By Arimitra Maiti, Konsultan Analisis Senior

Foto oleh Aaron Blanco Tejedor on Unsplash

 

Pizza memungkinkan segalanya.

—Henry Rollins

PERHATIAN: Artikel ini, serta temuan analisis, tidak dimaksudkan untuk memengaruhi pelanggan Domino mana pun. Kebenaran yang mendasari pengamatan tunduk pada penyelidikan lebih lanjut oleh pakar domain, dan tidak boleh ditafsirkan sebagai bentuk fitnah. Data yang digunakan dalam penelitian bukanlah data pribadi atau data hak cipta atau sesuatu yang tersembunyi di balik login.

Pengantar

 
India menyaksikan penguncian nasional pertama kalinya dari 24 Maret 2020 hingga 31 Mei 2020 untuk melawan penyebaran virus corona baru dengan membatasi pergerakan penduduknya. Studi artikel ini bertujuan untuk mengidentifikasi perbedaan emosi pelanggan dalam memesan pizza di India dari salah satu rantai pengiriman pizza paling populer yang disebut Domino. Dari 128 toko pada tahun 2006 Domino's India, merek poster Jubilant Foodworks melaporkan lebih dari 1300 toko di 2020 melintasi negara. Studi tersebut menganalisis data Twitter selama tiga periode berbeda. Periode pertama dari 1 Januari 2020 hingga 24 Maret 2020 dianggap sebagai pra-penguncian, periode kedua dari 25 Maret 2020 hingga 31 Mei 2020 dianggap sebagai periode penguncian dan akhirnya, periode ketiga dari 1 Januari 2021 hingga 28 Februari 2021 dianggap sebagai post-lockdown. Data Twitter untuk tiga periode berbeda ini diekstraksi menggunakan Sprinklr (dilisensikan oleh IIM Ahmedabad), yang berspesialisasi dalam menyediakan percakapan pengguna waktu nyata dari pegangan sosial modern. Alat Sprinklr menawarkan akses mudah ke data historis Twitter yang dibuat oleh pengguna di seluruh dunia.

Grafik filter digunakan dalam Sprinklr adalah bahasa "hanya bahasa Inggris", sumber pembuatan data sebagai "hanya Twitter", dan asal pembuatan data sebagai "hanya India". Tidak ada pegangan Twitter atau tagar Twitter eksplisit yang digunakan untuk mengekstraksi konten lintas garis waktu, oleh karena itu diasumsikan bahwa kata kunci “dominos” akan mewakili perusahaan Dominos India yang menyajikan pizza kepada pelanggan dari gerai ritel atau platform online.

Pendekatan

 

Gambar-1 Pendekatan analisis tingkat tinggi. (Sumber Gambar): Gambar dari penulis

 

Kolom ke-1 dan paruh atas kolom ke-2 bergantung pada efisiensi dan gaya analis. Pendekatan ini tidak menyatakan sebagai yang ideal, karena dengan munculnya konsep dan teknik baru, analisis sentimen telah berkembang pesat selama 5 tahun terakhir. Namun, agar tetap dekat dengan tujuan, penelitian menemukan bahwa pendekatan di atas relevan. Perbaikan dan modifikasi lebih lanjut merupakan bagian integral dan sulit untuk diabaikan. Definisi masalah dasar adalah menganalisis sentimen pelanggan dan menangkap perbedaan spesifik dalam emosi selama periode waktu tertentu. Setelah membersihkan dan menstandarkan komentar pengguna, setiap ulasan melewati metode yang ditetapkan oleh gumpalan teks, sentiwordnet, dan afinn yang menghasilkan skor. Jika skor kurang dari nol maka Negatif, jika skor satu maka Netral dan jika lebih dari satu maka Positif.

Bagian bawah kolom ke-2 dan seluruh kolom ke-3 juga dapat dioptimalkan lebih lanjut dalam studi selanjutnya. Itu teks2 emosi Metode ini digunakan untuk mengekstraksi emosi untuk setiap ulasan. Sebagai tambahan, metode ini secara terpisah memberikan skor bersama dengan kategori emosi. Skor kumulatif hanya mencoba mencari tahu dalam kumpulan data yang diberikan skor akumulasi dari kategori emosi tertentu. Studi ini ingin memvalidasi ulasan pengguna mana yang tidak mendapatkan skor teks2 emosi.

Gambar-2 Ikhtisar Data. (Sumber Gambar): Gambar dari penulis

 

Tentang perpustakaan

 
Sentiwordnet adalah modul populer dalam paket python nltk yang digunakan untuk penambangan opini. Ini didasarkan pada kamus WordNet dan mengklasifikasikan kata sebagai positif, netral, atau negatif. Demikian pula, AFIN lexicon juga merupakan modul populer dari paket “Afinn” yang ampuh untuk penambangan opini. teks2 emosi adalah alat lain yang berguna dalam python yang dapat digunakan untuk mengklasifikasikan setiap sentimen sebagai emosi unik. Perlu dicatat dengan hati-hati bahwa salah satu kamus yang digunakan oleh analis untuk menilai sentimen semata-mata bergantung pada desain kamus. Konteks akhir dari bahasa atau reaksi pengguna mungkin memerlukan transformasi lebih lanjut untuk menggambarkan konteks bisnis yang mungkin tidak dipahami oleh kamus. Jadi relevansi output yang dihasilkan dari salah satu kamus yang digunakan di ruang Pemrosesan Bahasa Alami tunduk pada kebijaksanaan penelitian dan tidak dapat diambil begitu saja dari kamus. Kata tertentu mungkin terdengar negatif di kamus tetapi dalam konteks sebenarnya, kata yang sama itu mungkin netral atau positif.

Gambar-3 Tabel yang menunjukkan persentase skor sentimen Twitter yang cocok dengan skor Sentiwordnet atau AFINN yang dihasilkan dari penelitian. (Sumber Gambar): Gambar dari penulis

 

Tabel di atas menunjukkan bahwa untuk data yang dikumpulkan dari Twitter, kami mungkin mendapatkan hasil yang relatif lebih baik menggunakan kamus AFINN dibandingkan dengan Sentiwordnet atau Text blob (saat ini tidak ditampilkan dalam perbandingan).

Catatan: Tidak ada pemisahan set latihan dan tes atau validasi silang sebelumnya yang telah digunakan untuk menghasilkan skor Sentiwordnet atau AFINN. Semua reaksi pengguna di tiga garis waktu telah melewati setiap kamus satu per satu.

Temuan Awal

 

Gambar-4 Tabel menunjukkan persentase emosi yang tertangkap di tiga garis waktu. (Sumber Gambar): Gambar dari penulis

 

Menurut temuan kami, rasa takut sebagai teks untuk emosi telah meningkat secara dramatis dari 6% selama masa pra-lockdown menjadi 15% selama masa lockdown dan 11% selama periode pasca-lockdown. Namun, perasaan yang terkait dengan rasa takut ini mungkin tidak berkembang sebagai akibat dari makanan berkualitas tinggi pizza domino selama dan setelah penguncian.

Mari kita lihat beberapa bigram dari tiga garis waktu yang berbeda.

Gambar-5 Biggram dari Pra-penguncian periode hanya pada tweet terkait Ketakutan. (Sumber Gambar): Gambar dari penulis

 


Gambar-6 Biggram dari kuncian periode hanya pada tweet terkait Ketakutan. (Sumber Gambar): Gambar dari penulis

 


Gambar-7 Biggram dari pasca-penguncian periode hanya pada tweet terkait Ketakutan. (Sumber Gambar): Gambar dari penulis

 

Bigram hanya pada tweet terkait Ketakutan di tiga garis waktu menyiratkan serangkaian konsep yang terpisah. Ada kasus kontraksi covid yang dilaporkan oleh pelanggan dari mitra pengiriman seperti Swiggy dan Zomato yang bertanggung jawab untuk mengirimkan paket dari gerai ritel ke tujuan pelanggan. Pada Mei 2020, Tata Consumer Products Ltd (TPCL) bermitra dengan aplikasi Dominos untuk mengirimkan barang-barang penting mereka. Oleh karena itu, ketakutan bisa spesifik karena jalur layanan khusus ini di mana mungkin ada ketidakpastian yang dirasakan atas sanitasi alih-alih kualitas makanan.

Kesimpulan

 
Notebook dapat diakses dari di sini. Stoplist yang digunakan untuk penelitian ditunjukkan di bawah ini.

Hyperlink untuk pra-covid, kuncian dan pasca-covid unduhan data juga dilampirkan. Cuplikan terprogram dari langkah-langkah pemrosesan juga ditampilkan di bawah ini.

Cuplikan Kode memproses dan mencetak teks. (Sumber Kode): Kode dari penulis

 

Tujuan dari penelitian ini adalah untuk menentukan emosi mana yang telah berubah secara signifikan antara era pra-covid dan pasca-covid, terutama di pasar pizza India. Ini tidak dimaksudkan untuk mengurangi nilai merek apa pun atau memengaruhi preferensi pelanggan. Fakta bahwa rasa takut memesan pizza meningkat selama penguncian adalah empiris dan berhubungan langsung dengan mentalitas kita pasca-covid. Perlu juga dicatat bahwa, selain "ketakutan", tidak ada emosi lain yang menyaksikan lonjakan besar dalam penjualan pizza. Ini bisa berarti bahwa tanpa efek penguncian, perasaan memesan pizza akan terus campur aduk atau ceria, bukannya takut sama sekali. Untuk manajer bisnis yang menyusun strategi penjualan kartu domino, wawasan yang dibagikan dalam artikel ini mungkin bukan terobosan. Di sisi lain, penelitian ini mencoba memproyeksikan aplikasi praktis dari penambangan opini yang dapat dengan mudah disimpulkan dari pengalaman dunia nyata.

Terima kasih.

 
Bio: Arimitra Maiti adalah seorang profesional analitik dengan pengalaman lebih dari 10 tahun dalam konsultasi analitik, pemodelan statistik, manajemen pemangku kepentingan, dan memimpin pengembangan solusi analitik yang menghasilkan wawasan seputar optimalisasi biaya dan pendapatan.

Original. Diposting ulang dengan izin.

Terkait:

• Apa yang dilakukan COVID pada semua model kami?
• 6 Teknik NLP Yang Harus Diketahui Setiap Ilmuwan Data
• Cara Membuat dan Menerapkan Aplikasi Analisis Sentimen Sederhana melalui API