Οι παραδοσιακές μέθοδοι όπως οι αξιολογήσεις με αστέρια και οι καθαρές βαθμολογίες προωθητή (NPS) είναι γνωστοί τρόποι με τους οποίους ποσοτικοποιούμε την ικανοποίηση των πελατών. Αλλά αυτή είναι μόνο η κορυφή του παγόβουνου όσον αφορά το συναίσθημα των πελατών.



Προηγμένες τεχνολογίες όπως ανάλυση συναισθήματος σας βοηθά να προχωρήσετε πέρα ​​από τις αριθμητικές μετρήσεις αναλύοντας ποιοτικά δεδομένα, όπως σχόλια μέσων κοινωνικής δικτύωσης, απαντήσεις σε έρευνες και κριτικές. Αυτή η προσέγγιση για τον υπολογισμό μιας βαθμολογίας συναισθήματος σάς δίνει μια πιο λεπτή κατανόηση της γνώμης των πελατών και ένα βόρειο αστέρι για τη βελτίωση των προσφορών και των στρατηγικών της επωνυμίας σας.



Διαβάστε παρακάτω για να εξερευνήσετε τι είναι η βαθμολογία συναισθήματος, τις εξελίξεις στον υπολογισμό των βαθμολογιών συναισθήματος και πώς το κάνουμε στο Sprout.

Τι είναι η βαθμολογία συναισθήματος;

Η βαθμολογία συναισθήματος ποσοτικοποιεί το συναίσθημα ή το συναίσθημα που εκφράζεται σε ποιοτικά δεδομένα, όπως τα σχόλια των πελατών ή η ακρόαση των μέσων κοινωνικής δικτύωσης. Υπολογίζεται μέσω της διαδικασίας της ανάλυσης συναισθήματος και μετράται εντός της περιοχής από -1 έως 1. Το αρνητικό είναι το υψηλότερο αρνητικό συναίσθημα, το 0 υποδηλώνει ουδέτερο συναίσθημα και το +1 το υψηλότερο θετικό συναίσθημα.

Κάρτα προώθησης που καθορίζει τη βαθμολογία συναισθημάτων. Λέει,"A sentiment score quantifies the sentiment or emotion expressed in qualitative data such as customer feedback or social media listening. "

Οι βαθμολογίες συναισθήματος σας ενημερώνουν εάν η γνώμη της αγοράς για την επωνυμία σας είναι θετική, αρνητική ή ουδέτερη. Η περαιτέρω ανάλυση των δεδομένων σάς δίνει μια εις βάθος ματιά στο πώς μπορείτε να βελτιώσετε διάφορες πτυχές της επιχείρησής σας, όπως η εξυπηρέτηση πελατών, το περιεχόμενο μάρκετινγκ, τα προϊόντα και η εξυπηρέτηση μετά την πώληση, για να διασφαλίσετε ότι καλλιεργείτε την αφοσίωση της επωνυμίας και την ανάπτυξη της επιχείρησης.

Παραδοσιακές προσεγγίσεις για την κατανόηση του συναισθήματος των πελατών

Οι παραδοσιακές προσεγγίσεις για ανάλυση συναισθήματος πελατών βασίζονται κυρίως σε ποσοτικές μετρήσεις. Αυτά περιλαμβάνουν:

έννοια των αριθμών 1234

Virality

Η virality αναφέρεται στον συνολικό αριθμό των δεσμεύσεων στα μέσα κοινωνικής δικτύωσης, όπως likes, shares και σχόλια που έχει λάβει το περιεχόμενο ή η καμπάνια σας. Το virality χρησιμοποιείται παραδοσιακά ως δείκτης του πόσο καλά η επωνυμία, η καμπάνια ή το περιεχόμενο μάρκετινγκ έχει απήχηση στο κοινό-στόχο σας και στο ευρύ κοινό. Παρέχει μια συνολική εικόνα των προτιμήσεων των πελατών, ώστε να μπορείτε να λαμβάνετε ενημερωμένες αποφάσεις μάρκετινγκ και να τροποποιείτε ανάλογα τις στρατηγικές σας.



