Eni Corporate Reputation: quando i Data Analyst esplorano la Social Responsability

Siamo sommersi da una enorme quantità di dati, massivamente prodotti dai social network e da tutti i dispositivi hardware con i quali interagiamo ogni giorno. Gli esperti parlano di dimensioni che vanno dai GigaByte ai BrontoByte che già prefigurano Smart Object e Internet of Things. Questi dati rappresentano una vera miniera per le aziende soprattutto se rispondono ai reali bisogni di business.
È con questo obiettivo che sono stati elaborati i project work di gruppo proposti dai giovani Data Analyst della seconda edizione di Business Data Analysis Master per Eni, partner del Master Part Time. Massimizzando le sinergie con l’Eni Data Science Lab  gli studenti hanno analizzato la Corporate Reputation di Eni, nell’ambito della sperimentazione di algoritmi e di data visualization.  

Curiosi di conoscere il progetto dell’ultimo gruppo, abbiamo intervistato Chiara Carazza, Flavia Castellarin, Leonardo Chiarelli, Luigi Massimiliano Cordisco, Linda Carolina Grossman, Francesco Nardini, Matteo Panigada, Alessandro Santi, Lucia Sposetti e Marzo Turriziani autori di Corporate Reputation Analysis.

T: Avete analizzato la Corporate Reputation di Eni. Su quale aspetto vi siete focalizzati?

A partire dal modello di Charles Fombrun, ideatore del sistema di management reputazionale applicato da molte aziende, ci siamo concentrati sull’analisi di due aspetti di Reputation: la Social Responsability e l’Emotional Appeal.

T: Come avete strutturato il progetto?

La fonte dei dati di partenza sono stati i tweet forniti da Eni per il periodo 31 marzo – 23 aprile, divisi in 3 tipi di sentiment: negativi, positivi, neutri. L’obiettivo del progetto è stato prevedere l’andamento della reputation di ENI su Twitter da parte dei singoli e delle comunità. Per far ciò abbiamo estrapolato keywords ed effettuato una riclassificazione del sentiment ripolarizzando i numerosi tweet neutral (15.800) tramite l’attribuzione manuale di un valore positivo o negativo. Abbiamo così ottenuto un database più pulito e accurato, che può migliorare la fase di apprendimento del ML.

Abbiamo anche preso in considerazione i principali user (collegati al n° di followers) e la distribuzione geografica e temporale dei tweet. Sono emersi dei picchi in considerazione di due situazioni critiche legate alla Basilicata e alla programma televisivo Report.

T: Che considerazioni avete tratto?

Abbiamo capito quali leve attivare per spostare il sentiment del gruppo neutrale verso il polo positivo, attraverso una comunicazione più coinvolgente e facendo leva su argomenti più persistenti sul web.

 

[email-download download_id=”3539″ contact_form_id=”3581″]

Iscriviti alla nostra newsletter

Rimani aggiornato sulle ultime novità