편집자별 이미지
 

고객 감정 분석은 기계 학습(ML)을 사용하여 리뷰, 포럼, 설문 조사 등에서 제공된 고객 피드백에서 브랜드에 대한 고객 의도와 의견을 발견하는 프로세스입니다. 고객 경험 데이터에 대한 감정 분석을 통해 기업은 구매 결정 이면의 동기, 타임라인 또는 이벤트를 기반으로 브랜드 감정을 변화시키는 패턴에 대한 깊은 통찰력을 얻을 수 있습니다. 시장 격차 분석 제품 및 서비스 개선에 도움이 될 수 있습니다.

목차 :

• 고객 감성 분석이란?
• 고객 감정 분석을 위한 데이터는 어떻게 수집합니까?
• 고객 피드백에서 감정 점수를 얻는 방법
• 결론

감정 분석은 고객 피드백 데이터를 세밀하게 분석하여 특정 항목을 식별합니다. 감정이나 감정. 대체로 긍정적, 부정적 또는 중립적입니다. 그러나 이러한 매개변수 내에서 단어의 의미 및 구문 측면을 찾을 수 있는 자연어 처리(NLP) 및 의미 분석과 같은 ML 작업에 의해 구동되는 감정 분석 모델은 다양한 유형의 부정적인 감정도 찾는 데 도움이 될 수 있습니다. 

예를 들어 불안, 실망, 후회, 분노 등과 같은 다양한 부정적인 감정을 나타내는 단어를 기반으로 다양한 감정 점수를 부여하는 데 도움이 될 수 있습니다. 긍정적인 미시 정서의 경우도 마찬가지입니다.

브랜드에 대한 고객 경험의 측면 기반 분석과 결합된 세분화된 감정 마이닝이 가장 중요할 수 있습니다. 예를 들어 가격, 편의성, 구매 용이성, 고객 서비스 등과 같은 측면을 기반으로 정서를 알면 품질 관리 및 제품 개선과 관련하여 올바른 결정을 내리는 데 의존할 수 있는 실행 가능한 통찰력을 얻을 수 있습니다.

대상이 지정되고 통찰력 있는 브랜드 정서 인텔리전스를 조달하는 데 있어 매우 중요한 부분은 신뢰할 수 있는 고객 피드백 데이터를 확보하는 것입니다. 다음은 이러한 데이터를 수집할 수 있는 XNUMX가지 필수 방법입니다.

1. 소셜 미디어 댓글 및 동영상

소셜 미디어 청취는 제품과 서비스를 모두 포함하는 브랜드에 대한 현재 고객 피드백을 얻을 수 있는 방법 중 하나입니다. 비디오 콘텐츠뿐만 아니라 소셜 미디어 댓글을 처리하고 평가할 수 있는 감정 분석 모델은 이 데이터 소스를 활용할 수 있는 완벽한 방법입니다. 

이러한 도구를 사용하면 Twitter와 같이 텍스트가 많은 소셜 미디어 사이트에서 TikTok 또는 Instagram과 같은 비디오 기반 사이트에 이르기까지 고객 감정 분석을 위한 데이터를 활용할 수 있습니다. 이것은 모든 소셜 미디어 플랫폼이 하나의 크기에 맞는 것은 아니기 때문에 큰 이점을 제공합니다. 고객 선택. 

예를 들어 고객은 주로 트위터를 사용하여 브랜드와 직접 상호 작용하지만 Facebook 사용자는 관련된 비즈니스에 대한 자세한 설명을 남기는 것으로 알려져 있습니다. 이러한 극명한 대조는 비즈니스의 특성, 연령, 지리적 위치, 디지털 사용 등과 같은 요인으로 인해 발생합니다.

아래 예는 고객이 두 개의 다른 소셜 미디어 채널에 댓글을 남기는 방법을 보여줍니다.
 

소셜 미디어 정서 분석의 또 다른 큰 장점은 청구서에 적합하고 디지털 마케팅 전략에 멋진 추가가 될 수 있는 소셜 미디어 인플루언서를 찾을 수도 있다는 것입니다. 인플루언서는 홍보 대행사 또는 유명인의 보증을 고용하는 데 들어가는 투자 비용의 절반을 소비합니다. 

또한 사람들은 인플루언서의 제품 리뷰와 보증을 신뢰할 수 있습니다. 관련. 이것은 당신이 전문적인 스타일링 팁을 찾는 인턴이든 십대를 위한 최고의 휴대폰 옵션을 찾는 네 아이의 아버지이든 상관없이 사실입니다. 이것은 어떻게 데이터 과학 및 ML은 비즈니스에 적합한 TikTok 인플루언서를 찾는 데 도움이 됩니다.

