6 passos per obtenir informació de les xarxes socials amb processament del llenguatge natural

L'anàlisi de sentiments i el processament del llenguatge natural (NLP) de les xarxes socials és una manera provada d'obtenir informació de les persones i de la societat. En lloc de demanar a un analista que passi setmanes llegint els comentaris de les xarxes socials i proporcionant un informe, l'anàlisi de sentiments us pot oferir un resum ràpid. Això vol dir que podeu prendre decisions més ràpidament.

Per què necessiteu anàlisi de sentiments i PNL a les xarxes socials?

Esteu vivint a l'era del big data. Preneu com a exemple els usuaris de les xarxes socials. En 2019, hi havia 3.4 milions d'usuaris actius de xarxes socials al món. Encès YouTube només, es veuen mil milions d'hores de contingut de vídeo diàriament. Cada indicador suggereix que veurem més dades produïdes al llarg del temps, no menys.

Simplement, hi ha massa dades per revisar-les manualment. Fins i tot les organitzacions amb grans pressupostos com els governs nacionals i les corporacions globals estan utilitzant eines d'anàlisi de dades, algorismes i processament del llenguatge natural.

Mitjançant aquestes tècniques, podeu entendre el que la gent diu sobre la vostra marca en aquest moment. La capacitat de minimitzar el biaix de selecció i evitar confiar en anècdotes significa que les vostres decisions tindran una base sòlida. Això vol dir que cometreu menys errors a mesura que reaccioneu a un món que canvia ràpidament.

Anàlisi de sentiments i PNL en acció: contractació, salut pública i màrqueting

Potser us preguntareu si aquestes eines d'anàlisi de dades són útils al món real o si són fiables. Aquestes eines ja fa més d'una dècada i milloren cada any. Amb la PNL i l'anàlisi de sentiments, podeu resoldre problemes més ràpidament.

Estalvieu temps durant la contractació

En la contractació, trobar candidats de qualitat és difícil. Workopolis estima que "fins a un 75% dels sol·licitants per a una funció determinada no estan realment qualificats per fer-ho". Dedicar temps a aquests candidats no és productiu. Afortunadament, el processament i l'anàlisi del llenguatge natural us poden ajudar a identificar candidats adequats perquè pugueu utilitzar el temps de manera productiva. Aixo es perqué Blue Orange Digital va treballar amb un fons de cobertura per optimitzar el seu procés de recursos humans. Utilitzant dades i currículums de sol·licitants de deu anys, l'empresa ara té un model de puntuació sofisticat per trobar candidats adequats.

Salut pública i emergències

El 2020, tots hem començat a conèixer el valor de l'anàlisi de dades de salut pública a gran escala a causa de la ràpida propagació de la COVID. En aquestes crisis, detectar ràpidament els canvis en el comportament social és essencial. Amb la PNL, podeu analitzar les xarxes socials per avaluar el sentiment. Per exemple, un recent projecte va analitzar més de 1,000 tuits utilitzar la paraula clau màscares per entendre com pensen i senten la gent sobre les màscares.

Marketing

En màrqueting, cal estar informat sobre com pensa i se sent el vostre mercat objectiu. A 2019 estudi va utilitzar l'anàlisi del sentiment de Twitter per entendre millor les marques de roba: Nike i Adidas. Analitzant 30,895 tuits en anglès, els investigadors van trobar: "Adidas té un sentiment més positiu que Nike". Tanmateix, més del 50% dels tuits tenien un sentiment neutral. Això vol dir que encara hi ha una oportunitat significativa per obtenir més mencions positives del mercat.

Els likes són la nova moneda, la PNL a les xarxes socials

Com funciona tècnicament l'anàlisi de sentiments?

Perquè l'anàlisi de sentiments funcioni de manera eficaç, cal tenir en compte alguns punts tècnics essencials.

1) Desenvolupa una pregunta empresarial rellevant

Decidiu quines preguntes voleu respondre i si aquestes tècniques de dades s'adapten bé a aquestes preguntes. Considerem dues preguntes de màrqueting

• Hauríem de llançar una associació de màrqueting amb una companyia de targetes de crèdit per fer més vendes?
• Estem obtenint rendiments de les nostres campanyes de màrqueting d'influencers?

La primera pregunta es refereix a l'estratègia i les possibilitats de futur, de manera que no hi haurà moltes dades per analitzar. Per tant, suggerim no intentar respondre aquesta pregunta amb l'anàlisi de sentiments. En canvi, la segona pregunta és més prometedora per al processament del llenguatge natural. Encara requereix més perfeccionament, però tens l'inici d'una pregunta adequada.

2) Trobeu la vostra font de dades

El següent pas és trobar una font de dades rellevant per analitzar. Idealment, busqueu fonts de dades que ja tingueu en comptes de crear alguna cosa nova. Per contractar, probablement tingueu una base de dades de sol·licitants i contractacions reeixides al vostre sistema de seguiment de sol·licitants. En màrqueting, podeu descarregar dades de plataformes de xarxes socials mitjançant API.

Consell: el volum de dades és vital perquè l'anàlisi de sentiments funcioni. Com a regla general, el vostre conjunt de dades hauria de tenir almenys 1,000 exemples (p. ex., 1,000 tuits o 1,000 perfils de sol·licitant). Qualsevol cosa menys que això, i és menys probable que obtingueu resultats estadísticament significatius.

Obteniu més informació sobre fonts de dades alternatives i complementeu les vostres dades amb dades de tercers.

3) Processa prèviament les teves dades

La majoria de les fonts de dades, especialment les xarxes socials i el contingut generat pels usuaris, requereixen un processament previ abans de poder treballar-hi. Suposant que esteu analitzant un recurs de text, comenceu per eliminar els signes de puntuació, caràcters i altres textos de neteja innecessaris. Dedicar temps a aquest pas millorarà la qualitat de l'anàlisi resultant.

Com que els conjunts de dades més extensos tendeixen a produir millors resultats, utilitzeu eines per netejar les dades encara més. Per exemple, el Algoritme de Porter Stemmer és una manera útil de netejar les dades de text. Aquest algorisme ajuda a identificar paraules arrel i reduir el soroll a les vostres dades.

4) Analitzar les dades

Depenent dels vostres objectius, hi ha diferents eines de programari i algorismes disponibles per analitzar les dades. Suposant que esteu analitzant text, l'algoritme de Naïve Bayes és l'opció correcta per realitzar anàlisis de sentiments.

5) Avaluar críticament els resultats

No podeu acceptar simplement l'anàlisi de dades generades per les màquines de manera acrítica. Els investigadors han descobert que les eines d'aprenentatge automàtic tendeixen a reflectir el biaix humà. Per exemple, Amazon va descartar un algorisme de recursos humans perquè discriminava les candidates. Després de tot, les dades històriques, en aquest cas, es basaven principalment en homes. És aquí on els vostres valors, com ara el compromís amb la inclusió i la diversitat, han d'equilibrar els coneixements basats en dades. 

Això també s'aplica als resultats obtinguts pels motors de cerca. El CEO de KISSPatent, D'vorah Graeser, ofereix un exemple de com la PNL millora els resultats dels seus motors de cerca quan analitza la informació de l'Organització Mundial de la Propietat Intel·lectual. 

“L'ús de la PNL és especialment rellevant i útil quan s'intenta buscar patents per a noves tecnologies com la blockchain o la intel·ligència artificial, que no tenen categories definides a l'Organització Mundial de la Propietat Intel·lectual, per exemple. Poder cercar i trobar patents és important per a tots els innovadors perquè d'aquesta manera poden saber qui està treballant en determinades innovacions i si les seves innovacions són tan úniques i noves com pensen".

CEO de KISSPatent, D'vorah Graeser

6) Determineu els propers passos

Per si sol, l'anàlisi de sentiments no canviarà el vostre negoci. Heu de revisar aquestes idees i prendre una decisió. Per exemple, és possible que trobeu una quantitat creixent de sentiments negatius sobre la vostra marca en línia. En aquest cas, podeu iniciar un projecte de recerca per identificar les preocupacions dels clients i després llançar una versió millorada del vostre producte.

No esteu segur per on començar amb la PNL a les xarxes socials?

No és fàcil trobar les dades adequades, aplicar algorismes a aquestes dades i obtenir estadístiques empresarials utilitzables. Al cap i a la fi, les grans empreses amb recursos profunds han comès errors en els seus projectes de processament del llenguatge natural. És per això que val la pena obtenir una perspectiva externa de les vostres dades. Contacte Blau Taronja Digital avui per esbrinar com podeu obtenir informació més ràpida de les xarxes socials i altres dades de la vostra organització.

Per obtenir més informació sobre les tendències tecnològiques i d'IA, consulteu Josh Miramant, CEO de les solucions basades en dades de Blue Orange Digital per a Supply Chain, Automatització de documents sanitaris, i més casos pràctics.