Αξιολόγηση με αστέρια

Η κατάταξη με αστέρια είναι μια δημοφιλής μέθοδος κατανόησης του συναισθήματος των πελατών και χρησιμοποιείται ευρέως από τις επωνυμίες για την αξιολόγηση ενός προϊόντος ή μιας υπηρεσίας. Οι αξιολογήσεις με αστέρια παρέχονται συνήθως σε ένα εύρος από 1 έως 5 αστέρια, με το 1 να υποδηλώνει το χαμηλότερο επίπεδο ικανοποίησης των πελατών και το 5 να υποδηλώνει το υψηλότερο. Μερικές φορές οι αξιολογήσεις με αστέρια περιλαμβάνουν επίσης σχόλια που προσθέτουν πρόσθετο πλαίσιο στην αξιολόγηση.

Η βαθμολογία με αστέρια στο Amazon έχει επίσης σχόλια για πρόσθετο πλαίσιο.

NPS

NPS είναι μια ποσοτική μέτρηση που χρησιμοποιείται για τη μέτρηση της ικανοποίησης των πελατών και της τάσης του πελάτη να προτείνει την επωνυμία στην οικογένεια και τους φίλους. Όσο υψηλότερη είναι η βαθμολογία, τόσο μεγαλύτερη είναι η αφοσίωση των πελατών. Οι αξιολογήσεις NPS είναι συχνά σε κλίμακα από 0 έως 10, με το 0 να υποδηλώνει τη χαμηλότερη βαθμολογία και το 10 να είναι η υψηλότερη.



Έρευνα Sprout Social NPS για την ικανοποίηση των πελατών. Ρωτάει τον πελάτη πόσο πιθανό είναι να συστήσει την επωνυμία στην οικογένεια και τους φίλους σε μια κλίμακα από το 0 έως το 10, με το 10 να είναι η υψηλότερη βαθμολογία.

Σε αντίθεση με τις αξιολογήσεις με αστέρια ή τη ραθυμία, οι μετρήσεις NPS συχνά ομαδοποιούν τους πελάτες σε τρεις κατηγορίες με βάση τις αξιολογήσεις τους.

  • Υπεύθυνοι προώθησης (8–10): Αυτοί είναι ευχαριστημένοι πελάτες που θα προωθήσουν ενεργά τη μάρκα μέσω στόμα σε στόμα, σε κριτικές ή σχόλια στα μέσα κοινωνικής δικτύωσης.
  • Παθητικά (7-8): Αυτοί οι πελάτες είναι ικανοποιημένοι, αλλά δεν είναι πιθανό να προωθήσουν το προϊόν ή την υπηρεσία.
  • Επικριτές (6-0): Αυτοί είναι βαθύτατα δυσαρεστημένοι πελάτες που είναι πιο πιθανό να δημοσιεύσουν αρνητικές κριτικές και πιθανότατα θα αποτρέψουν άλλους από το να εξετάσουν την επωνυμία.

Βαθμολογία ικανοποίησης πελατών (CSAT)

CSAT είναι μια μέθοδος που χρησιμοποιείται για τη μέτρηση του πόσο ικανοποιημένοι είναι οι πελάτες με τα προϊόντα ή τις υπηρεσίες μιας επωνυμίας. Οι βαθμολογίες CSAT υπολογίζονται με τη μέτρηση της μέσης βαθμολογίας που παρέχουν οι πελάτες. Οι κλίμακες CSAT μπορεί να ποικίλλουν, για παράδειγμα, μπορεί να είναι μεταξύ 1 και 10, με το 10 να είναι το υψηλότερο ή το 1 και το 5, με το 5 να είναι το υψηλότερο επίπεδο ικανοποίησης πελατών.

Οι έρευνες CSAT μπορούν να αποστέλλονται μετά από μια συναλλαγή ή περιοδικά για να κατανοήσουν την ικανοποίηση των πελατών με τη συνολική επωνυμία.

