6 trin til at få indsigt fra sociale medier med Natural Language Processing

Sentimentanalyse og Natural Language Processing (NLP) af sociale medier er en beprøvet måde at få indsigt fra mennesker og samfund på. I stedet for at bede en analytiker om at bruge uger på at læse sociale medie-kommentarer og levere en rapport, kan sentimentanalyse give dig en hurtig sammenfatning. Det betyder, at du kan træffe beslutninger hurtigere.

Hvorfor har du brug for Sentimentanalyse og NLP i sociale medier?

Du lever i en tid med big data. Tag sociale medie-brugere som eksempel. I 2019, var der 3,4 milliarder aktive sociale medie-brugere i verden. På YouTube alene, ser man en billion timer af videoindhold dagligt. Alle indikatorer tyder på, at vi vil se mere data produceret over tid, ikke mindre.

Der er simpelthen for meget data til, at du kan gennemgå det manuelt. Selv organisationer med store budgetter som nationale regeringer og globale virksomheder bruger dataanalyseværktøjer, algoritmer og Natural Language Processing.

Ved at bruge disse teknikker kan du forstå, hvad mennesker siger om dit brand lige nu. Evnen til at minimere selektionsfejl og undgå at stole på anekdoter betyder, at dine beslutninger vil have en solid grund. Det betyder, at du vil begå færre fejl, når du reagerer på en hurtigt foranderlig verden.

Sentimentanalyse og NLP i praksis: Rekruttering, folkesundhed og marketing

Du måtte undre dig over, om disse dataanalyseværktøjer er nyttige i den virkelige verden eller om de er pålidelige at bruge. Disse værktøjer har været til stede i over et årti, og de bliver bedre hvert år. Med NLP og sentimentanalyse kan du løse problemer hurtigere.

Spare tid under rekruttering

Under rekruttering er det svært at finde kvalificerede kandidater. Workopolis estimerer, at “op til 75% af ansøgere til en given stilling ikke er kvalificerede til at udføre den.” At bruge tid på disse kandidater er ikke produktivt. Heldigvis kan Natural Language Processing og analytics hjælpe dig med at identificere kandidater, der er en god match, så du kan bruge tiden produktivt. Det er derfor, Blue Orange Digital arbejdede med en hedgefond for at optimere deres HR-proces. Ved at bruge ti års værdi af ansøgerdata og CV’er har virksomheden nu en sofistikeret vurderingsmodel til at finde kandidater, der er en god match.

Folkesundhed og nødsituationer

I 2020 har vi alle begyndt at lære værdien af stor skala folkesundhedsdataanalyse på grund af den hurtige spredning af COVID. I disse kriser er det afgørende at kunne detektere ændringer i sociale adfærd hurtigt. Med NLP kan du analysere sociale medier for at evaluere sentiment. For eksempel analyserede et nyligt projekt over 1.000 tweets med nøgleordet masker for at forstå, hvordan mennesker tænker og føler om masker.

Marketing

I marketing skal du være informeret om, hvordan dit målmarked tænker og føler. En 2019-studie brugte Twitter-sentimentanalyse til at forstå tøjkæderne Nike og Adidas bedre. Ved at analysere 30.895 engelsksprogede tweets fandt forskerne, at “Adidas har mere positivt sentiment end Nike.” Men mere end 50% af tweets havde et neutralt sentiment. Det betyder, at der stadig er en betydelig mulighed for at få mere positive omtaler fra markedet.

Likes er den nye valuta, NLP i sociale medier

Hvordan fungerer Sentimentanalyse teknisk?

For at sentimentanalyse skal fungere effektivt, er der nogle væsentlige tekniske punkter at holde øje med.

1) Udvikl en relevant forretningsrelateret spørgsmål

Beslut, hvilke spørgsmål du vil besvare, og om disse data-teknikker er en god match for disse spørgsmål. Lad os overveje to markedsførings-spørgsmål

• Skal vi lancere et markedsføringspartnerskab med en kreditkortvirksomhed for at øge salget?
• Får vi afkast på vores influencer-markedsføringskampagner?

