Find Ud Af Dit Antal Engel
Hvordan en sentiment score forbedrer din brandstrategi
Traditionelle metoder som stjernevurderinger og netpromotorscore (NPS) er velkendte måder, hvorpå vi kvantificerer kundetilfredshed. Men dette er kun toppen af isbjerget, når det kommer til kundernes stemning.
Avancerede teknologier som følelsesanalyse hjælpe dig med at gå ud over numeriske målinger ved at analysere kvalitative data såsom kommentarer på sociale medier, undersøgelsessvar og anmeldelser. Denne tilgang til beregning af en følelsesscore giver dig en mere nuanceret forståelse af kundernes mening og en nordstjerne til at forbedre dine tilbud og brandstrategier.
Læs videre for at udforske, hvad en følelsesscore er, fremskridtene i beregningen af følelsesscore, og hvordan vi gør det hos Sprout.
Hvad er en følelsesscore?
En følelsesscore kvantificerer følelsen eller følelserne udtrykt i kvalitative data såsom kundefeedback eller lytning på sociale medier. Den beregnes gennem sentimentanalyseprocessen og måles inden for intervallet -1 til 1. Negativ er den højeste negative stemning, 0 angiver neutral stemning og +1 angiver den højeste positive stemning.
Følelsesscorer informerer dig om, om dit brands markedsopinion er positiv, negativ eller neutral. Yderligere analyse af dataene giver dig et dybdegående kig på, hvordan du kan forbedre forskellige aspekter af din virksomhed som kundeservice, marketingindhold, produkter og eftersalgsservice for at sikre, at du plejer brandloyalitet og forretningsvækst.
Traditionelle tilgange til at forstå kundernes følelser
De traditionelle tilgange til kundestemningsanalyse har for det meste stolet på kvantitative målinger. Disse omfatter:
Viralitet
Viralitet refererer til det samlede antal sociale medier engagementer, såsom likes, delinger og kommentarer dit indhold eller kampagne har modtaget. Viralitet bruges traditionelt som en indikator for, hvor godt dit brand, din kampagne eller dit marketingindhold er i resonans hos din målgruppe og den brede offentlighed. Det giver et samlet overblik over kundernes præferencer, så du kan træffe informerede marketingbeslutninger og ændre dine strategier i overensstemmelse hermed.
Stjernebedømmelse
En stjernebedømmelse er en populær metode til at forstå kundernes følelser og bruges i vid udstrækning af mærker til at vurdere et produkt eller en service. Stjernebedømmelser gives typisk inden for et interval på 1 til 5 stjerner, hvor 1 angiver det laveste niveau af kundetilfredshed og 5 angiver det højeste. Nogle gange inkluderer stjernebedømmelser også kommentarer, der tilføjer yderligere kontekst til bedømmelsen.
hvad er 888
NPS
NPS er en kvantitativ metrik, der bruges til at måle kundetilfredshed og en kundes tilbøjelighed til at anbefale brandet til familie og venner. Jo højere vurdering, jo højere kundeloyalitet. NPS-vurderinger er ofte på en skala fra 0 til 10, hvor 0 angiver den laveste vurdering og 10 er den højeste.
I modsætning til stjernevurderinger eller viralitet, grupperer NPS-metrics ofte kunder i tre kategorier baseret på deres vurderinger.
- Promotorer (8-10): Det er glade kunder, som aktivt vil promovere brandet gennem mund-til-mund, i anmeldelser eller kommentarer på sociale medier.
- Passive (7-8): Disse kunder er tilfredse, men vil sandsynligvis ikke promovere produktet eller tjenesten.
- Modstandere (6-0): Disse er dybt utilfredse kunder, der med stor sandsynlighed vil skrive negative anmeldelser og vil sandsynligvis afholde andre fra at overveje brandet.
Kundetilfredshedsscore (CSAT)
CSAT er en metode, der bruges til at måle, hvor tilfredse kunder er med et brands produkter eller tjenester. CSAT-score beregnes ved at måle den gennemsnitlige vurdering, kunder giver. CSAT-skalaer kan variere, for eksempel kan de være mellem 1 og 10, hvor 10 er det højeste eller 1 og 5, hvor 5 er det højeste niveau af kundetilfredshed.
CSAT-undersøgelser kan sendes efter en transaktion eller periodisk for at forstå kundetilfredsheden med det overordnede brand.
