6 Schritte, um mit Natural Language Processing Erkenntnisse aus sozialen Medien zu gewinnen

Sentiment-Analyse und Natural Language Processing (NLP) von sozialen Medien sind bewährte Methoden, um Erkenntnisse aus Menschen und Gesellschaft zu gewinnen. Anstatt einen Analysten zu bitten, Wochen damit zu verbringen, soziale Medien-Kommentare zu lesen und einen Bericht zu erstellen, kann Sentiment-Analyse eine schnelle Zusammenfassung liefern. Das bedeutet, dass Sie schneller Entscheidungen treffen können.

Warum benötigen Sie Sentiment-Analyse und NLP in sozialen Medien?

Sie leben im Zeitalter der Big Data. Nehmen Sie soziale Medien-Nutzer als Beispiel. Im Jahr 2019 gab es 3,4 Milliarden aktive soziale Medien-Nutzer auf der ganzen Welt. Allein auf YouTube werden täglich eine Milliarde Stunden Video-Inhalte angesehen. Jeder Indikator deutet darauf hin, dass wir in Zukunft noch mehr Daten produzieren werden, nicht weniger.

Es gibt einfach zu viel Daten, um sie manuell zu überprüfen. Selbst Organisationen mit großen Budgets wie nationale Regierungen und globale Konzerne verwenden Datenanalyse-Tools, Algorithmen und Natural Language Processing.

Durch die Verwendung dieser Techniken können Sie verstehen, was Menschen über Ihre Marke gerade sagen. Die Fähigkeit, Selektionsverzerrung zu minimieren und nicht auf Anekdoten zu vertrauen, bedeutet, dass Ihre Entscheidungen auf einer soliden Grundlage basieren. Das bedeutet, dass Sie weniger Fehler machen, wenn Sie auf eine sich schnell verändernde Welt reagieren.

Sentiment-Analyse und NLP in der Praxis: Personalbeschaffung, öffentliche Gesundheit und Marketing

Sie fragen sich vielleicht, ob diese Datenanalyse-Tools in der realen Welt nützlich sind oder ob sie zuverlässig sind. Diese Tools gibt es bereits seit über einem Jahrzehnt und sie verbessern sich jedes Jahr. Mit NLP und Sentiment-Analyse können Sie Probleme schneller lösen.

Zeit sparen bei der Personalbeschaffung

Bei der Personalbeschaffung ist es schwierig, qualifizierte Kandidaten zu finden. Workopolis schätzt, dass “bis zu 75% der Bewerber für eine bestimmte Position nicht wirklich qualifiziert sind, um sie auszufüllen”. Die Zeit, die für diese Kandidaten aufgewendet wird, ist nicht produktiv. Glücklicherweise können Natural Language Processing und Analytics helfen, gute Kandidaten zu identifizieren, damit Sie Ihre Zeit produktiv nutzen können. Deshalb arbeitete Blue Orange Digital mit einem Hedgefonds zusammen, um ihren Personalbeschaffungsprozess zu optimieren. Mit Hilfe von zehn Jahren Bewerberdaten und Lebensläufen verfügt das Unternehmen nun über ein fortschrittliches Bewertungsmodell, um gute Kandidaten zu finden.

Öffentliche Gesundheit und Notfälle

Im Jahr 2020 haben wir alle begonnen, den Wert der Analyse von großen Mengen an Gesundheitsdaten aufgrund der schnellen Ausbreitung von COVID zu lernen. In diesen Krisen ist es entscheidend, Veränderungen im sozialen Verhalten schnell zu erkennen. Mit NLP können Sie soziale Medien analysieren, um die Stimmung zu bewerten. Zum Beispiel wurde in einem aktuellen Projekt über 1.000 Tweets mit dem Schlüsselwort “Masken” analysiert, um zu verstehen, wie Menschen über Masken denken und fühlen.

Marketing

Im Marketing müssen Sie informiert sein, wie Ihre Zielgruppe denkt und fühlt. Eine Studie aus dem Jahr 2019 verwendete Twitter-Sentiment-Analyse, um die Bekleidungsmarken Nike und Adidas besser zu verstehen. Durch die Analyse von 30.895 englischsprachigen Tweets fanden die Forscher heraus, dass “Adidas eine positivere Stimmung als Nike hat”. Allerdings hatten über 50% der Tweets eine neutrale Stimmung. Das bedeutet, dass es immer noch eine erhebliche Chance gibt, mehr positive Erwähnungen auf dem Markt zu erhalten.

Likes sind die neue Währung, NLP in sozialen Medien

Wie funktioniert Sentiment-Analyse technisch?

Damit Sentiment-Analyse effektiv funktioniert, gibt es einige wichtige technische Aspekte zu beachten.

1) Entwickeln Sie eine relevante Geschäftsfrage

Entscheiden Sie, welche Fragen Sie beantworten möchten und ob diese Datenverfahren für diese Fragen geeignet sind. Lassen Sie uns zwei Marketingfragen betrachten:

• Sollten wir eine Marketing-Partnerschaft mit einer Kreditkartenfirma eingehen, um mehr Verkäufe zu generieren?
• Erzielen wir eine Rückkehr auf unsere Influencer-Marketing-Kampagnen?

Die erste Frage betrifft die Strategie und zukünftige Möglichkeiten, daher gibt es nicht viel Daten, die analysiert werden können. Daher würden wir vorschlagen, diese Frage nicht mit Sentiment-Analyse zu beantworten. Im Gegensatz dazu ist die zweite Frage vielversprechender für Natural Language Processing. Sie erfordert jedoch weitere Verfeinerung, aber Sie haben den Anfang einer geeigneten Frage.

