Share it with your network.
Mit den jüngsten Fortschritten im Bereich Deep Learning hat sich die Fähigkeit von Algorithmen zur Textanalyse erheblich verbessert. Die Analyse digitaler und sozialer Medien beschränkt sich heute nicht nur auf grundlegende Stimmungsanalysen und zählbasierte Kennzahlen. Der kreative Einsatz fortschrittlicher Techniken der künstlichen Intelligenz kann ein wirksames Instrument für eingehende Recherchen sein. Wir glauben, dass es wichtig ist, eingehende Kundengespräche über eine Marke anhand der folgenden Zeilen zu klassifizieren:
- Wichtige Aspekte des Produkts und der Dienstleistung einer Marke, die den Kunden wichtig sind.
- Die den Nutzern zugrunde liegenden Absichten und Reaktionen in Bezug auf diese Aspekte.
Wenn diese grundlegenden Konzepte in Kombination verwendet werden, werden sie zu einem sehr wichtigen Instrument, um Millionen von Markengesprächen mit menschlicher Genauigkeit zu analysieren. In dem Beitrag nehmen wir das Beispiel von Uber und zeigen, wie das funktioniert. Lesen Sie weiter!
Textklassifikator — Die grundlegenden Bausteine
1. Analyse der Stimmung
Stimmungsanalyse ist das gängigste Textklassifizierungstool, das eine eingehende Nachricht analysiert und feststellt, ob die zugrunde liegende Stimmung positiv, negativ oder neutral ist. Sie können einen Satz Ihrer Wahl eingeben und die zugrunde liegende Stimmung einschätzen, indem Sie mit der Demo spielen hier.
Emotionsanalyse
Emotionsanalyse kann die Emotion aus beliebigen Textdaten genau erkennen. Menschen äußern ihre Meinung, ihr Feedback und ihre Bewertungen in sozialen Medien, Blogs und Foren. Marketer und Kundensupport können die Leistungsfähigkeit der Emotionserkennung nutzen, um die mit den Textdaten verbundenen Emotionen zu lesen und zu analysieren. Unser Emotionsanalyse-Klassifikator basiert auf unserem firmeneigenen Datensatz und gibt Aufschluss darüber, ob die einer Botschaft zugrunde liegende Emotion ist: Glücklich, traurig, wütend, ängstlich, aufgeregt, lustig oder sarkastisch.
Absichtsanalyse
Analyse der Absicht bringt das Spiel voran, indem es die Absicht des Nutzers hinter einer Nachricht analysiert und feststellt, ob es sich um eine Meinung, eine Nachricht, ein Marketing, eine Beschwerde, einen Vorschlag, eine Wertschätzung oder eine Anfrage handelt.
Kontextuelle semantische Suche (CSS)
Nun, das ist der Punkt, an dem die Dinge wirklich interessant werden. Um umsetzbare Erkenntnisse abzuleiten, ist es wichtig zu verstehen, über welchen Aspekt der Marke ein Nutzer diskutiert. Zum Beispiel würde Amazon Nachrichten, die sich auf verspätete Lieferungen, Rechnungsprobleme, Fragen zu Werbeaktionen, Produktbewertungen usw. beziehen, trennen wollen. Aber wie kann man das tun?
Wir führen einen intelligenten Suchalgorithmus ein, der heißt Kontextuelle semantische Suche (auch bekannt als CSS). CSS funktioniert so, dass es Tausende von Nachrichten und ein Konzept benötigt (wie Preis) als Eingabe und filtert alle Nachrichten, die eng mit dem angegebenen Konzept übereinstimmen. Die unten abgebildete Grafik zeigt, dass CSS eine wesentliche Verbesserung gegenüber bestehenden Methoden darstellt, die in der Branche verwendet werden.
Ein konventioneller Ansatz zum Filtern aller Preis verwandte Nachrichten dienen dazu, eine Stichwortsuche durchzuführen Preis und andere eng verwandte Wörter wie (Preisgestaltung, Gebühr, $, bezahlt). Diese Methode ist jedoch nicht sehr effektiv, da es fast unmöglich ist, sich alle relevanten Keywords und ihre Varianten vorzustellen, die ein bestimmtes Konzept repräsentieren. CSS hingegen nimmt nur den Namen des Konzepts an (Preis) als Eingabe und Filter sind alle kontextuell ähnlich, auch wenn die offensichtlichen Varianten des Konzept-Keywords nicht erwähnt werden.
Für die Neugierigen möchten wir einen Einblick geben, wie das funktioniert. Eine KI-Technik wird verwendet, um jedes Wort in einen bestimmten Punkt im Hyperraum umzuwandeln. Der Abstand zwischen diesen Punkten wird verwendet, um Botschaften zu identifizieren, deren Kontext dem Konzept, das wir untersuchen, ähnelt. Eine Visualisierung, wie das unter der Haube aussieht, ist unten zu sehen:
Der Algorithmus klassifiziert die Nachrichten als kontextuell mit dem Konzept P verwandt.Reis obwohl das Wort Preis wird in den Nachrichten nicht erwähnt.
Uber: Eine tiefgründige Analyse
Wir haben die Online-Konversationen in digitalen Medien zu einigen Produktthemen analysiert: Stornierung, Zahlung, Preis, Sicherheit und Service.
