Tradicionalne metode kao što su ocjene zvjezdicama i rezultati neto promotora (NPS) poznati su načini na koje kvantificiramo zadovoljstvo korisnika. Ali ovo je samo vrh ledenog brijega kada je u pitanju raspoloženje kupaca.



Napredne tehnologije poput analiza sentimenta pomoći vam da prijeđete dalje od numeričke metrike analizom kvalitativnih podataka kao što su komentari na društvenim mrežama, odgovori na ankete i recenzije. Ovaj pristup izračunavanju ocjene raspoloženja daje vam nijansiranije razumijevanje mišljenja kupaca i zvijezdu sjevernjaču za poboljšanje vaše ponude i strategije robne marke.



Čitajte dalje da biste istražili što je rezultat osjećaja, napredak u izračunavanju rezultata osjećaja i kako to radimo u Sproutu.

Što je rezultat osjećaja?

Ocjena osjećaja kvantificira osjećaje ili emocije izražene kvalitativnim podacima kao što su povratne informacije korisnika ili slušanje društvenih medija. Izračunava se kroz proces analize sentimenta i mjeri u rasponu od -1 do 1. Negativan je najveći negativan sentiment, 0 označava neutralan sentiment, a +1 označava najveći pozitivan sentiment.

Kartica s dodatnim opisom koja definira ocjenu osjećaja. Kaže,"A sentiment score quantifies the sentiment or emotion expressed in qualitative data such as customer feedback or social media listening. "

Rezultati sentimenta informiraju vas je li tržišno mišljenje o vašem brendu pozitivno, negativno ili neutralno. Daljnja analiza podataka daje vam dubinski uvid u to kako možete poboljšati različite aspekte svog poslovanja kao što su korisnička služba, marketinški sadržaj, proizvodi i usluge nakon prodaje kako biste bili sigurni da njegujete odanost brendu i poslovni rast.

Tradicionalni pristupi razumijevanju osjećaja kupaca

Tradicionalni pristupi analiza raspoloženja kupaca uglavnom su se oslanjali na kvantitativne pokazatelje. To uključuje:

Viralnost

Viralnost se odnosi na ukupan broj angažmana na društvenim mrežama, poput lajkova, dijeljenja i komentara koje je vaš sadržaj ili kampanja primila. Viralnost se tradicionalno koristi kao pokazatelj koliko dobro vaš brend, kampanja ili marketinški sadržaj ima odjeka kod vaše ciljne publike i šire javnosti. Daje cjelokupni pregled preferencija kupaca kako biste mogli donositi informirane marketinške odluke i u skladu s tim mijenjati svoje strategije.



Broj zvjezdica

Ocjenjivanje zvjezdicama popularna je metoda razumijevanja raspoloženja kupaca i naširoko je koriste robne marke za procjenu proizvoda ili usluge. Ocjene zvjezdicama obično se daju u rasponu od 1 do 5 zvjezdica, pri čemu 1 označava najnižu razinu zadovoljstva kupaca, a 5 najvišu. Ponekad ocjene zvjezdicama također uključuju komentare koji dodaju dodatni kontekst ocjeni.

Ocjena zvjezdicama na Amazonu također ima komentare za dodatni kontekst.

NPS

NPS je kvantitativna metrika koja se koristi za mjerenje zadovoljstva korisnika i sklonosti kupca da preporuči marku obitelji i prijateljima. Što je veća ocjena, to je veća lojalnost kupaca. Ocjene NPS-a često su na ljestvici od 0 do 10, gdje 0 označava najnižu ocjenu, a 10 najvišu.



11 duhovni broj
Anketa Sprout Social NPS o zadovoljstvu kupaca. Kupca pita kolika je vjerojatnost da će marku preporučiti obitelji i prijateljima na ljestvici od 0 do 10, pri čemu je 10 najviša ocjena.

Za razliku od ocjena zvjezdicama ili viralnosti, NPS metrika često grupira kupce u tri kategorije na temelju njihovih ocjena.

  • Promotori (8–10): To su zadovoljni kupci koji će aktivno promovirati marku putem usmene predaje, u recenzijama ili komentarima na društvenim mrežama.
  • Pasivi (7-8): Ovi kupci su zadovoljni, ali nije vjerojatno da će promovirati proizvod ili uslugu.
  • Krivnici (6-0): To su krajnje nezadovoljni kupci koji će najvjerojatnije objavljivati ​​negativne recenzije i vjerojatno će odvratiti druge od razmatranja marke.

Ocjena zadovoljstva korisnika (CSAT)

CSAT je metoda koja se koristi za mjerenje koliko su kupci zadovoljni proizvodima ili uslugama marke. CSAT rezultati izračunavaju se mjerenjem prosječne ocjene koju daju korisnici. CSAT ljestvice mogu varirati, na primjer, mogu biti između 1 i 10, pri čemu je 10 najviša ili 1 i 5, pri čemu je 5 najviša razina zadovoljstva korisnika.

CSAT ankete mogu se slati nakon transakcije ili povremeno kako bi se razumjelo zadovoljstvo kupaca cjelokupnom markom.

