Hình ảnh của Editor
 

Phân tích cảm tính của khách hàng là quá trình sử dụng máy học (ML) để khám phá ý định và quan điểm của khách hàng về một thương hiệu từ phản hồi của khách hàng trong các bài đánh giá, diễn đàn, khảo sát, v.v. Phân tích cảm tính của dữ liệu trải nghiệm khách hàng giúp doanh nghiệp hiểu sâu hơn về động cơ đằng sau quyết định mua hàng, mô hình thay đổi cảm tính thương hiệu dựa trên các mốc thời gian hoặc sự kiện và phân tích lỗ hổng thị trường có thể giúp cải thiện sản phẩm và dịch vụ.

Mục lục:

• Phân tích tâm lý khách hàng là gì?
• Làm thế nào để bạn thu thập dữ liệu để phân tích tình cảm của khách hàng?
• Cách điểm số tình cảm được lấy từ phản hồi của khách hàng
• Kết luận

Phân tích tình cảm kết hợp tốt dữ liệu phản hồi của khách hàng để xác định cụ thể cảm xúc hoặc tình cảm. Nhìn chung, đây là những điều tích cực, tiêu cực hoặc trung lập. Nhưng trong các tham số này, một mô hình phân tích tình cảm được thúc đẩy bởi các tác vụ ML như xử lý ngôn ngữ tự nhiên (NLP) và phân tích ngữ nghĩa có thể tìm thấy các khía cạnh ngữ nghĩa và cú pháp của từ cũng có thể giúp tìm ra các loại cảm xúc tiêu cực khác nhau. 

Ví dụ: nó có thể giúp đưa ra các điểm tình cảm khác nhau dựa trên các từ biểu thị những cảm xúc tiêu cực khác nhau như lo lắng, thất vọng, hối tiếc, tức giận, v.v. Điều tương tự cũng xảy ra với tình cảm vi mô tích cực.

Việc khai thác cảm xúc chi tiết như vậy kết hợp với phân tích dựa trên khía cạnh về trải nghiệm của khách hàng với một thương hiệu có thể có tầm quan trọng hàng đầu. Ví dụ: khi bạn biết cảm tính dựa trên các khía cạnh như giá cả, sự thuận tiện, dễ dàng mua hàng, dịch vụ khách hàng, v.v., bạn sẽ có được thông tin chi tiết hữu ích mà bạn có thể dựa vào để đưa ra quyết định đúng đắn liên quan đến kiểm soát chất lượng và cải tiến sản phẩm.

Một phần rất quan trọng trong việc thu thập thông tin tình cảm thương hiệu được nhắm mục tiêu và sâu sắc là có dữ liệu phản hồi của khách hàng đáng tin cậy. Dưới đây là năm cách thiết yếu mà bạn có thể thu thập dữ liệu đó.

1. Bình luận và video trên mạng xã hội

Lắng nghe trên mạng xã hội là một trong những cách mà bạn có thể nhận được phản hồi của khách hàng hiện tại về thương hiệu của mình, bao gồm cả sản phẩm cũng như dịch vụ của bạn. Một mô hình phân tích tình cảm có thể xử lý và đánh giá các bình luận trên mạng xã hội, cũng như nội dung video, là lựa chọn hoàn hảo để tận dụng nguồn dữ liệu này. 

Với một công cụ như vậy, bạn khai thác dữ liệu để phân tích tình cảm của khách hàng từ các trang truyền thông xã hội nặng về văn bản như Twitter đến các trang dựa trên video như TikTok hoặc Instagram. Điều này mang lại cho bạn một lợi thế lớn vì không phải tất cả các nền tảng truyền thông xã hội đều phù hợp với tất cả khi nói đến sự lựa chọn của khách hàng. 

Ví dụ: trong khi khách hàng chủ yếu sử dụng Twitter để tương tác trực tiếp với một thương hiệu, người dùng Facebook được biết là để lại nhận xét chi tiết về doanh nghiệp mà họ đã liên kết. Sự tương phản rõ rệt này là do các yếu tố như bản chất của doanh nghiệp, độ tuổi, vị trí địa lý, việc sử dụng kỹ thuật số, v.v.

Các ví dụ dưới đây cho thấy cách khách hàng để lại nhận xét trên hai kênh truyền thông xã hội khác nhau.
 

Một lợi thế tuyệt vời khác của phân tích tình cảm trên mạng xã hội là bạn cũng có thể tìm thấy những Người có ảnh hưởng trên mạng xã hội phù hợp với hóa đơn của bạn và có thể là một bổ sung tuyệt vời cho chiến lược tiếp thị kỹ thuật số của bạn. Những người có ảnh hưởng tiêu tốn một nửa khoản đầu tư vào việc thuê một công ty PR hoặc sự chứng thực của người nổi tiếng. 

Ngoài ra, mọi người tin tưởng vào các bài đánh giá và xác nhận sản phẩm từ những Người có ảnh hưởng mà họ có thể liên quan. Điều này đúng cho dù bạn là một thực tập sinh đang tìm kiếm các mẹo tạo phong cách chuyên nghiệp hay một ông bố bốn con đang tìm kiếm những lựa chọn tốt nhất về điện thoại di động dành cho thanh thiếu niên. Đây là cách khoa học dữ liệu và ML giúp tìm kiếm Người ảnh hưởng TikTok phù hợp cho doanh nghiệp.

2. Đi xa hơn các khảo sát định lượng như NPS, CES hoặc CSAT

Các chỉ số phản hồi của khách hàng như điểm quảng cáo ròng (NPS), điểm nỗ lực của khách hàng (CES) hoặc xếp hạng sao có thể cho bạn biết nhanh liệu mọi người có hài lòng với doanh nghiệp của bạn hay không. Nhưng điều này không thực sự cung cấp cho bạn bất kỳ hiểu biết kinh doanh thực tế nào. 

Để có được những hiểu biết thực sự về tình cảm của khách hàng, bạn cần vượt ra ngoài các chỉ số định lượng. Và để làm được điều đó, bạn cần phân tích các bình luận và phản hồi khảo sát mở không có bất kỳ phản hồi cố định nào. Điều này cho phép khách hàng viết nhận xét tự do, có thể cung cấp cho bạn thông tin chi tiết về các khía cạnh của doanh nghiệp mà bạn thậm chí không biết. 

Trong ví dụ trên, chúng ta có thể thấy rằng khách hàng đã xếp hạng 1 sao cho doanh nghiệp. Nhưng khi đọc các bình luận, chúng tôi nhận ra rằng lý do đằng sau những cảm xúc tiêu cực là hoàn toàn khác nhau. 

Trong khi một khách hàng không hài lòng về dịch vụ khách hàng trực tuyến của công ty, thì người kia đề cập rằng mặc dù họ là khách hàng lâu năm nhưng chất lượng giảm và giá cả mới là lý do tại sao họ có thể không mua hàng của họ nữa.

Đây là những hiểu biết có thể hành động, trong đó một doanh nghiệp biết chính xác nơi cần cải thiện để duy trì sự hài lòng và lòng trung thành của khách hàng. Vượt ra ngoài các chỉ số số có thể giúp bạn có được những thông tin chi tiết này.

3. Phân tích đánh giá từ các diễn đàn và trang web của khách hàng

Một cách tuyệt vời khác để có được dữ liệu phản hồi đa dạng của khách hàng là sàng lọc thông qua các trang web đánh giá sản phẩm như GoogleMyBusiness và các diễn đàn như Reddit. Điều quan trọng là việc nhận thông tin chi tiết từ các nguồn dữ liệu khác nhau có thể cung cấp cho bạn thông tin chi tiết tốt hơn do loại đối tượng mà các nền tảng khác nhau mời. 

Ví dụ: Reddit chủ yếu được sử dụng bởi những khách hàng đam mê hơn về một chủ đề hoặc sản phẩm vì diễn đàn cho phép họ thảo luận chi tiết. Trong khi đó, đánh giá của Amazon hoặc đánh giá của Google chủ yếu được sử dụng bởi những khách hàng bình thường, những người muốn để lại đánh giá về doanh nghiệp hoặc vì trải nghiệm, dù tốt hay xấu, mà họ có thể đã có. 

