Sådan indsamles data til kundefølelsesanalyse

Genudgivet af Platon

Abonnenter: 0

Sådan indsamles data til analyse af kundestemning
Billede af redaktør

Kundestemningsanalyse er processen med at bruge maskinlæring (ML) til at opdage kundernes hensigt og mening om et brand ud fra kundefeedback givet i anmeldelser, fora, undersøgelser og så videre. Sentimentanalyse af kundeoplevelsesdata giver virksomheder dyb indsigt i motivationerne bag købsbeslutninger, mønstrene i skiftende mærkestemning baseret på tidslinjer eller begivenheder, og analyse af markedsgab som kan hjælpe med produkt- og serviceforbedring.

Indholdsfortegnelse:

Hvad er kundesentimentanalyse?
Hvordan indsamler du data til kundesentimentanalyse?
Hvordan sentimentresultater udledes af kundefeedback
Konklusion

Sentimentanalyse finkæmmer kundefeedbackdata for at identificere specifikke følelser eller følelser. Overordnet set er disse positive, negative eller neutrale. Men inden for disse parametre kan en sentimentanalysemodel drevet af ML-opgaver såsom naturlig sprogbehandling (NLP) og semantisk analyse, der kan finde de semantiske og syntaktiske aspekter af ord, også hjælpe med at finde forskellige typer af negative følelser.

For eksempel kan det hjælpe med at give varierende følelsesscore baseret på ord, der betegner forskellige negative følelser såsom angst, skuffelse, fortrydelse, vrede og så videre. Det samme er tilfældet med positive mikrostemninger.

Sådan finmasket følelsesudvinding kombineret med aspektbaseret analyse af en kundes oplevelse med et brand kan være af største betydning. For eksempel, når du kender følelser baseret på aspekter som pris, bekvemmelighed, nem køb, kundeservice osv., får du handlingsorienteret indsigt, som du kan stole på for at træffe de rigtige beslutninger, når det kommer til kvalitetskontrol og produktforbedringer.

En meget vigtig del af fremskaffelse af målrettet og indsigtsfuld brandsentimentintelligens er at have pålidelige kundefeedbackdata. Her er fem vigtige måder, hvorpå du kan indsamle sådanne data.

1. Kommentarer og videoer på sociale medier

Lytning på sociale medier er en af måderne, hvorpå du kan få aktuel kundefeedback om dit brand, som omfatter både dit produkt og service. En sentimentanalysemodel, der kan behandle og evaluere kommentarer på sociale medier, såvel som videoindhold, er det perfekte bud på at udnytte denne datakilde.

Med sådan et værktøj udnytter du data til kundestemningsanalyse fra teksttunge sociale medier som Twitter til videobaserede som TikTok eller Instagram. Dette giver dig en stor fordel, fordi ikke alle sociale medieplatforme er one-size-fits-all, når det kommer til kundernes valg.

For eksempel, mens kunder hovedsageligt bruger Twitter til direkte at interagere med et brand, er Facebook-brugere kendt for at efterlade detaljerede bemærkninger om en virksomhed, de har tilknyttet. Denne skarpe kontrast skyldes faktorer som virksomhedens art, alder, geografisk placering, digital brug og så videre.

Eksemplerne nedenfor viser, hvordan kunder efterlader kommentarer på de to forskellige sociale mediekanaler.

Sådan indsamles data til analyse af kundestemning

En anden stor fordel ved følelsesanalyse på sociale medier er, at du også kan finde influencers på sociale medier, der passer til din regning og kan være en fantastisk tilføjelse til din digitale marketingstrategi. Influencers koster halvdelen af den investering, der går til at hyre et PR-bureau eller en berømthedsgodkendelse.

Folk stoler også på produktanmeldelser og påtegninger fra influencers, som de kan relatere. Dette er sandt, uanset om du er en praktikant på udkig efter professionelle stylingtips eller en far til fire på jagt efter de bedste muligheder inden for mobiltelefoner til teenagere. Dette er, hvordan datavidenskab og ML hjælper med at finde den rigtige TikTok-influencer til en virksomhed.