Nye fremskridt i beregningen af følelsesscore
Traditionelle beregninger er fokuseret på kvantitative målinger fra nøglepræstationsindikatorer (KPI'er). Men for at få et rigtigt nøjagtigt billede af mærkets følelser skal du tilføje kvalitative data, der findes i kommentarer og feedback, til blandingen. Forskning viser, at selvom de fleste virksomheder modtog positive stjernevurderinger mellem 80 % og 100 %, afspejlede disse vurderinger ikke virksomhedens succes. Dette skyldes, at folk generelt har en tendens til at give højere positive vurderinger end deres faktiske oplevelse. Dette fører til et hav af positive vurderinger, som skæver tallet mod en højere positiv score.
Machine learning (ML) og AI opgaver som f.eks navngivne enheds anerkendelse og naturlig sprogbehandling (NLP) hjælpe med at overvinde denne udfordring. De hjælper dig med at forstå kundernes følelser mere kontekstuelt, hvilket gør det muligt for dig at finde mønstre i kundernes meninger inden for ebbe og flow af mærkeopfattelse på tværs af tidslinjer og kampagner.
1221 nummer
Stemningsmineintensiteten varierer baseret på de anvendte metoder. De tre vigtigste er:
- Dokumentbaseret følelsesanalyse
Denne tilgang giver dig en generel forståelse af den negative, positive eller neutrale stemning i et dokument. Det bruges til små, ukomplicerede datasæt.
- Emnebaseret følelsesanalyse
Denne metode er mere nuanceret og scorer følelser efter emne. ML-modellen identificerer almindeligt forekommende emner og temaer i dataene og analyserer derefter stemningen i dem.
Denne tilgang hjælper marketingfolk til at forstå, hvad kunderne eller den brede offentlighed kan lide og ikke lide ved deres brand. På den måde giver du relevant, handlekraftig indsigt fra anmeldelser, lytning på sociale medier eller kundepleje-e-mails og kommentarer.
- Aspekt-baseret følelsesanalyse
Dette er den mest avancerede metode, der bruges til sentiment mining. Aspekt-baseret følelsesanalyse opdeler yderligere emner for at identificere og søge efter aspekter inden for dem, og anvender derefter semantik for at give et mere komplet billede af kundernes stemning. For eksempel kan den identificere aspekter som 'roomservice', 'barbetjent', 'reception' eller 'parkeringsservice' fra en emneklassifikation om 'kundeservice' i feedbackdataene.
Denne granulære form for sentimentanalyse peger præcis på mærkerne, hvad der skal forbedres, og informerer om de strategier, der er nødvendige for at øge kundetilfredsheden.
Databehandlingsteknikker, der bruges til at beregne sentiment score
Beregning af en følelsesscore til brug i AI markedsføring afhænger af mange databehandlingsopgaver, der udføres automatisk af en ML-model, såsom store sprogmodeller (LLM). Disse opgaver omfatter:
Tokenisering
Tokenisering er processen med at adskille teksten i individuelle ord. Alle tegnsætninger fjernes, og tekststrengen strippes ned til blokke af ord. For eksempel:
[ Opholdet var rart, men mit værelse var koldt, og vi måtte vente i timevis på, at hotellets personale justerede termostaten, selvom hotellet virkede tomt. Da vi forsøgte at ringe til receptionen for at forhøre os, virkede de utålmodige og uhøflige]
Tekst normalisering
I dette trin fjernes alle duplikerede poster fra dataene, så der ikke er nogen dataanomali. I dette tilfælde forbliver tekststrengen uændret, da der ikke er nogen redundans.
[Opholdet var rart, men mit værelse var koldt, og vi måtte vente i timevis på, at hotellets personale justerede termostaten, selvom hotellet virkede tomt. Da vi forsøgte at ringe til receptionen for at forhøre sig, virkede de utålmodige og uhøflige]
Ordstammer
Ordstamming refererer til processen med at reducere et ord til dets rod. I dette eksempel er ordet 'timer' og 'syntes' konverteret til 'time' og 'synes'.
[ Opholdet var rart, men mit værelse var koldt, og vi måtte vente på time for hotellets personale til at justere termostaten, selvom hotellet synes tom Da vi forsøgte at ringe til receptionen for at forhøre sig, virkede de utålmodige og uhøflige]
Stop-ord fjernelse
Alle overflødige ord elimineres, så kun navngivne enheder og ord, der angiver følelser, beholdes.
[Opholdet var pæn Min værelse koldt og det måtte vi vente til time for hotellets personale at justere termostaten, selvom den Hotel synes tom Da vi forsøgte at ringe til reception at spørge de syntes utålmodig og uhøflig ]
Den resulterende behandlede tekst lyder nu, [ nice room koldt vente time hotel personale reception utålmodig uhøfligt ] .
Da hvert ord har en numerisk ækvivalent i ML-modellen baseret på skalaen af deres negativitet eller positivitet, giver de behandlede data dig en score baseret på det samlede sentimentgennemsnit. Når det beregnes ved hjælp af Lexicon-metoden, hvis ordet 'pæn' tildeles en score på 1 for positiv, mens 'utålmodig' tildeles -.05 og uhøflig -0.7, ville den resulterende følelsesscore for anmeldelsen være -1, hvilket svarer til til negativ.
Konventionelle metoder til beregning af sentiment-score
Der er flere måder at beregne en følelsesscore på, den mest almindelige er Lexicon-metoden, som bruger et forhold på 1:1 til at måle følelser. Men når det kommer til komplekse data indsamlet fra flere kilder, såsom lytning på sociale medier eller kundeanmeldelsesfora, er der brug for mere avancerede teknikker. Nedenfor er en oversigt over disse metoder.
911 dobbelt flamme betydning
Ordoptællingsmetode
Den enkleste måde at beregne følelsesscoren på er baseret på leksikonet eller ordoptællingsmetoden som i eksemplet ovenfor. I denne metode reduceres antallet af negative sentiment-forekomster fra de positive forekomster.
Formel: # negative ord – positive ord = følelsesscore
Eksempel: 1 – 2 = -1.
Udled følelsesscore med længden af sætningen
I denne metode trækker vi antallet af positive ord fra de negative ord og dividerer resultatet med det samlede antal ord i gennemgangssætningen.
Formel: # negative ord – # positive ord divideret med antallet af ord = følelsesscore
Eksempel: 1 – 2 / 42 = -0,0238095
Dette system bruges ofte til at forstå længere anmeldelser og kommentarer.
Da denne metode bruges til at analysere store mængder data, kan de resulterende scorer løbe ind i lange fraktioner. Når det gøres i skala, kan dette resultere i vanskeligheder med at sammenligne og forstå sentimentværdierne. For at overvinde denne udfordring multipliceres de resulterende scoringer med et enkelt ciffer, så værdierne er større, hvilket gør sammenligning lettere.
Forholdet mellem positive og negative ordtal
Denne metode anses for at være den mest afbalancerede til at måle sentiment-score i big data. Det samlede antal positive ord divideres med det samlede antal negative ord og tilføjes derefter med én.
Formel: # positive ord / # negative ord + 1 = følelsesscore
Eksempel: 1 / 2 + 1 = 0,33333
Jo længere gennemgangen er, jo højere er antallet af positive og negative resultater. Denne tilgang normaliserer den samlede længde af teksten, hvilket gør den særlig nyttig til at analysere anmeldelser af varierende længde. I denne metode er en følelsesscore på 1 sat som neutral.
Hvordan vi beregner sentiment score hos Sprout
Sprouts sentimentmodel bruger dybe neurale netværk (NN'er) og især store sprogmodeller. LLM'er fungerer ved at overveje konteksten af hele tekstblokken, læse ordene fra venstre mod højre og fra højre mod venstre ved hjælp af Tovejskoderrepræsentationer fra Transformers (BERT) modeller fra Google.
Givet et datasæt af allerede mærkede dokumenter, identificerer en LLM automatisk ordene, sætningerne og ord/sætningsrækkefølgen, der har bidraget til, at en tekstblok bliver tagget som positiv eller negativ. Den tildeler derefter en vægt (numerisk værdi) til hver token i en tekstblok. Med disse vægte beregnet bestemmer vi stemningen for ny, uset tekst og sandsynligheden for, at den er positiv, negativ eller neutral.
23 nummer betyder
Betydningen af sentiment score for mærker
Følelsesscore hjælper dig med at kvantificere og evaluere forskellige aspekter af dit brand, produkt og tjenester, hvilket giver marketing-, produkt- og kundeplejeteams handlekraftig indsigt i, hvordan de præcist kan dreje deres strategier hen imod en succesfuld bane.
Takket være kunstig intelligens og maskinlæring er der flere værktøjer, der eliminerer gætværk og giver dig et præcist billede af dit brandfølelse inden for få minutter. Tag et kig på disse værktøjer til følelsesanalyse vi har samlet for at undersøge, hvordan du kan genstarte din brandstrategi.
Del Med Dine Venner:
