6 trin til at få indsigt fra sociale medier med naturlig sprogbehandling

Følelsesanalyse og naturlig sprogbehandling (NLP) af sociale medier er en gennemprøvet måde at hente indsigt fra mennesker og samfund. I stedet for at bede en analytiker om at bruge uger på at læse kommentarer på sociale medier og levere en rapport, kan en sentimentanalyse give dig en hurtig oversigt. Det betyder, at du kan træffe beslutninger hurtigere.

Hvorfor har du brug for sentimentanalyse og NLP på sociale medier?

Du lever i big datas tidsalder. Tag sociale medier brugere som et eksempel. I 2019, var der 3.4 milliarder aktive sociale mediebrugere i verden. På YouTube alene ses en milliard timers videoindhold dagligt. Hver indikator tyder på, at vi vil se flere data produceret over tid, ikke mindre.

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

Ved at bruge disse teknikker kan du forstå, hvad folk siger om dit brand lige nu. Evnen til at minimere udvælgelsesbias og undgå at stole på anekdoter betyder, at dine beslutninger vil have et solidt grundlag. Det betyder, at du vil begå færre fejl, når du reagerer på en verden i hastig forandring.

Følelsesanalyse og NLP i aktion: Ansættelse, folkesundhed og markedsføring

Du spekulerer måske på, om disse dataanalyseværktøjer er nyttige i den virkelige verden, eller om de er pålidelige at bruge. Disse værktøjer har eksisteret i over et årti, og de bliver bedre hvert år. Med NLP og sentimentanalyse kan du løse problemer hurtigere.

Spar tid under ansættelse

Ved ansættelse er det svært at finde kvalitetskandidater. Workopolis vurderer, at "så mange som 75 % af ansøgerne til en given rolle faktisk ikke er kvalificerede til at gøre det." Det er ikke produktivt at bruge tid på disse kandidater. Heldigvis kan naturlig sprogbehandling og -analyse hjælpe dig med at identificere gode kandidater, så du kan bruge tiden produktivt. Derfor Blue Orange Digital arbejdede med en hedgefond at optimere deres menneskelige ressourceproces. Ved at bruge ti års ansøgerdata og CV'er har firmaet nu en sofistikeret scoringsmodel til at finde gode kandidater.

Folkesundhed og nødsituationer

I 2020 er vi alle begyndt at lære værdien af ​​storstilet folkesundhedsdataanalyse på grund af den hurtige spredning af COVID. I disse kriser er det vigtigt at opdage ændringer i social adfærd hurtigt. Med NLP kan du analysere sociale medier for at evaluere følelser. For eksempel en nylig projekt analyseret over 1,000 tweets bruge søgeordsmaskerne til at forstå, hvordan folk tænker og føler om masker.

Marketing

Inden for markedsføring skal du holde dig orienteret om, hvordan dit målmarked tænker og føler. EN 2019 undersøgelse brugt Twitter-stemningsanalyse til at forstå tøjmærker: Nike og Adidas bedre. Ved at analysere 30,895 engelsksprogede tweets fandt forskerne, "Adidas har mere positiv følelse end Nike." Men over 50 % af tweets havde en neutral stemning. Det betyder, at der stadig er en betydelig mulighed for at få flere positive omtaler fra markedspladsen.

Likes er den nye valuta, NLP på sociale medier

Hvordan fungerer sentimentanalyse teknisk?

For at sentimentanalyse skal fungere effektivt, er der et par vigtige tekniske punkter, du skal huske på.

1) Udvikle et relevant forretningsspørgsmål

Beslut hvilke spørgsmål du vil besvare, og om disse datateknikker passer godt til disse spørgsmål. Lad os overveje to marketingspørgsmål

• Skal vi lancere et markedsføringspartnerskab med et kreditkortselskab for at skabe mere salg?
• Får vi afkast på vores influencer marketing kampagner?

