migliorare prodotti o servizi
  • Determinare future strategie di marketing
  • Monitorare la concorrenza
  • Anticipare crisi reputazionali
  • Ottimizzare la customer experience
  • Prevenire la customer churn
  • Effettuare una segmentazione psicografica: si traduce nella creazione di segmenti di mercato basati su stati emotivi e valori dei consumatori.
  • Analisi delle tendenze globali e locali: applicazione della Sentiment Analysis per monitorare come variano le percezioni di un brand in diversi mercati geografici.
  • Testare le KPI
  • Capire le tendenze di mercato: il fine è tracciare modelli di comportamento degli utenti per poi impostare una strategia di marketing più competitiva. Ad esempio, individuare i giusti influencer che, per settore, abitudine e seguito, risultano più adatti alla promozione del nostro brand.

IA: UNO STRUMENTO DI SVOLTA

Tecnologie NLP e machine learning

Le tecnologie di Intelligenza Artificiale generativa stanno rivoluzionando l’analisi del sentiment, aprendo un mondo fatto di infinite declinazioni e nuove opportunità.

Rispetto ai metodi tradizionali, che richiedevano mesi per raccogliere e analizzare i dati (come i sondaggi telefonici e le e-mail), questi strumenti consentono un’analisi in tempo reale delle reazioni degli utenti.

Il processo di analisi del sentiment può utilizzare sia sistemi basati su regole (natural language processing) che algoritmi di machine learning, con l’eventuale possibilità di combinarli insieme. L’approccio basato su regole si avvale di parole chiave per classificare il tono emotivo su temi specifici (ad esempio, sul prezzo, convenienza o velocità), rivelandosi utile per ottenere risultati rapidi. D’altra parte, l’algoritmo Machine Learning è in grado di “apprendere” e misurare il sentiment in modo autonomo, quasi analogamente ad un essere umano. Questo consente una maggiore flessibilità e precisione nell’interpretare sfumature emozionali e linguistiche di un testo complesso.

Entrambi i metodi presentano anche dei limiti: l’approccio rule-based può rivelarsi poco flessibile e difficile da mantenere, mentre quello di ML può essere molto costoso e richiedere vastissime quantità di dati per essere addestrato.

Oggetti di analisi sul web

Da quando ci si avvale dell’Intelligenza artificiale per interpretare il sentiment, gli oggetti di analisi si sono spostati nella dimensione digitale, poiché la quantità e la varietà di contenuti sono in continuo aggiornamento. Si fa quindi riferimento a social media, siti di annunci, recensioni online, articoli, e-mail, forum, sondaggi e blog, per monitorare le opinioni e le emozioni degli utenti.

Gli strumenti di IA per la Sentiment Analysis scansionano una vasta gamma di elementi linguistici per interpretare la natura delle emozioni espresse. Tra i fattori di analisi più importanti c’è sicuramente il tono di voce, che può essere amichevole o aggressivo, passando per sfumature più sottili come l’ironia o il sarcasmo. Un ulteriore aspetto è l’intensità del messaggio, poiché può risultare fervente e vivace o, al contrario, disinteressato e distaccato. Inoltre, gli strumenti di IA prestano particolare attenzione all’emotività del testo, soppesando gli aggettivi scelti, l’uso della punteggiatura e la presenza di simboli o emoticon. Infine, si prendono in considerazione i temi trattati, che permettono di identificare su quali aspetti specifici si focalizza il sentiment, e la rilevanza contestuale, che valuta la pertinenza del commento rispetto al contesto. Un’opinione può infatti assumere significati diversi a seconda della circostanza in cui viene espressa.

Sentiment Analysis nel Real time marketing

Gli strumenti attuali consentono di adattare le strategie di marketing alle esigenze e alle aspettative dei consumatori quasi in tempo reale. Grazie alla comprensione delle percezioni degli utenti, è possibile correggere rapidamente la direzione delle campagne, evitando così significative perdite di profitto o reputazione. Le azioni che possono essere intraprese nel real-time marketing includono: modificare il tono della comunicazione se percepito come troppo formale o informale, rispondere prontamente sui canali social per gestire le crisi e dimostrare attenzione ai feedback, adattare il targeting se il sentiment positivo proviene da una specifica fascia di utenti, modificare le offerte promozionali in tempo reale se non sono percepite come vantaggiose e aggiungere o rimuovere canali di distribuzione in base all’andamento generale delle campagne.

