Πώς να συλλέξετε δεδομένα για την ανάλυση συναισθήματος πελατών

Εικόνα από Editor
 

Η ανάλυση συναισθήματος πελατών είναι η διαδικασία χρήσης μηχανικής εκμάθησης (ML) για την ανακάλυψη της πρόθεσης και της γνώμης των πελατών σχετικά με μια επωνυμία από τα σχόλια πελατών που δίνονται σε κριτικές, φόρουμ, έρευνες κ.λπ. Η ανάλυση συναισθήματος των δεδομένων εμπειρίας πελατών δίνει στις επιχειρήσεις βαθιά εικόνα για τα κίνητρα πίσω από τις αποφάσεις αγοράς, τα μοτίβα αλλαγής του συναισθήματος της επωνυμίας με βάση χρονοδιαγράμματα ή συμβάντα και ανάλυση χάσματος αγοράς που μπορεί να βοηθήσει στη βελτίωση προϊόντων και υπηρεσιών.

Πίνακας περιεχομένων:

• Τι είναι η ανάλυση συναισθήματος πελατών;
• Πώς συλλέγετε δεδομένα για την ανάλυση του συναισθήματος των πελατών;
• Πώς προκύπτουν οι βαθμολογίες συναισθήματος από τα σχόλια των πελατών
• Συμπέρασμα

Η ανάλυση συναισθήματος χτενίζει τα δεδομένα ανατροφοδότησης πελατών για να προσδιορίσει συγκεκριμένα συναισθήματα ή αισθήματα. Σε γενικές γραμμές, αυτά είναι θετικά, αρνητικά ή ουδέτερα. Αλλά μέσα σε αυτές τις παραμέτρους, ένα μοντέλο ανάλυσης συναισθήματος που καθοδηγείται από εργασίες ML όπως η επεξεργασία φυσικής γλώσσας (NLP) και η σημασιολογική ανάλυση που μπορεί να βρει τις σημασιολογικές και συντακτικές πτυχές των λέξεων μπορεί επίσης να βοηθήσει στην εύρεση διαφορετικών τύπων αρνητικών συναισθημάτων. 

Για παράδειγμα, μπορεί να βοηθήσει να δοθούν διαφορετικές βαθμολογίες συναισθημάτων με βάση λέξεις που υποδηλώνουν διαφορετικά αρνητικά συναισθήματα όπως άγχος, απογοήτευση, λύπη, θυμό κ.λπ. Το ίδιο συμβαίνει και με τα θετικά μικροαισθήματα.

Μια τέτοια λεπτομερής εξόρυξη συναισθημάτων σε συνδυασμό με ανάλυση της εμπειρίας ενός πελάτη με μια επωνυμία βάσει πτυχών μπορεί να είναι πρωταρχικής σημασίας. Για παράδειγμα, όταν γνωρίζετε το συναίσθημα που βασίζεται σε πτυχές όπως η τιμή, η ευκολία, η ευκολία αγοράς, η εξυπηρέτηση πελατών κ.λπ., λαμβάνετε χρήσιμες πληροφορίες στις οποίες μπορείτε να βασιστείτε για να λάβετε τις σωστές αποφάσεις όσον αφορά τον ποιοτικό έλεγχο και τη βελτίωση των προϊόντων.

Ένα πολύ σημαντικό μέρος της προμήθειας στοχευμένης και διορατικής ευφυΐας για το συναίσθημα της επωνυμίας είναι η κατοχή αξιόπιστων δεδομένων ανατροφοδότησης πελατών. Ακολουθούν πέντε βασικοί τρόποι με τους οποίους μπορείτε να συλλέξετε τέτοια δεδομένα.

1. Σχόλια και βίντεο στα μέσα κοινωνικής δικτύωσης

Η ακρόαση μέσων κοινωνικής δικτύωσης είναι ένας από τους τρόπους με τους οποίους μπορείτε να λάβετε τα τρέχοντα σχόλια πελατών σχετικά με την επωνυμία σας, η οποία περιλαμβάνει τόσο το προϊόν όσο και την υπηρεσία σας. Ένα μοντέλο ανάλυσης συναισθήματος που μπορεί να επεξεργαστεί και να αξιολογήσει τα σχόλια των μέσων κοινωνικής δικτύωσης, καθώς και το περιεχόμενο βίντεο, είναι το τέλειο στοίχημα για την αξιοποίηση αυτής της πηγής δεδομένων. 

