Müşteri görüşünü analiz etmek için duyarlılık analizi nasıl kullanılır?

Duygu analizi nedir?

Duygu analizi veya fikir madenciliği, verilerde ifade edilen duygunun olumlu, olumsuz veya nötr olup olmadığını anlamak için kullanılan bir yapay zeka tekniğidir. Bu algoritmalar, verilerdeki duyarlılığı hızlı ve verimli bir şekilde ölçmek için adlandırılmış varlık tanıma (NER), doğal dil işleme (NLP) ve makine öğrenimi (ML) gibi diğer AI görevleriyle birlikte çalışır.

Markalar, marka sağlığını izlemek, ürünleri iyileştirmek ve müşteri katılımını artırmak için sosyal dinleme, incelemeler, anketler, iletişim merkezi etkileşimleri vb. ve tutma.

Sprout Social gibi araçlar, AI otomasyonunun yerleşik bir özelliği olarak duygu madenciliğine sahiptir, böylece marka sağlığını izlemek, verimliliği artırmak ve iş etkisini artırmak için sosyal içgörülerden proaktif olarak yararlanabilirsiniz.

Duygu analizi türleri nelerdir?

Duygu analizinin üç düzeyi vardır: belge tabanlı, konu tabanlı ve boyut tabanlı. Onları parçalayalım.

Belge tabanlı duyarlılık analizi

Bu, basit bir cümleyi analiz etmek ve bunun olumlu mu yoksa olumsuz mu olduğunu söylemek için kullanılan temel fikir madenciliğidir.

Konu bazlı duyarlılık analizi

Daha karmaşık veriler için konu düzeyinde duyarlılık analizi kullanılır. Yinelenen sözcükleri ve deyimleri belirlemek için karmaşık bir cümleyi veya paragrafı parçalara ayırır ve bunları konulara göre sınıflandırır. Daha sonra her konu için duyguları ayrı ayrı ölçer.

Konu analizi, sosyal medyadaki veya inceleme platformlarındaki müşteri yorumlarını analiz etmek için kullanıldığında, metinde bahsedilen kilit noktaları daha iyi anlamanızı sağlar ve ardından bunları takip edebilirsiniz.

Boy tabanlı duyarlılık analizi

Üç boyut tabanlı duyarlılık analizinden en gelişmişi, "aşk" veya "nefret" gibi açıkça olumlu kelimeler içermeyen yorumları anlamak ve size duygularını anlatmak için anlamsal sınıflandırmayı kullanır.

Aşağıdaki örnekte olduğu gibi "yiyecek" veya "içecek" gibi konuları belirleyip sınıflandırmanın yanı sıra, duyarlılığı ölçmek için bu konuların içindeki yönleri daha da ayrıştırır. Bu size iş kararları için bilgi sağlamak için kullanabileceğiniz ayrıntılı içgörüler sağlar.

Duyarlılık analizindeki zorluklar

Duyarlılık analizi, bir makine öğrenimi modelinin verileri analiz etmek için ne kadar iyi eğitildiğine bağlıdır. Ancak gelişmiş sürümlerde bile bazı sorunlar hatalı sonuçlara yol açabilir. Bunlar şunları içerir:

• Duygu kutuplaşması: Duygu analizi, pozitif (+1) ve negatif (-1) kutup puanları yüksek olan “sevgi”, “nefret” veya “en iyi” gibi duyguları ifade eden anahtar kelimeleri kolayca belirleyebilir. Zorluk, metinde modelin tanımadığı "o kadar da kötü değil" gibi ifadeler olduğunda ortaya çıkar. Bu, yanlış bir duyarlılık puanına neden olur.
• Alaycılık: İnsanlar sosyal medyadaki gündelik konuşmalarda ve memlerde ironi ve iğneleme kullanır. Makine öğrenimi, ters iltifatları olumsuz olarak algılamaz ve alaycı bir sözü olumlu olarak yanlış yorumlayabilir.
• Emojiler: Duygu analizi, doğal dil işlemeye ve duygu madenciliği için metin analizine bağlıdır, ancak sosyal medyadaki yorumlar emoji yağmuruna tutulabilir. Bu sorunun üstesinden gelmek için metin verilerindeki emojileri tanımlayacak ve marka veya ürün duyarlılığını ölçerken bunları dikkate alacak Sprout gibi araçlara ihtiyacınız var.

