כיצד לאסוף נתונים לניתוח סנטימנט לקוחות

הועלה מחדש על ידי אפלטון

עוקב: 0

כיצד לאסוף נתונים לניתוח סנטימנט לקוחות
תמונה מאת עורך

ניתוח סנטימנט לקוחות הוא תהליך של שימוש בלמידת מכונה (ML) כדי לגלות את כוונת הלקוח וחוות דעתו על מותג ממשוב לקוחות שניתן בביקורות, פורומים, סקרים וכו'. ניתוח סנטימנטים של נתוני חווית הלקוח נותן לעסקים תובנות עמוקות לגבי המניעים מאחורי החלטות רכישה, הדפוסים בשינוי סנטימנט המותג על סמך קווי זמן או אירועים, וכן ניתוח פערי שוק שיכול לעזור בשיפור המוצר והשירות.

תוכן העניינים:

מהו ניתוח סנטימנט לקוחות?
איך אוספים נתונים לניתוח סנטימנט לקוחות?
כיצד נגזרים ציוני סנטימנט ממשוב לקוחות
סיכום

ניתוח סנטימנט מסרק עדין נתוני משוב של לקוחות כדי לזהות ספציפיים רגשות או סנטימנטים. בגדול, אלה חיוביים, שליליים או ניטרליים. אבל בתוך הפרמטרים האלה, מודל ניתוח סנטימנטים המונע על ידי משימות ML כמו עיבוד שפה טבעית (NLP) וניתוח סמנטי שיכול למצוא את ההיבטים הסמנטיים והתחביריים של מילים יכול לעזור למצוא גם סוגים שונים של סנטימנט שלילי.

לדוגמה, זה יכול לעזור לתת ציוני סנטימנט משתנים בהתבסס על מילים המציינות רגשות שליליים שונים כגון חרדה, אכזבה, חרטה, כעס וכו'. אותו הדבר עם מיקרו סנטימנטים חיוביים.

כריית רגשות עדינה כזו בשילוב עם ניתוח מבוסס היבטים של חווית הלקוח עם מותג יכולה להיות בעלת חשיבות עליונה. לדוגמה, כאשר אתה יודע סנטימנט המבוסס על היבטים כמו מחיר, נוחות, קלות רכישה, שירות לקוחות וכו', אתה מקבל תובנות מעשיות שאתה יכול לסמוך עליהן כדי לקבל את ההחלטות הנכונות בכל הנוגע לבקרת איכות ושיפור המוצר.

חלק חשוב מאוד ברכישת אינטליגנציה ממוקדת ומלאת תובנה של סנטימנט מותגים הוא קבלת נתוני משוב אמינים של לקוחות. להלן חמש דרכים חיוניות שבהן תוכל לאסוף נתונים כאלה.

1. תגובות וסרטונים ברשתות החברתיות

האזנה למדיה חברתית היא אחת הדרכים שבהן אתה יכול לקבל משוב עדכני מלקוחות על המותג שלך, הכולל הן את המוצר והן את השירות. מודל ניתוח סנטימנטים שיכול לעבד ולהעריך הערות במדיה חברתית, כמו גם תוכן וידאו, הוא ההימור המושלם למנף את מקור הנתונים הזה.

עם כלי כזה, אתה רותם נתונים לניתוח סנטימנט לקוחות מאתרי מדיה חברתית עתירי טקסט כמו טוויטר לאלה מבוססי וידאו כמו TikTok או Instagram. זה נותן לך יתרון גדול מכיוון שלא כל פלטפורמות המדיה החברתיות הן יחידות בגודלן כשמדובר בחירות הלקוח.

לדוגמה, בעוד שלקוחות משתמשים בעיקר בטוויטר כדי ליצור אינטראקציה ישירה עם מותג, ידוע שמשתמשי פייסבוק משאירים הערות מפורטות על עסק שהם קשורים אליו. הניגוד המוחלט הזה נובע מגורמים כמו אופי העסק, גיל, מיקום גיאוגרפי, שימוש דיגיטלי וכו'.

הדוגמאות שלהלן מראות כיצד לקוחות משאירים תגובות בשני ערוצי המדיה החברתית השונים.

כיצד לאסוף נתונים לניתוח סנטימנט לקוחות

יתרון גדול נוסף של ניתוח סנטימנטים במדיה חברתית הוא שאתה יכול למצוא גם משפיעני מדיה חברתית שמתאימים לחשבון שלך ויכולים להוות תוספת מדהימה לאסטרטגיית השיווק הדיגיטלית שלך. משפיענים עולים חצי מההשקעה שמגיעה לשכירת סוכנות יחסי ציבור או תמיכה של ידוענים.

כמו כן, אנשים סומכים על סקירות מוצרים והמלצות של משפיענים למי שהם יכולים לספר. זה נכון בין אם אתה מתמחה שמחפש טיפים לסטיילינג מקצועי או אב לארבעה בחיפוש אחר האפשרויות הטובות ביותר בטלפונים סלולריים לבני נוער. כך מדעי הנתונים ו-ML עוזרים למצוא את המשפיען המתאים של TikTok לעסק.

2. מעבר לסקרים כמותיים כמו NPS, CES או CSAT

מדדי משוב לקוחות כמו ציון מקדם נטו (NPS), ציון מאמצים של לקוחות (CES), או דירוגי כוכבים יכולים לומר לך במבט חטוף אם אנשים מרוצים מהעסק שלך או לא. אבל זה לא באמת נותן לך תובנה עסקית ממשית.

כיצד לאסוף נתונים לניתוח סנטימנט לקוחות

כדי לקבל תובנות אמיתיות לגבי סנטימנט הלקוחות, עליך ללכת מעבר למדדים כמותיים. ולשם כך, אתה צריך לנתח הערות ותשובות סקר פתוחות שאין להן שום תגובה קבועה. זה מאפשר ללקוחות לכתוב הערות זורמות בחופשיות, שיכולות לתת לך תובנות לגבי היבטים של העסק שלך שאפילו לא היית מודע אליהם.

כיצד לאסוף נתונים לניתוח סנטימנט לקוחות

בדוגמה שלמעלה, אנו יכולים לראות שלקוחות נתנו דירוג של כוכב אחד לעסק. אבל לאחר קריאת ההערות אנו מבינים שהסיבות מאחורי התחושות השליליות שונות לחלוטין.

בעוד לקוח אחד לא מרוצה משירות הלקוחות המקוון של החברה, השני מזכיר שלמרות שהוא לקוח ותיק, הירידה באיכות והתמחור החדש היא הסיבה שאולי הוא לא קונה אצלם יותר.

אלו תובנות ניתנות לפעולה, שבהן עסק יודע בדיוק היכן יש לבצע שיפור על מנת לשמור על שביעות רצון ונאמנות הלקוחות. מעבר למדדים מספריים בלבד יכול להביא לך את התובנות האלה.

3. לנתח ביקורות מפורומים ואתרים של לקוחות

דרך מצוינת נוספת לקבל נתוני משוב מגוונים של לקוחות היא על ידי סינון דרך אתרי ביקורת מוצרים כמו GoogleMyBusiness ופורומים כגון Reddit. חשוב לציין, קבלת תובנות ממקורות נתונים שונים יכולה לתת לך תובנות טובות יותר בגלל סוג הקהל שפלטפורמות שונות מזמינות.

לדוגמה, Reddit משמש בעיקר על ידי לקוחות שמתלהבים יותר מהנושא או המוצר מכיוון שהפורום מאפשר להם לנהל דיונים מלאים. אמנם, ביקורות של אמזון או ביקורות של גוגל משמשות בעיקר לקוחות מזדמנים שרוצים להשאיר ביקורת או בהנחיית העסק או בגלל החוויה, טובה או רעה, שאולי הייתה להם.

אלה תובנות טכניות מונחות ML שנלקחו מביקורות על דיסני וורלד בפלורידה, שנגזרו מהערות לקוחות על Reddit וגוגל ממחישים נקודה זו עוד יותר.

4. נתוני קול לקוחות (VoC) ממקורות לא מסורתיים

מקורות לא מסורתיים של נתוני משוב לקוחות כגון היסטוריית צ'אטבוט, מיילים של לקוחות, תמלול תמיכת לקוחות וכן הלאה הם מקורות מבריקים להשיג תובנות על חווית הלקוח. יתרון של מקורות אלו הוא שכל הנתונים הללו כבר זמינים בכלי ניהול קשרי הלקוחות שלך (CRM).

כאשר תצליחו לאסוף ולנתח נתונים אלו, תוכלו לגלות בעיות בסיסיות רבות שאפילו סקרי לקוחות מתוכננים היטב או האזנה לרשתות חברתיות לא יוכלו להדגיש.

5. נתח חדשות ופודקאסטים

נתוני חדשות המורכבים משני המאמרים, כמו גם סרטוני חדשות ופודקאסטים, יכולים לתת לך תובנות מפורטות לגבי הביצועים והתפיסה של המותג. משוב שוק ממקורות חדשותיים יכול לעזור לעסק בפעילויות יחסי ציבור אפקטיביות (PR) לניהול מוניטין המותג.

כיצד לאסוף נתונים לניתוח סנטימנט לקוחות

זה גם יכול לעזור בניתוח מתחרים המבוסס על מגמות בתעשייה שמודל ניתוח סנטימנטים יכול לחלץ מנתוני חווית מותג במאמרי חדשות או בסרטונים וכן לעזור להם להבין את התנהגות הצרכנים.

כדי להמחיש כיצד מחלצים סנטימנט ומחושבים ציונים, הבה ניקח מקורות חדשותיים כמקור חיוני למשוב לקוחות ונראה כיצד מודל ML מנתח נתונים כאלה.

1. איסוף הנתונים

על מנת לקבל את התוצאות המדויקות ביותר, עלינו להשתמש בכל מקורות החדשות הזמינים לציבור. זה כולל חדשות מערוצי טלוויזיה, מגזינים מקוונים ופרסומים אחרים, שידורי רדיו, פודקאסטים, סרטונים וכו'.

ישנן שתי דרכים בהן ניתן לעשות זאת. אנחנו מעלים את הנתונים ישירות דרך ממשקי API של חדשות חיים כמו Google News API, ESPN Headlines API, BBC News API, ואחרים כמוהם. לחלופין, אנו מעלים אותם באופן ידני למודל ה-ML שבו אנו משתמשים על ידי הורדת ההערות והמאמרים בקובץ .csv.

2. עיבוד נתונים עם משימות ML

המודל מעבד כעת את הנתונים ומזהה את הפורמטים השונים - טקסט, וידאו או אודיו. במקרה של טקסט, התהליך די פשוט. המודל מחלץ את כל הטקסט כולל פרצופונים והאשטאגים. במקרה של פודקאסטים, שידורי רדיו וסרטונים, זה ידרוש תמלול אודיו באמצעות תוכנת דיבור לטקסט. גם נתונים אלה נשלחים לאחר מכן לצינור ניתוח הטקסט.

ברגע שבצנרת, עיבוד שפה טבעית (NLP), זיהוי ישויות בשם (NER), סיווג סמנטי וכו' מוודאים שהיבטים, נושאים ונושאים מפתח מהנתונים מחולצים ומקובצים כך שניתן יהיה לנתח אותם לפי סנטימנט.

3. ניתוח סנטימנט

כעת, כשהטקסט הופרד, כל נושא, היבט וישות מנותחים לפי סנטימנט וציון הסנטימנט מחושב. ניתן לעשות זאת בכל אחת משלוש גישות - שיטת ספירת מילים, שיטת אורך המשפט והיחס בין מילים חיוביות ושליליות.

הבה ניקח את המשפט הזה כדוגמה. "צופי האצטדיון ציינו שהמושבים טובים. עם זאת, הכרטיסים אכן נראו יקרים מדי, בהתחשב בעובדה שלא היו זמינים כרטיסי עונתיים, ורבים אף נתקלו בצוות גס רוח בדלפק הכרטיסים, לפי ה"דיילי הראלד".

הבה נניח שאחרי טקניזציה, נורמליזציה של טקסט (ביטול נתונים שאינם טקסטים), גזירת מילים (מציאת מילת השורש), והפסקת הסרת מילים (הסרת מילים מיותרות), נקבל את הציונים הבאים לסנטימנט שלילי וחיובי.

חיובי – טוב – 1(+ 0.07)

שלילי - יקר (- 0.5), גס (- 0.7) - 2

כעת הבה נחשב את ציוני הסנטימנט באמצעות שלוש השיטות שהוזכרו לעיל.

שיטת ספירת מילים

זוהי הדרך הפשוטה ביותר שבה ניתן לחשב את ציון הסנטימנט. בשיטה זו, אנו מצמצמים את השלילי מההתרחשויות החיוביות (1 – 2 = -1)

לפיכך, ציון הסנטימנט של הדוגמה לעיל הוא -1.

שיטת אורך משפט

מספר המילים החיוביות מופחת מהמילים השליליות. לאחר מכן מחלקים את התוצאה במספר המילים הכולל בטקסט. מכיוון שהניקוד שהגיע כך יכול להיות קטן מאוד ולהגיע למקומות עשרוניים רבים, הוא מוכפל לעתים קרובות בספרה אחת. זה נעשה כדי שהציונים יהיו גדולים יותר וכך קל יותר להבין ולהשוות. במקרה של הדוגמה שלנו, הניקוד יהיה.

1-2/42 = -0.0238095

יחס ספירת מילים שלילי-חיובי

המספר הכולל של מילים חיוביות מחולק במספר הכולל של מילים שליליות. התוצאה מתווספת לאחר מכן ב-1. זה מאוזן יותר מגישות אחרות, במיוחד במקרה של כמויות גדולות של נתונים.

1/2+1 = 0.33333

4. ויזואליזציה של תובנות

לאחר ניתוח הנתונים לפי סנטימנט, התובנות מוצגות בלוח מחוונים להדמיה, כך שתוכל להבין את האינטליגנציה שנאספה מכל הנתונים. אתה יכול לראות ניתוח סנטימנטים מבוסס ציר זמן, כמו גם כאלה המבוססים על אירועים כמו השקות מוצרים, תנודות בבורסה, הודעות לעיתונות, הצהרות חברה, תמחור חדש וכו'.

התובנות המבוססות על היבטים אלו הן מה שיכול להיות בעל ערך מדהים עבורך כשאתה מתכנן את אסטרטגיות השיווק והצמיחה שלך.

AI ומדעי הנתונים הם בעלי חשיבות עצומה לפעילויות השיווק, במיוחד בעידן של חדשנות מתמדת ודינמיקת שוק משתנה. ניתוח סנטימנט לקוחות המונע על ידי נתוני משוב לקוחות שנרתמו ישירות מהם יכול לתת לך את כל המינוף שאתה צריך כדי לוודא שיש לך אסטרטגיית שיווק בת קיימא להמשך צמיחה.

מרטין אוסטרובסקי הוא המייסד והמנכ"ל של Repustate. הוא נלהב מבינה מלאכותית, ML ו-NLP. הוא קובע את האסטרטגיה, מפת הדרכים והגדרת התכונה עבור פתרונות ה-API הגלובלי של Repustate לניתוח טקסטים, ניתוח סנטימנטים, חיפוש עמוק וזיהוי ישויות בשם.