Με ένα τέτοιο εργαλείο, αξιοποιείτε δεδομένα για την ανάλυση του συναισθήματος των πελατών από ιστότοπους κοινωνικής δικτύωσης με μεγάλο κείμενο, όπως το Twitter, έως ιστότοπους που βασίζονται σε βίντεο, όπως το TikTok ή το Instagram. Αυτό σας δίνει ένα μεγάλο πλεονέκτημα, επειδή δεν είναι όλες οι πλατφόρμες κοινωνικών μέσων που ταιριάζουν σε όλους όταν πρόκειται για επιλογές των πελατών. 

Για παράδειγμα, ενώ οι πελάτες χρησιμοποιούν κυρίως το Twitter για να αλληλεπιδράσουν άμεσα με μια επωνυμία, οι χρήστες του Facebook είναι γνωστό ότι αφήνουν λεπτομερείς παρατηρήσεις σχετικά με μια επιχείρηση με την οποία έχουν συσχετιστεί. Αυτή η έντονη αντίθεση οφείλεται σε παράγοντες όπως η φύση της επιχείρησης, η ηλικία, η γεωγραφική θέση, η ψηφιακή χρήση κ.λπ.

Τα παρακάτω παραδείγματα δείχνουν πώς οι πελάτες αφήνουν σχόλια στα δύο διαφορετικά κανάλια κοινωνικών μέσων.
 

 
 

Ένα άλλο μεγάλο πλεονέκτημα της ανάλυσης του συναισθήματος των μέσων κοινωνικής δικτύωσης είναι ότι μπορείτε επίσης να βρείτε Influencers μέσων κοινωνικής δικτύωσης που ταιριάζουν στον λογαριασμό σας και μπορούν να αποτελέσουν μια καταπληκτική προσθήκη στη στρατηγική σας για το ψηφιακό μάρκετινγκ. Οι influencers κοστίζουν τη μισή επένδυση που πηγαίνει για την πρόσληψη ενός πρακτορείου δημοσίων σχέσεων ή της έγκρισης διασημοτήτων. 

Επίσης, οι άνθρωποι εμπιστεύονται τις κριτικές προϊόντων και τις εγκρίσεις από Influencers στους οποίους μπορούν αφορούν. Αυτό ισχύει είτε είστε ασκούμενος που αναζητά επαγγελματικές συμβουλές στυλ είτε πατέρας τεσσάρων παιδιών σε αναζήτηση των καλύτερων επιλογών σε κινητά τηλέφωνα για εφήβους. Αυτό είναι το πώς Η επιστήμη δεδομένων και η ML βοηθούν στην εύρεση του κατάλληλου TikTok Influencer για μια επιχείρηση.

2. Πηγαίνετε πέρα ​​από τις ποσοτικές έρευνες όπως το NPS, το CES ή το CSAT

Οι μετρήσεις σχολίων πελατών, όπως ο καθαρός δείκτης προώθησης (NPS), ο δείκτης προσπάθειας πελατών (CES) ή οι αξιολογήσεις αστεριών μπορούν να σας πουν με μια ματιά εάν οι άνθρωποι είναι ευχαριστημένοι με την επιχείρησή σας ή όχι. Αλλά αυτό δεν σας δίνει πραγματικά καμία πραγματική επιχειρηματική εικόνα. 

 

 

Για να λάβετε πραγματικές πληροφορίες για το συναίσθημα των πελατών, πρέπει να προχωρήσετε πέρα ​​από τις ποσοτικές μετρήσεις. Και για αυτό, πρέπει να αναλύσετε σχόλια και απαντήσεις ανοιχτής έρευνας που δεν έχουν καμία σταθερή απάντηση. Αυτό επιτρέπει στους πελάτες να γράφουν σχόλια ελεύθερα, τα οποία μπορούν να σας δώσουν πληροφορίες για πτυχές της επιχείρησής σας που δεν γνωρίζετε καν. 

 

 

Στο παραπάνω παράδειγμα, μπορούμε να δούμε ότι οι πελάτες έχουν δώσει βαθμολογία 1 αστεριού στην επιχείρηση. Αλλά διαβάζοντας τα σχόλια συνειδητοποιούμε ότι οι λόγοι πίσω από τα αρνητικά συναισθήματα είναι εντελώς διαφορετικοί. 

