วิธีการรวบรวมข้อมูลสำหรับการวิเคราะห์ความคิดเห็นของลูกค้า

รูปภาพโดยบรรณาธิการ
 

การวิเคราะห์ความรู้สึกของลูกค้าเป็นกระบวนการของการใช้การเรียนรู้ของเครื่อง (ML) เพื่อค้นหาความตั้งใจและความคิดเห็นของลูกค้าเกี่ยวกับแบรนด์จากความคิดเห็นของลูกค้าที่ให้ไว้ในบทวิจารณ์ ฟอรัม แบบสำรวจ และอื่นๆ การวิเคราะห์ความเชื่อมั่นของข้อมูลประสบการณ์ของลูกค้าช่วยให้ธุรกิจเข้าใจเชิงลึกเกี่ยวกับแรงจูงใจที่อยู่เบื้องหลังการตัดสินใจซื้อ รูปแบบในการเปลี่ยนแปลงความรู้สึกต่อแบรนด์ตามระยะเวลาหรือเหตุการณ์ และ การวิเคราะห์ช่องว่างทางการตลาด ที่สามารถช่วยในการปรับปรุงผลิตภัณฑ์และบริการ

สารบัญ:

• การวิเคราะห์ความรู้สึกของลูกค้าคืออะไร?
• คุณรวบรวมข้อมูลสำหรับการวิเคราะห์ความคิดเห็นของลูกค้าอย่างไร?
• คะแนนความเชื่อมั่นได้มาจากความคิดเห็นของลูกค้าอย่างไร
• สรุป

การวิเคราะห์ความรู้สึกจะรวมข้อมูลความคิดเห็นของลูกค้าอย่างละเอียดเพื่อระบุความเฉพาะเจาะจง อารมณ์หรือความรู้สึก. โดยรวมแล้วสิ่งเหล่านี้เป็นบวก ลบ หรือเป็นกลาง แต่ภายในพารามิเตอร์เหล่านี้ โมเดลการวิเคราะห์ความรู้สึกที่ขับเคลื่อนโดยงาน ML เช่น การประมวลผลภาษาธรรมชาติ (NLP) และการวิเคราะห์ความหมายที่สามารถค้นหาลักษณะความหมายและวากยสัมพันธ์ของคำสามารถช่วยค้นหาความรู้สึกเชิงลบประเภทต่างๆ ได้เช่นกัน 

ตัวอย่างเช่น สามารถช่วยให้คะแนนความรู้สึกที่แตกต่างกันตามคำที่แสดงถึงอารมณ์เชิงลบต่างๆ เช่น ความวิตกกังวล ความผิดหวัง ความเสียใจ ความโกรธ และอื่นๆ เช่นเดียวกับความรู้สึกเล็ก ๆ ในเชิงบวก

การทำเหมืองข้อมูลทางอารมณ์ที่ละเอียดเช่นนี้รวมกับการวิเคราะห์ตามแง่มุมของประสบการณ์ของลูกค้าที่มีต่อแบรนด์นั้นมีความสำคัญอย่างยิ่ง ตัวอย่างเช่น เมื่อคุณทราบความรู้สึกโดยพิจารณาจากลักษณะต่างๆ เช่น ราคา ความสะดวกสบาย การซื้อที่ง่าย การบริการลูกค้า ฯลฯ คุณจะได้รับข้อมูลเชิงลึกที่นำไปใช้ได้จริง ซึ่งคุณสามารถพึ่งพาได้เพื่อทำการตัดสินใจที่ถูกต้องเมื่อต้องควบคุมคุณภาพและการปรับปรุงผลิตภัณฑ์

ส่วนที่สำคัญมากในการจัดหาข่าวกรองความคิดเห็นต่อแบรนด์ที่ตรงเป้าหมายและลึกซึ้งคือการมีข้อมูลความคิดเห็นของลูกค้าที่เชื่อถือได้ ต่อไปนี้เป็นห้าวิธีสำคัญที่คุณสามารถรวบรวมข้อมูลดังกล่าวได้

1. ความคิดเห็นและวิดีโอโซเชียลมีเดีย

การฟังจากสื่อสังคมออนไลน์เป็นวิธีการหนึ่งในการรับคำติชมของลูกค้าในปัจจุบันเกี่ยวกับแบรนด์ของคุณ ซึ่งรวมถึงผลิตภัณฑ์และบริการของคุณด้วย โมเดลการวิเคราะห์ความรู้สึกที่สามารถประมวลผลและประเมินความคิดเห็นบนโซเชียลมีเดีย รวมถึงเนื้อหาวิดีโอ เป็นทางเลือกที่สมบูรณ์แบบในการใช้ประโยชน์จากแหล่งข้อมูลนี้ 