2) Finden Sie Ihre Datenquelle

Ihr nächster Schritt ist es, eine relevante Datenquelle zu finden, die Sie analysieren können. Idealerweise suchen Sie nach Datenquellen, die Sie bereits haben, anstatt etwas Neues zu erstellen. Bei der Personalbeschaffung haben Sie wahrscheinlich eine Datenbank mit Bewerbern und erfolgreichen Einstellungen in Ihrem Bewerber-Tracking-System. Im Marketing können Sie Daten von sozialen Medien-Plattformen mithilfe von APIs herunterladen.

Tipp: Die Datenmenge ist entscheidend für die Sentiment-Analyse. Als Faustregel sollte Ihre Datensatz mindestens 1.000 Beispiele (z. B. 1.000 Tweets oder 1.000 Bewerberprofile) enthalten. Wenn Sie weniger als das haben, sind Sie weniger wahrscheinlich in der Lage, statistisch bedeutsame Ergebnisse zu erzielen.

Lesen Sie mehr über alternative Datenquellen und die Ergänzung Ihrer Daten mit Drittanbieter-Daten.

3) Bereinigen Sie Ihre Daten

Die meisten Datenquellen, insbesondere soziale Medien und Benutzer generierte Inhalte, erfordern eine Bereinigung, bevor Sie damit arbeiten können. Angenommen, Sie analysieren eine Textressource, beginnen Sie damit, unnötige Interpunktion, Zeichen und andere Textbereinigung zu entfernen. Die Zeit, die Sie für diesen Schritt aufwenden, verbessert die Qualität der resultierenden Analyse.

Da umfangreichere Datensätze tendenziell bessere Ergebnisse liefern, verwenden Sie Tools, um die Daten weiter zu bereinigen. Zum Beispiel ist der Porter-Stemmer-Algorithmus eine nützliche Möglichkeit, Textdaten zu bereinigen. Dieser Algorithmus hilft, Wurzwörter zu identifizieren und Lärm in Ihren Daten zu reduzieren.

4) Analysieren Sie die Daten

Abhängig von Ihren Zielen gibt es verschiedene Software-Tools und Algorithmen, die zur Datenanalyse verfügbar sind. Angenommen, Sie analysieren Text, ist der Naive-Bayes-Algorithmus die richtige Wahl, um Sentiment-Analyse durchzuführen.

5) Bewerten Sie die Ausgaben kritisch

Sie können die von Maschinen generierte Datenanalyse nicht unkritisch akzeptieren. Forscher haben herausgefunden, dass maschinelles Lernen-Werkzeuge tendenziell menschliche Vorurteile widerspiegeln. Zum Beispiel hat Amazon (AMZN ) ein HR-Algorithmus-Tool verworfen, weil es gegen weibliche Kandidaten diskriminierte. Schließlich basierte die historische Datenbasis in diesem Fall hauptsächlich auf Männern. Das ist der Punkt, an dem Ihre Werte – wie ein Engagement für Inklusion und Vielfalt – Daten-getriebene Erkenntnisse ausgleichen müssen.

Dies gilt auch für die Ausgaben, die von Suchmaschinen erzeugt werden. Der CEO von KISSPatent, D’vorah Graeser, bietet ein Beispiel dafür, wie NLP die Suchmaschinen-Ergebnisse verbessert, wenn Informationen aus der Weltorganisation für geistiges Eigentum analysiert werden.

“Die Verwendung von NLP ist besonders relevant und nützlich, wenn man nach Patentschriften für neue Technologien wie Blockchain oder künstliche Intelligenz sucht, die in der Weltorganisation für geistiges Eigentum noch keine definierten Kategorien haben. Es ist wichtig, Patentschriften zu finden, damit alle Innovatoren wissen, wer an bestimmten Innovationen arbeitet und ob ihre Innovationen so einzigartig und neu sind, wie sie denken.”

KISSPatent-CEO, D’vorah Graeser

6) Bestimmen Sie die nächsten Schritte

Allein die Sentiment-Analyse wird Ihr Unternehmen nicht verändern. Sie müssen diese Erkenntnisse überprüfen und eine Entscheidung treffen. Zum Beispiel können Sie feststellen, dass Sie eine wachsende Menge an negativer Stimmung über Ihre Marke im Internet haben. In diesem Fall können Sie ein Forschungsprojekt starten, um Kundenbedenken zu identifizieren und dann eine verbesserte Version Ihres Produkts zu veröffentlichen.

Sind Sie sich nicht sicher, wie Sie mit NLP in sozialen Medien beginnen sollen?

Das Finden der richtigen Daten, das Anwenden von Algorithmen auf diese Daten und das Erhalten von nutzbaren Geschäftserkenntnissen ist nicht leicht. Selbst große Unternehmen mit großen Ressourcen haben Fehler in ihren NLP-Projekten gemacht. Deshalb lohnt es sich, eine externe Perspektive auf Ihre Daten zu erhalten. Kontaktieren Sie Blue Orange Digital heute, um herauszufinden, wie Sie schneller Erkenntnisse aus sozialen Medien und anderen Daten in Ihrem Unternehmen gewinnen können.

Für mehr über künstliche Intelligenz und Technologie-Trends besuchen Sie Josh Miramant, CEO von Blue Orange Digital, und seine datengetriebenen Lösungen für Lieferketten, Gesundheitsdokumenten-Automatisierung und weitere Fallstudien.