Όταν ένα άτομο νιώθει αρκετά αδικημένο έτσι ώστε να κάνει παράπονο στην εταιρεία, είναι πολύ πιθανό το παράπονο να έχει αρνητικά συναισθήματα. Αλλά υπάρχει σύνδεση ανάμεσα στη γλώσσα που χρησιμοποιούν και στη πιθανότητα να αποζημιωθούν από την εταιρεία;

Θα συζητηθεί πως η μηχανική μάθηση και η sentiment analysis μπορούν να συνεργαστούν για μια ανάλυση και να παράγουν σημαντικές πληροφορίες για μεγάλα μεγέθη ελεύθερου κειμένου. Έτσι, δίνεται η δυνατότητα να αξιολογηθούν εύκολα και γρήγορα τα παράπονα των πελατών. Αυτό γίνεται δυνατόν, διακρίνοντας ομάδες που διαβαθμίζουν το αρνητικό συναίσθημα που εκφράζεται στα σχόλια των πελατών. Κατασκευάζεται ένα μοντέλο το οποίο βρίσκει ποια από τα παράπονα των πελατών κατέληξαν να πάρουν αποζημίωση. Έτσι, εκπαιδεύεται ο αλγόριθμος που διακρίνει τα σχόλια σε αυτά που είναι πολύ πιθανό να πάρουν αποζημίωση και τα χαρακτηριστικά τους.

Για παράδειγμα, αν κάποιος κάνει παράπονο σχετικά με τραπεζικές χρεώσεις και γράφει τη λέξη «κλεψιά», είναι πιο πιθανό να συνδέεται με κάποιο οικονομικό ζήτημα. Αυτή η διαδικασία πάει πέρα από τη κλασική sentiment analysis, καθώς αναγνωρίζει αρνητικές λέξεις-κλειδιά, για να φανερώσει συνήθειες στα σχόλια που συνδέονται με ένα συγκεκριμένο αποτέλεσμα.

Η οπτική ανάλυση προσφέρει πολλά σε αυτές τις διαδικασίες. Μέχρι πρόσφατα λίγοι έδιναν σημασία σε αυτό αλλά έχει αποδειχθεί πολύ σημαντικό καθώς αποκαλύπτει άμεσα και εύκολα πληροφορίες. Έχοντας τη δυνατότητα να αναγνωρίσεις και να οπτικοποιήσεις πληροφορίες κλειδιά έχει τεράστιες συνέπειες για τη παγκόσμια οικονομία. Η ταχύτητα που σχεδιάζεται η ανάλυση και εφαρμόζεται στα δεδομένα αλλάζει το παιχνίδι στη πρόβλεψη, πρόληψη και αντιμετώπιση κινδύνων στον πληθυσμό ή σε υποδομές, όπως κρίσεις στη δημόσια υγεία.