By Arimitra Maití, Consultor senior de análisis

Foto por Aarón Blanco Tejedor on Unsplash

 

La pizza hace que todo sea posible.

—Henry Rollins

PRECAUCIÓN: Este artículo, así como los resultados del análisis, no pretenden influir en ningún cliente de Domino's. La verdad subyacente a las observaciones está sujeta a más investigaciones por parte de expertos en el dominio y no debe interpretarse como una forma de difamación. Los datos utilizados en el estudio no son datos personales ni datos con derechos de autor o algo oculto detrás de un inicio de sesión.

Introducción

 
India fue testigo de su primer bloqueo nacional desde el 24 de marzo de 2020 hasta el 31 de mayo de 2020 para combatir la propagación del nuevo coronavirus al limitar el movimiento de sus residentes. El estudio de este artículo tiene como objetivo identificar las diferentes emociones de los clientes al pedir pizza en India a una de las cadenas de reparto de pizzas más populares llamada Dominos. De 128 tiendas en 2006 Domino's India, la marca de carteles de Jubilant Foodworks reportó más de 1300 tiendas en 2020 a través del país. El estudio analizó los datos de Twitter durante tres períodos diferentes. El primer período de 1 de enero de 2020 al 24 de marzo de 2020 fue considerado como un pre-bloqueo, el segundo período desde 25 de marzo de 2020 al 31 de mayo de 2020 fue considerado como el período de bloqueo y finalmente, el tercer período desde 1 de enero de 2021 al 28 de febrero de 2021 se consideró posterior al cierre. Los datos de Twitter para estos tres períodos diferentes se extrajeron utilizando Sprinklr (con licencia de IIM Ahmedabad), que está especializado en proporcionar conversaciones de usuario en tiempo real desde identificadores sociales modernos. La herramienta Sprinklr ofrece un fácil acceso a los datos históricos de Twitter generados por usuarios de todo el mundo..

La filtros utilizados en Sprinklr son el idioma “solo en inglés”, la fuente de generación de datos como “solo Twitter” y el origen de la generación de datos como “solo India”. No se utilizaron identificadores de Twitter explícitos ni hashtags de Twitter para extraer el contenido a lo largo de las líneas de tiempo, por lo que se asumió que la palabra clave "fichas de dominó”Representaría a la firma Dominos India que sirve pizzas a clientes desde puntos de venta minoristas o plataformas en línea.

Enfoque

 

Figura-1 Enfoque de alto nivel del análisis. (Fuente de la imagen): Imagen del autor

 

La primera columna y la mitad superior de la segunda columna dependen de la eficiencia y el estilo del analista. Este enfoque no proclama ser el ideal, porque con el advenimiento de nuevos conceptos y técnicas, el análisis de sentimientos ha evolucionado a pasos agigantados durante los últimos 1 años. Sin embargo, para permanecer cerca del objetivo, el estudio encontró relevante el enfoque anterior. Las mejoras y modificaciones adicionales son integrales y difíciles de ignorar. La definición básica del problema es analizar los sentimientos de los clientes y capturar cualquier diferencia específica en las emociones a lo largo de los períodos de tiempo. Después de limpiar y estandarizar los comentarios de los usuarios, cada revisión pasa por los métodos asignados por texblob, sentiwordnet, y afinn que genera una puntuación. Si el puntaje es menor que cero, entonces es Negativo, si el puntaje es uno, entonces es Neutral y si es más de uno, entonces es Positivo.

La mitad inferior de la segunda columna y la tercera columna completa también se pueden optimizar en estudios futuros. los texto2emocion El método se utiliza para extraer una emoción para cada reseña. Como complemento, este método otorga una puntuación por separado junto con la categoría de emoción. La puntuación acumulada simplemente intenta averiguar en el conjunto de datos dado la puntuación acumulada de una categoría de emoción en particular. El estudio quería validar qué opiniones de los usuarios no obtuvieron una puntuación de texto2emocion.

Figura 2 Descripción general de los datos. (Fuente de la imagen): Imagen del autor

 

Acerca de las bibliotecas

 
sentiwordnet es un módulo popular en el paquete python nltk que se utiliza para minar opiniones. Se basa en el diccionario WordNet y clasifica una palabra como positiva, neutra o negativa. Del mismo modo, el AFINN lexicon es también un módulo popular del paquete "Afinn" que es poderoso para la minería de opiniones. texto2emocion es otra herramienta útil en Python que se puede utilizar para clasificar cada sentimiento como emoción única. Cabe señalar con precaución que cualquiera de los diccionarios utilizados por los analistas para calificar sentimientos depende únicamente del diseño del diccionario. El contexto final del idioma o la reacción del usuario puede requerir una transformación adicional para representar el contexto comercial que puede no ser entendido por el diccionario. Por lo tanto, la relevancia de los resultados generados a partir de cualquiera de los diccionarios utilizados en el espacio de Procesamiento del lenguaje natural está sujeta a la discreción del estudio y no se puede tomar al pie de la letra del diccionario. Una palabra en particular puede sonar negativa para el diccionario, pero en el contexto real, esa misma palabra puede ser neutral o positiva.

Figura-3 Tabla que muestra qué porcentaje de las puntuaciones de sentimiento de Twitter coincidieron con las puntuaciones de Sentiwordnet o AFINN generadas a partir del estudio. (Fuente de la imagen): Imagen del autor

 

La tabla anterior sugiere que para los datos recopilados generados desde Twitter, podemos tener resultados relativamente mejores usando el diccionario AFINN en comparación con Sentiwordnet o Text blob (actualmente no se muestra en la comparación).

Nota: No se ha utilizado ninguna división previa de los conjuntos de pruebas y trenes o validaciones cruzadas para generar puntuaciones de Sentiwordnet o AFINN. Todas las reacciones de los usuarios en tres líneas de tiempo se han pasado a través de cada diccionario una por una.

Hallazgos iniciales

 

Figura 4 Tabla que muestra el porcentaje de emociones capturadas en tres líneas de tiempo. (Fuente de la imagen): Imagen del autor

 

Según nuestros hallazgos, el miedo como un texto a la emoción ha aumentado dramáticamente del 6% durante el período previo al bloqueo al 15% durante el período de bloqueo y al 11% durante el período posterior al bloqueo. Sin embargo, es posible que estos sentimientos relacionados con el miedo no se hayan desarrollado como resultado de las comidas de alta calidad de la pizza de dominó durante y después del cierre.

Veamos algunos bigramas de tres líneas de tiempo diferentes.

Figura 5 Bigrams de Pre-bloqueo período solo en tweets relacionados con el miedo. (Fuente de la imagen): Imagen del autor

 


Figura 6 Bigrams de lockdown período solo en tweets relacionados con el miedo. (Fuente de la imagen): Imagen del autor

 


Figura 7 Bigrams de post-bloqueo período solo en tweets relacionados con el miedo. (Fuente de la imagen): Imagen del autor

 

Los bigrams solo en los tweets relacionados con el miedo en las tres líneas de tiempo implican un conjunto separado de conceptos. Hubo casos de contracción de covid informados por clientes de socios de entrega como Swiggy y Zomato, quienes eran responsables de entregar los paquetes desde los puntos de venta minorista hasta los destinos de los clientes. En mayo de 2020, Tata Consumer Products Ltd (TPCL) asociado con la aplicación Dominos para la entrega de sus artículos esenciales. Por lo tanto, el temor podría ser específico debido a esta línea de servicio en particular donde podría haber una incertidumbre percibida sobre la desinfección en lugar de la calidad de los alimentos.

Conclusión

 
Se puede acceder al cuaderno desde esta página. La lista de parada utilizada para el estudio se muestra a continuación.

Los hipervínculos para antes del covid, lockdown y post-Covidien También se adjuntan descargas de datos. También se muestra a continuación una instantánea programática de los pasos de procesamiento.

Fragmento de código de procesamiento y puntuación del texto. (Código fuente): Código del autor

 

El objetivo de esta investigación es determinar qué emociones han cambiado significativamente entre las eras pre-covid y post-covid, especialmente en el mercado indio de la pizza. No tiene la intención de disminuir el valor de ninguna marca ni afectar la preferencia del cliente. El hecho de que el miedo a pedir pizza aumentara durante el encierro es empírico y se relaciona directamente con nuestra mentalidad post-covid. También vale la pena señalar que, aparte del "miedo", ninguna otra emoción ha sido testigo de un aumento tan grande en las ventas de pizzas. Podría implicar que sin el efecto de bloqueo, los sentimientos de pedir pizza seguirían siendo mixtos o alegres, en lugar de estar completamente asustados. Para los gerentes de negocios que diseñan estrategias de ventas de dominó, los conocimientos compartidos en este artículo pueden no ser innovadores. Por otro lado, el estudio intenta proyectar una aplicación práctica de la minería de opiniones que se pueda deducir fácilmente de la experiencia del mundo real.

Gracias.

 
Bio: Arimitra Maití es un profesional de la analítica con más de 10 años de experiencia en consultoría analítica, modelado estadístico, gestión de partes interesadas y lidera el desarrollo de soluciones analíticas que generan información sobre la optimización de costos e ingresos.

Original. Publicado de nuevo con permiso.

Relacionado:

• ¿Qué les hizo COVID a todos nuestros modelos?
• 6 técnicas de PNL que todo científico de datos debe conocer
• Cómo crear e implementar una aplicación de análisis de opinión simple a través de API