ด้วยเครื่องมือดังกล่าว คุณจะควบคุมข้อมูลสำหรับการวิเคราะห์ความคิดเห็นของลูกค้าจากเว็บไซต์โซเชียลมีเดียที่มีข้อความจำนวนมาก เช่น Twitter ไปจนถึงเว็บไซต์ที่ใช้วิดีโอ เช่น TikTok หรือ Instagram สิ่งนี้ให้ข้อได้เปรียบที่ดีแก่คุณเพราะไม่ใช่ทุกแพลตฟอร์มโซเชียลมีเดียที่เหมาะกับทุกขนาดเมื่อพูดถึงเรื่องนี้ ทางเลือกของลูกค้า 

ตัวอย่างเช่น ในขณะที่ลูกค้าส่วนใหญ่ใช้ Twitter เพื่อโต้ตอบโดยตรงกับแบรนด์ ผู้ใช้ Facebook มักจะแสดงความคิดเห็นโดยละเอียดเกี่ยวกับธุรกิจที่พวกเขาเกี่ยวข้องด้วย ความแตกต่างอย่างสิ้นเชิงนี้เกิดจากปัจจัยต่างๆ เช่น ลักษณะของธุรกิจ อายุ ที่ตั้งทางภูมิศาสตร์ การใช้งานดิจิทัล และอื่นๆ

ตัวอย่างด้านล่างแสดงวิธีที่ลูกค้าแสดงความคิดเห็นในช่องทางโซเชียลมีเดียที่แตกต่างกันสองช่องทาง
 

 
 

ข้อดีอีกประการหนึ่งของการวิเคราะห์อารมณ์สื่อสังคมออนไลน์ก็คือ คุณสามารถค้นหาผู้มีอิทธิพลทางสื่อสังคมออนไลน์ที่เหมาะสมกับค่าใช้จ่ายของคุณ และเป็นส่วนเสริมที่ยอดเยี่ยมสำหรับกลยุทธ์การตลาดดิจิทัลของคุณ ผู้มีอิทธิพลใช้เงินลงทุนครึ่งหนึ่งในการจ้างหน่วยงานประชาสัมพันธ์หรือการรับรองจากคนดัง 

นอกจากนี้ ผู้คนเชื่อถือการรีวิวผลิตภัณฑ์และการรับรองจากผู้มีอิทธิพลที่พวกเขาสามารถทำได้ สัมพันธ์. นี่เป็นเรื่องจริงไม่ว่าคุณจะเป็นนักศึกษาฝึกงานที่กำลังมองหาเคล็ดลับการแต่งตัวแบบมืออาชีพ หรือเป็นคุณพ่อลูกสี่ที่กำลังมองหาตัวเลือกที่ดีที่สุดในโทรศัพท์มือถือสำหรับวัยรุ่น นี่คือวิธีที่ วิทยาศาสตร์ข้อมูลและ ML ช่วยในการค้นหา TikTok Influencer ที่เหมาะสมสำหรับธุรกิจ

2. ไปไกลกว่าการสำรวจเชิงปริมาณ เช่น NPS, CES หรือ CSAT

เมตริกความคิดเห็นของลูกค้า เช่น คะแนนโปรโมเตอร์สุทธิ (NPS) คะแนนความพยายามของลูกค้า (CES) หรือการให้คะแนนด้วยดาวสามารถบอกคุณได้อย่างรวดเร็วว่าผู้คนพอใจกับธุรกิจของคุณหรือไม่ แต่สิ่งนี้ไม่ได้ให้ข้อมูลเชิงลึกทางธุรกิจที่แท้จริงแก่คุณ 

 

 

ในการรับข้อมูลเชิงลึกเกี่ยวกับความคิดเห็นของลูกค้าที่แท้จริง คุณจะต้องไปให้ไกลกว่าเมตริกเชิงปริมาณ และเพื่อการนั้น คุณต้องวิเคราะห์ความคิดเห็นและการตอบแบบสำรวจปลายเปิดที่ไม่มีคำตอบตายตัว สิ่งนี้ทำให้ลูกค้าสามารถเขียนความคิดเห็นได้อย่างอิสระ ซึ่งสามารถให้ข้อมูลเชิงลึกเกี่ยวกับแง่มุมต่างๆ ของธุรกิจที่คุณไม่เคยรู้มาก่อน 

 

 

จากตัวอย่างข้างต้น เราจะเห็นว่าลูกค้าให้คะแนนธุรกิจ 1 ดาว แต่เมื่ออ่านความคิดเห็น เราตระหนักดีว่าเหตุผลที่อยู่เบื้องหลังความรู้สึกเชิงลบนั้นแตกต่างไปจากเดิมอย่างสิ้นเชิง 

ในขณะที่ลูกค้ารายหนึ่งไม่พึงพอใจเกี่ยวกับการบริการลูกค้าออนไลน์ของบริษัท แต่อีกรายกล่าวว่าแม้ว่าพวกเขาจะเป็นลูกค้าที่ยาวนาน แต่คุณภาพที่ลดลงและราคาใหม่เป็นสาเหตุที่พวกเขาอาจไม่ซื้อจากพวกเขาอีกต่อไป

ข้อมูลเหล่านี้เป็นข้อมูลเชิงลึกที่นำไปปฏิบัติได้ ซึ่งธุรกิจรู้ดีว่าต้องปรับปรุงจุดใดเพื่อรักษาความพึงพอใจและความภักดีของลูกค้า การก้าวข้ามเมตริกที่เป็นตัวเลขจะทำให้คุณได้รับข้อมูลเชิงลึกเหล่านี้

3. วิเคราะห์ความคิดเห็นจากฟอรัมและเว็บไซต์ของลูกค้า

อีกวิธีที่ยอดเยี่ยมในการรับข้อมูลความคิดเห็นของลูกค้าที่หลากหลายคือการกลั่นกรองผ่านเว็บไซต์วิจารณ์ผลิตภัณฑ์ เช่น GoogleMyBusiness และฟอรัมเช่น Reddit ที่สำคัญ การได้รับข้อมูลเชิงลึกจากแหล่งข้อมูลต่างๆ สามารถให้ข้อมูลเชิงลึกที่ดีขึ้นแก่คุณ เนื่องจากประเภทของผู้ชมที่แพลตฟอร์มต่างๆ เชิญ 

ตัวอย่างเช่น ส่วนใหญ่แล้ว Reddit จะถูกใช้โดยลูกค้าที่หลงใหลในหัวข้อหรือผลิตภัณฑ์มากกว่า เนื่องจากฟอรัมช่วยให้พวกเขาสามารถสนทนาอย่างละเอียดได้ ในขณะที่บทวิจารณ์ของ Amazon หรือบทวิจารณ์ของ Google ส่วนใหญ่จะใช้โดยลูกค้าทั่วไปที่ต้องการเขียนรีวิวไม่ว่าจะเพราะการผลักดันของธุรกิจหรือเพราะประสบการณ์ที่ดีหรือไม่ดีที่พวกเขาอาจมี 

ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน ข้อมูลเชิงลึกทางเทคนิคที่ขับเคลื่อนด้วย ML มาจากบทวิจารณ์เกี่ยวกับ Disney World ในฟลอริดา ซึ่งได้มาจากความคิดเห็นของลูกค้าใน Reddit และ Google อธิบายประเด็นนี้เพิ่มเติม

4. ข้อมูลความเห็นจากลูกค้า (VoC) จากแหล่งข้อมูลที่ไม่ใช่แบบดั้งเดิม

แหล่งข้อมูลความคิดเห็นของลูกค้าที่ไม่ใช่แบบดั้งเดิม เช่น ประวัติแชทบอทอีเมลลูกค้า ทรานสคริปต์การสนับสนุนลูกค้า และอื่นๆ เป็นแหล่งข้อมูลที่ยอดเยี่ยมในการรับข้อมูลเชิงลึกเกี่ยวกับประสบการณ์ของลูกค้า ข้อดีของแหล่งข้อมูลเหล่านี้คือข้อมูลทั้งหมดนี้มีอยู่แล้วในเครื่องมือการจัดการลูกค้าสัมพันธ์ (CRM) 

เมื่อคุณสามารถรวบรวมและวิเคราะห์ข้อมูลนี้ คุณจะสามารถค้นพบปัญหาพื้นฐานมากมายที่แม้แต่การสำรวจลูกค้าที่วางแผนมาอย่างดีหรือการฟังทางโซเชียลมีเดียก็อาจไม่สามารถเน้นได้