Um eine breite Palette von Datenquellen abzudecken, haben wir Daten aus den neuesten Kommentaren auf der offiziellen Facebook-Seite von Uber, Tweets, in denen Uber erwähnt wird, und aktuellen Nachrichtenartikeln rund um Uber verwendet. Hier ist eine Verteilung der Datenpunkte auf alle Kanäle:
- Facebook: 34.173 Kommentare
- Twitter: 21.603 Tweets
- Neuigkeiten: 4.245 Artikel
Die Analyse der Stimmungen von Nutzergesprächen kann Ihnen eine Vorstellung von der allgemeinen Markenwahrnehmung geben. Um jedoch tiefer zu graben, ist es wichtig, die Daten mithilfe der kontextuellen semantischen Suche weiter zu klassifizieren.
Wir haben den Algorithmus für die kontextuelle semantische Suche auf demselben Datensatz ausgeführt und dabei die oben genannten Kategorien in einem Konto berücksichtigt (Stornierung, Zahlung, Preis, Sicherheit und Service).
Stimmungsanalyse
Bemerkenswert ist, dass Kommentare zu allen Kategorien, mit Ausnahme einer, überwiegend negativ gestimmt sind. Die Anzahl der positiven Kommentare bezog sich auf Preis war den negativen zahlenmäßig überlegen. Um tiefer zu gehen, haben wir die Absicht dieser Kommentare analysiert. Da Facebook eine soziale Plattform ist, sind die Kommentare überfüllt zufällige Inhalte, geteilte Nachrichten, Marketing- und Werbeinhalte sowie Spam-/Junk-/Inhalte, die nichts miteinander zu tun haben. Schauen Sie sich die Absichtsanalyse in den Facebook-Kommentaren an:
Daher haben wir alle diese irrelevanten Absichtskategorien entfernt und das Ergebnis reproduziert:
Die Stimmung, die jeder Kategorie zugeordnet ist, hat sich merklich verändert. Vor allem in Preis verwandte Kommentare, bei denen die Zahl der positiven Kommentare von 46% auf 29% gesunken ist.
Stimmungsanalyse
Eine ähnliche Analyse wurde für gecrawlte Tweets durchgeführt. In der ersten Analyse Zahlung und Sicherheit verwandte Tweets hatten eine gemischte Stimmung.
Es gibt einen bemerkenswerten Rückgang der Anzahl positiver Bezahlung verwandte Tweets. Außerdem ist die Anzahl der positiven Tweets für die Kategorie deutlich gesunken Sicherheit(und verwandte Keywords.)
Marken wie Uber können sich auf solche Erkenntnisse verlassen und auf die kritischsten Themen reagieren. Zum Beispiel Bedienung Verwandte Tweets wiesen den niedrigsten Prozentsatz an positiven Tweets und den höchsten Prozentsatz an negativen Tweets auf. Auf diese Weise kann Uber solche Tweets analysieren und darauf reagieren, um die Servicequalität zu verbessern.
Neuigkeiten
Verständlicherweise war Sicherheit das am meisten diskutierte Thema in den Nachrichten. Interessanterweise ist die Stimmung in den Nachrichten insgesamt und auch individuell in jeder Kategorie positiv.
Wir haben Nachrichten auch nach ihrem Beliebtheitsgrad klassifiziert. Der Beliebtheitswert wird auf die Anzahl der geteilten Artikel auf verschiedenen Social-Media-Kanälen zurückgeführt. Hier ist eine Liste der wichtigsten Nachrichtenartikel:
- Der CEO von Uber verlässt den Trump-Beirat nach Kritik
- #DeleteUber: Nutzer sind wütend auf Trump Muslim Ban Scrap App
- Uber-Mitarbeiter hassen auch ihre eigene Unternehmenskultur
- Jedes Mal, wenn wir einen Uber nehmen, verbreiten wir sein soziales Gift
- Wütende Kunden löschen die Uber-App, nachdem die Fahrer während einer Demonstration und eines Streiks zum Flughafen JFK gefahren sind
Fazit
Mit dem technologischen Fortschritt ist das Zeitalter gekommen, in dem aussagekräftige Erkenntnisse aus Social-Media-Daten gewonnen werden. Die Uber-Fallstudie gibt Ihnen einen Einblick in die Leistungsfähigkeit der kontextuellen semantischen Suche. Es ist an der Zeit, dass dein Unternehmen über die allgemeine Stimmung und zahlenbasierte Kennzahlen hinausgeht. Unternehmen nutzen in letzter Zeit das Potenzial von Daten, aber um die umfassendsten Informationen zu erhalten, müssen Sie die Leistungsfähigkeit von KI, Deep Learning und intelligenten Klassifikatoren wie der kontextuellen semantischen Suche nutzen.
Sie können unser Excel-Add-in auch verwenden, um Umfragen zu analysieren, ohne eine einzige Codezeile zu schreiben. Sie können das Add-In von herunterladen hier.
Wir hoffen, dir hat der Artikel gefallen. Bitte Melde dich an für ein kostenloses ParallelDots-Konto, um Ihre KI-Reise zu beginnen. Sie können sich auch Demos der Komprehend AI-APIs ansehen hier.
.jpg)