Det første spørgsmål omhandler strategi og fremtidige muligheder, så der vil ikke være meget data at analysere. Derfor vil vi foreslå, at du ikke forsøger at besvare dette spørgsmål med en følelsesanalyse. I modsætning hertil er spørgsmål to mere lovende for naturlig sprogbehandling. Det kræver stadig yderligere forfining, men du har starten på et passende spørgsmål.

2) Find din datakilde

Dit næste skridt er at finde en relevant datakilde at analysere. Ideelt set skal du kigge efter datakilder, som du allerede har, i stedet for at skabe noget nyt. Til ansættelse har du sandsynligvis en database over ansøgere og succesfulde ansættelser i dit ansøgersporingssystem. I markedsføring kan du downloade data fra sociale medieplatforme ved hjælp af API'er.

Tip: Datavolumen er afgørende for, at sentimentanalyse kan fungere. Som en tommelfingerregel skal dit datasæt have mindst 1,000 eksempler (f.eks. 1,000 tweets eller 1,000 ansøgerprofiler). Alt mindre end det, og du er mindre tilbøjelig til at opnå statistisk meningsfulde resultater.

Læs mere om alternative datakilder og supplering af dine data med tredjepartsdata.

3) Forbehandle dine data

De fleste datakilder, især sociale medier og brugergenereret indhold, kræver forbehandling, før du kan arbejde med det. Hvis du antager, at du analyserer en tekstressource, skal du starte med at fjerne unødvendig tegnsætning, tegn og anden rensetekst. At bruge tid på dette trin vil forbedre kvaliteten af ​​den resulterende analyse.

Da mere omfattende datasæt har tendens til at give bedre resultater, skal du bruge værktøjer til at rense dataene yderligere. For eksempel Porter Stemmer Algoritme er en nyttig måde at rydde op i tekstdata. Denne algoritme hjælper med at identificere rodord og skære ned på støj i dine data.

4) Analyser dataene

Afhængigt af dine mål er der forskellige softwareværktøjer og algoritmer tilgængelige til at analysere dataene. Hvis du antager, at du analyserer tekst, er den naive Bayes-algoritme det rigtige valg til at udføre sentimentanalyse.

5) Kritisk evaluere output

Du kan ikke blot acceptere den dataanalyse, der genereres af maskiner, ukritisk. Forskere har fundet ud af, at maskinlæringsværktøjer har en tendens til at afspejle menneskelig bias. For eksempel, Amazon skrottede en menneskelig algoritme fordi det diskriminerede kvindelige kandidater. Trods alt var historiske data, i dette tilfælde, hovedsagelig baseret på mænd. Det er her, dine værdier – som en forpligtelse til inklusion og mangfoldighed – skal balancere datadrevet indsigt. 

Dette gælder også for de resultater, som søgemaskinerne giver. KISSPatent CEO D'vorah Graeser giver et eksempel på, hvordan NLP forbedrer deres søgemaskiners resultater, når de analyserer oplysninger fra World Intellectual Property Organization 

“At bruge NLP er især relevant og nyttigt, når man forsøger at lede efter patenter for nye teknologier såsom blockchain eller kunstig intelligens, som ikke har definerede kategorier i for eksempel World Intellectual Property Organization. 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 trin

I sig selv vil sentimentanalyse ikke ændre din virksomhed. Du skal gennemgå disse indsigter og træffe en beslutning. For eksempel kan du opleve, at du har en voksende mængde negativ stemning omkring dit brand online. I så fald kan du starte et forskningsprojekt for at identificere kundernes bekymringer og derefter frigive en forbedret version af dit produkt.

Ikke sikker på, hvor du skal komme i gang med NLP på sociale medier?

Det er ikke nemt at finde de rigtige data, anvende algoritmer til disse data og få brugbar forretningsindsigt. Store virksomheder med dybe ressourcer har trods alt begået fejl i deres naturlige sprogbehandlingsprojekter. Derfor kan det betale sig at få et udefrakommende perspektiv på dine data. Kontakt Blå 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 kunstig intelligens og teknologitrends, se Josh Miramant, CEO for Blue Orange Digitals datadrevne løsninger til Supply Chain, Automatisering af sundhedsdokumenterog flere casestudier.