Μια έρευνα CSAT από τη γαλλική μάρκα καλλυντικών Yves Rocher που λέει,"Based on your recent shopping experience, would you recommend the Yves Rocher website to your friends and family?"

Νέες εξελίξεις στον υπολογισμό της βαθμολογίας συναισθημάτων

Οι παραδοσιακοί υπολογισμοί επικεντρώνονται σε ποσοτικές μετρήσεις από βασικούς δείκτες απόδοσης (KPI). Αλλά για να έχετε μια πραγματικά ακριβή εικόνα του συναισθήματος της επωνυμίας, πρέπει να προσθέσετε ποιοτικά δεδομένα που βρίσκονται στα σχόλια και τα σχόλια στο μείγμα. Ερευνα δείχνει ότι ακόμα κι αν οι περισσότερες επιχειρήσεις έλαβαν θετικές αξιολογήσεις με αστέρια μεταξύ 80% και 100%, αυτές οι αξιολογήσεις δεν αντανακλούν την επιτυχία της επιχείρησης. Αυτό συμβαίνει επειδή οι άνθρωποι, γενικά, τείνουν να δίνουν υψηλότερες θετικές βαθμολογίες από την πραγματική τους εμπειρία. Αυτό οδηγεί σε μια θάλασσα από θετικές αξιολογήσεις, οι οποίες παραμορφώνουν τον αριθμό προς μια υψηλότερη θετική βαθμολογία.

Μηχανική μάθηση (ML) και εργασίες τεχνητής νοημοσύνης όπως ονομαστική αναγνώριση οντότητας και επεξεργασία φυσικής γλώσσας (NLP) βοηθούν να ξεπεραστεί αυτή η πρόκληση. Σας βοηθούν να κατανοήσετε το συναίσθημα των πελατών με πιο συμφραζόμενα, δίνοντάς σας τη δυνατότητα να βρείτε μοτίβα στις απόψεις των πελατών μέσα στην άμπωτη και τη ροή της αντίληψης της επωνυμίας σε χρονοδιαγράμματα και καμπάνιες.

Η ένταση της εξόρυξης συναισθημάτων ποικίλλει ανάλογα με τις μεθόδους που χρησιμοποιούνται. Οι τρεις βασικοί είναι:

  • Ανάλυση συναισθήματος βασισμένη σε έγγραφα

Αυτή η προσέγγιση σας δίνει μια γενική κατανόηση του αρνητικού, θετικού ή ουδέτερου συναισθήματος σε ένα έγγραφο. Χρησιμοποιείται για μικρά, μη πολύπλοκα σύνολα δεδομένων.

  • Ανάλυση συναισθήματος με βάση το θέμα

Αυτή η μέθοδος είναι πιο διαφοροποιημένη, βαθμολογώντας το συναίσθημα ανά θέμα. Το μοντέλο ML προσδιορίζει κοινά θέματα και θέματα στα δεδομένα και στη συνέχεια αναλύει το συναίσθημα σε αυτά.

Αυτή η προσέγγιση βοηθά τους επαγγελματίες του μάρκετινγκ να κατανοήσουν τι αρέσει και τι αντιπαθούν οι πελάτες ή το ευρύ κοινό στην επωνυμία τους. Παρέχοντας έτσι σχετικές, χρήσιμες πληροφορίες από κριτικές, ακρόαση μέσων κοινωνικής δικτύωσης ή μηνύματα ηλεκτρονικού ταχυδρομείου και σχόλια για την εξυπηρέτηση πελατών.

  • Ανάλυση συναισθήματος με βάση πτυχές

Αυτή είναι η πιο προηγμένη μέθοδος που χρησιμοποιείται για την εξόρυξη συναισθημάτων. Ανάλυση συναισθήματος με βάση πτυχές αναλύει περαιτέρω τα θέματα για να εντοπίσει και να αναζητήσει πτυχές μέσα σε αυτά και, στη συνέχεια, εφαρμόζει τη σημασιολογία για να παρέχει μια πιο ολοκληρωμένη εικόνα του συναισθήματος των πελατών. Για παράδειγμα, μπορεί να προσδιορίσει πτυχές όπως 'υπηρεσία δωματίου', 'συνοδός μπαρ', 'ρεσεψιόν' ή 'στάθμευση με παρκαδόρο' από μια θεματική ταξινόμηση για την 'εξυπηρέτηση πελατών' στα δεδομένα ανατροφοδότησης.