I LIMITI DELL’ANALISI DEL LINGUAGGIO

Ambiguità semantica

L’analisi del sentiment può essere influenzata dalle ambiguità semantiche e contestuali. Infatti, mentre alcune parole hanno accezioni positive o negative intrinseche (come “bello” e “brutto”), altre cambiano significato in base al loro posizionamento nella frase e, quindi, al contesto. Prendiamo come esempio l’aggettivo “economico”: nella frase “il frullatore è il migliore sul mercato, ed è anche abbastanza economico!” assume una connotazione positiva, mentre in “l’hotel era sporco, probabilmente è il più economico della città” assume una valenza negativa. Questo rende complessa l’analisi automatica del sentiment, poiché semplici approcci basati su parole chiave (come il modello bag of words) potrebbero non funzionare. Serve quindi un modello che consideri il contorno circostanziale e contestuale della parola, al fine di ottenere una comprensione più completa delle emozioni espresse nel testo e, quindi, dell’opinione. Per farlo, è necessario considerare una serie di fattori linguistici che contribuiscono all’errata comprensione del sentiment:

  • Modificatori di intensità: scelte lessicali che amplificano o diminuiscono la portata e il significato emotivo di certi termini, come “molto” o “leggermente”. Ad esempio, le frasi “Mi piace questo hotel ma il prezzo è piuttosto alto” e “Mi piace questo hotel ma il prezzo è troppo alto” esprimono entrambe un’opinione positiva sull’hotel, ma il sentiment riguardo al prezzo cambia per mezzo degli intensificatori.
  • Polisemia: Esistono molte parole che presentano significati polisemici. La frase “Oggi vorrei uscire, ma dipende dal tempo”, costituisce un esempio esplicativo, in quanto la parola tempo può riferirsi sia alle condizioni metereologiche che al concetto di tempo cronologico.
  • Negazioni: si riferiscono alle operazioni logiche di negare o contraddire una proposizione, come nel caso di “Oggi non sono felice perché non siamo riusciti a vincere”. Qui, nonostante la presenza di parole positive, il sentiment complessivo è negativo, ma un modello semplice potrebbe interpretare erroneamente la valenza della frase.
  • Lunghezza: sui social media, i commenti tipicamente troppo brevi spesso non forniscono abbastanza informazioni contestuali per determinare con precisione il sentiment.
  • Fenomeno del contrasto: si osserva quando il testo esprime emozioni contrastanti. Ad esempio, nella frase “Questo laptop è bello, ma il prezzo è troppo caro” la congiunzione “ma” contribuisce alla natura peggiorativa dell’osservazione, suggerendone la valenza negativa.
  • Ironia: può distorcere la valutazione del sentiment, portando a risultati fuorvianti.

Per superare queste sfide, alcuni modelli di Sentiment Analyisis si avvalgono di lessici affettivi e regole linguistiche predefinite. Un lessico affettivo è un database di parole classificate in base alla loro polarità emotiva, al contesto d’uso in cui compaiono solitamente e alla capacità di suscitare determinate emozioni. Questi lessici svolgono un ruolo chiave nello sviluppo di nuove tecnologie per l’analisi del sentiment. A questo proposito, un esempio di tecnologia innovativa è “Expert System”, un’intelligenza artificiale che si avvale di algoritmi sensibili al contesto per classificare i testi in 80 diverse categorie emotive come paura, tristezza, ansia, desiderio, empatia, odio, vergogna, maleducazione, felicità e molte altre. Questo approccio cerca di risolvere ambiguità terminologiche guardando al contesto, per poi produrre una mappa emozionale del testo. La forza di questo modello risiede nella sua capacità di comprendere diverse strutture grammaticali ed espressioni idiomatiche, andando oltre la mera analisi delle parole chiave.

La selezione di questi tre prodotti fondamentali della linea è mirata a offrire agli uomini un approccio rapido e pratico alla cura personale. Tutto ciò può essere considerato efficace, ma allo stesso modo la proposta suggerisce implicitamente l’idea che gli uomini possano essere considerati principianti nel campo della cura personale, oppure che possano avere limitato tempo a disposizioni per tali attività.

Figura 1

Il ruolo della cultura

La cultura influisce in modo significativo sull’accuratezza della Sentiment Analysis, poiché determina come le persone esprimono e interpretano le emozioni. Le differenze culturali si riflettono nel linguaggio, nei toni emotivi e nei valori sociali, creando una serie di sfide per i modelli di analisi automatica del sentiment.

In primo luogo, l’uso di frasi idiomatiche, metafore e umorismo varia notevolmente tra le lingue e le culture. Ad esempio, l’inglese britannico è noto per l’abbondanza di espressioni idiomatiche e per la tendenza a veicolare significati in modo ironico o sarcastico.

Anche i valori culturali giocano un ruolo fondamentale nell’analisi del sentiment dietro alle recensioni, perché determinano l’impiego di uno specifico tono emotivo. Infatti, in alcune culture come quella italiana, le opinioni tendono ad essere espresse in modo più aperto, diretto e critico. Al contrario, nelle popolazioni nordiche, il tono si rivela più moderato, distaccato e formale, perché rispecchia un valore culturale che privilegia la discrezione piuttosto che l’entusiasmo.

Un’altra grande sfida per la Sentiment Analysis è legata a espressioni dialettali e lingue minoritarie, poiché di solito non sono rappresentate nei dataset di addestramento dei modelli. Questo può portare ad una minore precisione e, quindi, ad una sottorappresentazione di determinate aree geografiche o comunità linguistiche.

Infine, l’ingente utilizzo di simboli ed emoji nella comunicazione digitale rappresenta un’altra fonte di ambiguità per la Sentiment Analysis, perché il loro significato può variare a seconda della cultura e del contesto. Ad esempio, la faccina che ride può essere interpretata diversamente in Occidente, dove è associata ad allegria e umorismo, e in Oriente, dove può assumere una connotazione di soppressione emotiva o imbarazzo. Questo perché, nelle culture asiatiche, le risate possono essere usate come una forma di difesa sociale, per nascondere disagio o per mantenere l’armonia sociale.

Per affrontare efficacemente queste sfide, è necessario adottare un approccio integrato che unisca competenze linguistiche, culturali e tecnologiche. Per farlo, si potrebbero coinvolgere specialisti linguistici, che possano arricchire i modelli di Sentiment Analysis con dati specifici relativi alle specifiche di ogni lingua.

ANALISI PRATICA    

Tools di sentiment

Prima di condurre un esperimento pratico, ho intervistato Vincenzo Dell’Olio, consulente di Marketing specializzato nell’analisi dei dati. Grazie al suo aiuto, ho fatto chiarezza su quelli che sono i ruoli principali della Web Listening, con un focus particolare sulla Sentiment Analysis. Per prima cosa, gli ho chiesto di raccontarmi l’evoluzione della Sentiment Analysis nel tempo, partendo così da un excursus storico. La sua risposta:

“Inizialmente c’era bisogno di competenze tecniche-tecnologiche importanti, poiché serviva un programmatore che intercettasse le mentions online attraverso codici complessi. Inoltre, il processo era anche piuttosto costoso, perché bisognava fare qualcosa ad hoc sul cliente. Ad oggi, l’operazione richiede meno sforzi e investimenti grazie all’IA collegata, che classifica e analizza automaticamente le mentions”

Nel corso dell’intervista, gli ho chiesto quali sono i tools più utilizzati nel settore e quali invece lui mi consigliasse per il mio progetto. La sua risposta:

“Alcuni dei tool più usati sono Blogmeter, nonché uno dei primi utilizzati in Italia, Talkwalker, Brandwatch, Brandmentions, Brand 24, Mentionlytics, Hootsuite, Sprout Social e Monkeylearn. Se sei alle prime armi, consiglio di provare Mentionlytics o Brand 24, per la loro interfaccia piuttosto intuitiva e i loro costi abbordabili”

Brand 24: analisi di Coca Cola

Coca-Cola ha da subito riconosciuto l’influenza dei social media sul comportamento dei consumatori e sulla brand reputation, scegliendo così di sfruttare l’Intelligenza artificiale per aumentare l’engagement e offrire esperienze sempre più personalizzate. Una delle prime operazioni attuate da Coca Cola per spiccare nel mercato globale è stata proprio la misurazione del sentiment, a sottolineare l’importanza di avvicinarsi alle opinioni e alle aspettative condivise dagli utenti.

Di seguito riporto una guida all’uso del tool Brand 24, portando un esempio pratico di analisi del marchio Coca Cola:

Brand 24 permette di monitorare le conversazioni online sul proprio brand, selezionando l’arco temporale che si vuole prendere in considerazione. Nell’esempio possiamo infatti osservare una panoramica del volume delle mentions, del reach e del sentiment ottenuti da Coca Cola nel corso di un mese specifico (da metà ottobre a metà novembre).

Figura 2

Brand 24 è in grado di analizzare le mentions per determinare il sentiment generale delle conversazioni, permettendo alle aziende di comprendere come il pubblico percepisce il proprio marchio. Il monitoraggio del sentiment può avvenire selezionando tutte o solo determinate piattaforme, consentendo un’analisi più panoramica o più settoriale in base alle esigenze. Il sentiment viene rappresentato attraverso grafici che presentano sulle ascisse i giorni del mese e sulle ordinate il numero di mentions. Possiamo infatti notare come Coca Cola abbia totalizzato una maggioranza evidente di commenti positivi durante il mese preso in analisi.

Figura 3

Brand 24 offre anche la possibilità di monitorare l’andamento delle mentions nei diversi Paesi. Nel caso di Coca Cola, a cavallo tra il mese di ottobre e quello di novembre, si osservano una maggioranza di opinioni positive negli Stati Uniti e un’alternanza di opinioni contrastanti in Italia.

Figura 4

Un’ulteriore opzione possibile è l’overview comparativa, che permette di analizzare l’andamento delle mentions del proprio brand in due periodi diversi a confronto. Nell’esempio sottostante è paragonata la settimana del 10-17 novembre con la precedente del 2-9 novembre. Concentrandoci sul sentiment notiamo come le menzioni positive siano aumentate dell’1% nel corso di una settimana, mentre quelle negative sono rimaste invariate. Allo stesso tempo, il volume totale delle mentions è diminuito del 16% da una settimana all’altra.

Figura 5

Una delle funzioni più utili per le aziende è il filtro per parole chiave. Infatti, se l’obiettivo è di valutare l’andamento di una specifica campagna o di un prodotto, è possibile concentrarsi solo su quello. Nel caso di Coca Cola, ho misurato il sentiment relativo alla recente uscita della Coca Cola all’Oreo, individuando una netta maggioranza di percezioni e commenti negativi a riguardo.

Figura 6

Inoltre, Brand 24 offre una serie di ulteriori funzioni che permettono di monitorare gli Hashtags più in voga, le piattaforme di maggior influenza, i principali influencer e i commenti più polari in un preciso arco temporale. Nel mese di ottobre, Coca Cola ha riscontrato il numero più alto di mentions su YouTube e ha visto l’hashtag “Oreo” ai primi posti di una lunga lista.

Figura 7

Con Brand 24 è anche possibile fare un’analisi dei competitors, confrontando come il pubblico percepisce la concorrenza rispetto al proprio brand. Nel mio esempio dimostrativo vediamo che Pepsi, tra ottobre e novembre, abbia inaspettatamente riscosso maggior successo di Coca Cola. Infatti, le mentions e il reach nel corso del mese sono state di più per Pepsi, così come i commenti positivi (solo perché il numero di mentions totali è maggiore, infatti in percentuale è uguale a Coca Cola). Le menzioni negative sono invece prevalse per Coca Cola, anche se di poco. Questo dato è riconducibile alla scia di critiche determinata dall’uscita del nuovo prodotto all’Oreo, che ha contribuito a incrementare la valenza negativa dei commenti.

Figura 8

Per rimanere sempre aggiornati sulle emozioni e le opinioni dei consumatori, Brand 24 avvisa in tempo reale quando ci sono cambiamenti significativi nel sentiment delle conversazioni, in modo da garantire un aggiornamento tempestivo e un monitoraggio ottimale.

Sviluppi futuri

Un’analisi più approfondita del contesto culturale e un maggiore addestramento a cogliere le sfumature linguistiche consentirebbero agli algoritmi di decifrare al meglio le sfumature emotive e offrire dati fondamentali per ideare nuove strategie di marketing. Tuttavia, come ha illustrato il politecnico di Milano, l’adozione della Sentiment Analysis in Italia è ancora in fase embrionale, principalmente a causa della scarsità di competenze specialistiche, della carenza di dataset per l’addestramento degli algoritmi e delle peculiarità semantiche della nostra lingua.

Nonostante ciò, secondo ResearchandMarkets, la Sentiment Analysis è destinata a giocare un ruolo sempre più centrale nel panorama globale: nel 2020 il mercato ha raggiunto un valore di 1,6 miliardi di dollari, con un tasso di crescita annuale previsto del 15,5% fino al 2027. In futuro, si prevede che le applicazioni della Sentiment Analysis non si limiteranno alla mera analisi del testo scritto, ma si estenderanno all’analisi di audio, video e immagini, coprendo così ambiti di applicazione sempre più vasti. Per questo motivo, le nuove tecniche di NLP costituiscono un’opportunità strategica per spiccare in un mercato estremamente competitivo, dove individuare l’approccio emotivo dei clienti e rintracciarne i motivi sottostanti è cruciale per il successo del brand.

Tra i primi avanguardisti ci sono le piattaforme di contact center, che adottano la Sentiment Analysis per comprendere le emozioni degli interlocutori in tempo reale e offrire un’esperienza sempre più personalizzata. Ciò avviene grazie alla continua raccolta di informazioni che si aggiungono ai KPI tradizionali, come l’analisi del tono di voce, del ritmo, del volume e delle pause. Questo permette di trasformare un’emozione percepita in una serie di step successivi da compiere. Ad esempio, in una conversazione con un bot automatico, un silenzio prolungato può suggerire insofferenza e indirizzare subito il cliente ad un agente umano.

Sebbene i contact center siano tra i migliori beneficiari della Sentiment Analysis, vi sono altri campi di applicazione in cui gli sviluppi tecnici futuri apporterebbero vantaggi significativi. Uno tra questi riguarda il miglioramento della employee experience. Infatti, per contrastare il fenomeno del turnover in ambito aziendale, si potrebbero monitorare il morale e il benessere dei dipendenti, individuandone tempestivamente le cause. Un altro campo promettente dove la Sentiment Analysis può dare i suoi frutti è l’analisi predittiva. Utilizzando un tool di sentiment, sarebbe possibile pronosticare comportamenti futuri, come l’andamento delle vendite, e intervenire su eventuali fattori di intoppo. Inoltre, l’analisi del sentiment può apportare benefici anche nell’ambito dell’indagine competitiva, estrapolando opinioni preziose dal consumatore non solo sul proprio brand, ma anche sui competitors.

Oltre la Sentiment Analysis

 “Emotiva” è una piattaforma tecnologica sviluppata nel 2017 con l’obiettivo di analizzare in tempo reale le risposte emotive delle persone attraverso l’analisi di micro-espressioni facciali, movimenti corporei e segnali vocali. Grazie alle sue potenzialità, Emotiva viene impiegata in molti settori, come la ricerca di mercato, la robotica sociale, l’analisi del coinvolgimento emotivo nell’arte, l’automotive, la salute e le risorse umane.

Uno degli strumenti principali di Emotiva è Empower, che sfrutta algoritmi di machine learning per misurare con alta precisione l’attenzione e il riconoscimento delle emozioni. Il sistema di basa su quattro parametri chiave: le action units (movimenti dei muscoli facciali che determinano l’espressione emotiva secondo il Facial Action Coding Sysitem), la geometria del volto, l’aspetto (aree relative all’attivazione delle action units) e la correlazione tra questi fattori. L’approccio consente non solo di valutare l’intensità emotiva, ma anche di monitorare il coinvolgimento cognitivo e comportamentale del pubblico.

Le principali aree di applicazione di Empower includono:

  1. Performance pre-lancio: supporta la presa di decisioni basate su dati oggettivi, analizzando la risposta emotiva e l’attenzione del pubblico prima del lancio di una campagna.
  2. A/B testing: consente di misurare l’efficienza della campagna e valutare l’impatto emotivo sugli utenti, migliorando il coinvolgimento.
  3. Segmentazione dell’audience: aiuta a individuare i segmenti di pubblico più ricettivi e connessi al brand, ottimizzando le strategie creative e migliorando l’efficacia delle campagne sui vari canali media.

Si tratta di un campo relativamente nuovo, che si fonda su anni di ricerche volte a dimostrare l’universalità delle emozioni. Un aspetto interessante è che la Sentiment Analysis come tradizionalmente la conosciamo potrebbe integrarsi con tecnologie di analisi delle espressioni facciali, fornendo una panoramica completa delle emozioni del cliente e insights ancora più accurati sulle reazioni emotive del pubblico.

CONDIVIDI L'ARTICOLO

A cura di:

Katerina Biscaglia

Fonti

Potrebbe interessarti anche