• Konuşma şekilleri: Makine öğrenimi programları, deyimler ve metaforlar gibi konuşma şekillerini anlamaz. Örneğin, "under the weather" gibi bir deyim, bir duyarlılık analiz aracı için bağlamsal bir anlam ifade etmeyecektir. Metni göz ardı edecek ve bu da sonuçların doğruluğunu azaltacaktır.
• Olumsuzluklar: Bir duyarlılık madenciliği aracı, "Starbucks'ım olamaz!" gibi cümlelerdeki çifte olumsuzları tanıyamaz. Bu gibi durumlarda, araç ya yorumu dikkate almaz ya da olumsuz olarak sınıflandırır ve böylece duyarlılık puanını çarpıtır.
• Karşılaştırma cümleleri: Karşılaştırma cümleleri yanıltıcıdır çünkü belirtilmedikçe müşterinin mutlu mu yoksa mutsuz mu olduğunu gerçekten belirtmezler. Örneğin “Galaxy S20, Apple iPhone 12'den daha büyük” yorumu müşterinin tercihine göre olumlu ya da olumsuz olarak yorumlanabilir.
• Çok dilli duyarlılık analizi: Yorumlar birden çok dilde olduğunda, bir duyarlılık analizi algoritmasının zorluklarını artırır. Şans eseri, bu sorun, araç Sprout gibi yerleşik yerel çok dilli duygu madenciliğine sahip olduğunda çözülür.

Duyarlılık puanı nasıl hesaplanır?

Duyarlılık puanları, -1'in negatif, 0'ın nötr ve 1'in pozitif olduğu kutuplarda ölçülür. Bunlar üç şekilde hesaplanabilir:

Kelime sayma yöntemi

Bu yöntemde, duygu puanları, olumlu olanlardan olumsuz olayların sayısı azaltılarak hesaplanır. Örneğin, 1 - 2 = -1. Dolayısıyla, ölçülen duyarlılık negatiftir. Bu yöntem basit metinler için kullanılır.

Cümle uzunluğu yöntemi

Puan, cümlenin uzunluğuna göre hesaplanır, burada toplam olumlu oluşum sayısı olumsuz olanlardan çıkarılır ve ardından toplam kelime sayısına bölünür. Örneğin, 1-2/42 = -0,0238095. Bu yöntem genellikle karmaşık cümleler ve daha uzun yorumlar için kullanılır.

Kelime sayısı oranı yöntemi

Bu, duyarlılık puanlarını hesaplamanın en popüler yoludur. Metindeki toplam olumlu geçiş sayısı, toplam olumsuz geçiş sayısına bölünür ve bir eklenir. Örneğin, 1/ 2+1 = 0,33333.

Sonuç olarak, tüm bu ayrı puan örnekleri, size markanızın, ürününüzün veya müşteri deneyiminizin genel duyarlılık puanını vermek için yüzdelik bir biçimde hesaplanır.

Duyarlılık analizi verilerinin kaynakları nelerdir?

Müşteri duyarlılığı içgörülerini toplamak için kullanılacak temel müşteri sesi (VoC) veri kaynaklarının bir listesini burada bulabilirsiniz.

• Sosyal medya dinleme: Sosyal dinleme, müşterilerinizin filtrelenmemiş düşüncelerine ve görüşlerine erişmenizi sağlar. Bu, müşterilerinizin markanız, içeriğiniz veya müşteri hizmetleriniz hakkında ne hissettiğine dair daha derin içgörüler elde etmenin harika bir yoludur. Sprout ile, hepsi tek bir merkezi platformda, Twitter, Facebook ve Instagram gibi çeşitli ağlardan bu duyguyu kolayca ölçün.
• İnceleme platformları: İş inceleme platformları, marka sağlığını ölçmek için önemli bir kaynaktır. Sprout, eyleme dönüştürülebilir içgörüler toplamak için Google Benim İşletmem, Yelp, TripAdvisor ve hatta Glassdoor gibi çeşitli inceleme platformlarını analiz etmenize olanak tanır.

• Haberler : Markanız ve rakipleriniz için duyarlılığı izlemek için haber makalelerinden yararlanın.
• Podcast'ler: Podcast'ler, gelişmekte olan endüstri trendlerini gösterebilecek trend olan konularda duyarlılık içgörüleri toplamak için popüler bir kaynaktır.
• Anketler: Duyarlılık için anket yanıtlarını analiz ederek, net tavsiye puanlarının (NPS) veya yıldız derecelendirme sistemlerinin ötesine geçen bütünsel marka içgörüleri elde edersiniz.
• Müşteri hizmetleri etkileşimleri : Müşteri hizmetleri e-postaları, arama günlükleri ve biletler, müşteri şikayetlerindeki ortak temaları takip etmek ve ele almak için önemli bir kaynaktır.
• Diğer metin kaynakları: Metinde bulunan herhangi bir veri üzerinde duygu analizi yapmak mümkündür. Bunlar arasında çeşitli sektörlerde öne çıkanlar arasında sağlık verileri ve araştırma raporları gibi elektronik sağlık raporları, devlet web siteleri ve platformlarındaki gibi kamuya açık bilgiler ve hatta Twitch gibi oyun siteleri yer alır.

