Share it with your network.
Con los avances recientes en el aprendizaje profundo, la capacidad de los algoritmos para analizar texto ha mejorado considerablemente. Ahora, el análisis de las redes digitales y sociales no se limita solo al análisis básico de sentimientos y a las métricas basadas en el recuento. El uso creativo de técnicas avanzadas de inteligencia artificial puede ser una herramienta eficaz para realizar investigaciones en profundidad. Creemos que es importante clasificar las conversaciones de los clientes entrantes sobre una marca en función de las siguientes líneas:
- Aspectos clave del producto y servicio de una marca que interesan a los clientes.
- Las intenciones y reacciones subyacentes de los usuarios con respecto a esos aspectos.
Estos conceptos básicos, cuando se usan en combinación, se convierten en una herramienta muy importante para analizar millones de conversaciones de marca con precisión a nivel humano. En el post, tomamos el ejemplo de Uber y demostramos cómo funciona. ¡Sigue leyendo!
Clasificador de texto: los componentes básicos
1. Análisis de sentimientos
Análisis de sentimientos es la herramienta de clasificación de texto más común que analiza un mensaje entrante e indica si el sentimiento subyacente es positivo, negativo o neutro. Puedes introducir una frase de tu elección y medir el sentimiento subyacente jugando con la demo aquí.
Análisis de emociones
Análisis de emociones puede detectar con precisión la emoción a partir de cualquier dato textual. Las personas expresan sus opiniones, comentarios y reseñas en las redes sociales, blogs y foros. Los especialistas en marketing y el servicio de atención al cliente pueden aprovechar el poder de la detección de emociones para leer y analizar las emociones asociadas a los datos textuales. Nuestro clasificador de análisis de emociones se basa en nuestro conjunto de datos patentado y determina si la emoción subyacente detrás de un mensaje es: felicidad, tristeza, enfado, miedo, emoción, diversión o sarcástica.
Análisis de intenciones
Análisis de intenciones mejora el juego al analizar la intención del usuario detrás de un mensaje e identificar si se refiere a una opinión, una noticia, un marketing, una queja, una sugerencia, un aprecio o una consulta.
Búsqueda semántica contextual (CSS)
Ahora, aquí es donde las cosas se ponen realmente interesantes. Para obtener información útil, es importante entender de qué aspecto de la marca habla un usuario. Por ejemplo, Amazon querría segregar los mensajes relacionados con entregas tardías, problemas de facturación, consultas relacionadas con promociones, reseñas de productos, etc. Pero, ¿cómo se puede hacer eso?
Introducimos un algoritmo de búsqueda inteligente llamado Búsqueda semántica contextual (también conocida como CSS). La forma en que funciona el CSS es que requiere miles de mensajes y un concepto (como Precio) como entrada y filtra todos los mensajes que coinciden estrechamente con el concepto dado. El gráfico que se muestra a continuación demuestra cómo el CSS representa una mejora importante con respecto a los métodos existentes utilizados por la industria.
Un enfoque convencional para filtrar todo Precio los mensajes relacionados son realizar una búsqueda por palabra clave en Precio y otras palabras estrechamente relacionadas como (precios, cargos, $, pagado). Sin embargo, este método no es muy efectivo, ya que es casi imposible pensar en todas las palabras clave relevantes y sus variantes que representan un concepto en particular. CSS, por otro lado, solo toma el nombre del concepto (Precio) como entrada y filtra todo lo contextualmente similar, incluso cuando no se mencionan las variantes obvias del concepto palabra clave.
Para los curiosos, nos gustaría dar una idea de cómo funciona esto. Se utiliza una técnica de inteligencia artificial para convertir cada palabra en un punto específico del hiperespacio y la distancia entre estos puntos se utiliza para identificar los mensajes en los que el contexto es similar al concepto que estamos explorando. A continuación se puede ver una visualización de cómo se ve esto bajo el capó:
El algoritmo clasifica los mensajes como relacionados contextualmente con el concepto denominado P.arroz a pesar de que la palabra Precio no se menciona en los mensajes.
Uber: un análisis profundo
Analizamos las conversaciones en línea que tienen lugar en los medios digitales sobre algunos temas de productos: Cancelación, pago, precio, seguridad y servicio.