Kia là Thông tin chi tiết kỹ thuật dựa trên ML được rút ra từ các đánh giá về Disney World ở Florida bắt nguồn từ các nhận xét của khách hàng trên Reddit và Google minh họa thêm cho điểm này.

4. Dữ liệu phản hồi của khách hàng (VoC) từ các nguồn phi truyền thống

Các nguồn dữ liệu phản hồi của khách hàng phi truyền thống như lịch sử chatbot, email khách hàng, bảng điểm hỗ trợ khách hàng, v.v. là những nguồn tuyệt vời để hiểu rõ hơn về trải nghiệm của khách hàng. Một lợi thế của những nguồn này là tất cả dữ liệu này đã có sẵn trong các công cụ quản lý quan hệ khách hàng (CRM) của bạn. 

Khi bạn có thể thu thập và phân tích dữ liệu này, bạn sẽ có thể phát hiện ra nhiều vấn đề cơ bản mà ngay cả các cuộc khảo sát khách hàng được lên kế hoạch tốt hoặc lắng nghe mạng xã hội cũng không thể làm nổi bật.

5. Phân tích tin tức và podcast

Dữ liệu tin tức bao gồm cả bài viết, cũng như video tin tức và podcast, có thể cung cấp cho bạn thông tin chi tiết về hiệu suất và nhận thức về thương hiệu. Phản hồi thị trường từ các nguồn tin tức có thể giúp doanh nghiệp thực hiện các hoạt động quan hệ công chúng (PR) hiệu quả để quản lý danh tiếng thương hiệu. 

Nó cũng có thể giúp phân tích đối thủ cạnh tranh dựa trên xu hướng của ngành mà mô hình phân tích tình cảm có thể trích xuất từ ​​dữ liệu trải nghiệm thương hiệu trong các bài báo hoặc video cũng như giúp họ hiểu hành vi của người tiêu dùng. 

Để minh họa cách trích xuất cảm tính và tính điểm, chúng ta hãy lấy các nguồn tin tức làm nguồn phản hồi quan trọng của khách hàng và xem mô hình ML sẽ phân tích dữ liệu đó như thế nào.

1. Thu thập dữ liệu

Để có được kết quả chính xác nhất, chúng tôi phải sử dụng tất cả các nguồn tin tức có sẵn công khai. Điều này bao gồm tin tức từ các kênh truyền hình, tạp chí trực tuyến và các ấn phẩm khác, chương trình phát thanh, podcast, video, v.v. 

Có hai cách mà điều này có thể được thực hiện. Chúng tôi tải dữ liệu trực tiếp lên thông qua API tin tức trực tiếp như API Google News, API tiêu đề của ESPN, API tin tức của BBCvà những người khác thích chúng. Hoặc, chúng tôi tải chúng lên mô hình ML mà chúng tôi đang sử dụng theo cách thủ công bằng cách tải xuống các nhận xét và bài viết trong tệp .csv.

2. Xử lý dữ liệu với các tác vụ ML

Mô hình hiện xử lý dữ liệu và xác định các định dạng khác nhau – văn bản, video hoặc âm thanh. Trong trường hợp văn bản, quá trình này khá đơn giản. Mô hình trích xuất tất cả văn bản bao gồm biểu tượng cảm xúc và thẻ bắt đầu bằng #. Trong trường hợp podcast, chương trình phát thanh và video, nó sẽ yêu cầu phiên âm âm thanh thông qua phần mềm chuyển lời nói thành văn bản. Dữ liệu này sau đó cũng được gửi đến đường dẫn phân tích văn bản.

Khi đã ở trong quy trình, xử lý ngôn ngữ tự nhiên (NLP), nhận dạng thực thể được đặt tên (NER), phân loại ngữ nghĩa, v.v. đảm bảo rằng các khía cạnh, chủ đề và chủ đề chính từ dữ liệu được trích xuất và nhóm để chúng có thể được phân tích theo cảm tính. 

3. Phân tích tình cảm 

Giờ đây, văn bản đã được tách biệt, mỗi chủ đề, khía cạnh và thực thể đều được phân tích để tìm cảm tính và tính điểm cảm tính. Điều này có thể được thực hiện theo bất kỳ cách nào trong ba cách tiếp cận – phương pháp đếm từ, phương pháp độ dài câu và tỷ lệ giữa các từ tích cực và tiêu cực.

Chúng ta hãy lấy câu này làm ví dụ. “Những người đến sân vận động nhận xét rằng chỗ ngồi rất tốt. Tuy nhiên, vé có vẻ quá đắt vì không có vé theo mùa, và nhiều người thậm chí còn gặp phải những nhân viên thô lỗ tại quầy bán vé, theo Daily Herald.”

Chúng ta hãy giả sử rằng sau mã thông báo, chuẩn hóa văn bản (loại bỏ dữ liệu phi văn bản), bắt nguồn từ (tìm từ gốc) và dừng loại bỏ từ (loại bỏ các từ thừa), chúng tôi nhận được điểm số sau cho cảm xúc tiêu cực và tích cực.

Tích cực – Tốt – 1(+ 0.07)

Tiêu cực – Tốn kém(- 0.5), thô lỗ(- 0.7) – 2

Bây giờ chúng ta hãy tính điểm số tình cảm bằng ba phương pháp đã nói ở trên.

Phương pháp đếm từ

Đây là cách đơn giản nhất để tính điểm tình cảm. Trong phương pháp này, chúng tôi giảm số âm từ số lần xuất hiện dương (1 – 2 = -1)

Như vậy, điểm cảm tính của ví dụ trên là -1. 

Phương pháp độ dài câu

Số lượng các từ tích cực được trừ đi từ các từ tiêu cực. Kết quả sau đó được chia cho tổng số từ trong văn bản. Bởi vì điểm đến do đó có thể rất nhỏ và chia thành nhiều chữ số thập phân, nên nó thường được nhân với một chữ số. Điều này được thực hiện để điểm số lớn hơn và do đó dễ hiểu và so sánh hơn. Trong trường hợp ví dụ của chúng tôi, điểm số sẽ là.

1-2/42 = -0.0238095

Tỷ lệ đếm từ tiêu cực-tích cực

Tổng số từ tích cực được chia cho tổng số từ tiêu cực. Kết quả sau đó được cộng thêm 1. Cách này cân bằng hơn các cách tiếp cận khác, đặc biệt trong trường hợp lượng dữ liệu lớn. 

1/ 2+1 = 0.33333

4. Trực quan hóa thông tin chi tiết

Sau khi dữ liệu được phân tích theo cảm tính, thông tin chi tiết sẽ được trình bày trên bảng điều khiển trực quan để bạn có thể hiểu được thông tin tình báo đã thu thập được từ tất cả dữ liệu. Bạn có thể xem phân tích tâm lý dựa trên dòng thời gian, cũng như phân tích dựa trên các sự kiện như ra mắt sản phẩm, biến động thị trường chứng khoán, thông cáo báo chí, tuyên bố của công ty, giá mới, v.v. 

Những thông tin chi tiết dựa trên khía cạnh này có thể có giá trị đáng kinh ngạc đối với bạn khi bạn lập kế hoạch cho các chiến lược tiếp thị và tăng trưởng của mình.

Trí tuệ nhân tạo và khoa học dữ liệu có tầm quan trọng to lớn đối với các hoạt động tiếp thị, đặc biệt là trong thời đại không ngừng đổi mới và thay đổi động lực của thị trường. Phân tích cảm tính của khách hàng dựa trên dữ liệu phản hồi của khách hàng đã được khai thác trực tiếp từ họ có thể cung cấp cho bạn tất cả đòn bẩy cần thiết để đảm bảo rằng bạn có một chiến lược tiếp thị bền vững để tiếp tục phát triển.
 
 
Martin Ostrovsky là người sáng lập và CEO của Repustate. Anh ấy đam mê AI, ML và NLP. Anh ấy đặt ra chiến lược, lộ trình và định nghĩa tính năng cho các giải pháp API Phân tích văn bản toàn cầu, Phân tích tình cảm, Tìm kiếm sâu và Nhận dạng thực thể được đặt tên của Repustate.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. Truy cập Tại đây.
• nguồn: 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