Duygu analizi neden önemlidir?

Duyarlılık analizinin işletmeler için önemli olmasının başlıca nedenlerinden bazıları şunlardır.

Hız ve ölçek

Duyarlılık analizi araçları, yüzlerce yorumu dakikalar içinde işler ve her gün milyonlarca API çağrısını yönetir. Bu, markaların kitleleri büyütmek ve ilgisini çekmek için marka performansını izlemek üzere zamanında müşteri içgörüleri elde etmelerini sağlar.

Kesinlik

Makine öğrenimi algoritmaları, çok sayıda dağınık müşteri geri bildirimi verisinden yaklaşımı hesaplar ve manuel olarak yapıldığından çok daha fazla puanı doğru bir şekilde ölçer. Ayrıca, içeri sızabilen insani duygular yoluyla önyargıların kapsamını da azaltır. Örneğin, eski bir çalışandan geldiği için olumsuz bir yorumu görmezden gelebilecek bir mağaza müdürü.

Konu ve yön analizi

Sosyal medya ağlarındaki konuşmalardan ve hashtag'ler ve anahtar kelimeler aracılığıyla inceleme platformlarındaki konuşmalardan işletmenizin trend konularını ve yönlerini ortaya çıkarabilir ve marka duyarlılığını anlayabilirsiniz. Bu kesin, eyleme geçirilebilir içgörüler, marka performansını iyileştirmek için ürünleri ve teklifleri, müşteri hizmetlerini ve işinizin diğer yönlerini geliştirmenize olanak tanır.

Ayrıca, markanızla ilgili müşteri tartışmalarındaki önemli temalara ve konulara hızlı bir bakış sağlayan kelime bulutları aracılığıyla da bilgi edinirsiniz. Görsel olarak çarpıcı olan kelime bulutlarının anlaşılması kolaydır ve daha geniş bir organizasyondaki paydaşlar arasında paylaşıma uygundur.

Çok dilli VoC verilerini analiz edin

Çok dilli veriler, sosyal dinlemede yaygındır. Duyarlılık analizi araçları, markaların bütünsel bir marka duyarlılığı anlayışı için kültürel ve etnik açıdan farklı müşterileri anlamasını sağlar.

TPG'leri ölçün

Stratejinizin hangi yönlerinin işe yaradığını ve hangilerinin iyileştirilmesi gerektiğini bilmek için temel performans göstergelerini hassasiyetle ölçebilirsiniz. Bu, pazarlama kampanyalarınızın etkinliğini ölçmek ve başarıyı garantilemek için gerçek zamanlı olarak uygun değişiklikleri yapmak için çok önemlidir. Benzer şekilde, sosyal bahislerde ve müşteri incelemelerinde duyguları takip ederek marka algısını yönetebilir ve marka içgörüleri elde edebilirsiniz.

Duygu analizi nasıl çalışır?

Duygu analizi karmaşık bir süreçtir, bu yüzden onu üç temel adıma ayırdık.

1. Adım: Veri toplama

VoC verilerinizin nereden geldiğini seçmek, içgörülerinizin doğruluğunu etkileyecek önemli bir karardır. Genel bir kural olarak, en değerli müşterileriniz tarafından sıklıkla kullanılan sosyal ve çevrimiçi platformlar en iyi kaynaktır. Kullanmak istediğiniz platformları seçtikten sonra, duyarlılık analizi aracı, canlı API entegrasyonu veya veri kazıma yoluyla yerel olarak veri kaynağından yararlanır.

2. Adım: Veri işleme ve analiz

Veriler harmanlandıktan sonra, yapılandırılmamış bilgileri metin analizi ve veri madenciliği için uygun bir formata dönüştürmek için makine öğrenimi yoluyla veri işlemeye tabi tutulur.

Adlandırılmış varlık tanıma (NER) gibi AI görevleri, toplamak istediğiniz içgörülerle ilgili marka sözlerini, konumları, para birimlerini ve diğer bilgileri tanımlar. Semantik arama algoritmaları, aracın yorumları bağlamsal olarak anlamasına ve duyarlılığı hesaplarken yinelenen girişlerden kaçınmasına olanak tanır. NLP, aracın metin hattındaki duyguları ifade eden terimleri tanımasını sağlar. Ve konuşma parçası (PoS) etiketleyicileri, İngilizce olmayan verilerin çok dilli yaklaşım analizi için yerel olarak analiz edilmesini sağlar.

Son olarak, duyarlılık analizi görevleri, kümelenmiş her konunun ve yönün duyarlılık kutupluluğunu hesaplar ve sonunda verilerin genel duyarlılık puanını verir.

3. Adım: Veri görselleştirme

Sonuçlar, anlaşılmasını kolaylaştırmak için artık çizelgeler ve grafikler şeklinde gösteriliyor. Bu görselleştirmeler, marka katılımını iyileştirmek ve müşteri önerilerini ve sorunlu noktaları bilinçli bir şekilde ele almak için pazarlama ve müşteri hizmetleri gibi diğer departmanlarla paylaşılabilir.

Duyarlılık analizinin iş uygulamaları

Duyarlılık analizinin, markaların ortaya çıkan trendleri izlemesine ve marka itibarı oluşturmak, müşteri sadakatini artırmak ve rakiplerinin önünde kalmak için rakiplerinin önüne geçmesine yardımcı olduğu bazı önemli yolları burada bulabilirsiniz.

Endüstri trendlerini izleyin

Markalar, değişen sektör trendlerine ve müşteri tercihlerine sürekli ayak uydurmak zorundadır. Duyarlılık analizi, zaman çizelgelerinde ortaya çıkan eğilimleri izlemek için birden çok platformdan aynı anda sosyal ve çevrimiçi sohbetleri izlemenize yardımcı olur. Bu, en önde olmanızı ve ürün ve hizmetlerinizi maksimum yatırım getirisi (ROI) için proaktif olarak geliştirmenizi sağlar.

Rekabet analizi yapmak

Duyarlılık analizi, güçlü ve zayıf yönlerini takip etmek ve iş stratejinize bilgi sağlamak için rakip markalar hakkındaki konuşmaları incelemenize yardımcı olur. Ayrıca, yeni işler yakalamanın yollarını keşfedebilmeniz için pazar boşluğu içgörüleri elde edersiniz. Sprout ile ses paylaşımı, etkileşim, gösterimler ve kullanıcı duyarlılığı gibi sosyal medyadaki temel performans metriklerinin yan yana rakip karşılaştırmasını tek bir yerde görün.

İlgi çekici içerik oluşturun

Müşterilerinizde yankı uyandıran ve rakiplerinizden daha iyi performans gösteren ilgi çekici içerikler oluşturun. Popüler konular için sosyal dinleme ve inceleme verilerindeki duyarlılığı analiz etmek, gerçekte ne hakkında konuştuklarını temel alan kişiselleştirilmiş içerikle hedef kitlenizle daha yakın ilişkiler kurmanıza olanak tanır.

Çalışan savunuculuğunu besleyin

Medallia'nın Sprout kullanarak yaptığı gibi, etkili içeriğin çalışanlara sunumunu otomatikleştirerek marka güçlendirmesini en üst düzeye çıkarın ve çalışan savunuculuğunun seviyesini yükseltin. Kitlelere en çok neyin ilham verdiğini bilmek için duyarlılık analizini kullanın, otomatik içerik dağıtımıyla daha büyük bir kitleye ulaşmak için bütünsel bir strateji oluşturmanıza yardımcı olur.

Marka itibarını iyileştirin

Marka sözlerindeki ani artışlarla ilgili zamanında uyarılar alın, böylece hakkınızda çevrimiçi sohbette bir artış olduğunda haberdar olun ve sebebini takip edin. Müşteri tavsiyeleri veya övgü gibi olumlu marka sözlerinin izlenmesi, markanızı güçlendirmek ve sosyal kanıt oluşturmak için olumlu ifadeleri yeniden paylaşmanıza olanak tanıdığı için eşit derecede önemlidir.

Benzer şekilde, pazar duyarlılığını ölçmek ve içgörülerinize göre gerekli eylemi gerçekleştirmek için anahtar kelimelere veya belirli bir marka kampanyasına dayalı uyarılar ayarlayın.

Marka içgörülerini daha verimli bir şekilde toplayın

Müşteri duyarlılığını sürekli olarak izlemek ve ölçmek, marka algınızı geliştirmek ve müşteri sadakatini derinleştirmek için önemlidir. Gelir elde etmek için uzun süreli müşteri ilişkileri sağlamanın en sürdürülebilir yolu budur.

Sosyal veriler, ilgili verileri hızla filtreleyebilmeniz ve kampanyalarınızı başarıya göre uyarlayabilmeniz için hedef kitleniz arasında yükselen trendleri ve konuları tespit ederek bunu yapmanıza yardımcı olur. Müşteri memnuniyetini ölçmek ve marka performansını yükseltmek için Instagram, Twitter, Reddit ve YouTube gibi platformlarda anahtar kelimelerdeki ve hashtag'lerdeki duyarlılığı analiz edin.

Sosyal dinlemenin derinliklerine inin ve duygu analizinin bunu başarmanıza nasıl yardımcı olduğunu görün.