Para una amplia cobertura de las fuentes de datos, tomamos datos de los últimos comentarios en la página oficial de Facebook de Uber, los tuits en los que se mencionaba a Uber y los últimos artículos de noticias sobre Uber. Esta es la distribución de los puntos de datos en todos los canales:
- Facebook: 34,173 Comentarios
- Twitter: 21.603 Tuits
- Noticias: 4,245 Artículos
El análisis de los sentimientos de las conversaciones de los usuarios puede darte una idea de las percepciones generales de la marca. Sin embargo, para profundizar, es importante clasificar aún más los datos con la ayuda de la búsqueda semántica contextual.
Ejecutamos el algoritmo de búsqueda semántica contextual en el mismo conjunto de datos, teniendo en cuenta las categorías antes mencionadas (Cancelación, pago, precio, seguridad y servicio).
Análisis de sentimientos
Cabe destacar que los comentarios relacionados con todas las categorías tienen un sentimiento mayoritariamente negativo, excepto uno. El número de comentarios positivos relacionados con Precio ha superado en número a los negativos. Para profundizar más, analizamos la intención de estos comentarios. Al ser Facebook una plataforma social, los comentarios están abarrotados contenido aleatorio, noticias compartidas, contenido promocional y de marketing y contenido no deseado, basura o no relacionado. Eche un vistazo al análisis de intenciones en los comentarios de Facebook:
Por lo tanto, eliminamos todas esas categorías de intención irrelevantes y reprodujimos el resultado:
Hay un cambio notable en el sentimiento asociado a cada categoría. Especialmente en Precio comentarios relacionados, donde el número de comentarios positivos se ha reducido del 46% al 29%.
Análisis de sentimientos
Se realizó un análisis similar para los Tweets rastreados. En el análisis inicial, Payment y Seguridad Los tuits relacionados tenían un sentimiento mixto.
Hay una reducción notable en el número de positivos Pago Tweets relacionados. Además, hay una caída significativa en el número de tuits positivos para la categoría Seguridad(y palabras clave relacionadas).
Las marcas como Uber pueden confiar en estos conocimientos y actuar en relación con los temas más críticos. Por ejemplo, Servicio Los tuits relacionados tenían el porcentaje más bajo de tuits positivos y el porcentaje más alto de negativos. De este modo, Uber puede analizar dichos Tweets y actuar en consecuencia para mejorar la calidad del servicio.
Noticias
Es comprensible que la seguridad haya sido el tema del que más se ha hablado en las noticias. Curiosamente, la opinión sobre las noticias es positiva en general y también de forma individual en cada categoría.
También clasificamos las noticias en función de su puntuación de popularidad. La puntuación de popularidad se atribuye al número de veces que se comparte el artículo en diferentes canales de redes sociales. Esta es una lista de los principales artículos de noticias:
- El CEO de Uber abandonará el consejo asesor de Trump tras las críticas
- #DeleteUber: Usuarios enojados con la aplicación de desguace de Trump que prohíbe a los musulmanes
- Los empleados de Uber también odian su propia cultura corporativa
- Cada vez que tomamos un Uber estamos esparciendo su veneno social
- Clientes furiosos eliminan la aplicación Uber después de que los conductores acudieran al aeropuerto JFK durante una protesta y una huelga
Conclusión
La era de obtener información significativa a partir de los datos de las redes sociales ha llegado con el avance de la tecnología. El estudio de caso de Uber te da una idea del poder de la búsqueda semántica contextual. Es hora de que tu organización vaya más allá de las métricas basadas en el sentimiento general y el recuento. Las empresas han estado aprovechando el poder de los datos últimamente, pero para obtener la información más profunda, es necesario aprovechar el poder de la inteligencia artificial, el aprendizaje profundo y los clasificadores inteligentes, como la búsqueda semántica contextual.
También puedes usar nuestro complemento de Excel para analizar las encuestas sin escribir una sola línea de código. Puedes descargar el complemento desde aquí.
Esperamos que os haya gustado el artículo. Por favor Inscríbase para obtener una cuenta gratuita de ParallelDots para comenzar su viaje hacia la IA. También puede consultar las demostraciones de las API de IA de Komprehend aquí.
