6 कदम सोशल मीडिया से नेचरल लैंग्वेज प्रोसेसिंग के साथ इनसाइट्स प्राप्त करने के लिए

सोशल मीडिया का सेंटिमेंट एनालिसिस और नेचरल लैंग्वेज प्रोसेसिंग एक सिद्ध तरीका है जिससे आप लोगों और समाज से इनसाइट्स प्राप्त कर सकते हैं। इसके लिए आपको किसी विश्लेषक से कई हफ्तों तक सोशल मीडिया कमेंट्स पढ़ने और रिपोर्ट देने के लिए कहने की जरूरत नहीं है। सेंटिमेंट एनालिसिस आपको तुरंत एक सारांश दे सकता है। इसका मतलब है कि आप तेजी से निर्णय ले सकते हैं।

आपको सोशल मीडिया में सेंटिमेंट एनालिसिस और एनएलपी की आवश्यकता क्यों है?

आप बड़े डेटा के युग में जी रहे हैं। सोशल मीडिया उपयोगकर्ताओं को एक उदाहरण के रूप में लें। 2019 में, दुनिया में 3.4 अरब सक्रिय सोशल मीडिया उपयोगकर्ता थे। यूट्यूब पर अकेले, एक अरब घंटे का वीडियो सामग्री प्रतिदिन देखी जाती है। हर संकेत यही दर्शाता है कि हमें समय के साथ और अधिक डेटा देखने को मिलेगा, कम नहीं।

आपके लिए मैनुअल रूप से इतना डेटा समीक्षा करना संभव नहीं है। बड़े बजट वाले संगठन, जैसे कि राष्ट्रीय सरकारें और वैश्विक निगम, डेटा विश्लेषण टूल, एल्गोरिदम और नेचरल लैंग्वेज प्रोसेसिंग का उपयोग कर रहे हैं।

इन तकनीकों का उपयोग करके, आप समझ सकते हैं कि लोग आपके ब्रांड के बारे में अभी क्या कह रहे हैं। चयन पक्षपात को कम करने और किस्सों पर निर्भर न करने की क्षमता का अर्थ है कि आपके निर्णय एक मजबूत आधार पर होंगे। इसका मतलब है कि आप तेजी से बदलते世界 में प्रतिक्रिया करते समय कम गलतियां करेंगे।

सेंटिमेंट एनालिसिस और एनएलपी कार्रवाई में: हायरिंग, सार्वजनिक स्वास्थ्य और मार्केटिंग

आप सोच सकते हैं कि क्या ये डेटा विश्लेषण टूल वास्तविक दुनिया में उपयोगी हैं या यदि वे विश्वसनीय हैं। ये टूल एक दशक से अधिक समय से आसपास हैं और वे हर साल बेहतर हो रहे हैं। सेंटिमेंट एनालिसिस और एनएलपी के साथ, आप समस्याओं का समाधान तेजी से कर सकते हैं।

हायरिंग के दौरान समय बचाएं

हायरिंग में, गुणवत्तापूर्ण उम्मीदवारों को खोजना मुश्किल है। वर्कोपोलिस अनुमान लगाता है कि “एक निश्चित भूमिका के लिए आवेदकों में से 75% वास्तव में इसके लिए योग्य नहीं हैं”। उन उम्मीदवारों पर समय बिताना उत्पादक नहीं है। सौभाग्य से, प्राकृतिक भाषा प्रोसेसिंग और विश्लेषण आपको अच्छे फिट उम्मीदवारों की पहचान करने में मदद कर सकता है ताकि आप समय का उपयोग कर सकें। यही कारण है कि ब्लू ऑरेंज डिजिटल ने एक हेज फंड के साथ मानव संसाधन प्रक्रिया को अनुकूलित करने के लिए काम किया। दस साल के आवेदक डेटा और रेज्यूमे का उपयोग करके, फर्म अब एक परिष्कृत स्कोरिंग मॉडल के साथ अच्छे फिट उम्मीदवारों को खोजने में सक्षम है।

सार्वजनिक स्वास्थ्य और आपातकाल

2020 में, हमने सभी को बड़े पैमाने पर सार्वजनिक स्वास्थ्य डेटा विश्लेषण के मूल्य को सीखा है क्योंकि कोविड तेजी से फैल रहा है। इन संकटों में, सामाजिक व्यवहार में परिवर्तन का पता लगाना तेजी से आवश्यक है। एनएलपी के साथ, आप सेंटिमेंट का मूल्यांकन करने के लिए सोशल मीडिया का विश्लेषण कर सकते हैं। उदाहरण के लिए, एक हालिया परियोजना ने मास्क के बारे में लोगों की सोच और भावनाओं को समझने के लिए 1,000 से अधिक ट्वीट्स का विश्लेषण किया।

मार्केटिंग

मार्केटिंग में, आपको अपने लक्ष्य बाजार के बारे में जानकारी रखने की आवश्यकता है। एक 2019 के अध्ययन ने नाइकी और एडिडास जैसे कपड़ों के ब्रांडों को बेहतर ढंग से समझने के लिए ट्विटर सेंटिमेंट एनालिसिस का उपयोग किया। 30,895 अंग्रेजी भाषा के ट्वीट्स का विश्लेषण करने के बाद, शोधकर्ताओं ने पाया कि “एडिडास में नाइकी की तुलना में अधिक सकारात्मक भावना है”। हालांकि, 50% से अधिक ट्वीट्स में तटस्थ भावना थी। इसका मतलब है कि बाजार से अधिक सकारात्मक उल्लेख प्राप्त करने का अभी भी एक महत्वपूर्ण अवसर है।

लाइक्स नई मुद्रा है, सोशल मीडिया में एनएलपी

सेंटिमेंट एनालिसिस कैसे तकनीकी रूप से काम करता है?

सेंटिमेंट एनालिसिस के लिए प्रभावी ढंग से काम करने के लिए, कुछ आवश्यक तकनीकी बिंदुओं को ध्यान में रखना होगा।

1) एक प्रासंगिक व्यवसाय प्रश्न विकसित करें

यह तय करें कि आप कौन से प्रश्नों का उत्तर देना चाहते हैं और क्या ये डेटा तकनीकें उन प्रश्नों के लिए एक अच्छा फिट हैं। आइए दो मार्केटिंग प्रश्नों पर विचार करें

• क्या हमें एक क्रेडिट कार्ड कंपनी के साथ एक मार्केटिंग साझेदारी शुरू करनी चाहिए ताकि अधिक बिक्री हो?
• क्या हम अपने प्रभावशाली विपणन अभियानों पर रिटर्न प्राप्त कर रहे हैं?

पहला प्रश्न रणनीति और भविष्य की संभावनाओं से संबंधित है, इसलिए इसका उत्तर देने के लिए बहुत अधिक डेटा नहीं होगा। इसलिए, हम इस प्रश्न का उत्तर देने के लिए सेंटिमेंट एनालिसिस का प्रयास नहीं करने का सुझाव देते हैं। इसके विपरीत, दूसरा प्रश्न प्राकृतिक भाषा प्रोसेसिंग के लिए अधिक आशाजनक है। यह अभी भी आगे की रिफाइनमेंट की आवश्यकता है, लेकिन आपके पास एक उपयुक्त प्रश्न की शुरुआत है।

2) अपना डेटा स्रोत खोजें

अगला कदम एक प्रासंगिक डेटा स्रोत खोजना है। आदर्श रूप से, ऐसे डेटा स्रोतों की तलाश करें जो आपके पास पहले से ही मौजूद हों न कि कुछ नया बनाने की। हायरिंग के लिए, आपके पास शायद एक आवेदक ट्रैकिंग सिस्टम में आवेदकों और सफल हायर का एक डेटाबेस है। मार्केटिंग में, आप सोशल मीडिया प्लेटफ़ॉर्म से डेटा डाउनलोड कर सकते हैं जो एपीआई का उपयोग करते हैं।

सुझाव: डेटा की मात्रा सेंटिमेंट एनालिसिस के लिए महत्वपूर्ण है। एक नियम के रूप में, आपके डेटा सेट में कम से कम 1,000 उदाहरण (जैसे 1,000 ट्वीट या 1,000 आवेदक प्रोफाइल) होने चाहिए। इससे कम, और आपको सांख्यिकीय रूप से महत्वपूर्ण परिणाम प्राप्त करने की संभावना कम है।

वैकल्पिक डेटा स्रोतों और तीसरे पक्ष के डेटा के साथ अपने डेटा को पूरक करने के बारे में और पढ़ें।

3) अपने डेटा को पूर्व-प्रोसेस करें

अधिकांश डेटा स्रोत, विशेष रूप से सोशल मीडिया और उपयोगकर्ता-जनित सामग्री, को आपके साथ काम करने से पहले पूर्व-प्रोसेसिंग की आवश्यकता होती है। यह मान लेते हुए कि आप एक पाठ संसाधन का विश्लेषण कर रहे हैं, अनावश्यक विराम चिह्न, अक्षरों और अन्य पाठ को साफ करने से शुरू करें। इस चरण पर समय बिताने से परिणामी विश्लेषण की गुणवत्ता में सुधार होगा।

चूंकि व्यापक डेटा सेट बेहतर परिणाम उत्पन्न करते हैं, इसलिए डेटा को साफ करने के लिए टूल का उपयोग करें। उदाहरण के लिए, पोर्टर स्टेमर एल्गोरिदम पाठ डेटा को साफ करने का एक उपयोगी तरीका है। यह एल्गोरिदम मूल शब्दों की पहचान करने और आपके डेटा में शोर को कम करने में मदद करता है।

4) डेटा का विश्लेषण करें

आपके लक्ष्यों के आधार पर, डेटा का विश्लेषण करने के लिए विभिन्न सॉफ्टवेयर टूल और एल्गोरिदम उपलब्ध हैं। यह मान लेते हुए कि आप पाठ का विश्लेषण कर रहे हैं, नाइव बेस अल्गोरिदम सेंटिमेंट एनालिसिस करने के लिए सही विकल्प है।

5) आउटपुट का महत्वपूर्ण मूल्यांकन करें

आप मशीन द्वारा उत्पन्न डेटा विश्लेषण को गैर-आलोचनात्मक रूप से स्वीकार नहीं कर सकते। शोधकर्ताओं ने पाया है कि मशीन लर्निंग टूल मानव पूर्वाग्रह को प्रतिबिंबित करते हैं। उदाहरण के लिए, अमेज़ॅन ने एक मानव संसाधन एल्गोरिदम को खत्म कर दिया क्योंकि यह महिला उम्मीदवारों के खिलाफ भेदभावपूर्ण था। अंततः, आपके मूल्यों – जैसे कि समावेश और विविधता के प्रति प्रतिबद्धता – डेटा-संचालित अंतर्दृष्टि को संतुलित करने की आवश्यकता है।

यह खोज इंजनों द्वारा उत्पन्न आउटपुट पर भी लागू होता है। किस्सपैटेंट के सीईओ डी’वोराह ग्रेसर एक उदाहरण प्रदान करते हैं कि कैसे एनएलपी उनके खोज इंजन परिणामों में सुधार कर रहा है जब वे विश्व बौद्धिक संपदा संगठन से जानकारी का विश्लेषण करते हैं

“एनएलपी का उपयोग विशेष रूप से तब प्रासंगिक और उपयोगी होता है जब आप ब्लॉकचेन या आर्टिफिशियल इंटेलिजेंस जैसी नई प्रौद्योगिकियों के लिए पेटेंट खोजने की कोशिश कर रहे हों, जिनके लिए विश्व बौद्धिक संपदा संगठन में परिभाषित श्रेणियां नहीं हैं। पेटेंट खोजने और यह जानने में सक्षम होना कि कौन से नवाचारों पर काम कर रहा है और क्या आपके नवाचार वास्तव में नए और अनोखे हैं, सभी नवप्रवर्तनकर्ताओं के लिए महत्वपूर्ण है।”

किस्सपैटेंट के सीईओ, डी’वोराह ग्रेसर

6) अगले कदम निर्धारित करें

सेंटिमेंट एनालिसिस अपने आप आपके व्यवसाय को नहीं बदलेगा। आपको उन अंतर्दृष्टि की समीक्षा करनी होगी और एक निर्णय लेना होगा। उदाहरण के लिए, आप पा सकते हैं कि आपके ब्रांड के बारे में ऑनलाइन नकारात्मक भावना बढ़ रही है। ऐसे में आप एक शोध परियोजना शुरू कर सकते हैं ताकि ग्राहकों की चिंताओं की पहचान की जा सके और फिर अपने उत्पाद का एक बेहतर संस्करण जारी किया जा सके।

सोशल मीडिया में एनएलपी के साथ शुरू करने के बारे में निश्चित नहीं हैं?

सही डेटा खोजना, उस डेटा पर एल्गोरिदम लागू करना और उपयोगी व्यवसायिक अंतर्दृष्टि प्राप्त करना आसान नहीं है। बड़े संगठनों ने अपने प्राकृतिक भाषा प्रोसेसिंग परियोजनाओं में गलतियां की हैं। यही कारण है कि अपने डेटा पर एक बाहरी दृष्टिकोण प्राप्त करना भुगतान करता है। आज ही ब्लू ऑरेंज डिजिटल से संपर्क करें ताकि आप अपने संगठन में सोशल मीडिया और अन्य डेटा से तेजी से अंतर्दृष्टि कैसे प्राप्त कर सकते हैं, यह जानें।

एआई और प्रौद्योगिकी रुझानों के बारे में अधिक जानकारी के लिए, ब्लू ऑरेंज डिजिटल के सीईओ जोश मिरामांट के डेटा-संचालित समाधानों को देखें, जैसे कि सप्लाई चेन, स्वास्थ्य देखभाल दस्तावेज़ स्वचालन, और अधिक मामले के अध्ययन।