CSAT istraživanje francuskog kozmetičkog brenda Yves Rocher kaže:"Based on your recent shopping experience, would you recommend the Yves Rocher website to your friends and family?"

Novi napredak u izračunavanju rezultata osjećaja

Tradicionalni izračuni usmjereni su na kvantitativne metrike iz ključnih pokazatelja uspješnosti (KPI). Ali da biste dobili doista točnu sliku raspoloženja prema robnoj marki, mješavini morate dodati kvalitativne podatke koji se nalaze u komentarima i povratnim informacijama. Istraživanje pokazuje da čak i ako je većina poduzeća dobila pozitivne ocjene između 80% i 100%, te se ocjene nisu odrazile na uspjeh poslovanja. To je zato što ljudi, općenito, imaju tendenciju davanja viših pozitivnih ocjena od svog stvarnog iskustva. To dovodi do mora pozitivnih ocjena, što iskrivljuje broj prema višem pozitivnom rezultatu.

Strojno učenje (ML) i AI zadaci poput prepoznavanje imenovanog entiteta i obrada prirodnog jezika (NLP) pomoći u prevladavanju ovog izazova. Pomažu vam da kontekstualnije shvatite osjećaje kupaca, omogućujući vam da pronađete obrasce u mišljenjima kupaca unutar oseke i oseke percepcije robne marke kroz vremenske okvire i kampanje.

Intenzitet rudarenja osjećaja varira ovisno o korištenim metodama. Tri glavna su:

  • Analiza sentimenta temeljena na dokumentu

Ovaj vam pristup daje opće razumijevanje negativnih, pozitivnih ili neutralnih stavova u dokumentu. Koristi se za male, nekomplicirane skupove podataka.

  • Analiza raspoloženja temeljena na temi

Ova je metoda nijansiranija, ocjenjuje mišljenje prema temi. ML model identificira česte teme i teme u podacima, a zatim analizira raspoloženje u njima.

Ovaj pristup pomaže marketinškim stručnjacima da razumiju što se kupcima ili široj javnosti sviđa, a što ne sviđa kod njihove marke. Na taj način pruža relevantne, djelotvorne uvide iz recenzija, slušanja društvenih medija ili e-poruka i komentara brige o korisnicima.

što znači 111111
  • Analiza sentimenta temeljena na aspektu

Ovo je najnaprednija metoda koja se koristi za rudarenje sentimenta. Analiza sentimenta temeljena na aspektu dalje rastavlja teme kako bi identificirao i pretraživao aspekte unutar njih, a zatim primjenjuje semantiku kako bi pružio cjelovitiju sliku osjećaja kupaca. Na primjer, može identificirati aspekte kao što su 'posluživanje u sobu', 'poslužitelj u baru', 'recepcija' ili 'parkiranje vozila' iz klasifikacije tema na 'korisničku uslugu' u podacima povratnih informacija.

Ovaj granularni oblik analize raspoloženja markama točno ukazuje na ono što treba poboljšati i daje informacije o strategijama potrebnim za povećanje zadovoljstva kupaca.

Tehnike obrade podataka koje se koriste za izračunavanje rezultata sentimenta

Izračunavanje ocjene osjećaja za korištenje u AI marketing ovisi o mnogim zadacima obrade podataka koje automatski obavlja ML model, kao što su veliki jezični modeli (LLM). Ovi zadaci uključuju:

Tokenizacija

Tokenizacija je proces razdvajanja teksta na pojedinačne riječi. Svi se interpunkcijski znakovi uklanjaju, a niz teksta svodi se na blokove riječi. Na primjer:

[ Boravak je bio lijep, ali moja je soba bila hladna i morali smo čekati satima da hotelsko osoblje podesi termostat, iako se hotel činio prazan. Kad smo pokušali nazvati recepciju da se raspitamo, djelovali su nestrpljivo i nepristojno ]

Normalizacija teksta

U ovoj fazi, svi dvostruki unosi se uklanjaju iz podataka tako da nema anomalije podataka. U ovom slučaju tekstualni niz ostaje nepromijenjen jer nema redundantnosti.

brojevi anđela čuvara

[ Boravak je bio lijep, ali moja je soba bila hladna i morali smo čekati satima da hotelsko osoblje podesi termostat iako se hotel činio prazan. Kada smo pokušali nazvati recepciju da se raspitamo, činili su se nestrpljivi i nepristojni ]

Korijen riječi

Izvor riječi odnosi se na proces svođenja riječi na njezin korijen. U ovom primjeru, riječi 'sati' i 'činilo se' pretvorene su u 'sat' i 'činilo se'.

[ Boravak je bio lijep, ali moja je soba bila hladna i morali smo čekati sat kako bi hotelsko osoblje namjestilo termostat iako hotel činiti se prazno Kada smo pokušali nazvati recepciju da se raspitamo, činili su se nestrpljivi i nepristojni ]

Uklanjanje stop-riječi

Sve suvišne riječi su eliminirane tako da su zadržani samo imenovani entiteti i riječi koje označavaju emocije.

