Share it with your network.
Stimmungsanalyse ist das kontextuelle Auslesen von Texten, das subjektive Informationen im Quellmaterial identifiziert und extrahiert und einem Unternehmen hilft, die soziale Stimmung seiner Marke, seines Produkts oder seiner Dienstleistung zu verstehen und gleichzeitig Online-Konversationen zu verfolgen. Die Analyse von Social-Media-Streams beschränkt sich jedoch in der Regel auf grundlegende Stimmungsanalysen und zählbasierte Kennzahlen. Das ist so, als würde man nur an der Oberfläche kratzen und die wertvollen Erkenntnisse verpassen, die darauf warten, entdeckt zu werden. Was sollte eine Marke also tun, um diese tief hängenden Früchte für sich zu gewinnen?
Mit den jüngsten Fortschritten im Bereich Deep Learning hat sich die Fähigkeit von Algorithmen zur Textanalyse erheblich verbessert. 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
Stimmungsanalyse
Die 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.
Absichtsanalyse
Die Intentionsanalyse bringt das Spiel noch weiter, indem sie 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.
Jetzt wird es wirklich interessant. Um umsetzbare Erkenntnisse abzuleiten, ist es wichtig zu verstehen, über welchen Aspekt der Marke ein Nutzer diskutiert. Zum Beispiel: Amazon würde Nachrichten, die sich auf verspätete Lieferungen, Rechnungsprobleme, Fragen zu Werbeaktionen, Produktbewertungen usw. beziehen, trennen wollen. Andererseits würde Starbucks Nachrichten danach klassifizieren wollen, ob sie sich auf das Verhalten der Mitarbeiter, neue Kaffeearomen, Hygiene-Feedback, Online-Bestellungen, den Namen und Standort des Ladens usw. beziehen. Aber wie kann man das tun?
Kontextuelle Semantische Forschung (CSS)
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:
Visualisieren kontextbezogener Tweets [/caption] [caption id= "“ align="alignnone“ width="471"] In den folgenden Beispielen wird es Zeit, CSS in Aktion zu sehen und zu erfahren, wie es bei Kommentaren zu Uber funktioniert:
Schauen Sie sich in ähnlicher Weise diesen Tweet an:
Die Flatrate war das Beste, was dieses Jahr passiert ist. @uber bring es zurück!!!! #MakeUberGreatAgain
— Ein Boogie (@Finessenomics_) 3. März 2017
In beiden oben genannten Fällen klassifiziert der Algorithmus diese Nachrichten als kontextuell mit dem Konzept P verwandt.Reis obwohl das Wort Preis wird in diesen Nachrichten nicht erwähnt.
Uber: Eine tiefgründige Analyse
Uber, das am höchsten bewertete Start-up der Welt, war ein Pionier in der Sharing Economy. Uber ist in mehr als 500 Städten weltweit tätig und bedient eine gigantische Nutzerbasis. Daher erhält Uber viele Rückmeldungen, Vorschläge und Beschwerden von Nutzern. Oft sind soziale Medien das am meisten bevorzugte Medium, um solche Probleme zu registrieren. Die riesige Menge an eingehenden Daten macht das Analysieren, Kategorisieren und Generieren von Erkenntnissen zu einer Herausforderung.
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 berücksichtigt (Stornierung, Zahlung, Preis, Sicherheit und Service).
Stimmungsanalyse
Die Aufschlüsselung der Stimmung nach Kategorien übertraf die negativen. 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 habenBemerkenswert ist, dass Kommentare zu allen Kategorien, mit Ausnahme einer, überwiegend negativ gestimmt sind. Die Anzahl der positiven Kommentare bezog sich auf Preis . Schauen Sie sich die Absichtsanalyse in den Facebook-Kommentaren an:
Absichtsanalyse von Facebook-Kommentaren [/caption] Absichtsanalyse von Facebook-Kommentaren
Daher haben wir alle diese irrelevanten Absichtskategorien entfernt und das Ergebnis reproduziert:
Kommentare im Zusammenhang mit der gefilterten Stimmungsanalyse, bei denen die Anzahl der positiven Kommentare von 46% auf 29% gesunken ist. Die Stimmung, die jeder Kategorie zugeordnet ist, hat sich merklich verändert. Vor allem in Preis
Dies gibt uns einen Einblick, wie CSS tiefgehende Erkenntnisse aus digitalen Medien generieren kann. Eine Marke kann auf diese Weise solche Tweets analysieren und auf den positiven Punkten aufbauen oder Feedback von den negativen Tweets einholen.
Stimmungsanalyse
Eine ähnliche Analyse wurde für gecrawlte Tweets durchgeführt. In der ersten Analyse Zahlung und Sicherheit verwandte Tweets hatten eine gemischte Stimmung.
Um echte Nutzermeinungen, Beschwerden und Vorschläge zu verstehen, müssen wir erneut die Tweets filtern, die nichts miteinander zu tun haben (Spam, Junk, Marketing, Nachrichten und zufällige Tweets):
Es gibt einen bemerkenswerten Rückgang der Anzahl positiver Sicherheit(und verwandte Keywords.) verwandte Tweets. Außerdem ist die Anzahl der positiven Tweets für die Kategorie deutlich gesunken Bezahlung
Zusätzlich Stornieren, Zahlung und Bedienung (und verwandte Wörter) sind die Themen, über die in den Kommentaren auf Twitter am meisten gesprochen wird. Es scheint, dass die Leute am meisten über Fahrer gesprochen haben, die ihre Fahrt stornieren, und über die ihnen in Rechnung gestellte Stornogebühr. Schau dir diesen Tweet an:
@Uber_Support @Uber Ich habe immer noch nicht von Ihnen gehört, dass Sie mir eine Stornogebühr für den Fahrer berechnen, der meine Fahrt storniert hat!
— Anagh Padmanabhan (@anagh) 2. März 2017
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 kontextueller semantischer Suche und Stimmungsanalyse. Beim Karna, können Sie uns kontaktieren, um unsere Technologie zu lizenzieren oder ein maßgeschneidertes Dashboard für die Generierung aussagekräftiger Erkenntnisse aus digitalen Medien zu erhalten. Sie können sich die Demo ansehen hier.
Wir hoffen, dir hat der Artikel gefallen. Bitte Melde dich an für ein kostenloses Komprehend-Konto, um Ihre KI-Reise zu beginnen. Sie können sich auch Demos der Komprehend APIs ansehen hier.
.jpg)