τι κάνει 66

Αυτή η αναλυτική μορφή ανάλυσης συναισθήματος υποδεικνύει στις επωνυμίες τι ακριβώς πρέπει να βελτιωθεί και ενημερώνει τις στρατηγικές που απαιτούνται για την αύξηση της ικανοποίησης των πελατών.

Τεχνικές επεξεργασίας δεδομένων που χρησιμοποιούνται για τον υπολογισμό των βαθμολογιών συναισθήματος

Υπολογισμός βαθμολογίας συναισθήματος για χρήση Μάρκετινγκ AI εξαρτάται από πολλές εργασίες επεξεργασίας δεδομένων που εκτελούνται αυτόματα από ένα μοντέλο ML, όπως τα μοντέλα μεγάλων γλωσσών (LLM). Αυτές οι εργασίες περιλαμβάνουν:

Tokenization

Tokenization είναι η διαδικασία διαχωρισμού του κειμένου σε μεμονωμένες λέξεις. Όλα τα σημεία στίξης αφαιρούνται και η συμβολοσειρά του κειμένου απογυμνώνεται σε μπλοκ λέξεων. Για παράδειγμα:

[ Η διαμονή ήταν ωραία, αλλά το δωμάτιό μου ήταν κρύο και έπρεπε να περιμένουμε για ώρες το προσωπικό του ξενοδοχείου να ρυθμίσει τον θερμοστάτη, παρόλο που το ξενοδοχείο φαινόταν άδειο. Όταν προσπαθήσαμε να καλέσουμε τη ρεσεψιόν για να ρωτήσουμε, φάνηκαν ανυπόμονοι και αγενείς]

Κανονικοποίηση κειμένου

Σε αυτό το στάδιο, όλες οι διπλές εγγραφές αφαιρούνται από τα δεδομένα, επομένως δεν υπάρχει ανωμαλία δεδομένων. Σε αυτήν την περίπτωση, η συμβολοσειρά κειμένου παραμένει αμετάβλητη καθώς δεν υπάρχει πλεονασμός.

[ Η διαμονή ήταν ωραία, αλλά το δωμάτιό μου ήταν κρύο και έπρεπε να περιμένουμε για ώρες το προσωπικό του ξενοδοχείου να ρυθμίσει τον θερμοστάτη, παρόλο που το ξενοδοχείο φαινόταν άδειο Όταν προσπαθήσαμε να καλέσουμε τη ρεσεψιόν για να ρωτήσουμε, φάνηκαν ανυπόμονοι και αγενείς]

Προέλευση λέξεων

Η προέλευση λέξεων αναφέρεται στη διαδικασία αναγωγής μιας λέξης στη ρίζα της. Σε αυτό το παράδειγμα, οι λέξεις 'hours' και 'seemed' μετατρέπονται σε 'hour' και 'seem'.

[ Η διαμονή ήταν ωραία, αλλά το δωμάτιό μου ήταν κρύο και έπρεπε να περιμένουμε ώρα για το προσωπικό του ξενοδοχείου να ρυθμίσει τον θερμοστάτη ακόμα κι αν το ξενοδοχείο φαίνομαι άδεια Όταν προσπαθήσαμε να καλέσουμε τη ρεσεψιόν για να ρωτήσουμε φάνηκαν ανυπόμονοι και αγενείς]

Αφαίρεση λέξης στοπ

Όλες οι περιττές λέξεις εξαλείφονται, επομένως διατηρούνται μόνο ονομαστικές οντότητες και λέξεις που δηλώνουν συναισθήματα.

[ Η παραμονή ήταν όμορφη Μου κρύο δωμάτιο και έπρεπε Περίμενε Για ώρα για το προσωπικό ξενοδοχείου για να ρυθμίσετε τον θερμοστάτη παρόλο που η ξενοδοχειο φαίνεται άδειο Όταν προσπαθήσαμε να καλέσουμε το ρεσεψιόν να ρωτήσω φάνηκαν ανυπόμονος και αγενής]

Το επεξεργασμένο κείμενο που προκύπτει τώρα διαβάζει, [ ωραίο δωμάτιο κρύο ώρα αναμονής προσωπικό του ξενοδοχείου υποδοχή ανυπόμονος αγενής ] .

Δεδομένου ότι κάθε λέξη έχει ένα αριθμητικό ισοδύναμο στο μοντέλο ML με βάση την κλίμακα της αρνητικότητας ή της θετικότητάς της, τα επεξεργασμένα δεδομένα σας δίνουν μια βαθμολογία με βάση το συνολικό μέσο όρο συναισθημάτων. Όταν υπολογίζεται χρησιμοποιώντας τη μέθοδο Lexicon, εάν η λέξη 'ωραίο' βαθμολογείται με 1 για το θετικό, ενώ η λέξη 'ανυπόμονος' έχει -,05 και αγενής -0,7, η προκύπτουσα βαθμολογία συναισθήματος για την αξιολόγηση θα είναι -1, που ισοδυναμεί σε αρνητικό.

Συμβατικές προσεγγίσεις για τον υπολογισμό των βαθμολογιών συναισθήματος

Υπάρχουν πολλοί τρόποι για τον υπολογισμό μιας βαθμολογίας συναισθήματος, ο πιο συνηθισμένος είναι η μέθοδος Lexicon, η οποία χρησιμοποιεί μια αναλογία 1:1 για τη μέτρηση του συναισθήματος. Ωστόσο, όταν πρόκειται για σύνθετα δεδομένα που συλλέγονται από πολλαπλές πηγές, όπως η ακρόαση μέσων κοινωνικής δικτύωσης ή τα φόρουμ αξιολόγησης πελατών, απαιτούνται πιο προηγμένες τεχνικές. Ακολουθεί μια ανάλυση αυτών των μεθοδολογιών.

Άγγελος αριθμούς 555 έννοια

Μέθοδος καταμέτρησης λέξεων

Ο απλούστερος τρόπος υπολογισμού της βαθμολογίας συναισθήματος βασίζεται στο λεξικό ή στη μέθοδο μέτρησης λέξεων όπως στο παραπάνω παράδειγμα. Σε αυτή τη μέθοδο, ο αριθμός των εμφανίσεων αρνητικού συναισθήματος μειώνεται από τις θετικές εμφανίσεις.

Τύπος: # αρνητικές λέξεις – θετικές λέξεις = βαθμολογία συναισθήματος

Παράδειγμα: 1 – 2 = -1.

Συναγωγή της βαθμολογίας συναισθήματος με τη διάρκεια της πρότασης

Σε αυτή τη μέθοδο, αφαιρούμε τον αριθμό των θετικών λέξεων από τις αρνητικές λέξεις και διαιρούμε το αποτέλεσμα με τον συνολικό αριθμό των λέξεων στην πρόταση επανεξέτασης.

Τύπος: # αρνητικές λέξεις – # θετικές λέξεις διαιρεμένες με τον αριθμό των λέξεων = βαθμολογία συναισθήματος

Παράδειγμα: 1 – 2 / 42 = -0,0238095

Αυτό το σύστημα χρησιμοποιείται συχνά για την κατανόηση μεγαλύτερων κριτικών και σχολίων.

Δεδομένου ότι αυτή η μέθοδος χρησιμοποιείται για την ανάλυση μεγάλων ποσοτήτων δεδομένων, οι βαθμολογίες που προκύπτουν μπορούν να εκτελεστούν σε μεγάλα κλάσματα. Όταν γίνεται σε κλίμακα, αυτό μπορεί να οδηγήσει σε δυσκολία σύγκρισης και κατανόησης των συναισθημάτων. Για να ξεπεραστεί αυτή η πρόκληση, οι βαθμολογίες που προκύπτουν πολλαπλασιάζονται με ένα μοναδικό ψηφίο, ώστε οι τιμές να είναι μεγαλύτερες, καθιστώντας έτσι τη σύγκριση ευκολότερη.

Αναλογία θετικών και αρνητικών λέξεων

Αυτή η μεθοδολογία θεωρείται η πιο ισορροπημένη για τη μέτρηση του σκορ συναισθήματος στα μεγάλα δεδομένα. Ο συνολικός αριθμός των θετικών λέξεων διαιρείται με τον συνολικό αριθμό των αρνητικών λέξεων και στη συνέχεια προστίθεται με μία.

Τύπος: # θετικές λέξεις / # αρνητικές λέξεις + 1 = βαθμολογία συναισθήματος

Παράδειγμα: 1 / 2 + 1 = 0,33333

Όσο μεγαλύτερη είναι η αναθεώρηση, τόσο υψηλότερος είναι ο αριθμός των θετικών και αρνητικών βαθμολογιών. Αυτή η προσέγγιση κανονικοποιεί το συνολικό μήκος του κειμένου, καθιστώντας το ιδιαίτερα χρήσιμο για την ανάλυση κριτικών διαφορετικού μήκους. Σε αυτή τη μέθοδο, η βαθμολογία συναισθήματος 1 ορίζεται ως ουδέτερη.

συνεχίζω να βλέπω το 1234

Πώς υπολογίζουμε τις βαθμολογίες συναισθήματος στο Sprout

Το μοντέλο συναισθήματος του Sprout χρησιμοποιεί βαθιά νευρωνικά δίκτυα (NN), και συγκεκριμένα, μεγάλα γλωσσικά μοντέλα. Τα LLM λειτουργούν εξετάζοντας το πλαίσιο ολόκληρου του τμήματος κειμένου, διαβάζοντας τις λέξεις από αριστερά προς τα δεξιά και από τα δεξιά προς τα αριστερά χρησιμοποιώντας το Αναπαραστάσεις αμφίδρομου κωδικοποιητή από μετασχηματιστές (BERT) μοντέλα από την Google.

Δεδομένου ενός συνόλου δεδομένων ήδη επισημασμένων εγγράφων, ένα LLM προσδιορίζει αυτόματα τις λέξεις, τις φράσεις και τη σειρά λέξεων/φράσεων που συνέβαλαν στην επισήμανση ενός μπλοκ κειμένου ως θετικού ή αρνητικού. Στη συνέχεια εκχωρεί ένα βάρος (αριθμητική τιμή) σε κάθε διακριτικό σε ένα μπλοκ κειμένου. Με αυτά τα βάρη υπολογισμένα, προσδιορίζουμε το συναίσθημα για νέο, αόρατο κείμενο και την πιθανότητα να είναι θετικό, αρνητικό ή ουδέτερο.

Η σημασία της βαθμολογίας συναισθήματος για τις επωνυμίες

Οι βαθμολογίες συναισθήματος σάς βοηθούν να ποσοτικοποιήσετε και να αξιολογήσετε διαφορετικές πτυχές της επωνυμίας, του προϊόντος και των υπηρεσιών σας, δίνοντας στις ομάδες μάρκετινγκ, προϊόντων και εξυπηρέτησης πελατών χρήσιμες πληροφορίες για το πώς ακριβώς μπορούν να στρέψουν τις στρατηγικές τους προς μια επιτυχημένη τροχιά.

Χάρη στην τεχνητή νοημοσύνη και τη μηχανική μάθηση, υπάρχουν πολλά εργαλεία που εξαλείφουν τις εικασίες και σας δίνουν μια ακριβή εικόνα του συναισθήματος της επωνυμίας σας μέσα σε λίγα λεπτά. Ρίξτε μια ματιά σε αυτά εργαλεία ανάλυσης συναισθήματος έχουμε επιμεληθεί να εξερευνήσουμε πώς μπορείτε να επανεκκινήσετε τη στρατηγική της επωνυμίας σας.

Μοιράσου Το Με Τους Φίλους Σου: