Slik samler du inn data for kundesentimentanalyse

Publisert av Platon

Følgere: 0

Hvordan samle inn data for kundesentimentanalyse
Bilde av redaktør

Kundesentimentanalyse er prosessen med å bruke maskinlæring (ML) for å oppdage kundens hensikt og mening om et merke fra tilbakemeldinger fra kunder gitt i anmeldelser, fora, undersøkelser og så videre. Sentimentanalyse av kundeopplevelsesdata gir bedrifter dyp innsikt i motivasjonen bak kjøpsbeslutninger, mønstrene i endret merkesentiment basert på tidslinjer eller hendelser, og markedsgap analyse som kan hjelpe til med produkt- og tjenesteforbedring.

Innholdsfortegnelse:

Hva er kundesentimentanalyse?
Hvordan samler du inn data for kundesentimentanalyse?
Hvordan sentimentpoeng utledes fra tilbakemeldinger fra kunder
konklusjonen

Sentimentanalyse finkjemmer kundetilbakemeldingsdata for å identifisere spesifikke følelser eller følelser. Stort sett er disse positive, negative eller nøytrale. Men innenfor disse parameterne kan en sentimentanalysemodell drevet av ML-oppgaver som naturlig språkbehandling (NLP) og semantisk analyse som kan finne de semantiske og syntaktiske aspektene ved ord, hjelpe til med å finne ulike typer negative følelser også.

For eksempel kan det bidra til å gi varierende følelsesscore basert på ord som betegner ulike negative følelser som angst, skuffelse, anger, sinne og så videre. Det samme er tilfellet med positive mikrosentimenter.

Slik finmasket følelsesutvinning kombinert med aspektbasert analyse av en kundes opplevelse med et merke kan være av største betydning. For eksempel, når du kjenner sentiment basert på aspekter som pris, bekvemmelighet, kjøpsvennlighet, kundeservice osv., får du praktisk innsikt som du kan stole på for å ta de riktige avgjørelsene når det kommer til kvalitetskontroll og produktforbedring.

En svært viktig del av å skaffe målrettet og innsiktsfull merkesentimentintelligens er å ha pålitelige tilbakemeldingsdata fra kunder. Her er fem viktige måter du kan samle inn slike data på.

1. Kommentarer og videoer på sosiale medier

Lytting på sosiale medier er en av måtene du kan få aktuelle tilbakemeldinger fra kunder om merkevaren din, som inkluderer både produktet ditt og tjenesten. En sentimentanalysemodell som kan behandle og evaluere kommentarer på sosiale medier, samt videoinnhold, er det perfekte alternativet for å utnytte denne datakilden.

Med et slikt verktøy utnytter du data for kundesentimentanalyse fra teksttunge sosiale medier som Twitter til videobaserte som TikTok eller Instagram. Dette gir deg en stor fordel fordi ikke alle sosiale medieplattformer er one-size-fits-all når det kommer til kundevalg.

For eksempel, mens kunder hovedsakelig bruker Twitter for å kommunisere direkte med en merkevare, er Facebook-brukere kjent for å legge igjen detaljerte kommentarer om en virksomhet de har assosiert med. Denne sterke kontrasten skyldes faktorer som virksomhetens art, alder, geografisk plassering, digital bruk og så videre.

Eksemplene nedenfor viser hvordan kunder legger igjen kommentarer på de to ulike sosiale mediekanalene.

Hvordan samle inn data for kundesentimentanalyse

En annen stor fordel med sentimentanalyse på sosiale medier er at du også kan finne sosiale medier-influencers som passer din regning og kan være et fantastisk tillegg til din digitale markedsføringsstrategi. Influencers koster halvparten av investeringen som går med til å ansette et PR-byrå eller kjendisgodkjenning.

Folk stoler også på produktanmeldelser og påtegninger fra Influencers som de kan relatere. Dette gjelder enten du er en praktikant på jakt etter profesjonelle stylingtips eller en far til fire på jakt etter de beste alternativene innen mobiltelefoner for tenåringer. Dette er hvordan datavitenskap og ML hjelper deg med å finne den rette TikTok-influenceren for en bedrift.

2. Gå utover kvantitative undersøkelser som NPS, CES eller CSAT

Kundetilbakemeldingsberegninger som netto promoterscore (NPS), kundeinnsatsscore (CES) eller stjernerangeringer kan fortelle deg på et øyeblikk om folk er fornøyde med bedriften din eller ikke. Men dette gir deg egentlig ikke noen faktisk forretningsinnsikt.

Hvordan samle inn data for kundesentimentanalyse

For å få reell innsikt i kundesentimenter må du gå utover kvantitative beregninger. Og for det må du analysere kommentarer og åpne spørreundersøkelser som ikke har noen fast respons. Dette lar kundene skrive frittflytende kommentarer, som kan gi deg innsikt i aspekter ved virksomheten din som du ikke engang var klar over.

Hvordan samle inn data for kundesentimentanalyse

I eksemplet ovenfor kan vi se at kunder har gitt en 1-stjerners vurdering til virksomheten. Men når vi leser kommentarene innser vi at årsakene bak de negative følelsene er helt forskjellige.

Mens en kunde er misfornøyd med selskapets nettbaserte kundeservice, nevner den andre at selv om de er en langvarig kunde, er fallet i kvaliteten og den nye prisen grunnen til at de kanskje ikke kjøper fra dem lenger.

Dette er handlingskraftig innsikt, der en virksomhet vet nøyaktig hvor forbedringer må gjøres for å opprettholde kundetilfredshet og lojalitet. Å gå utover bare numeriske beregninger kan gi deg denne innsikten.

3. Analyser anmeldelser fra kundefora og nettsteder

En annen utmerket måte å få varierte kundetilbakemeldinger på er ved å søke gjennom nettsteder for produktanmeldelser som GoogleMyBusiness og fora som Reddit. Viktigere, å få innsikt fra ulike datakilder kan gi deg bedre innsikt på grunn av typen publikum ulike plattformer inviterer.

For eksempel brukes Reddit mest av kunder som er mer lidenskapelige for et emne eller produkt fordi forumet lar dem ha detaljerte diskusjoner. Mens Amazon-anmeldelser eller Google-anmeldelser brukes for det meste av tilfeldige kunder som ønsker å legge igjen en anmeldelse, enten på grunn av virksomheten eller på grunn av opplevelsen, god eller dårlig, som de kan ha hatt.

Disse ML-drevet teknisk innsikt hentet fra anmeldelser på Disney World i Florida hentet fra kundekommentarer på Reddit og Google illustrerer dette poenget ytterligere.

4. Voice of customer (VoC) data fra ikke-tradisjonelle kilder

Utradisjonelle kilder til tilbakemeldinger fra kunder som f.eks chatbot-historier, kunde-e-poster, kundestøtteutskrifter og så videre er strålende kilder for å få innsikt i kundeopplevelser. En fordel med disse kildene er at alle disse dataene allerede er tilgjengelige i verktøyene dine for Customer Relationship Management (CRM).

Når du er i stand til å samle og analysere disse dataene, vil du kunne oppdage mange underliggende problemer som til og med godt planlagte kundeundersøkelser eller lytting på sosiale medier kanskje ikke kan fremheve.

5. Analyser nyheter og podcaster

Nyhetsdata som består av både artikler, samt nyhetsvideoer og podcaster, kan gi deg detaljert innsikt i merkevareytelse og oppfatning. Markeds tilbakemeldinger fra nyhetskilder kan hjelpe en bedrift med effektive PR-aktiviteter for styring av merkevareomdømme.

Hvordan samle inn data for kundesentimentanalyse

Det kan også hjelpe i konkurrentanalyse basert på bransjetrender at en sentimentanalysemodell kan trekke ut fra merkeopplevelsesdata i nyhetsartikler eller videoer, samt hjelpe dem å forstå forbrukeratferd.

For å illustrere hvordan sentiment trekkes ut og score beregnes, la oss ta nyhetskilder som den viktige kilden til tilbakemeldinger fra kunder og se hvordan en ML-modell vil analysere slike data.

1. Innsamling av data

For å få de mest nøyaktige resultatene må vi bruke alle nyhetskilder som er offentlig tilgjengelig. Dette inkluderer nyheter fra TV-kanaler, nettmagasiner og andre publikasjoner, radiosendinger, podcaster, videoer, etc.

Det er to måter dette kan gjøres på. Vi laster enten opp dataene direkte gjennom Live News API-er som Google News API, ESPN Headlines API, BBC News API, og andre som dem. Eller vi laster dem opp manuelt til ML-modellen vi bruker ved å laste ned kommentarene og artiklene i en .csv-fil.

2. Behandling av data med ML-oppgaver

Modellen behandler nå dataene og identifiserer de forskjellige formatene – tekst, video eller lyd. Når det gjelder tekst, er prosessen ganske enkel. Modellen trekker ut all teksten inkludert uttrykksikoner og hashtags. Når det gjelder podcaster, radiosendinger og videoer, vil det kreve lydtranskripsjon gjennom tale-til-tekst-programvare. Også disse dataene sendes deretter til tekstanalyserørledningen.

En gang i pipelinen sørger naturlig språkbehandling (NLP), navngitt enhetsgjenkjenning (NER), semantisk klassifisering osv. for at nøkkelaspekter, temaer og emner fra dataene trekkes ut og grupperes slik at de kan analyseres for sentiment.

3. Analysere følelser

Nå som teksten er segregert, blir hvert tema, aspekt og enhet analysert for sentiment og sentimentpoengsummen beregnes. Dette kan gjøres i en av tre tilnærminger – ordtellingsmetode, setningslengdemetode og forholdet mellom positive og negative ord.

La oss ta denne setningen som et eksempel. «Stadiongjengere bemerket at setene var gode. Imidlertid virket billettene for dyre, gitt at det ikke var noen sesongkort tilgjengelig, og mange møtte til og med uhøflige ansatte ved billettskranken, ifølge Daily Herald.»

La oss anta det etterpå tokenization, tekstnormalisering (eliminering av ikke-tekstdata), ordstamming (finne rotordet) og stopp ordfjerning (fjerning av overflødige ord), får vi følgende poengsum for negativ og positiv følelse.

Positiv – Bra – 1(+ 0.07)

Negativ – kostbar (- 0.5), frekk (- 0.7) – 2

La oss nå beregne sentiment-skårene ved å bruke de tre nevnte metodene.

Ordtelling metode

Dette er den enkleste måten sentimentpoengsummen kan beregnes på. I denne metoden reduserer vi det negative fra de positive forekomstene (1 – 2 = -1)

Dermed er sentimentpoengsummen i eksemplet ovenfor -1.

Setningslengde metode

Antall positive ord trekkes fra de negative ordene. Resultatet deles så på det totale antallet ord i teksten. Fordi poengsummen kan være veldig liten og følge mange desimaler, multipliseres den ofte med et enkelt siffer. Dette gjøres for at skårene skal bli større og dermed lettere å forstå og sammenligne. I tilfellet med vårt eksempel vil poengsummen være.

1-2/42 = -0.0238095

Negativt-positivt antall ord

Det totale antallet positive ord deles på det totale antallet negative ord. Resultatet legges så til med 1. Dette er mer balansert enn andre tilnærminger, spesielt ved store datamengder.

1/2+1 = 0.33333

4. Visualisering av innsikt

Når dataene er analysert for sentiment, presenteres innsikten på et visualiseringsdashbord slik at du kan forstå intelligensen som har blitt hentet fra alle dataene. Du kan se tidslinjebasert sentimentanalyse, så vel som de som er basert på hendelser som produktlanseringer, børssvingninger, pressemeldinger, selskapsuttalelser, nye priser osv.

Disse aspektbaserte innsiktene er det som kan være av utrolig verdi for deg når du planlegger markedsførings- og vekststrategier.

AI og datavitenskap er av enorm betydning for markedsføringsaktiviteter, spesielt i en tid med konstant innovasjon og skiftende markedsdynamikk. Kundesentimentanalyse drevet av tilbakemeldingsdata fra kunder som er direkte utnyttet fra dem, kan gi deg all innflytelse du trenger for å sikre at du har en bærekraftig markedsføringsstrategi for fortsatt vekst.

Martin Ostrovsky er grunnlegger og administrerende direktør i Repustate. Han er lidenskapelig opptatt av AI, ML og NLP. Han setter strategien, veikartet og funksjonsdefinisjonen for Repustates Global Text Analytics API, Sentiment Analysis, Deep Search og Named Entity Recognition-løsninger.