Ενώ ένας πελάτης είναι δυσαρεστημένος με την ηλεκτρονική εξυπηρέτηση πελατών της εταιρείας, ο άλλος αναφέρει ότι, παρόλο που είναι μακροχρόνιος πελάτης, η πτώση της ποιότητας και οι νέες τιμές είναι ο λόγος που μπορεί να μην αγοράζουν πια από αυτόν.

Αυτές είναι χρήσιμες πληροφορίες, όπου μια επιχείρηση γνωρίζει ακριβώς πού πρέπει να γίνει βελτίωση προκειμένου να διατηρήσει την ικανοποίηση και την αφοσίωση των πελατών. Η υπέρβαση των αριθμητικών μετρήσεων μπορεί να σας δώσει αυτές τις πληροφορίες.

3. Αναλύστε κριτικές από φόρουμ πελατών και ιστότοπους

Ένας άλλος εξαιρετικός τρόπος για να λαμβάνετε διαφορετικά δεδομένα σχολίων πελατών είναι μέσω του κοσκίνου μέσω ιστότοπων κριτικών προϊόντων όπως το GoogleMyBusiness και φόρουμ όπως το Reddit. Είναι σημαντικό ότι η λήψη πληροφοριών από διαφορετικές πηγές δεδομένων μπορεί να σας δώσει καλύτερες πληροφορίες λόγω του τύπου του κοινού που προσκαλούν διαφορετικές πλατφόρμες. 

Για παράδειγμα, το Reddit χρησιμοποιείται κυρίως από πελάτες που είναι πιο παθιασμένοι με ένα θέμα ή ένα προϊόν, επειδή το φόρουμ τους επιτρέπει να έχουν αναλυτικές συζητήσεις. Ενώ, οι κριτικές του Amazon ή οι κριτικές της Google χρησιμοποιούνται ως επί το πλείστον από περιστασιακούς πελάτες που θα ήθελαν να αφήσουν μια κριτική είτε από την ώθηση της επιχείρησης είτε λόγω της εμπειρίας, καλής ή κακής, που μπορεί να είχαν. 

Αυτοί Τεχνικές ιδέες που βασίζονται σε ML που προέρχονται από κριτικές για το Disney World στη Φλόριντα που προέρχονται από σχόλια πελατών στο Reddit και στο Google επεξηγούν περαιτέρω αυτό το σημείο.

4. Δεδομένα φωνής πελατών (VoC) από μη παραδοσιακές πηγές

Μη παραδοσιακές πηγές δεδομένων σχολίων πελατών όπως π.χ ιστορίες chatbot, μηνύματα ηλεκτρονικού ταχυδρομείου πελατών, μεταγραφές υποστήριξης πελατών και ούτω καθεξής είναι εξαιρετικές πηγές για να αποκτήσετε πληροφορίες για την εμπειρία των πελατών. Ένα πλεονέκτημα αυτών των πηγών είναι ότι όλα αυτά τα δεδομένα είναι ήδη διαθέσιμα στα εργαλεία διαχείρισης πελατειακών σχέσεων (CRM). 

Όταν είστε σε θέση να συγκεντρώσετε και να αναλύσετε αυτά τα δεδομένα, θα μπορείτε να ανακαλύψετε πολλά υποκείμενα ζητήματα που ακόμη και καλά προγραμματισμένες έρευνες πελατών ή ακρόαση μέσων κοινωνικής δικτύωσης ενδέχεται να μην είναι σε θέση να επισημάνουν.

5. Αναλύστε ειδήσεις και podcast

Τα δεδομένα ειδήσεων που αποτελούνται από άρθρα, καθώς και βίντεο ειδήσεων και podcast, μπορούν να σας δώσουν αναλυτικές πληροφορίες σχετικά με την απόδοση και την αντίληψη της επωνυμίας. Τα σχόλια της αγοράς από πηγές ειδήσεων μπορούν να βοηθήσουν μια επιχείρηση σε αποτελεσματικές δραστηριότητες δημοσίων σχέσεων (PR) για τη διαχείριση της φήμης της επωνυμίας. 

 

 

Μπορεί επίσης να βοηθήσει στην ανάλυση ανταγωνιστών με βάση τις τάσεις του κλάδου που ένα μοντέλο ανάλυσης συναισθήματος μπορεί να εξαγάγει από δεδομένα εμπειρίας επωνυμίας σε άρθρα ειδήσεων ή βίντεο, καθώς και να τους βοηθήσει να κατανοήσουν τη συμπεριφορά των καταναλωτών. 

Για να δείξουμε πώς εξάγεται το συναίσθημα και υπολογίζονται οι βαθμολογίες, ας πάρουμε τις πηγές ειδήσεων ως τη ζωτική πηγή σχολίων των πελατών και ας δούμε πώς ένα μοντέλο ML θα αναλύσει τέτοια δεδομένα.

1. Συγκέντρωση δεδομένων

Για να έχουμε τα πιο ακριβή αποτελέσματα, πρέπει να χρησιμοποιούμε όλες τις πηγές ειδήσεων που είναι διαθέσιμες δημόσια. Αυτό περιλαμβάνει ειδήσεις από τηλεοπτικά κανάλια, διαδικτυακά περιοδικά και άλλες εκδόσεις, ραδιοφωνικές εκπομπές, podcast, βίντεο κ.λπ. 

Υπάρχουν δύο τρόποι με τους οποίους μπορεί να γίνει αυτό. Είτε ανεβάζουμε τα δεδομένα απευθείας μέσω των API Ζωντανών ειδήσεων όπως το API Ειδήσεων Google, ESPN Headlines API, BBC News API, και άλλους σαν αυτούς. Ή, τα ανεβάζουμε χειροκίνητα στο μοντέλο ML που χρησιμοποιούμε, κατεβάζοντας τα σχόλια και τα άρθρα σε ένα αρχείο .csv.

2. Επεξεργασία δεδομένων με ML Tasks

Το μοντέλο επεξεργάζεται τώρα τα δεδομένα και προσδιορίζει τις διαφορετικές μορφές – κείμενο, βίντεο ή ήχο. Στην περίπτωση του κειμένου, η διαδικασία είναι αρκετά απλή. Το μοντέλο εξάγει όλο το κείμενο συμπεριλαμβανομένου emoticons και hashtag. Στην περίπτωση podcast, ραδιοφωνικών εκπομπών και βίντεο, θα απαιτηθεί ηχητική μεταγραφή μέσω λογισμικού ομιλίας σε κείμενο. Αυτά τα δεδομένα επίσης αποστέλλονται στη συνέχεια στη γραμμή ανάλυσης κειμένου.

Μόλις ολοκληρωθεί, η επεξεργασία φυσικής γλώσσας (NLP), η αναγνώριση οντοτήτων με το όνομα (NER), η σημασιολογική ταξινόμηση κ.λπ., βεβαιωθείτε ότι οι βασικές πτυχές, τα θέματα και τα θέματα από τα δεδομένα εξάγονται και ομαδοποιούνται ώστε να μπορούν να αναλυθούν για συναίσθημα. 

3. Ανάλυση συναισθήματος 

Τώρα που το κείμενο έχει διαχωριστεί, κάθε θέμα, πτυχή και οντότητα αναλύεται για συναίσθημα και υπολογίζεται η βαθμολογία συναισθήματος. Αυτό μπορεί να γίνει με οποιαδήποτε από τις τρεις προσεγγίσεις – μέθοδος μέτρησης λέξεων, μέθοδος μήκους πρότασης και αναλογία θετικών και αρνητικών λέξεων.

Ας πάρουμε αυτήν την πρόταση ως παράδειγμα. «Οι θεατές του γηπέδου παρατήρησαν ότι οι θέσεις ήταν καλές. Ωστόσο, τα εισιτήρια φάνηκαν πολύ δαπανηρά, δεδομένου ότι δεν υπήρχαν διαθέσιμες κάρτες σεζόν και πολλοί αντιμετώπισαν ακόμη και αγενές προσωπικό στο γκισέ, σύμφωνα με την Daily Herald».

Ας υποθέσουμε ότι μετά tokenization, κανονικοποίηση κειμένου (εξάλειψη δεδομένων μη κειμένου), προέλευση λέξεων (εύρεση της λέξης ρίζας) και διακοπή αφαίρεσης λέξης (αφαίρεση περιττών λέξεων), παίρνουμε τις ακόλουθες βαθμολογίες για αρνητικό και θετικό συναίσθημα.

Θετικό – Καλό – 1 (+ 0.07)

Αρνητικό – Ακριβό (- 0.5), αγενές (- 0.7) – 2

Τώρα ας υπολογίσουμε τις βαθμολογίες συναισθήματος χρησιμοποιώντας τις τρεις προαναφερθείσες μεθόδους.

Μέθοδος καταμέτρησης λέξεων

Αυτός είναι ο απλούστερος τρόπος με τον οποίο μπορεί να υπολογιστεί η βαθμολογία συναισθήματος. Σε αυτή τη μέθοδο, μειώνουμε το αρνητικό από τις θετικές εμφανίσεις (1 – 2 = -1)

Έτσι, η βαθμολογία συναισθήματος του παραπάνω παραδείγματος είναι -1. 

Μέθοδος μήκους πρότασης

Ο αριθμός των θετικών λέξεων αφαιρείται από τις αρνητικές λέξεις. Στη συνέχεια, το αποτέλεσμα διαιρείται με τον συνολικό αριθμό των λέξεων του κειμένου. Επειδή η βαθμολογία που φτάνει με αυτόν τον τρόπο μπορεί να είναι πολύ μικρή και να ακολουθεί πολλά δεκαδικά ψηφία, συχνά πολλαπλασιάζεται με ένα μονοψήφιο. Αυτό γίνεται έτσι ώστε οι βαθμολογίες να είναι μεγαλύτερες και επομένως πιο εύκολο να κατανοηθούν και να συγκριθούν. Στην περίπτωση του παραδείγματός μας, η βαθμολογία θα είναι.

1-2/42 = -0.0238095

Αναλογία Αρνητικού-Θετικού αριθμού λέξεων

Ο συνολικός αριθμός των θετικών λέξεων διαιρείται με τον συνολικό αριθμό των αρνητικών λέξεων. Στη συνέχεια, το αποτέλεσμα προστίθεται κατά 1. Αυτό είναι πιο ισορροπημένο από άλλες προσεγγίσεις, ειδικά στην περίπτωση μεγάλων ποσοτήτων δεδομένων. 

1/ 2+1 = 0.33333

4. Οπτικοποίηση πληροφοριών

Μόλις τα δεδομένα αναλυθούν για συναίσθημα, οι πληροφορίες παρουσιάζονται σε έναν πίνακα ελέγχου οπτικοποίησης, ώστε να μπορείτε να κατανοήσετε τη νοημοσύνη που έχει συγκεντρωθεί από όλα τα δεδομένα. Μπορείτε να δείτε την ανάλυση συναισθήματος που βασίζεται σε χρονοδιάγραμμα, καθώς και εκείνες που βασίζονται σε γεγονότα όπως λανσάρισμα προϊόντων, διακυμάνσεις στο χρηματιστήριο, δελτία τύπου, δηλώσεις εταιρειών, νέες τιμές κ.λπ. 

Αυτές οι πληροφορίες που βασίζονται σε πτυχές είναι αυτές που μπορεί να έχουν απίστευτη αξία για εσάς καθώς σχεδιάζετε τις στρατηγικές μάρκετινγκ και ανάπτυξης.

Η τεχνητή νοημοσύνη και η επιστήμη δεδομένων έχουν τεράστια σημασία για τις δραστηριότητες μάρκετινγκ, ειδικά σε μια εποχή συνεχούς καινοτομίας και μεταβαλλόμενης δυναμικής της αγοράς. Η ανάλυση του συναισθήματος των πελατών που βασίζεται σε δεδομένα σχολίων πελατών που έχουν αξιοποιηθεί απευθείας από αυτούς μπορεί να σας δώσει όλη τη μόχλευση που χρειάζεστε για να βεβαιωθείτε ότι έχετε μια βιώσιμη στρατηγική μάρκετινγκ για συνεχή ανάπτυξη.
 
 
Μάρτιν Οστρόφσκι είναι ο ιδρυτής και διευθύνων σύμβουλος της Repustate. Είναι παθιασμένος με την AI, ML και NLP. Ορίζει τη στρατηγική, τον οδικό χάρτη και τον ορισμό χαρακτηριστικών για τις λύσεις Global Text Analytics API, Ανάλυση συναισθήματος, Deep Search και Named Entity Recognition της Repustate.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://www.kdnuggets.com/2022/12/collect-data-customer-sentiment-analysis.html?utm_source=rss&utm_medium=rss&utm_campaign=how-to-collect-data-for-customer-sentiment-analysis