2. Gå videre end kvantitative undersøgelser som NPS, CES eller CSAT

Kundefeedback-metrics som netto promotorscore (NPS), kundeindsatsscore (CES) eller stjernebedømmelser kan fortælle dig med et øjeblik, om folk er tilfredse med din virksomhed eller ej. Men dette giver dig ikke rigtig nogen egentlig forretningsindsigt.

Sådan indsamles data til analyse af kundestemning

For at få indsigt i reel kundefølelse, skal du gå ud over kvantitative målinger. Og til det skal du analysere kommentarer og åbne undersøgelsessvar, der ikke har noget fast svar. Dette giver kunderne mulighed for at skrive fritflydende kommentarer, som kan give dig indsigt i aspekter af din virksomhed, som du ikke engang var klar over.

Sådan indsamles data til analyse af kundestemning

I ovenstående eksempel kan vi se, at kunderne har givet en 1-stjernet vurdering til virksomheden. Men når vi læser kommentarerne, indser vi, at årsagerne bag de negative følelser er helt anderledes.

Mens den ene kunde er utilfreds med virksomhedens online kundeservice, nævner den anden, at selvom de er en langvarig kunde, er faldet i kvaliteten og den nye pris, hvorfor de måske ikke køber hos dem længere.

Disse er handlingsrettede indsigter, hvor en virksomhed ved præcis, hvor der skal ske forbedringer for at bevare kundetilfredshed og loyalitet. Hvis du går ud over blot numeriske metrics, kan du få denne indsigt.

3. Analyser anmeldelser fra kundefora og hjemmesider

En anden glimrende måde at få forskellige kundefeedbackdata på er ved at sigte gennem websteder for produktanmeldelser som GoogleMyBusiness og fora som Reddit. Vigtigere er det, at få indsigt fra forskellige datakilder kan give dig bedre indsigt på grund af den type publikum, forskellige platforme inviterer.

For eksempel bruges Reddit mest af kunder, der er mere passionerede omkring et emne eller produkt, fordi forummet giver dem mulighed for at have detaljerede diskussioner. Mens Amazon-anmeldelser eller Google-anmeldelser for det meste bruges af casual-kunder, der gerne vil efterlade en anmeldelse enten på forretningen eller på grund af den oplevelse, god eller dårlig, som de kunne have haft.

Disse ML-drevet teknisk indsigt hentet fra anmeldelser på Disney World i Florida udledt af kundekommentarer på Reddit og Google illustrerer dette punkt yderligere.

4. Voice of customer (VoC) data fra ikke-traditionelle kilder

Ikke-traditionelle kilder til kundefeedback-data som f.eks chatbot historier, kunde-e-mails, kundesupportudskrifter og så videre er geniale kilder til at få indsigt i kundeoplevelser. En fordel ved disse kilder er, at alle disse data allerede er tilgængelige i dine CRM-værktøjer.

Når du er i stand til at indsamle og analysere disse data, vil du være i stand til at opdage mange underliggende problemer, som selv veltilrettelagte kundeundersøgelser eller lytning på sociale medier måske ikke er i stand til at fremhæve.

5. Analyser nyheder og podcasts

Nyhedsdata, der består af både artikler, såvel som nyhedsvideoer og podcasts, kan give dig detaljeret indsigt i brandets ydeevne og opfattelse. Markedsfeedback fra nyhedskilder kan hjælpe en virksomhed med effektive PR-aktiviteter til styring af brands omdømme.

Sådan indsamles data til analyse af kundestemning

Det kan også hjælpe med konkurrentanalyser baseret på branchetrends, at en sentimentanalysemodel kan uddrage fra brandoplevelsesdata i nyhedsartikler eller videoer samt hjælpe dem med at forstå forbrugeradfærd.

For at illustrere, hvordan følelser udvindes og scores beregnes, lad os tage nyhedskilder som den vitale kilde til kundefeedback og se, hvordan en ML-model vil analysere sådanne data.

1. Indsamling af data

For at få de mest nøjagtige resultater skal vi bruge alle nyhedskilder, der er offentligt tilgængelige. Dette omfatter nyheder fra tv-kanaler, online magasiner og andre publikationer, radioudsendelser, podcasts, videoer mv.

Der er to måder, hvorpå dette kan gøres. Vi uploader enten dataene direkte gennem Live news API'er som Google News API, ESPN Headlines API, BBC News API, og andre som dem. Eller vi uploader dem manuelt til den ML-model, vi bruger, ved at downloade kommentarerne og artiklerne i en .csv-fil.

2. Behandling af data med ML-opgaver

Modellen behandler nu dataene og identificerer de forskellige formater – tekst, video eller lyd. I tilfælde af tekst er processen ret enkel. Modellen udtrækker al teksten inklusive emoticons og hashtags. I tilfælde af podcasts, radioudsendelser og videoer vil det kræve lydtransskription gennem tale-til-tekst-software. Også disse data sendes derefter til tekstanalysepipelinen.

En gang i pipelinen sørger naturlig sprogbehandling (NLP), navngivet enhedsgenkendelse (NER), semantisk klassifikation osv., at nøgleaspekter, temaer og emner fra dataene udvindes og grupperes, så de kan analyseres for følelser.

3. Analyse af følelser

Nu hvor teksten er blevet adskilt, analyseres hvert tema, aspekt og entitet for stemning, og stemningsresultatet beregnes. Dette kan gøres i en hvilken som helst af tre tilgange - ordoptællingsmetoden, sætningslængdemetoden og forholdet mellem positive og negative ord.

Lad os tage denne sætning som et eksempel. "Stadiongængere bemærkede, at pladserne var gode. Billetterne virkede dog for dyre, da der ikke var tilgængelige sæsonkort, og mange stødte endda på uhøfligt personale ved billetskranken, ifølge Daily Herald."

Lad os antage det bagefter tokenization, tekstnormalisering (eliminering af ikke-tekstdata), ordstamming (finde rodordet) og stop ordfjernelse (fjernelse af overflødige ord), får vi følgende score for negativ og positiv følelse.

Positiv – God – 1(+ 0.07)

Negativ – kostbar (- 0.5), uhøflig (- 0.7) – 2

Lad os nu beregne sentiment-scorerne ved hjælp af de tre førnævnte metoder.

Ordoptællingsmetode

Dette er den enkleste måde, hvorpå sentiment-score kan beregnes. I denne metode reducerer vi det negative fra de positive forekomster (1 – 2 = -1)

Således er følelsesscoren i ovenstående eksempel -1.

Sætningslængde metode

Antallet af positive ord trækkes fra de negative ord. Resultatet divideres derefter med det samlede antal ord i teksten. Fordi den således ankomne score kan være meget lille og følge mange decimaler, ganges den ofte med et enkelt ciffer. Dette gøres for at scorerne bliver større og dermed nemmere at forstå og sammenligne. I tilfældet med vores eksempel vil scoren være.

1-2/42 = -0.0238095

Negativt-positivt ordantalforhold

Det samlede antal positive ord divideres med det samlede antal negative ord. Resultatet tilføjes derefter med 1. Dette er mere afbalanceret end andre tilgange, især i tilfælde af store mængder data.

1/2+1 = 0.33333

4. Indsigtsvisualisering

Når dataene er analyseret for sentiment, præsenteres indsigten på et visualiseringsdashboard, så du kan forstå den intelligens, der er opnået fra alle dataene. Du kan se tidslinjebaserede sentimentanalyser såvel som dem, der er baseret på begivenheder som produktlanceringer, aktiemarkedsudsving, pressemeddelelser, virksomhedserklæringer, nye priser osv.

Disse aspektbaserede indsigter er, hvad der kan være af utrolig værdi for dig, når du planlægger dine marketing- og vækststrategier.

AI og datavidenskab er af enorm betydning for marketingaktiviteter, især i en tid med konstant innovation og skiftende markedsdynamikker. Kundestemningsanalyse drevet af kundefeedback-data, som er blevet direkte udnyttet fra dem, kan give dig al den løftestang, du behøver for at sikre, at du har en bæredygtig marketingstrategi for fortsat vækst.

Martin Ostrovsky er grundlægger og administrerende direktør for Repustate. Han brænder for AI, ML og NLP. Han sætter strategien, køreplanen og funktionsdefinitionen for Repustates Global Text Analytics API, Sentiment Analysis, Deep Search og Named Entity Recognition-løsninger.