Cara Mengumpulkan Data Untuk Analisis Sentimen Pelanggan

Gambar oleh Editor
 

Analisis sentimen pelanggan adalah proses menggunakan pembelajaran mesin (ML) untuk menemukan maksud dan pendapat pelanggan tentang suatu merek dari umpan balik pelanggan yang diberikan dalam ulasan, forum, survei, dan sebagainya. Analisis sentimen data pengalaman pelanggan memberi bisnis wawasan mendalam tentang motivasi di balik keputusan pembelian, pola dalam mengubah sentimen merek berdasarkan garis waktu atau peristiwa, dan analisis kesenjangan pasar yang dapat membantu dalam peningkatan produk dan layanan.

Daftar Isi:

• Apa itu analisis sentimen pelanggan?
• Bagaimana Anda mengumpulkan data untuk analisis sentimen pelanggan?
• Bagaimana skor sentimen diperoleh dari umpan balik pelanggan
• Kesimpulan

Analisis sentimen menyisir data umpan balik pelanggan untuk mengidentifikasi spesifik emosi atau sentimen. Secara umum, ini positif, negatif, atau netral. Namun dalam parameter ini, model analisis sentimen yang didorong oleh tugas ML seperti pemrosesan bahasa alami (NLP) dan analisis semantik yang dapat menemukan aspek semantik dan sintaksis kata dapat membantu menemukan berbagai jenis sentimen negatif juga. 

Misalnya, ini dapat membantu memberikan skor sentimen yang bervariasi berdasarkan kata-kata yang menunjukkan emosi negatif yang berbeda seperti kecemasan, kekecewaan, penyesalan, kemarahan, dan sebagainya. Sama halnya dengan sentimen mikro positif.

Penambangan emosi yang halus seperti itu dikombinasikan dengan analisis berbasis aspek dari pengalaman pelanggan dengan merek dapat menjadi sangat penting. Misalnya, ketika Anda mengetahui sentimen berdasarkan aspek seperti harga, kenyamanan, kemudahan pembelian, layanan pelanggan, dll., Anda mendapatkan wawasan yang dapat ditindaklanjuti yang dapat Anda andalkan untuk membuat keputusan yang tepat terkait kontrol kualitas dan peningkatan produk.

Bagian yang sangat penting dalam mendapatkan kecerdasan sentimen merek yang terarah dan berwawasan luas adalah memiliki data umpan balik pelanggan yang andal. Berikut adalah lima cara penting di mana Anda dapat mengumpulkan data tersebut.

1. Komentar dan video media sosial

Mendengarkan media sosial adalah salah satu cara di mana Anda bisa mendapatkan umpan balik pelanggan saat ini tentang merek Anda, yang mencakup produk maupun layanan Anda. Model analisis sentimen yang dapat memproses dan mengevaluasi komentar media sosial, serta konten video, adalah taruhan yang tepat untuk memanfaatkan sumber data ini. 

Dengan alat seperti itu, Anda memanfaatkan data untuk analisis sentimen pelanggan dari situs media sosial yang padat teks seperti Twitter hingga situs berbasis video seperti TikTok atau Instagram. Ini memberi Anda keuntungan besar karena tidak semua platform media sosial cocok untuk semua pilihan pelanggan. 

Misalnya, sementara pelanggan terutama menggunakan Twitter untuk berinteraksi langsung dengan merek, pengguna Facebook diketahui meninggalkan komentar mendetail tentang bisnis yang terkait dengan mereka. Kontras yang mencolok ini disebabkan oleh faktor-faktor seperti sifat bisnis, usia, lokasi geografis, penggunaan digital, dan sebagainya.

Contoh di bawah menunjukkan bagaimana pelanggan meninggalkan komentar di dua saluran media sosial yang berbeda.
 

 
 

Keuntungan besar lainnya dari analisis sentimen media sosial adalah Anda juga dapat menemukan Influencer media sosial yang sesuai dengan tagihan Anda dan dapat menjadi tambahan yang luar biasa untuk strategi pemasaran digital Anda. Influencer menghabiskan setengah dari investasi yang digunakan untuk menyewa agen PR atau dukungan selebriti. 

Juga, orang mempercayai ulasan produk dan dukungan dari Influencer kepada siapa mereka bisa menghubungkan. Ini benar apakah Anda seorang pekerja magang yang mencari tip gaya profesional atau ayah dari empat anak yang mencari pilihan terbaik di ponsel untuk remaja. Ini adalah bagaimana ilmu data dan ML membantu menemukan TikTok Influencer yang tepat untuk bisnis.

2. Melampaui Survei Kuantitatif seperti NPS, CES, atau CSAT

Metrik umpan balik pelanggan seperti skor promotor bersih (NPS), skor upaya pelanggan (CES), atau peringkat bintang dapat memberi tahu Anda secara sekilas apakah orang senang dengan bisnis Anda atau tidak. Tapi ini tidak benar-benar memberi Anda wawasan bisnis yang sebenarnya. 

 

 

Untuk mendapatkan wawasan sentimen pelanggan yang nyata, Anda perlu melampaui metrik kuantitatif. Dan untuk itu, Anda perlu menganalisis komentar dan tanggapan survei terbuka yang tidak memiliki tanggapan tetap. Ini memungkinkan pelanggan untuk menulis komentar yang mengalir bebas, yang dapat memberi Anda wawasan tentang aspek bisnis Anda yang bahkan tidak Anda sadari. 

 

 

Pada contoh di atas, kita dapat melihat bahwa pelanggan telah memberikan peringkat 1 bintang untuk bisnis tersebut. Tetapi setelah membaca komentar tersebut, kami menyadari bahwa alasan di balik sentimen negatif tersebut sama sekali berbeda. 

Sementara satu pelanggan tidak senang dengan layanan pelanggan online perusahaan, yang lain menyebutkan bahwa meskipun mereka adalah pelanggan lama, penurunan kualitas dan harga baru adalah alasan mengapa mereka mungkin tidak membeli dari mereka lagi.

Ini adalah wawasan yang dapat ditindaklanjuti, di mana bisnis tahu persis di mana perbaikan harus dilakukan untuk mempertahankan kepuasan dan loyalitas pelanggan. Melampaui sekadar metrik numerik dapat memberi Anda wawasan ini.

3. Analisis ulasan dari forum dan situs web pelanggan

Cara terbaik lainnya untuk mendapatkan beragam data umpan balik pelanggan adalah dengan menyaring situs web ulasan produk seperti GoogleMyBusiness dan forum seperti Reddit. Yang penting, mendapatkan wawasan dari berbagai sumber data dapat memberi Anda wawasan yang lebih baik karena jenis audiens yang diundang oleh berbagai platform. 

Misalnya, Reddit sebagian besar digunakan oleh pelanggan yang lebih bersemangat tentang subjek atau produk karena forum tersebut memungkinkan mereka untuk berdiskusi panjang lebar. Sementara, ulasan Amazon atau ulasan Google sebagian besar digunakan oleh pelanggan biasa yang ingin memberikan ulasan baik karena dorongan bisnis atau karena pengalaman, baik atau buruk, yang mungkin mereka miliki. 

Ini Wawasan teknis berbasis ML diambil dari ulasan di Disney World di Florida yang berasal dari komentar pelanggan di Reddit dan Google mengilustrasikan hal ini lebih lanjut.

4. Data suara pelanggan (VoC) dari sumber non-tradisional

Sumber data umpan balik pelanggan non-tradisional seperti sejarah chatbot, email pelanggan, transkrip dukungan pelanggan, dan sebagainya adalah sumber brilian untuk mendapatkan wawasan pengalaman pelanggan. Keuntungan dari sumber ini adalah semua data ini sudah tersedia di alat manajemen hubungan pelanggan (CRM) Anda. 

Ketika Anda dapat mengumpulkan dan menganalisis data ini, Anda akan dapat menemukan banyak masalah mendasar yang mungkin tidak dapat disorot oleh survei pelanggan yang direncanakan dengan baik atau mendengarkan media sosial.

5. Analisis berita dan podcast

Data berita yang terdiri dari artikel, serta video berita dan podcast, dapat memberi Anda wawasan terperinci tentang kinerja dan persepsi merek. Umpan balik pasar dari sumber berita dapat membantu bisnis dalam aktivitas hubungan masyarakat (PR) yang efektif untuk manajemen reputasi merek. 

 

 

Ini juga dapat membantu dalam analisis pesaing berdasarkan tren industri yang dapat diambil oleh model analisis sentimen dari data pengalaman merek dalam artikel berita atau video serta membantu mereka memahami perilaku konsumen. 

Untuk mengilustrasikan bagaimana sentimen diekstrak dan skor dihitung, mari kita ambil sumber berita sebagai sumber penting umpan balik pelanggan dan lihat bagaimana model ML akan menganalisis data tersebut.

1. Mengumpulkan data

Untuk mendapatkan hasil yang paling akurat, kita harus menggunakan semua sumber berita yang tersedia untuk umum. Ini termasuk berita dari saluran televisi, majalah online dan publikasi lainnya, siaran radio, podcast, video, dll. 