[ Boravak je bio Lijepo Moj soba hladna a morali smo čekati za sat za hotelsko osoblje za podešavanje termostata iako je hotel činiti se praznim. Kad smo pokušali nazvati recepcija raspitati se činilo se nestrpljiv i nepristojan ]

Rezultirajući obrađeni tekst sada glasi, [ lijepa soba hladno vrijeme čekanja hotelsko osoblje recepcija nestrpljiv nepristojan ] .

Budući da svaka riječ ima numerički ekvivalent u ML modelu na temelju ljestvice njihove negativnosti ili pozitivnosti, obrađeni podaci daju vam rezultat na temelju ukupnog prosjeka osjećaja. Kada se izračuna metodom leksikona, ako se riječi 'lijepo' dodijeli ocjena 1 za pozitivno, dok se 'nestrpljiv' dodijeli -0,05, a nepristojno -0,7, rezultantna ocjena raspoloženja za recenziju bila bi -1, što je jednako na negativan.

Konvencionalni pristupi izračunavanju rezultata sentimenta

Postoji više načina za izračunavanje ocjene raspoloženja, a najčešći je metoda Leksikona, koja koristi omjer 1:1 za mjerenje raspoloženja. Međutim, kada je riječ o složenim podacima prikupljenim iz više izvora, kao što su slušanje društvenih medija ili forumi za recenzije kupaca, potrebne su naprednije tehnike. U nastavku je pregled ovih metodologija.

Metoda brojanja riječi

Najjednostavniji način za izračunavanje ocjene osjećaja temelji se na metodi leksikona ili brojanja riječi kao u gornjem primjeru. U ovoj metodi, broj pojava negativnog raspoloženja je smanjen u odnosu na pozitivne pojave.

Formula: # negativne riječi – pozitivne riječi = rezultat osjećaja

Primjer: 1 – 2 = -1.

broj 444 što znači ljubav

Određivanje rezultata osjećaja prema duljini rečenice

U ovoj metodi oduzimamo broj pozitivnih riječi od negativnih riječi i dijelimo rezultat s ukupnim brojem riječi u recenziji.

Formula: # negativnih riječi – # pozitivnih riječi podijeljeno s brojem riječi = rezultat osjećaja

Primjer: 1 – 2 / 42 = -0,0238095

Ovaj se sustav često koristi za razumijevanje dužih recenzija i komentara.

Budući da se ova metoda koristi za analizu velikih količina podataka, rezultirajući rezultati mogu se sastojati od dugih frakcija. Kada se radi na skali, to može dovesti do poteškoća u usporedbi i razumijevanju vrijednosti osjećaja. Kako bi se prevladao ovaj izazov, rezultirajući rezultati množe se jednom znamenkom kako bi vrijednosti bile veće, što olakšava usporedbu.

Omjer pozitivnih i negativnih broja riječi

Ova se metodologija smatra najuravnoteženijom za mjerenje ocjene osjećaja u velikim podacima. Ukupan broj pozitivnih riječi dijeli se s ukupnim brojem negativnih riječi i zatim zbraja jedan.

Formula: # pozitivne riječi / # negativne riječi + 1 = rezultat osjećaja

16 anđeoski broj

Primjer: 1 / 2 + 1 = 0,33333

Što je dulji pregled, veći je broj pozitivnih i negativnih ocjena. Ovaj pristup normalizira ukupnu duljinu teksta, što ga čini posebno korisnim u analizi recenzija različitih duljina. U ovoj metodi, ocjena osjećaja 1 postavljena je kao neutralna.

Kako izračunavamo rezultate osjećaja u Sproutu

Sproutov model osjećaja koristi duboke neuronske mreže (NN), a posebno velike jezične modele. LLM rade uzimajući u obzir kontekst cijelog bloka teksta, čitajući riječi s lijeva na desno i s desna na lijevo koristeći Prikazi dvosmjernog kodera iz transformatora (BERT) modeli iz Googlea.

S obzirom na skup podataka već označenih dokumenata, LLM automatski identificira riječi, fraze i redoslijed riječi/fraza koji su pridonijeli da blok teksta bude označen kao pozitivan ili negativan. Zatim dodjeljuje težinu (numeričku vrijednost) svakom tokenu u bloku teksta. Izračunavanjem ovih pondera određujemo osjećaj za novi, neviđeni tekst i vjerojatnost da je pozitivan, negativan ili neutralan.

Važnost ocjene osjećaja za robne marke

Ocjene osjećaja pomažu vam kvantificirati i procijeniti različite aspekte vaše robne marke, proizvoda i usluga, dajući marketinškim timovima, timovima za proizvode i brigu o kupcima praktičan uvid u to kako točno mogu usmjeriti svoje strategije prema uspješnoj putanji.

Zahvaljujući umjetnoj inteligenciji i strojnom učenju, postoji više alata koji eliminiraju nagađanje i daju vam točnu sliku osjećaja vaše marke u roku od nekoliko minuta. Pogledajte ove alati za analizu sentimenta osmislili smo kako bismo istražili kako možete ponovno pokrenuti strategiju svoje marke.

Podijelite Sa Svojim Prijateljima: