How To Collect Data For Customer Sentiment Analysis

Újra kiadta Platón

Követő: 0

Hogyan gyűjtsünk adatokat az ügyfelek hangulatának elemzéséhez
Kép a szerkesztőtől

Az ügyfélhangulatelemzés az a folyamat, amikor gépi tanulást (ML) használnak, hogy feltárják a vásárlói szándékot és véleményt egy márkával kapcsolatban a visszajelzésekben, fórumokon, felmérésekben és így tovább. Az ügyfélélmény-adatok hangulatelemzése mély betekintést nyújt a vállalkozások számára a vásárlási döntések mögött meghúzódó motivációkba, a márkahangulat változásának mintázataiba az idővonalak vagy események alapján, és piaci rések elemzése amelyek segíthetnek a termék- és szolgáltatásfejlesztésben.

Tartalomjegyzék:

Mi az a vásárlói hangulatelemzés?
Hogyan gyűjtenek adatokat az ügyfelek hangulatelemzéséhez?
Hogyan származnak a hangulati pontszámok az ügyfelek visszajelzéseiből
Következtetés

A hangulatelemzés finoman fésüli az ügyfelek visszajelzéseit, hogy azonosítsa a konkrét adatokat érzelmek vagy érzelmek. Általánosságban elmondható, hogy ezek pozitívak, negatívak vagy semlegesek. De ezeken a paramétereken belül az olyan ML feladatok által vezérelt érzéselemzési modell, mint a természetes nyelvi feldolgozás (NLP) és a szemantikai elemzés, amely képes megtalálni a szavak szemantikai és szintaktikai aspektusait, segíthet a különböző típusú negatív érzelmek megtalálásában is.

Például segíthet különböző érzelmi pontszámokat adni olyan szavak alapján, amelyek különböző negatív érzelmeket jelölnek, mint például a szorongás, a csalódottság, a sajnálkozás, a harag stb. Ugyanez a helyzet a pozitív mikroérzelmekkel.

Az ilyen finom érzelmek bányászata az ügyfél egy márkával kapcsolatos élményének szempontalapú elemzésével kombinálva kiemelt fontosságú lehet. Ha például olyan szempontok alapján ismeri a hangulatot, mint az ár, a kényelem, a vásárlás egyszerűsége, az ügyfélszolgálat stb., akkor gyakorlatias betekintést nyerhet, amelyre támaszkodhat a megfelelő döntések meghozatalában a minőség-ellenőrzés és a termékfejlesztés terén.

A célzott és alapos márkahangulat-intelligencia beszerzésének nagyon fontos része a megbízható vásárlói visszajelzési adatok. Íme öt alapvető mód az ilyen adatok gyűjtésére.

1. Közösségi média megjegyzések és videók

A közösségi médiában való hallgatás az egyik módja annak, hogy aktuális vásárlói visszajelzéseket kapjon a márkájáról, amely magában foglalja mind termékét, mind szolgáltatását. Egy hangulatelemzési modell, amely képes feldolgozni és értékelni a közösségi médiában megjelenő megjegyzéseket, valamint a videótartalmat, tökéletes megoldás ennek az adatforrásnak a hasznosítására.

Egy ilyen eszközzel adatokat hasznosíthat az ügyfelek hangulatelemzéséhez az olyan sok szöveget tartalmazó közösségi oldalakról, mint a Twitter, a videóalapú oldalakig, mint például a TikTok vagy az Instagram. Ez nagy előnyt jelent, mert nem minden közösségimédia-platform egyforma, ha arról van szó. vásárlói választások.

Míg például az ügyfelek főként a Twittert használják arra, hogy közvetlenül kapcsolatba lépjenek egy márkával, a Facebook-felhasználók köztudottan részletes megjegyzéseket tesznek egy olyan vállalkozásról, amellyel kapcsolatban állnak. Ez az éles kontraszt olyan tényezőknek köszönhető, mint a vállalkozás jellege, életkor, földrajzi elhelyezkedés, digitális használat stb.

Az alábbi példák azt mutatják be, hogy az ügyfelek hogyan hagynak megjegyzéseket a két különböző közösségi média csatornán.

Hogyan gyűjtsünk adatokat az ügyfelek hangulatának elemzéséhez

A közösségimédia-hangulatelemzés másik nagy előnye, hogy olyan közösségi média-befolyásolókat is találhat, akik megfelelnek az Ön igényeinek, és nagyszerű kiegészítői lehetnek digitális marketingstratégiájának. Az influencerek annak a befektetésnek a felébe kerülnek, mint amennyi PR-ügynökség bérbeadása vagy hírességek támogatása.

Ezenkívül az emberek megbíznak a befolyásolók termékértékeléseiben és ajánlásaiban, akiknek lehet vonatkoznak. Ez igaz, akár gyakornok, aki professzionális stílustippeket keres, vagy négygyerekes apa, aki a legjobb lehetőségeket keresi a tizenévesek mobiltelefonjaiban. Így Az adattudomány és az ML segít megtalálni a megfelelő TikTok Influencert egy vállalkozás számára.

2. Lépjen túl az olyan mennyiségi felméréseken, mint az NPS, CES vagy CSAT

A vásárlói visszajelzések mérőszámai, például a nettó promóter pontszám (NPS), a vásárlói erőfeszítések pontszáma (CES) vagy a csillagos értékelések egy pillantással megmondhatják, hogy az emberek elégedettek-e a vállalkozással vagy sem. Ez azonban nem ad tényleges üzleti betekintést.

Hogyan gyűjtsünk adatokat az ügyfelek hangulatának elemzéséhez

Ahhoz, hogy valós betekintést nyerjen az ügyfelek véleményére, túl kell lépnie a mennyiségi mérőszámokon. Ehhez pedig elemeznie kell azokat a megjegyzéseket és nyílt végű felmérési válaszokat, amelyeknek nincs fix válaszuk. Ez lehetővé teszi az ügyfelek számára, hogy szabadon folyó megjegyzéseket írjanak, amelyek betekintést nyújthatnak vállalkozása olyan aspektusaiba, amelyekről nem is volt tudatában.

Hogyan gyűjtsünk adatokat az ügyfelek hangulatának elemzéséhez

A fenti példában láthatjuk, hogy az ügyfelek 1 csillaggal értékelték a vállalkozást. De a kommentek olvasásakor rájövünk, hogy a negatív érzelmek mögött teljesen más okok állnak.

Míg az egyik vásárló elégedetlen a cég online ügyfélszolgálatával, a másik megemlíti, hogy bár régóta ügyfelei, a minőség csökkenése és az új árak miatt előfordulhat, hogy már nem vásárol tőlük.

Ezek olyan gyakorlati betekintések, ahol egy vállalkozás pontosan tudja, hol kell javítani az ügyfelek elégedettségének és hűségének megőrzése érdekében. Ha túllép a numerikus mérőszámokon, akkor ezeket a betekintést nyerheti.

3. Elemezze az ügyfelek fórumairól és webhelyeiről származó véleményeket

Egy másik kiváló módja annak, hogy változatos vásárlói visszajelzéseket kapjon, a termékismertető webhelyek, például a GoogleMyBusiness és a fórumok, például a Reddit átvizsgálása. Fontos, hogy a különböző adatforrásokból származó betekintések jobb betekintést nyújthatnak a különböző platformok által meghívott közönség típusa miatt.

Például a Reddit-et többnyire olyan ügyfelek használják, akik szenvedélyesebbek egy-egy téma vagy termék iránt, mert a fórum lehetővé teszi számukra, hogy bőbeszédű megbeszéléseket folytassanak. Míg az Amazon-véleményeket vagy a Google-véleményeket többnyire olyan alkalmi ügyfelek használják, akik szeretnének véleményt írni akár a vállalkozás ösztönzése miatt, akár az esetleges jó vagy rossz tapasztalatuk miatt.

Ezek ML-vezérelt technikai betekintés A floridai Disney Worldről szóló, a Redditen és a Google-on írt vásárlói megjegyzések alapján készült vélemények még jobban illusztrálják ezt a kérdést.

4. Nem hagyományos forrásokból származó ügyfélhang (VoC) adatok

A vásárlói visszajelzések adatainak nem hagyományos forrásai, mint pl chatbot-történetek, az ügyfelek e-mailjei, az ügyfélszolgálati átiratok és így tovább kiváló források az ügyfelek tapasztalataihoz. Ezeknek a forrásoknak az az előnye, hogy ezek az adatok már rendelkezésre állnak az ügyfélkapcsolat-kezelési (CRM) eszközökben.

Ha össze tudja gyűjteni és elemezni tudja ezeket az adatokat, számos olyan mögöttes problémát fedezhet fel, amelyekre még a jól megtervezett vásárlói felmérések vagy a közösségi média hallgatása sem képes rávilágítani.

5. Hírek és podcastok elemzése

A cikkekből, valamint a hírvideókból és podcastokból álló híradatok részletes betekintést nyújthatnak a márka teljesítményébe és megítélésébe. A hírforrásokból származó piaci visszajelzések segíthetnek egy vállalkozásnak a hatékony PR-tevékenységben a márka hírnevének kezelésében.

Hogyan gyűjtsünk adatokat az ügyfelek hangulatának elemzéséhez

Az iparági trendeken alapuló versenytársak elemzésében az is segíthet, hogy a hangulatelemzési modell a hírcikkekben vagy videókban szereplő márkaélmény-adatokból kinyerhet, valamint segít megérteni a fogyasztói magatartást.

Annak szemléltetésére, hogyan történik a hangulat kivonása és a pontszámok kiszámítása, vegyük a hírforrásokat a vásárlói visszajelzések létfontosságú forrásának, és nézzük meg, hogyan elemzi az ML-modell ezeket az adatokat.

1. Az adatok összegyűjtése

A legpontosabb eredmények elérése érdekében minden nyilvánosan elérhető hírforrást fel kell használnunk. Ide tartoznak a televíziós csatornák hírei, online magazinok és egyéb kiadványok, rádióadások, podcastok, videók stb.

Ezt kétféleképpen lehet megtenni. Az adatokat vagy közvetlenül az Élő hírek API-kon keresztül töltjük fel, mint például a Google News API, ESPN Headlines API, BBC News API, és mások, mint ők. Vagy manuálisan feltöltjük őket az általunk használt ML-modellbe úgy, hogy letöltjük a megjegyzéseket és cikkeket egy .csv fájlba.

2. Adatok feldolgozása ML feladatokkal

A modell most feldolgozza az adatokat, és azonosítja a különböző formátumokat – szöveg, videó vagy hang. Szöveg esetében a folyamat meglehetősen egyszerű. A modell kivonja az összes szöveget, beleértve hangulatjelek és hashtagek. Podcastok, rádióadások és videók esetén hangátírásra lesz szükség beszédből szöveggé szoftver segítségével. Ezek az adatok is elküldésre kerülnek a szövegelemzési folyamatba.

A folyamatban lévő természetes nyelvi feldolgozás (NLP), elnevezett entitásfelismerés (NER), szemantikai osztályozás stb. gondoskodik arról, hogy a kulcsfontosságú szempontok, témák és témák az adatokból kinyerésre és csoportosításra kerüljenek, hogy véleményük alapján elemezni lehessen őket.

3. A hangulat elemzése

Most, hogy a szöveget elkülönítették, minden témát, szempontot és entitást elemzi a hangulat, és kiszámítja a hangulatpontszámot. Ez a három megközelítés bármelyikével megtehető – szószámláló módszer, mondathosszúság módszer, valamint pozitív és negatív szavak aránya.

Vegyük ezt a mondatot példaként. „A stadionlátogatók megjegyezték, hogy jók az ülések. A jegyek azonban túl drágának tűntek, tekintettel arra, hogy nem volt elérhető bérlet, és sokan a jegypénztáraknál is goromba személyzettel találkoztak – írja a Daily Herald.”

Tegyük fel, hogy ezután tokenizálás, a szövegnormalizálás (nem szöveges adatok kiküszöbölése), a szótövekezés (a gyökérszó megtalálása) és a szóeltávolítás leállítása (redundáns szavak eltávolítása), a következő pontszámokat kapjuk a negatív és pozitív hangulatra.

Pozitív – Jó – 1 (+ 0.07)

Negatív – Költséges (- 0.5), durva (- 0.7) – 2

Most pedig számítsuk ki a hangulatpontszámokat a három fent említett módszerrel.

Szószámlálási módszer

Ez a legegyszerűbb módja a hangulati pontszám kiszámításának. Ennél a módszernél a negatívot csökkentjük a pozitív előfordulásokból (1 – 2 = -1)

Így a fenti példa hangulatpontszáma -1.

Mondathosszúságú módszer

A pozitív szavak számát kivonjuk a negatív szavakból. Az eredményt ezután elosztjuk a szövegben szereplő szavak teljes számával. Mivel az így kapott pontszám nagyon kicsi lehet, és sok tizedesjegyig terjedhet, gyakran megszorozzák egy számjeggyel. Ez azért történik, hogy a pontszámok nagyobbak legyenek, és így könnyebben megérthetők és összehasonlíthatók legyenek. Példánk esetében a pontszám a következő lesz.

1-2/42 = -0.0238095

Negatív-pozitív szószám arány

A pozitív szavak teljes számát elosztjuk a negatív szavak teljes számával. Az eredményt ezután hozzáadjuk 1-gyel. Ez kiegyensúlyozottabb, mint más megközelítések, különösen nagy mennyiségű adat esetén.

1/ 2+1 = 0.33333

4. Insights vizualizáció

Az adatok hangulatelemzése után a betekintések egy vizualizációs irányítópulton jelennek meg, így megértheti az összes adatból gyűjtött intelligenciát. Megtekintheti az idővonalon alapuló hangulatelemzést, valamint az olyan eseményeken alapulókat, mint a termékbemutatók, tőzsdei ingadozások, sajtóközlemények, cégnyilatkozatok, új árak stb.

Ezek a szempontalapú betekintések azok, amelyek hihetetlenül értékesek lehetnek az Ön számára, amikor marketing- és növekedési stratégiáit tervezi.

A mesterséges intelligencia és az adattudomány óriási jelentőséggel bír a marketingtevékenységekben, különösen a folyamatos innováció és a változó piaci dinamika korszakában. A közvetlenül tőlük kapott vásárlói visszajelzések alapján végzett ügyfélhangulatelemzés minden szükséges eszközt megadhat Önnek ahhoz, hogy megbizonyosodjon arról, hogy fenntartható marketingstratégiája van a folyamatos növekedéshez.

Martin Osztrovszkij a Repustate alapítója és vezérigazgatója. Szenvedélye az AI, az ML és az NLP. Ő állítja be a stratégiát, az ütemtervet és a funkciódefiníciót a Repustate Global Text Analytics API, Sentiment Analysis, Deep Search és Named Entity Recognition megoldásaihoz.