5. วิเคราะห์ข่าวและพอดแคสต์

ข้อมูลข่าวที่ประกอบด้วยทั้งบทความ ตลอดจนวิดีโอข่าวและพ็อดคาสท์ สามารถให้ข้อมูลเชิงลึกแบบละเอียดเกี่ยวกับประสิทธิภาพและการรับรู้ของแบรนด์ คำติชมของตลาดจากแหล่งข่าวสามารถช่วยธุรกิจในกิจกรรมประชาสัมพันธ์ (PR) ที่มีประสิทธิภาพสำหรับการจัดการชื่อเสียงของแบรนด์ 

 

 

นอกจากนี้ยังสามารถช่วยในการวิเคราะห์คู่แข่งตามแนวโน้มของอุตสาหกรรม ซึ่งโมเดลการวิเคราะห์ความรู้สึกสามารถดึงข้อมูลจากประสบการณ์ของแบรนด์ในบทความข่าวหรือวิดีโอ ตลอดจนช่วยให้พวกเขาเข้าใจพฤติกรรมของผู้บริโภค 

เพื่อแสดงให้เห็นวิธีการแยกความรู้สึกและคำนวณคะแนน ให้เรานำแหล่งข่าวเป็นแหล่งสำคัญของความคิดเห็นของลูกค้า และดูว่าโมเดล ML จะวิเคราะห์ข้อมูลดังกล่าวอย่างไร

1. การรวบรวมข้อมูล

เพื่อให้ได้ผลลัพธ์ที่แม่นยำที่สุด เราต้องใช้แหล่งข่าวทั้งหมดที่เปิดเผยต่อสาธารณะ ซึ่งรวมถึงข่าวจากช่องโทรทัศน์ นิตยสารออนไลน์และสื่อสิ่งพิมพ์อื่นๆ วิทยุกระจายเสียง พอดแคสต์ วิดีโอ ฯลฯ 

มีสองวิธีที่สามารถทำได้ เราอัปโหลดข้อมูลโดยตรงผ่าน Live news API เช่น Google News API API หัวข้อข่าว ESPN, บีบีซีข่าว APIและอื่น ๆ เช่นพวกเขา หรือเราอัปโหลดด้วยตนเองไปยังโมเดล ML ที่เรากำลังใช้โดยการดาวน์โหลดความคิดเห็นและบทความในไฟล์ .csv

2. การประมวลผลข้อมูลด้วยงาน ML

โมเดลจะประมวลผลข้อมูลและระบุรูปแบบต่างๆ เช่น ข้อความ วิดีโอ หรือเสียง ในกรณีของข้อความ กระบวนการนี้ค่อนข้างง่าย โมเดลจะแยกข้อความทั้งหมดรวมถึง อีโมติคอน และแฮชแท็ก ในกรณีของพอดแคสต์ รายการวิทยุ และวิดีโอ จะต้องมีการถอดเสียงผ่านซอฟต์แวร์แปลงเสียงเป็นข้อความ ข้อมูลนี้ก็จะถูกส่งไปยังไปป์ไลน์การวิเคราะห์ข้อความเช่นกัน

เมื่ออยู่ในไปป์ไลน์ การประมวลผลภาษาธรรมชาติ (NLP) การรู้จำเอนทิตีที่มีชื่อ (NER) การจำแนกความหมาย ฯลฯ ตรวจสอบให้แน่ใจว่าได้แยกประเด็นสำคัญ ธีม และหัวข้อจากข้อมูลออกและจัดกลุ่มเพื่อให้สามารถวิเคราะห์ความรู้สึกได้ 

3. วิเคราะห์ความรู้สึก 

เมื่อแยกข้อความแล้ว แต่ละธีม แง่มุม และเอนทิตีจะถูกวิเคราะห์สำหรับความคิดเห็นและคะแนนความคิดเห็นจะถูกคำนวณ ซึ่งสามารถทำได้ในสามวิธี ได้แก่ วิธีนับคำ วิธีความยาวประโยค และอัตราส่วนของคำที่เป็นบวกและลบ

ให้เรานำประโยคนี้เป็นตัวอย่าง “ผู้ชมในสนามต่างชมว่าที่นั่งดี อย่างไรก็ตาม ตั๋วดูแพงเกินไปเนื่องจากไม่มีบัตรผ่านฤดูกาล และหลายคนถึงกับเจอพนักงานหยาบคายที่เคาน์เตอร์ขายตั๋ว ตามรายงานของ Daily Herald”

ให้เราถือว่าหลังจากนั้น tokenizationการปรับข้อความให้เป็นมาตรฐาน (กำจัดข้อมูลที่ไม่ใช่ข้อความ) การสะกดคำ (ค้นหาคำหลัก) และหยุดการลบคำ (ลบคำที่ซ้ำซ้อน) เราได้รับคะแนนต่อไปนี้สำหรับความคิดเห็นเชิงลบและเชิงบวก

บวก – ดี – 1(+ 0.07)

แง่ลบ – แพง(- 0.5), หยาบคาย(- 0.7) – 2

ตอนนี้ให้เราคำนวณคะแนนความเชื่อมั่นโดยใช้สามวิธีข้างต้น

วิธีนับคำ

นี่เป็นวิธีที่ง่ายที่สุดในการคำนวณคะแนนความเชื่อมั่น ในวิธีนี้ เราลดค่าลบออกจากค่าบวก (1 – 2 = -1)

ดังนั้น คะแนนความเชื่อมั่นของตัวอย่างข้างต้นคือ -1 

วิธีความยาวประโยค

จำนวนคำที่เป็นบวกจะถูกลบออกจากคำที่เป็นลบ ผลลัพธ์จะถูกหารด้วยจำนวนคำทั้งหมดในข้อความ เนื่องจากคะแนนที่ได้มาอาจมีขนาดเล็กมากและตามด้วยทศนิยมหลายตำแหน่ง จึงมักคูณด้วยเลขหลักเดียว สิ่งนี้ทำเพื่อให้คะแนนมีขนาดใหญ่ขึ้นและง่ายต่อการเข้าใจและเปรียบเทียบ ในกรณีตัวอย่างของเรา คะแนนจะเป็น

1-2/42 = -0.0238095

อัตราส่วนการนับคำที่เป็นลบ-บวก

จำนวนคำเชิงบวกทั้งหมดหารด้วยจำนวนคำเชิงลบทั้งหมด จากนั้นผลลัพธ์จะถูกบวกด้วย 1 ซึ่งจะสมดุลกว่าวิธีอื่นๆ โดยเฉพาะอย่างยิ่งในกรณีที่มีข้อมูลจำนวนมาก 

1/ 2+1 = 0.33333

4. การสร้างภาพข้อมูลเชิงลึก

เมื่อข้อมูลได้รับการวิเคราะห์ความรู้สึกแล้ว ข้อมูลเชิงลึกจะถูกนำเสนอบนแดชบอร์ดการแสดงภาพ เพื่อให้คุณเข้าใจข้อมูลอัจฉริยะที่ได้รับจากข้อมูลทั้งหมด คุณสามารถดูการวิเคราะห์ความรู้สึกตามไทม์ไลน์ รวมถึงเหตุการณ์ต่างๆ เช่น การเปิดตัวผลิตภัณฑ์ ความผันผวนของตลาดหุ้น ข่าวประชาสัมพันธ์ ประกาศของบริษัท ราคาใหม่ ฯลฯ 

ข้อมูลเชิงลึกตามแง่มุมเหล่านี้เป็นสิ่งที่มีค่าอย่างเหลือเชื่อสำหรับคุณเมื่อคุณวางแผนการตลาดและกลยุทธ์การเติบโต

AI และวิทยาศาสตร์ข้อมูลมีความสำคัญอย่างมากต่อกิจกรรมทางการตลาด โดยเฉพาะอย่างยิ่งในยุคของนวัตกรรมที่ไม่หยุดนิ่งและการเปลี่ยนแปลงของตลาดที่เปลี่ยนแปลง การวิเคราะห์ความคิดเห็นของลูกค้าที่ขับเคลื่อนโดยข้อมูลความคิดเห็นของลูกค้าที่ได้รับการควบคุมโดยตรงจากข้อมูลเหล่านี้สามารถให้ประโยชน์ทั้งหมดที่คุณต้องการเพื่อให้แน่ใจว่าคุณมีกลยุทธ์ทางการตลาดที่ยั่งยืนเพื่อการเติบโตอย่างต่อเนื่อง
 
 
มาร์ติน ออสตรอฟสกี้ เป็นผู้ก่อตั้งและซีอีโอของ Repustate เขาหลงใหลเกี่ยวกับ AI, ML และ NLP เขากำหนดกลยุทธ์ แผนงาน และข้อกำหนดคุณลักษณะสำหรับ Global Text Analytics API ของ Repustate การวิเคราะห์ความรู้สึก การค้นหาเชิงลึก และโซลูชัน Named Entity Recognition

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
• ที่มา: https://www.kdnuggets.com/2022/12/collect-data-customer-sentiment-analysis.html?utm_source=rss&utm_medium=rss&utm_campaign=how-to-collect-data-for-customer-sentiment-analysis