📡 Radar dei segnali della concorrenza — Sentiment e clustering per argomento

Il grafico radar ha un raggio per argomento, disegnato una volta per concorrente come poligono sovrapposto, quindi la sua forma risponde a "di quale concorrente si sta parlando, su quali argomenti, proprio ora, ed è positivo o negativo" — è costruito per confrontare i concorrenti tra loro. Il grafico a bolle elimina la dimensione del concorrente e traccia invece ogni argomento sugli assi di sentiment (x) e volume (y), quindi la sua forma risponde a "quali argomenti sono caldi e quali sono tossici sull'intero mercato" — è costruito per individuare a colpo d'occhio i valori anomali. Insieme coprono le due domande che un analista di competitive intelligence si pone più spesso: chi, e cosa.

Ogni concorrente in questa simulazione ha una distribuzione di probabilità fissa sui cinque argomenti — ad esempio Meridian è configurato per generare molte più menzioni di Interruzione/affidabilità e Reclami dei clienti rispetto agli altri due, simulando un concorrente con una storia operativa più travagliata, mentre Astra pende verso menzioni di Prezzi e Lancio di nuove funzionalità, simulando un'azienda che rilascia e fa marketing in modo aggressivo. Questo rispecchia la competitive intelligence reale, dove aziende diverse generano davvero mix molto diversi di copertura stampa, chiacchiere sui social e contenuti di recensioni a seconda di cosa sta effettivamente accadendo all'interno di ciascuna attività.

Un processo di Poisson modella eventi che si verificano indipendentemente a un tasso medio costante, con il tempo tra eventi consecutivi che segue una distribuzione esponenziale. È il modello standard per i flussi di arrivo che non hanno memoria di quando è avvenuto l'ultimo evento — le menzioni dei clienti, i ticket di supporto e le richieste web si comportano tutti ragionevolmente bene in questo modo nel breve termine. Questa simulazione estrae ogni intervallo tra arrivi da una distribuzione esponenziale parametrizzata dal cursore del tasso di arrivo, quindi aumentare il tasso non aggiunge semplicemente più eventi in modo uniforme — cambia anche lo schema di raffica in modo statisticamente realistico.

Questa simulazione non legge mai alcun testo reale — argomenti e sentiment sono estratti direttamente da distribuzioni di probabilità, quindi non può catturare ciò di cui vive la vera analisi testuale: sarcasmo, sentiment misto all'interno di una singola menzione, disambiguazione delle entità (è "Vantek" l'azienda o il gatto di qualcuno?), ponderazione della credibilità della fonte, variazione di lingua e dialetto, o il fatto che un singolo post influente può valere più di mille post ordinari. I sistemi reali devono anche deduplicare i repost, rilevare l'amplificazione dei bot, e decidere quanto fidarsi di un account anonimo rispetto a un giornalista con nome — tutte decisioni di giudizio che questo generatore semplificato salta interamente per costruzione.