Kako zbrati podatke za analizo razpoloženja strank

Ponovno objavil Platon

Spremljevalci: 0

Kako zbrati podatke za analizo razpoloženja strank
Slika urednika

Analiza razpoloženja strank je postopek uporabe strojnega učenja (ML) za odkrivanje namer in mnenj strank o blagovni znamki iz povratnih informacij strank, podanih v ocenah, forumih, anketah itd. Analiza razpoloženja podatkov o izkušnjah kupcev daje podjetjem globok vpogled v motivacijo za odločitve o nakupu, vzorce spreminjanja razpoloženja blagovne znamke na podlagi časovnih okvirov ali dogodkov ter analiza tržnih vrzeli ki lahko pomagajo pri izboljšanju izdelkov in storitev.

Kazalo:

Kaj je analiza razpoloženja strank?
Kako zbirate podatke za analizo razpoloženja strank?
Kako so ocene razpoloženja izpeljane iz povratnih informacij strank
zaključek

Analiza razpoloženja natančno prečrta povratne informacije strank, da prepozna specifične čustva ali čustva. Na splošno so ti pozitivni, negativni ali nevtralni. Toda znotraj teh parametrov lahko model analize razpoloženja, ki ga poganjajo naloge ML, kot sta obdelava naravnega jezika (NLP) in semantična analiza, ki lahko najde semantične in skladenjske vidike besed, pomaga najti tudi različne vrste negativnega razpoloženja.

Pomaga lahko na primer podati različne ocene občutkov na podlagi besed, ki označujejo različna negativna čustva, kot so tesnoba, razočaranje, obžalovanje, jeza itd. Enako je s pozitivnimi mikro sentimenti.

Tako natančno rudarjenje čustev v kombinaciji z analizo strankine izkušnje z blagovno znamko, ki temelji na vidikih, je lahko izjemnega pomena. Ko na primer poznate razpoloženje na podlagi vidikov, kot so cena, priročnost, enostavnost nakupa, storitve za stranke itd., dobite vpoglede, na katere lahko ukrepate, na katere se lahko zanesete pri sprejemanju pravih odločitev, ko gre za nadzor kakovosti in izboljšanje izdelkov.

Zelo pomemben del pridobivanja ciljno usmerjenih in pronicljivih informacij o razpoloženju blagovne znamke je imeti zanesljive povratne informacije strank. Tukaj je pet osnovnih načinov, na katere lahko zbirate takšne podatke.

1. Komentarji in videoposnetki na družbenih medijih

Poslušanje družbenih medijev je eden od načinov, kako lahko pridobite povratne informacije trenutnih strank o vaši blagovni znamki, kar vključuje tako vaš izdelek kot storitev. Model analize razpoloženja, ki lahko obdeluje in ocenjuje komentarje v družabnih omrežjih ter video vsebino, je popolna stava za izkoriščanje tega vira podatkov.

S takšnim orodjem izkoristite podatke za analizo razpoloženja strank od spletnih mest družabnih medijev, ki vsebujejo veliko besedila, kot je Twitter, do tistih, ki temeljijo na videu, kot sta TikTok ali Instagram. To vam daje veliko prednost, saj niso vse platforme družbenih medijev enake, ko gre za izbire strank.

Na primer, medtem ko stranke večinoma uporabljajo Twitter za neposredno interakcijo z blagovno znamko, je znano, da uporabniki Facebooka pustijo podrobne pripombe o podjetju, s katerim so povezani. To močno nasprotje je posledica dejavnikov, kot so narava podjetja, starost, geografska lokacija, digitalna uporaba itd.

Spodnji primeri prikazujejo, kako stranke puščajo komentarje na dveh različnih kanalih družbenih medijev.

Kako zbrati podatke za analizo razpoloženja strank

Druga velika prednost analize razpoloženja v družbenih omrežjih je, da lahko najdete tudi vplivneže v družbenih omrežjih, ki ustrezajo vašim zahtevam in so lahko odličen dodatek k vaši strategiji digitalnega trženja. Vplivneži stanejo polovico naložbe v najem agencije za odnose z javnostmi ali zastopstvo slavnih.

Poleg tega ljudje zaupajo ocenam izdelkov in priporočilom vplivnežev, katerim lahko nanašajo. To velja ne glede na to, ali ste pripravnik, ki išče profesionalne nasvete za oblikovanje, ali oče štirih otrok, ki išče najboljše možnosti mobilnih telefonov za najstnike. Tako je podatkovna znanost in ML pomagata pri iskanju pravega TikTok vplivneža za podjetje.