Ada dua cara di mana hal ini dapat dilakukan. Kami mengunggah data secara langsung melalui API berita langsung seperti Google News API, API Berita Utama ESPN, API Berita BBC, dan lain-lain seperti mereka. Atau, kami mengunggahnya secara manual ke model ML yang kami gunakan dengan mengunduh komentar dan artikel dalam file .csv.

2. Memproses Data Dengan Tugas ML

Model sekarang memproses data dan mengidentifikasi berbagai format – teks, video, atau audio. Dalam kasus teks, prosesnya cukup sederhana. Model mengekstrak semua teks termasuk emoticon dan tagar. Dalam hal podcast, siaran radio, dan video, diperlukan transkripsi audio melalui perangkat lunak ucapan-ke-teks. Data ini juga kemudian dikirim ke pipa analitik teks.

Setelah berada di jalur pipa, pemrosesan bahasa alami (NLP), pengenalan entitas bernama (NER), klasifikasi semantik, dll. Pastikan bahwa aspek utama, tema, dan topik dari data diekstraksi dan dikelompokkan sehingga dapat dianalisis untuk sentimen. 

3. Menganalisis sentimen 

Setelah teks dipisahkan, setiap tema, aspek, dan entitas dianalisis untuk sentimen dan skor sentimen dihitung. Ini dapat dilakukan dengan salah satu dari tiga pendekatan – metode penghitungan kata, metode panjang kalimat, dan rasio kata positif dan negatif.

Mari kita ambil kalimat ini sebagai contoh. “Penonton stadion berkomentar bahwa kursinya bagus. Namun, tiketnya tampaknya terlalu mahal, mengingat tidak ada tiket musiman yang tersedia, dan bahkan banyak yang menemui staf kasar di loket tiket, menurut Daily Herald.

Mari kita asumsikan setelah itu tokenization, normalisasi teks (menghilangkan data non-teks), stemming kata (menemukan akar kata), dan menghentikan penghapusan kata (menghilangkan kata yang berlebihan), kami mendapatkan skor berikut untuk sentimen negatif dan positif.

Positif – Baik – 1(+ 0.07)

Negatif – Mahal (- 0.5), kasar (- 0.7) – 2

Sekarang mari kita hitung skor sentimen menggunakan tiga metode yang disebutkan di atas.

Metode hitungan kata

Ini adalah cara paling sederhana untuk menghitung skor sentimen. Dalam metode ini, kami mengurangi kejadian negatif dari kejadian positif (1 – 2 = -1)

Jadi, skor sentimen dari contoh di atas adalah -1. 

Metode panjang kalimat

Jumlah kata positif dikurangi dari kata negatif. Hasilnya kemudian dibagi dengan jumlah kata dalam teks. Karena skor yang didapat bisa sangat kecil dan mengikuti banyak tempat desimal, sering kali dikalikan dengan satu digit. Hal ini dilakukan agar skor lebih besar sehingga lebih mudah dipahami dan dibandingkan. Dalam kasus contoh kita, skornya adalah.

1-2/42 = -0.0238095

Rasio jumlah kata negatif-positif

Jumlah total kata positif dibagi dengan jumlah total kata negatif. Hasilnya kemudian ditambah dengan 1. Ini lebih seimbang daripada pendekatan lain, terutama dalam kasus data dalam jumlah besar. 

1/ 2+1 = 0.33333

4. Visualisasi Wawasan

Setelah data dianalisis untuk sentimen, wawasan disajikan di dasbor visualisasi sehingga Anda dapat memahami kecerdasan yang telah dikumpulkan dari semua data. Anda dapat melihat analisis sentimen berbasis garis waktu, serta yang didasarkan pada peristiwa seperti peluncuran produk, fluktuasi pasar saham, siaran pers, pernyataan perusahaan, harga baru, dll. 

Wawasan berbasis aspek inilah yang bisa menjadi nilai luar biasa bagi Anda saat Anda merencanakan strategi pemasaran dan pertumbuhan.

AI dan ilmu data sangat penting untuk kegiatan pemasaran, terutama di era inovasi konstan dan dinamika pasar yang terus berubah. Analisis sentimen pelanggan yang didorong oleh data umpan balik pelanggan yang telah dimanfaatkan secara langsung dari mereka dapat memberi Anda semua pengaruh yang Anda butuhkan untuk memastikan bahwa Anda memiliki strategi pemasaran yang berkelanjutan untuk pertumbuhan yang berkelanjutan.
 
 
Martin Ostrovsky adalah pendiri dan CEO Repustate. Dia sangat menyukai AI, ML, dan NLP. Dia menetapkan strategi, peta jalan, dan definisi fitur untuk solusi Repustate's Global Text Analytics API, Sentiment Analysis, Deep Search, dan Named Entity Recognition.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
• Sumber: 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