Hur man samlar in data för analys av kundsentiment

Återutgiven av Platon

anhängare: 0

Hur man samlar in data för analys av kundsentiment
Bild av redaktör

Analys av kundsentiment är processen att använda maskininlärning (ML) för att upptäcka kundernas avsikter och åsikter om ett varumärke från kundfeedback som ges i recensioner, forum, undersökningar och så vidare. Sentimentanalys av kundupplevelsedata ger företag djup insikt i motiven bakom köpbeslut, mönstren i att förändra varumärkesentiment baserat på tidslinjer eller händelser, och analys av marknadsgap som kan hjälpa till att förbättra produkter och tjänster.

Innehållsförteckning:

Vad är kundsentimentanalys?
Hur samlar du in data för analys av kundsentiment?
Hur sentimentpoäng härleds från kundfeedback
Slutsats

Sentimentanalys finkammar kundfeedbackdata för att identifiera specifika känslor eller känslor. I stort sett är dessa positiva, negativa eller neutrala. Men inom dessa parametrar kan en sentimentanalysmodell som drivs av ML-uppgifter som naturlig språkbehandling (NLP) och semantisk analys som kan hitta de semantiska och syntaktiska aspekterna av ord också hjälpa till att hitta olika typer av negativa känslor.

Till exempel kan det hjälpa till att ge olika sentimentpoäng baserat på ord som betecknar olika negativa känslor som ångest, besvikelse, ånger, ilska och så vidare. Detsamma är fallet med positiva mikrosentiment.

Sådan finkornig känslobrytning i kombination med aspektbaserad analys av en kunds upplevelse av ett varumärke kan vara av största vikt. Till exempel, när du känner till sentiment baserat på aspekter som pris, bekvämlighet, lätt att köpa, kundservice, etc, får du praktiska insikter som du kan lita på för att fatta rätt beslut när det gäller kvalitetskontroll och produktförbättring.

En mycket viktig del av att skaffa riktad och insiktsfull varumärkesintelligens är att ha tillförlitlig kundfeedback. Här är fem viktiga sätt på vilka du kan samla in sådan data.

1. Kommentarer och videor på sociala medier

Lyssna på sociala medier är ett av sätten på vilka du kan få aktuell kundfeedback om ditt varumärke, vilket inkluderar både din produkt och tjänst. En sentimentanalysmodell som kan bearbeta och utvärdera kommentarer på sociala medier, såväl som videoinnehåll, är den perfekta insatsen för att utnyttja denna datakälla.

Med ett sådant verktyg utnyttjar du data för kundsentimentanalys från texttunga sociala medier som Twitter till videobaserade som TikTok eller Instagram. Detta ger dig en stor fördel eftersom inte alla sociala medieplattformar är one-size-fits-all när det kommer till kundens val.

Till exempel, medan kunder huvudsakligen använder Twitter för att direkt interagera med ett varumärke, är Facebook-användare kända för att lämna detaljerade kommentarer om ett företag de har umgåtts med. Denna skarpa kontrast beror på faktorer som verksamhetens karaktär, ålder, geografisk plats, digital användning och så vidare.

Exemplen nedan visar hur kunder lämnar kommentarer på de två olika sociala mediekanalerna.

Hur man samlar in data för analys av kundsentiment

En annan stor fördel med sentimentanalys för sociala medier är att du också kan hitta influencers på sociala medier som passar din faktura och kan vara ett fantastiskt tillägg till din digitala marknadsföringsstrategi. Influencers kostar hälften av investeringen som går åt till att anlita en PR-byrå eller kändisstöd.

Dessutom litar folk på produktrecensioner och rekommendationer från influencers som de kan hänför. Detta gäller oavsett om du är en praktikant som letar efter professionella stylingtips eller en pappa till fyra på jakt efter de bästa alternativen inom mobiltelefoner för tonåringar. Det är så datavetenskap och ML hjälper till att hitta rätt TikTok-influencer för ett företag.

2. Gå bortom kvantitativa undersökningar som NPS, CES eller CSAT

Mätvärden för kundfeedback som nettopromotorpoäng (NPS), kundansträngningspoäng (CES) eller stjärnbetyg kan ge dig en snabb överblick om folk är nöjda med ditt företag eller inte. Men detta ger dig inte riktigt någon verklig affärsinsikt.

Hur man samlar in data för analys av kundsentiment

För att få verkliga insikter om kundernas känslor måste du gå längre än kvantitativa mätvärden. Och för det måste du analysera kommentarer och öppna enkätsvar som inte har något fast svar. Detta tillåter kunder att skriva fritt flödande kommentarer, vilket kan ge dig insikt i aspekter av ditt företag som du inte ens var medveten om.

Hur man samlar in data för analys av kundsentiment

I exemplet ovan kan vi se att kunder har gett ett 1-stjärnigt betyg till verksamheten. Men när vi läser kommentarerna inser vi att orsakerna bakom de negativa känslorna är helt olika.

Medan en kund är missnöjd med företagets kundtjänst online, nämner den andra att även om de är en långvarig kund, är fallet i kvaliteten och den nya prissättningen anledningen till att de kanske inte handlar från dem längre.

Dessa är handlingsbara insikter, där ett företag vet exakt var förbättringar måste göras för att upprätthålla kundnöjdhet och lojalitet. Om du går längre än bara numeriska mätvärden kan du få dessa insikter.

3. Analysera recensioner från kundforum och webbplatser

Ett annat utmärkt sätt att få olika kundfeedbackdata är genom att söka igenom webbplatser för produktrecensioner som GoogleMyBusiness och forum som Reddit. Viktigt är att få insikter från olika datakällor kan ge dig bättre insikter på grund av vilken typ av publik olika plattformar bjuder in.

Reddit används till exempel mest av kunder som brinner mer för ett ämne eller en produkt eftersom forumet tillåter dem att ha utförliga diskussioner. Medan Amazon-recensioner eller Google-recensioner mestadels används av tillfälliga kunder som vill lämna en recension antingen på grund av företagets knuff eller på grund av upplevelsen, bra eller dålig, som de kan ha haft.

Dessa ML-drivna tekniska insikter hämtade från recensioner på Disney World i Florida från kunders kommentarer på Reddit och Google illustrerar denna punkt ytterligare.

4. Voice of customer (VoC) data från icke-traditionella källor

Icke-traditionella källor till kundfeedbackdata som t.ex chatbot-historik, kund-e-postmeddelanden, kundsupportutskrifter och så vidare är lysande källor för att få insikter om kundupplevelser. En fördel med dessa källor är att all denna data redan finns tillgänglig i dina verktyg för kundrelationshantering (CRM).

När du kan samla in och analysera denna data kommer du att kunna upptäcka många underliggande problem som inte ens välplanerade kundundersökningar eller lyssnande på sociala medier kanske inte kan belysa.

5. Analysera nyheter och poddar

Nyhetsdata som består av både artiklar, såväl som nyhetsvideor och poddsändningar, kan ge dig detaljerade insikter om varumärkets prestanda och uppfattning. Marknadsfeedback från nyhetskällor kan hjälpa ett företag med effektiva PR-aktiviteter för varumärkeshantering.

Hur man samlar in data för analys av kundsentiment

Det kan också hjälpa i konkurrentanalys baserad på branschtrender att en sentimentanalysmodell kan extrahera från varumärkesupplevelsedata i nyhetsartiklar eller videor samt hjälpa dem att förstå konsumentbeteende.

För att illustrera hur sentiment extraheras och poäng beräknas, låt oss ta nyhetskällor som den viktiga källan till kundfeedback och se hur en ML-modell kommer att analysera sådan data.

1. Samla in data

För att få de mest korrekta resultaten måste vi använda alla nyhetskällor som är offentligt tillgängliga. Detta inkluderar nyheter från tv-kanaler, nättidningar och andra publikationer, radiosändningar, poddsändningar, videor, etc.

Det finns två sätt på vilket detta kan göras. Vi laddar antingen upp data direkt via Live News APIs som Google News API, ESPN Headlines API, BBC News API, och andra som dem. Eller så laddar vi upp dem manuellt till den ML-modell vi använder genom att ladda ner kommentarerna och artiklarna i en .csv-fil.

2. Bearbeta data med ML-uppgifter

Modellen bearbetar nu data och identifierar de olika formaten – text, video eller ljud. När det gäller text är processen ganska enkel. Modellen extraherar all text inklusive uttryckssymboler och hashtags. När det gäller poddsändningar, radiosändningar och videor kommer det att krävas ljudtranskription genom programvara för tal-till-text. Även denna data skickas sedan till textanalyspipelinen.

Väl i pipelinen ser naturlig språkbehandling (NLP), namngiven enhetsigenkänning (NER), semantisk klassificering, etc. till att nyckelaspekter, teman och ämnen från data extraheras och grupperas så att de kan analyseras för sentiment.

3. Analysera sentiment

Nu när texten har segregerats analyseras varje tema, aspekt och enhet för sentiment och sentimentpoängen beräknas. Detta kan göras i vilken som helst av tre metoder – ordräkningsmetod, meningslängdsmetod och förhållandet mellan positiva och negativa ord.

Låt oss ta den här meningen som ett exempel. "Stadionbesökare påpekade att platserna var bra. Biljetterna verkade dock för dyra, med tanke på att det inte fanns några säsongskort tillgängliga, och många stötte till och med på oförskämd personal vid biljettdisken, enligt Daily Herald.”

Låt oss anta det efteråt tokenization, textnormalisering (eliminering av icke-textdata), ordstamming (att hitta grundordet) och stoppordborttagning (ta bort överflödiga ord), får vi följande poäng för negativa och positiva känslor.

Positivt – Bra – 1(+ 0.07)

Negativt – kostsamt (- 0.5), oförskämt (- 0.7) – 2

Låt oss nu beräkna sentimentpoängen med de tre ovannämnda metoderna.

Ordräkningsmetod

Detta är det enklaste sättet på vilket sentimentpoängen kan beräknas. I denna metod reducerar vi det negativa från de positiva förekomsterna (1 – 2 = -1)

Således är sentimentpoängen i exemplet ovan -1.

Meningslängdsmetod

Antalet positiva ord subtraheras från de negativa orden. Resultatet divideras sedan med det totala antalet ord i texten. Eftersom poängen som sålunda anländer kan vara mycket liten och följa med i många decimaler, multipliceras den ofta med en enda siffra. Detta görs för att poängen ska bli större och därmed lättare att förstå och jämföra. I fallet med vårt exempel kommer poängen att vara.

1-2/42 = -0.0238095

Negativt-positivt antal ord

Det totala antalet positiva ord divideras med det totala antalet negativa ord. Resultatet läggs sedan till med 1. Detta är mer balanserat än andra tillvägagångssätt, särskilt när det gäller stora mängder data.

1/2+1 = 0.33333

4. Visualisering av insikter

När data har analyserats för sentiment, presenteras insikterna på en visualiseringsinstrumentpanel så att du kan förstå intelligensen som har samlats in från all data. Du kan se tidslinjebaserad sentimentanalys, såväl som de baserade på händelser som produktlanseringar, börsfluktuationer, pressmeddelanden, företagsuttalanden, ny prissättning, etc.

Dessa aspektbaserade insikter är vad som kan vara av otroligt värde för dig när du planerar dina marknadsförings- och tillväxtstrategier.

AI och datavetenskap är av enorm betydelse för marknadsföringsaktiviteter, särskilt i en tid av ständig innovation och förändrad marknadsdynamik. Analys av kundsentiment som drivs av kundfeedbackdata som har utnyttjats direkt från dem kan ge dig all den hävstång du behöver för att se till att du har en hållbar marknadsföringsstrategi för fortsatt tillväxt.

Martin Ostrovsky är grundare och VD för Repustate. Han brinner för AI, ML och NLP. Han anger strategin, färdplanen och funktionsdefinitionen för Repustates Global Text Analytics API, Sentiment Analysis, Deep Search och Named Entity Recognition-lösningar.