2. Pojdite dlje od kvantitativnih raziskav, kot so NPS, CES ali CSAT

Meritve povratnih informacij strank, kot so ocena neto promotorja (NPS), ocena truda stranke (CES) ali ocene z zvezdicami, vam lahko na prvi pogled povedo, ali so ljudje zadovoljni z vašim podjetjem ali ne. Vendar vam to v resnici ne daje nobenega dejanskega poslovnega vpogleda.

Kako zbrati podatke za analizo razpoloženja strank

Če želite pridobiti resnične vpoglede v razpoloženje strank, morate iti dlje od kvantitativnih meritev. Za to pa morate analizirati komentarje in odprte anketne odgovore, ki nimajo fiksnega odgovora. To strankam omogoča pisanje prosto tekočih komentarjev, ki vam lahko dajo vpogled v vidike vašega podjetja, ki se jih sploh niste zavedali.

Kako zbrati podatke za analizo razpoloženja strank

V zgornjem primeru lahko vidimo, da so stranke podjetju dale oceno 1 zvezdica. Toda ob branju komentarjev ugotovimo, da so razlogi za negativna čustva povsem drugačni.

Medtem ko ena stranka ni zadovoljna s spletno storitvijo za stranke podjetja, druga omenja, da čeprav sta dolgoletna stranka, je padec kakovosti in nove cene razlog, zakaj morda ne kupuje več pri njih.

To so uporabni vpogledi, kjer podjetje natančno ve, kje je treba narediti izboljšave, da bi ohranilo zadovoljstvo in zvestobo strank. Če presežete le numerične meritve, lahko dobite ta vpogled.

3. Analizirajte ocene s forumov strank in spletnih mest

Še en odličen način za pridobivanje raznolikih povratnih informacij strank je pregledovanje spletnih mest z ocenami izdelkov, kot je GoogleMyBusiness, in forumov, kot je Reddit. Pomembno je, da vam lahko pridobivanje vpogledov iz različnih virov podatkov zagotovi boljše vpoglede zaradi vrste občinstva, ki ga vabijo različne platforme.

Na primer, Reddit večinoma uporabljajo stranke, ki so bolj navdušene nad temo ali izdelkom, ker jim forum omogoča podrobne razprave. Medtem ko recenzije Amazon ali Google recenzije večinoma uporabljajo naključne stranke, ki bi radi pustile recenzijo bodisi zaradi spodbude podjetja bodisi zaradi izkušenj, dobrih ali slabih, ki so jih morda imeli.

te Tehnični vpogled na podlagi ML vzeto iz ocen o Disney Worldu na Floridi, ki izhajajo iz komentarjev strank na Redditu in Googlu, dodatno ponazarja to točko.

4. Podatki o mnenju strank (VoC) iz netradicionalnih virov

Netradicionalni viri povratnih informacij strank, kot je npr zgodovine chatbotov, e-poštna sporočila strank, prepisi podpore strankam in tako naprej so odlični viri za pridobitev vpogledov v izkušnje strank. Prednost teh virov je, da so vsi ti podatki že na voljo v vaših orodjih za upravljanje odnosov s strankami (CRM).

Ko boste sposobni zbrati in analizirati te podatke, boste lahko odkrili številne osnovne težave, ki jih morda ne bodo mogli izpostaviti niti dobro načrtovane ankete strank ali poslušanje družbenih medijev.

5. Analizirajte novice in poddaje

Podatki o novicah, ki so sestavljeni iz člankov ter videoposnetkov z novicami in podcastov, vam lahko dajo natančen vpogled v uspešnost in dojemanje blagovne znamke. Tržne povratne informacije iz virov novic lahko pomagajo podjetju pri učinkovitih odnosih z javnostmi (PR) za upravljanje ugleda blagovne znamke.

Kako zbrati podatke za analizo razpoloženja strank

Pomaga lahko tudi pri analizi konkurentov na podlagi industrijskih trendov, ki jih lahko model analize razpoloženja izvleče iz podatkov o izkušnjah z blagovno znamko v novičarskih člankih ali videoposnetkih, ter jim pomaga razumeti vedenje potrošnikov.

Za ponazoritev, kako se izloči razpoloženje in izračunajo rezultati, vzemimo vire novic kot ključni vir povratnih informacij strank in poglejmo, kako bo model ML analiziral takšne podatke.

1. Zbiranje podatkov

Da bi dobili najbolj natančne rezultate, moramo uporabiti vse javno dostopne vire novic. To vključuje novice s televizijskih kanalov, spletnih revij in drugih publikacij, radijskih oddaj, podcastov, videoposnetkov itd.

To lahko storite na dva načina. Podatke naložimo neposredno prek API-jev za novice v živo, kot je API za Google News, ESPN Headlines API, BBC News API, in njim podobni. Ali pa jih ročno naložimo v model ML, ki ga uporabljamo, tako da prenesemo komentarje in članke v datoteki .csv.

2. Obdelava podatkov z nalogami ML

Model zdaj obdeluje podatke in identificira različne formate – besedilo, video ali zvok. V primeru besedila je postopek dokaj preprost. Model izvleče vse besedilo, vključno z emoticons in hashtags. V primeru podcastov, radijskih oddaj in videoposnetkov bo potreben zvočni prepis s programsko opremo za pretvorbo govora v besedilo. Tudi ti podatki se nato pošljejo v cevovod za analizo besedila.

Ko so v pripravi, obdelava naravnega jezika (NLP), prepoznavanje poimenovanih entitet (NER), semantična klasifikacija itd. poskrbijo, da so ključni vidiki, teme in teme iz podatkov ekstrahirani in razvrščeni v skupine, tako da jih je mogoče analizirati glede občutkov.

3. Analiza razpoloženja

Zdaj, ko je besedilo ločeno, je vsaka tema, vidik in entiteta analizirana glede občutka in izračunana je ocena občutka. To je mogoče storiti s katerim koli od treh pristopov – metodo štetja besed, metodo dolžine stavka in razmerje med pozitivnimi in negativnimi besedami.

Vzemimo ta stavek kot primer. »Obiskovalci stadiona so pripomnili, da so bili sedeži dobri. Vendar so se vstopnice zdele predrage, glede na to, da ni bilo na voljo nobenih sezonskih vozovnic, mnogi pa so celo naleteli na nesramno osebje na blagajni, poroča Daily Herald.

Predpostavimo, da po tokenizacija, normalizacija besedila (odstranitev nebesedilnih podatkov), izvor besed (iskanje korenske besede) in odstranitev zaustavitvene besede (odstranjevanje odvečnih besed), dobimo naslednje ocene za negativno in pozitivno razpoloženje.

Pozitivno – Dobro – 1 (+ 0.07)

Negativno – drago (- 0.5), nevljudno (- 0.7) – 2

Zdaj pa izračunajmo rezultate razpoloženja z uporabo treh zgoraj omenjenih metod.

Metoda štetja besed

To je najenostavnejši način za izračun ocene razpoloženja. Pri tej metodi zmanjšamo negativne od pozitivnih pojavov (1 – 2 = -1)

Tako je ocena razpoloženja v zgornjem primeru -1.

Metoda dolžine stavka

Število pozitivnih besed se odšteje od negativnih besed. Rezultat se nato deli s skupnim številom besed v besedilu. Ker je tako dobljeni rezultat lahko zelo majhen in sledi na veliko decimalnih mest, se pogosto pomnoži z eno številko. To se naredi zato, da so rezultati večji in jih je zato lažje razumeti in primerjati. V primeru našega primera bo rezultat.

1-2/42 = -0.0238095

Razmerje med številom negativnih in pozitivnih besed

Skupno število pozitivnih besed se deli s skupnim številom negativnih besed. Rezultatu se nato prišteje 1. To je bolj uravnoteženo kot drugi pristopi, zlasti v primeru velikih količin podatkov.

1/ 2+1 = 0.33333

4. Vizualizacija vpogledov

Ko so podatki analizirani glede razpoloženja, so vpogledi predstavljeni na nadzorni plošči za vizualizacijo, tako da lahko razumete inteligenco, zbrano iz vseh podatkov. Ogledate si lahko analizo razpoloženja na podlagi časovne osi, pa tudi tiste, ki temeljijo na dogodkih, kot so lansiranje izdelkov, nihanja na borzi, sporočila za javnost, izjave podjetja, nove cene itd.

Ti vpogledi, ki temeljijo na vidikih, so lahko neverjetno koristni za vas, ko načrtujete svoje strategije trženja in rasti.

Umetna inteligenca in podatkovna znanost sta izjemnega pomena za marketinške dejavnosti, zlasti v dobi nenehnih inovacij in spreminjajoče se tržne dinamike. Analiza razpoloženja strank, ki temelji na podatkih o povratnih informacijah strank, ki so bili neposredno pridobljeni iz njih, vam lahko zagotovi vse potrebne vzvode, da zagotovite trajnostno trženjsko strategijo za nadaljnjo rast.

Martin Ostrovski je ustanovitelj in direktor podjetja Repustate. Navdušen je nad AI, ML in NLP. Določi strategijo, časovni načrt in definicijo funkcij za Repustate's Global Text Analytics API, Sentiment Analysis, Deep Search in Named Entity Recognition rešitve.