2. NPS, CES 또는 CSAT와 같은 정량적 설문 조사를 넘어

NPS(Net Promoter Score), CES(Customer Effort Score) 또는 별점과 같은 고객 피드백 지표를 통해 사람들이 귀하의 비즈니스에 만족하는지 여부를 한눈에 알 수 있습니다. 그러나 이것은 실제 비즈니스 통찰력을 제공하지 않습니다. 

실제 고객 감정 통찰력을 얻으려면 정량적 지표를 넘어서야 합니다. 그리고 이를 위해서는 고정된 응답이 없는 댓글과 개방형 설문 응답을 분석해야 합니다. 이를 통해 고객은 자유로운 의견을 작성할 수 있으므로 알지도 못하는 비즈니스 측면에 대한 통찰력을 얻을 수 있습니다. 

위의 예에서 고객이 비즈니스에 별점 1점을 부여한 것을 볼 수 있습니다. 그러나 댓글을 읽으면 부정적인 감정의 원인이 완전히 다르다는 것을 알 수 있습니다. 

한 고객은 회사의 온라인 고객 서비스에 만족하지 않는 반면, 다른 고객은 오랜 고객임에도 불구하고 품질 저하와 새로운 가격 때문에 더 이상 구매하지 않을 수 있다고 언급합니다.

이것은 고객 만족과 충성도를 유지하기 위해 개선해야 할 부분을 기업이 정확히 알고 있는 실행 가능한 통찰력입니다. 수치 지표를 넘어서면 이러한 인사이트를 얻을 수 있습니다.

3. 고객 포럼 및 웹사이트의 리뷰 분석

다양한 고객 피드백 데이터를 얻는 또 다른 훌륭한 방법은 GoogleMyBusiness와 같은 제품 리뷰 웹사이트와 Reddit과 같은 포럼을 샅샅이 뒤지는 것입니다. 중요한 것은 다양한 데이터 소스에서 통찰력을 얻으면 다양한 플랫폼이 초대하는 대상 유형으로 인해 더 나은 통찰력을 얻을 수 있다는 것입니다. 

예를 들어 Reddit은 포럼을 통해 장황한 토론을 할 수 있기 때문에 주제나 제품에 대해 더 열정적인 고객이 주로 사용합니다. 반면 Amazon 리뷰 또는 Google 리뷰는 비즈니스의 넛지에서 또는 그들이 가졌을 수 있는 좋든 나쁘든 경험 때문에 리뷰를 남기고 싶어하는 일반 고객이 주로 사용합니다. 

Bowman의 ML 기반 기술 통찰력 Reddit 및 Google의 고객 의견에서 파생된 플로리다의 Disney World에 대한 리뷰에서 가져온 이 점을 더 자세히 설명합니다.

4. 비전통적인 출처의 고객의 소리(VoC) 데이터

다음과 같은 비전통적인 고객 피드백 데이터 소스 챗봇 기록, 고객 이메일, 고객 지원 기록 등은 고객 경험 통찰력을 얻을 수 있는 훌륭한 소스입니다. 이러한 소스의 장점은 이 모든 데이터가 고객 관계 관리(CRM) 도구에서 이미 사용 가능하다는 것입니다. 

이 데이터를 수집하고 분석할 수 있을 때 잘 계획된 고객 설문 조사나 소셜 미디어 경청으로도 강조할 수 없는 많은 근본적인 문제를 발견할 수 있습니다.

5. 뉴스 및 팟캐스트 분석

기사, 뉴스 비디오 및 팟캐스트로 구성된 뉴스 데이터는 브랜드 성과 및 인식에 대한 세분화된 통찰력을 제공할 수 있습니다. 뉴스 소스의 시장 피드백은 기업의 브랜드 평판 관리를 위한 효과적인 홍보(PR) 활동에 도움이 될 수 있습니다. 

또한 감정 분석 모델이 뉴스 기사나 비디오의 브랜드 경험 데이터에서 추출할 수 있는 업계 동향을 기반으로 경쟁사를 분석하고 소비자 행동을 이해하는 데 도움이 될 수 있습니다. 

감정이 추출되고 점수가 계산되는 방법을 설명하기 위해 뉴스 소스를 고객 피드백의 중요한 소스로 사용하고 ML 모델이 이러한 데이터를 분석하는 방법을 살펴보겠습니다.

1. 데이터 수집

가장 정확한 결과를 얻으려면 공개적으로 사용 가능한 모든 뉴스 소스를 사용해야 합니다. 여기에는 텔레비전 채널, 온라인 잡지 및 기타 간행물, 라디오 방송, 팟캐스트, 비디오 등의 뉴스가 포함됩니다. 

이를 수행할 수 있는 두 가지 방법이 있습니다. Google News API와 같은 실시간 뉴스 API를 통해 직접 데이터를 업로드하거나 ESPN 헤드라인 API, BBC 뉴스 API, 그리고 다른 사람들은 그들을 좋아합니다. 또는 댓글과 기사를 .csv 파일로 다운로드하여 사용 중인 ML 모델에 수동으로 업로드합니다.

2. ML 작업으로 데이터 처리

이제 모델은 데이터를 처리하고 다양한 형식(텍스트, 비디오 또는 오디오)을 식별합니다. 텍스트의 경우 프로세스가 매우 간단합니다. 모델은 다음을 포함한 모든 텍스트를 추출합니다. 이모티콘 그리고 해시태그. 팟캐스트, 라디오 방송 및 비디오의 경우 음성을 텍스트로 변환하는 소프트웨어를 통한 오디오 전사가 필요합니다. 그런 다음 이 데이터도 텍스트 분석 파이프라인으로 전송됩니다.

파이프라인에 들어가면 자연어 처리(NLP), 개체명 인식(NER), 의미론적 분류 등이 데이터의 주요 측면, 주제 및 주제를 추출하고 그룹화하여 정서를 분석할 수 있도록 합니다. 

3. 감정 분석 

이제 텍스트가 분리되었으므로 각 주제, 측면 및 엔터티가 정서에 대해 분석되고 정서 점수가 계산됩니다. 이는 단어 수 계산 방법, 문장 길이 방법, 긍정 단어와 부정 단어의 비율의 세 가지 접근 방식 중 하나로 수행할 수 있습니다.

이 문장을 예로 들어보자. “경기장 관람객들은 좌석이 좋았다고 말했습니다. 하지만 데일리 헤럴드에 따르면 시즌권이 없었기 때문에 티켓이 너무 비싸 보였고 많은 사람들이 매표소에서 무례한 직원과 마주치기도 했습니다.”

이후라고 가정해보자 tokenization, 텍스트 정규화(텍스트가 아닌 데이터 제거), 단어 형태소 분석(루트 단어 찾기) 및 불용어 제거(중복 단어 제거)를 통해 부정적인 감정과 긍정적인 감정에 대해 다음과 같은 점수를 얻습니다.

긍정적 – 좋음 – 1(+ 0.07)

부정적 – 비싸다(- 0.5), 무례하다(- 0.7) – 2

이제 앞서 언급한 세 가지 방법을 사용하여 감정 점수를 계산해 보겠습니다.

단어 수 계산 방법

이것은 감정 점수를 계산할 수 있는 가장 간단한 방법입니다. 이 방법에서는 양수 발생에서 음수를 줄입니다(1 – 2 = -1).

따라서 위 예의 감정 점수는 -1입니다. 

문장 길이 방법

부정적인 단어에서 긍정적인 단어의 수를 뺍니다. 그런 다음 결과를 텍스트의 총 단어 수로 나눕니다. 이렇게 도착한 점수는 매우 작고 소수 자릿수가 많을 수 있기 때문에 종종 한 자릿수로 곱해집니다. 이것은 점수가 더 크고 따라서 이해하고 비교하기 쉽도록 수행됩니다. 이 예의 경우 점수는 다음과 같습니다.

1-2/42 = -0.0238095

부정-긍정 단어 수 비율

긍정적인 단어의 총 수를 부정적인 단어의 총 수로 나눕니다. 그런 다음 결과에 1을 더합니다. 이것은 특히 많은 양의 데이터의 경우 다른 접근 방식보다 균형이 맞습니다. 

1/ 2+1 = 0.33333

4. 인사이트 시각화

감정에 대해 데이터가 분석되면 통찰력이 시각화 대시보드에 표시되므로 모든 데이터에서 수집된 인텔리전스를 이해할 수 있습니다. 제품 출시, 주식 시장 변동, 보도 자료, 회사 성명서, 새로운 가격 책정 등과 같은 이벤트를 기반으로 하는 타임라인 기반 감정 분석을 볼 수 있습니다. 

이러한 측면 기반 통찰력은 마케팅 및 성장 전략을 계획할 때 놀라운 가치가 될 수 있습니다.

AI와 데이터 과학은 특히 끊임없는 혁신과 변화하는 시장 역학의 시대에 마케팅 활동에 매우 중요합니다. 고객으로부터 직접 활용된 고객 피드백 데이터에 기반한 고객 감정 분석은 지속적인 성장을 위한 지속 가능한 마케팅 전략을 갖추는 데 필요한 모든 영향력을 제공할 수 있습니다.
 
 
마틴 오스트로프스키 Repusate의 창립자이자 CEO입니다. 그는 AI, ML 및 NLP에 열정적입니다. 그는 Repustate의 Global Text Analytics API, 감정 분석, 심층 검색 및 명명된 엔터티 인식 솔루션에 대한 전략, 로드맵 및 기능 정의를 설정합니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 출처: https://www.kdnuggets.com/2022/12/collect-data-customer-sentiment-analysis.html?utm_source=rss&utm_medium=rss&utm_campaign=how-to-collect-data-for-customer-sentiment-analysis