How To Collect Data For Customer Sentiment Analysis

Taasavaldanud Platon

järgijaid: 0

Kuidas koguda andmeid klientide sentimentide analüüsiks
Pilt redaktori poolt

Kliendi sentimentide analüüs on masinõppe (ML) kasutamine, et saada ülevaadetes, foorumites, küsitlustes jne antud klientide tagasiside põhjal teada, millised on kliendi kavatsused ja arvamused brändi kohta. Kliendikogemuse andmete sentimentaalanalüüs annab ettevõtetele põhjaliku ülevaate ostuotsuste taga olevate motivatsioonidest, ajateljel või sündmustel põhinevatest brändimeeleolu muutmise mustritest ja turulõhe analüüs mis võib aidata tooteid ja teenuseid täiustada.

Sisukord:

Mis on klientide sentimentianalüüs?
Kuidas kogute andmeid klientide sentimentide analüüsiks?
Kuidas klientide tagasiside põhjal sentimentide hinded saadakse
Järeldus

Sentimentanalüüs kombineerib klientide tagasiside andmeid konkreetsete tuvastamiseks emotsioonid või tunded. Laias laastus on need positiivsed, negatiivsed või neutraalsed. Kuid nende parameetrite piires võib ML-ülesannetest, nagu loomuliku keele töötlemine (NLP) ja semantiline analüüs, mis suudab leida sõnade semantilisi ja süntaktilisi aspekte, aidata leida ka erinevat tüüpi negatiivseid tundeid.

Näiteks võib see aidata anda erinevaid tundehindu sõnade põhjal, mis tähistavad erinevaid negatiivseid emotsioone, nagu ärevus, pettumus, kahetsus, viha jne. Sama lugu on positiivsete mikromeeleoludega.

Selline peeneteraline emotsioonide kaevandamine koos kliendi brändikogemuse aspektidepõhise analüüsiga võib olla esmatähtis. Näiteks kui teate suhtumist selliste aspektide alusel nagu hind, mugavus, ostmise lihtsus, klienditeenindus jne, saate praktilisi teadmisi, millele saate kvaliteedikontrolli ja toote täiustamise osas õigete otsuste tegemisel tugineda.

Väga oluline osa sihipärase ja läbinägeliku bränditunnetuse hankimisel on usaldusväärsete klientide tagasisideandmete omamine. Siin on viis olulist viisi selliste andmete kogumiseks.

1. Sotsiaalmeedia kommentaarid ja videod

Sotsiaalmeedia kuulamine on üks viise, kuidas saate oma brändi kohta jooksvat klientide tagasisidet, mis hõlmab nii teie toodet kui ka teenust. Sentimentanalüüsi mudel, mis suudab töödelda ja hinnata sotsiaalmeedia kommentaare, aga ka videosisu, on ideaalne panus selle andmeallika ärakasutamiseks.

Sellise tööriista abil saate kasutada andmeid klientide sentimentide analüüsiks tekstirohketest sotsiaalmeedia saitidest, nagu Twitter, kuni videopõhistele, nagu TikTok või Instagram. See annab teile suure eelise, sest mitte kõik sotsiaalmeedia platvormid ei sobi kõigile, kui tegemist on klientide valikud.

Näiteks kui kliendid kasutavad Twitterit peamiselt brändiga vahetult suhtlemiseks, jätavad Facebooki kasutajad teadaolevalt üksikasjalikke märkusi ettevõtte kohta, millega nad on seotud. See terav kontrast on tingitud sellistest teguritest nagu ettevõtte olemus, vanus, geograafiline asukoht, digikasutus jne.

Allolevad näited näitavad, kuidas kliendid kahes erinevas sotsiaalmeediakanalis kommentaare jätavad.

Kuidas koguda andmeid klientide sentimentide analüüsiks

Sotsiaalmeedia sentimentide analüüsi teine suur eelis on see, et võite leida ka sotsiaalmeedia mõjutajaid, kes sobivad teie arvega ja võivad olla teie digitaalse turunduse strateegiale suurepäraseks täienduseks. Mõjutajad maksavad poole investeeringust, mis kulub PR-agentuuri palkamiseks või kuulsuste heakskiitmiseks.

Samuti usaldavad inimesed mõjutajate tootearvustusi ja soovitusi, kellele nad saavad seotud. See kehtib olenemata sellest, kas olete praktikant, kes otsib professionaalseid stiilinõuandeid, või nelja lapse isa, kes otsib parimaid võimalusi teismelistele mõeldud mobiiltelefonide jaoks. See, kuidas andmeteadus ja ML aitavad leida ettevõtte jaoks õige TikToki mõjutaja.

2. Minge kaugemale kvantitatiivsetest uuringutest, nagu NPS, CES või CSAT

Klientide tagasiside mõõdikud, nagu netopromootori skoor (NPS), klientide jõupingutuste skoor (CES) või tärnihinnangud, võivad teile ühe pilguga öelda, kas inimesed on teie ettevõttega rahul või mitte. Kuid see ei anna teile tegelikku ärialast ülevaadet.

Kuidas koguda andmeid klientide sentimentide analüüsiks

Klientide tõelise arusaama saamiseks peate minema kaugemale kvantitatiivsetest mõõdikutest. Ja selleks tuleb analüüsida kommentaare ja avatud küsitluse vastuseid, millel pole kindlat vastust. See võimaldab klientidel kirjutada vabalt voolavaid kommentaare, mis annavad teile ülevaate teie ettevõtte aspektidest, millest te isegi teadlik polnud.

Kuidas koguda andmeid klientide sentimentide analüüsiks

Ülaltoodud näites näeme, et kliendid on andnud ettevõttele 1-tärnise hinnangu. Kuid kommentaare lugedes mõistame, et negatiivsete tunnete põhjused on täiesti erinevad.

Kui üks klient ei ole rahul ettevõtte veebipõhise klienditeenindusega, siis teine mainib, et kuigi tegemist on pikaajalise kliendiga, on kvaliteedi langus ja uus hinnakujundus põhjus, miks nad ei pruugi neilt enam osta.

Need on teostatavad arusaamad, kus ettevõte teab täpselt, kus tuleb klientide rahulolu ja lojaalsuse säilitamiseks teha parandusi. Kui lähete kaugemale ainult numbrilistest mõõdikutest, võite selle ülevaate saada.

3. Analüüsige klientide foorumite ja veebisaitide ülevaateid

Veel üks suurepärane viis klientidelt mitmekülgsete tagasisideandmete saamiseks on sõeluda läbi tootearvustuste veebisaidid, nagu GoogleMyBusiness, ja foorumid, nagu Reddit. Oluline on see, et erinevatest andmeallikatest ülevaate saamine võib teile eri platvormidelt kutsutava vaatajaskonna tüübi tõttu anda parema ülevaate.

Näiteks kasutavad Redditi enamasti kliendid, kes on mõne teema või toote suhtes kirglikumad, sest foorum võimaldab neil pidada paljusõnalisi arutelusid. Kuigi Amazoni arvustusi või Google'i arvustusi kasutavad enamasti juhuslikud kliendid, kes soovivad jätta arvustuse kas ettevõtte tõuke tõttu või kas hea või halva kogemuse tõttu, mis neil võis olla.

Need ML-põhised tehnilised teadmised koostatud Floridas Disney Worldi arvustustest, mis on saadud klientide kommentaaridest Redditis ja Google'is, illustreerivad seda punkti veelgi.

4. Kliendi hääle (VoC) andmed mittetraditsioonilistest allikatest

Ebatraditsioonilised klientide tagasiside andmete allikad nagu chatbotite ajalugu, klientide meilid, klienditoe ärakirjad ja nii edasi on suurepärased allikad kliendikogemuse kohta ülevaate saamiseks. Nende allikate eeliseks on see, et kõik need andmed on teie kliendisuhete halduse (CRM) tööriistades juba saadaval.

Kui suudate neid andmeid koguda ja analüüsida, saate avastada palju probleeme, mida isegi hästi planeeritud kliendiküsitlused või sotsiaalmeedia kuulamine ei pruugi esile tuua.

5. Analüüsige uudiseid ja taskuhäälingusaateid

Uudisteandmed, mis koosnevad nii artiklitest kui ka uudistevideotest ja taskuhäälingusaadetest, võivad anda teile üksikasjalikku teavet brändi toimivuse ja tajumise kohta. Uudisteallikatest saadav turutagasiside võib aidata ettevõttel tõhusalt korraldada suhtekorraldust (PR) brändi maine haldamiseks.

Kuidas koguda andmeid klientide sentimentide analüüsiks

Samuti võib see aidata konkurentide analüüsil, mis põhineb tööstusharu suundumustel, et sentimentaalanalüüsi mudel saab välja võtta uudiste artiklites või videotes olevatest brändikogemuse andmetest ning aidata neil mõista tarbijate käitumist.

Et illustreerida sentimentide väljavõtmist ja skooride arvutamist, võtkem uudisteallikad klientide tagasiside oluliseks allikaks ja vaadake, kuidas ML-mudel selliseid andmeid analüüsib.

1. Andmete kogumine

Kõige täpsemate tulemuste saamiseks peame kasutama kõiki avalikult kättesaadavaid uudisteallikaid. See hõlmab uudiseid telekanalitest, veebiajakirjadest ja muudest väljaannetest, raadiosaateid, taskuhäälingusaateid, videoid jne.

Seda saab teha kahel viisil. Laadime andmed üles otse reaalajas uudiste API-de (nt Google News API) kaudu, ESPN Headlines API, BBC Newsi APIja teistele sarnastele. Või laadime need käsitsi üles kasutatavasse ML-mudelisse, laadides kommentaarid ja artiklid alla .csv-failina.

2. Andmete töötlemine ML-ülesannetega

Mudel töötleb nüüd andmeid ja tuvastab erinevad vormingud – tekst, video või heli. Teksti puhul on protsess üsna lihtne. Mudel ekstraheerib kogu teksti, sealhulgas emotikone ja hashtagid. Taskuhäälingusaadete, raadiosaadete ja videote puhul nõuab see heli transkriptsiooni kõnest tekstiks tarkvara kaudu. Ka need andmed saadetakse seejärel tekstianalüütika torujuhtmele.

Loomuliku keele töötlemine (NLP), nimega olemituvastus (NER), semantiline klassifikatsioon jne tagavad, et andmetest eraldatakse ja rühmitatakse põhiaspektid, teemad ja teemad, et neid saaks analüüsida.

3. Sentimentide analüüsimine

Nüüd, kui tekst on eraldatud, analüüsitakse iga teema, aspekti ja olemi sentimenti ning arvutatakse sentiment-skoor. Seda saab teha mis tahes kolmest lähenemisviisist – sõnade loendusmeetod, lausepikkuse meetod ning positiivsete ja negatiivsete sõnade suhe.

Võtame selle lause näitena. «Staadionikülastajad märkisid, et istmed olid head. Piletid tundusid Daily Heraldi andmetel aga liiga kulukad, arvestades, et hooajapileteid polnud saadaval ja paljud kohtasid piletiletis isegi ebaviisakaid töötajaid.

Oletame, et pärast tokeniseerimine, teksti normaliseerimine (mittetekstiandmete kõrvaldamine), sõnatüveline määramine (tüvisõna leidmine) ja sõna eemaldamise lõpetamine (liigsete sõnade eemaldamine), saame negatiivse ja positiivse meeleolu kohta järgmised hinded.

Positiivne – hea – 1 (+ 0.07)

Negatiivne – kulukas (- 0.5), ebaviisakas (- 0.7) – 2

Nüüd arvutame kolme eelnimetatud meetodi abil sentiment-skoorid.

Sõnade loendamise meetod

See on lihtsaim viis sentimenti skoori arvutamiseks. Selle meetodi puhul vähendame negatiivset positiivsetest sündmustest (1–2 = –1)

Seega on ülaltoodud näite meeleoluskoor -1.

Lausepikkuse meetod

Positiivsete sõnade arv lahutatakse negatiivsetest sõnadest. Seejärel jagatakse tulemus tekstis olevate sõnade koguarvuga. Kuna sel viisil saadud skoor võib olla väga väike ja järgneda mitme kümnendkohani, korrutatakse see sageli ühekohalise numbriga. Seda tehakse selleks, et hinded oleksid suuremad ja seega hõlpsamini mõistetavad ja võrreldavad. Meie näite puhul on hindeks.

1-2/42 = -0.0238095

Negatiivse-positiivse sõnade arvu suhe

Positiivsete sõnade koguarv jagatakse negatiivsete sõnade koguarvuga. Seejärel lisatakse tulemusele 1. See on teistest lähenemisviisidest tasakaalustatum, eriti kui tegemist on suure andmemahuga.

1/2+1 = 0.33333

4. Insights visualiseerimine

Kui andmed on sentimentide osas analüüsitud, esitatakse ülevaated visualiseerimise armatuurlaual, et saaksite mõista kõigi andmete põhjal kogutud luureandmeid. Näete ajaskaalapõhist sentimentanalüüsi, aga ka selliseid, mis põhinevad sellistel sündmustel nagu toodete turuletoomine, aktsiaturgude kõikumised, pressiteated, ettevõtte avaldused, uus hinnakujundus jne.

Need aspektidel põhinevad ülevaated võivad olla teie jaoks turundus- ja kasvustrateegiate kavandamisel uskumatult väärtuslikud.

Tehisintellekt ja andmeteadus on turundustegevuses tohutult olulised, eriti pideva innovatsiooni ja muutuva turudünaamika ajastul. Klientide sentimentide analüüs, mis põhineb neilt otse saadud klientide tagasiside andmetel, võib anda teile kogu vajaliku hoo, et tagada jätkusuutlik turundusstrateegia jätkuvaks kasvuks.

Martin Ostrovski on Repustate asutaja ja tegevjuht. Ta on kirglik AI, ML ja NLP vastu. Ta määrab strateegia, tegevuskava ja funktsioonide määratluse Repustate'i Global Text Analytics API, Sentiment Analysis, Deep Search ja Named Entity Recognition lahenduste jaoks.