Det første spørgsmål vedrører strategi og fremtidige muligheder, så der vil ikke være meget data at analysere. Derfor vil vi anbefale ikke at forsøge at besvare dette spørgsmål med sentimentanalyse. Til gengæld er det andet spørgsmål mere lovende for Natural Language Processing. Det kræver dog yderligere tilrettevisning, men du har allerede starten på et passende spørgsmål.

2) Find din datakilde

Dit næste skridt er at finde en relevant datakilde til at analysere. Ideelt set skal du lede efter datakilder, som du allerede har, i stedet for at oprette noget nyt. Til rekruttering har du sandsynligvis en database over ansøgere og succesfulde ansættelser i dit ansættelsessystem. I marketing kan du downloade data fra sociale medier via API’er.

Tip: Data-mængde er afgørende for, at sentimentanalyse kan fungere. Som en generel regel skal din dataset have mindst 1.000 eksempler (f.eks. 1.000 tweets eller 1.000 ansøgerprofiler). Hvis det er mindre end det, er du mindre sandsynligt at få statistisk betydningsfulde resultater.

Læs mere om alternative datakilder og suppler din data med tredjepartsdata.

3) Forbehandl dine data

De fleste datakilder, især sociale medier og bruger-genereret indhold, kræver forbehandling, før du kan arbejde med dem. Antag, at du analyserer en tekstressource, start med at fjerne unødvendig punktum, tegn og andre rensende tekst. At bruge tid på dette skridt vil forbedre kvaliteten af den resulterende analyse.

Da mere omfattende datasets tendenser til at producere bedre resultater, kan du bruge værktøjer til at rense data yderligere. For eksempel er Porter Stemmer-algoritmen en nyttig måde at rense tekstdata på. Denne algoritme hjælper med at identificere rodord og reducere støj i dine data.

4) Analysér data

Afhangigt af dine mål er der forskellige softwareværktøjer og algoritmer til rådighed for at analysere data. Antag, at du analyserer tekst, er Naïve Bayes-algoritmen det rette valg til at udføre sentimentanalyse.

5) Kritisk evaluér output

Du kan ikke blot acceptere den dataanalyse, som maskinerne genererer, uden kritik. Forskere har fundet, at machine learning-værktøjer tendenser til at reflektere menneskelig fordom. For eksempel Amazon skrottede et HR-algoritme (AMZN ) , fordi det diskriminerede mod kvindelige kandidater. Efter alt var historiske data i dette tilfælde primært baseret på mænd. Det er der, hvor dine værdier – som en forpligtelse til inklusion og diversitet – skal balancere data-drevne indsigt. 

Dette gælder også for output, der genereres af søgemaskiner. KISSPatent CEO D’vorah Graeser giver et eksempel på, hvordan NLP forbedrer søgemaskine-resultaterne, når man analyserer information fra Verdens Intellektuelle Ejendomsorganisation 

“At bruge NLP er især relevant og nyttigt, når man søger efter patenter for nye teknologier som blockchain eller kunstig intelligens, som ikke har definerede kategorier i Verdens Intellektuelle Ejendomsorganisation, for eksempel. At kunne søge og finde patenter er vigtigt for alle innovatører, fordi de på den måde kan vide, hvem der arbejder på bestemte innovationer, og om deres innovationer er så unikke og nye, som de tror.”

KISSPatent CEO, D’vorah Graeser

6) Bestem næste skridt

I sig selv vil sentimentanalyse ikke ændre din virksomhed. Du skal gennemgå disse indsigt og træffe en beslutning. For eksempel kan du finde, at du har en stigende mængde negativt sentiment omkring dit brand på nettet. I det tilfælde kan du starte et forskningsprojekt for at identificere kundes bekymringer og derefter udgive en forbedret version af dit produkt.

Er du usikker på, hvor du skal starte med NLP i sociale medier?

At finde den rette data, anvende algoritmer på denne data og få brugbare forretningsindsigt er ikke let. Store virksomheder med dybe ressourcer har begået fejl i deres Natural Language Processing-projekter. Derfor kan det betale sig at få en ekstern perspektiv på din data. Kontakt Blue Orange Digital i dag for at finde ud af, hvordan du kan få hurtigere indsigt fra sociale medier og andre data i din organisation.

For mere om AI og teknologiske trends, se Josh Miramant, CEO of Blue Orange Digital’s data-drevne løsninger for forsyningskæde, sundhedsdokumentautomatisering og mere Case Studies.