6 žingsniai, kaip gauti įžvalgų iš socialinės žiniasklaidos naudojant natūralios kalbos apdorojimą

Sentimentų analizė ir natūralios kalbos apdorojimas (NLP) socialinėje žiniasklaidoje yra įrodytas būdas gauti įžvalgų iš žmonių ir visuomenės. Užuot paprašius analitiko praleisti savaites skaitydami socialinės žiniasklaidos komentarus ir pateikdami ataskaitą, nuotaikų analizė gali pateikti greitą santrauką. Tai reiškia, kad galite greičiau priimti sprendimus.

Kodėl jums reikia nuotaikų analizės ir NLP socialinėje žiniasklaidoje?

Jūs gyvenate didelių duomenų amžiuje. Paimkite kaip pavyzdį socialinės žiniasklaidos naudotojus. Į 2019, pasaulyje buvo 3.4 milijardo aktyvių socialinės žiniasklaidos vartotojų. Įjungta "YouTube" vien kasdien peržiūrima milijardas valandų vaizdo įrašų turinio. Kiekvienas rodiklis rodo, kad laikui bėgant pamatysime daugiau duomenų, o ne mažiau.

Tiesiog yra per daug duomenų, kad galėtumėte juos peržiūrėti rankiniu būdu. Netgi didelį biudžetą turinčios organizacijos, tokios kaip nacionalinės vyriausybės ir pasaulinės korporacijos, naudoja duomenų analizės įrankius, algoritmus ir natūralios kalbos apdorojimą.

Naudodami šiuos metodus galite suprasti, ką žmonės šiuo metu sako apie jūsų prekės ženklą. Gebėjimas sumažinti atrankos šališkumą ir nepasikliauti anekdotais reiškia, kad jūsų sprendimai turės tvirtą pagrindą. Tai reiškia, kad reaguodami į greitai besikeičiantį pasaulį padarysite mažiau klaidų.

Sentimentų analizė ir NLP veikia: samdymas, visuomenės sveikata ir rinkodara

Jums gali kilti klausimas, ar šie duomenų analizės įrankiai yra naudingi realiame pasaulyje, ar juos patikima naudoti. Šios priemonės buvo naudojamos daugiau nei dešimtmetį ir kasmet tobulėja. Naudodami NLP ir sentimentų analizę galite greičiau išspręsti problemas.

Sutaupykite laiko samdant

Įdarbinant sunku rasti kokybiškus kandidatus. Workopolis apskaičiavo, kad „net 75 % pretendentų į tam tikrą vaidmenį iš tikrųjų nėra kvalifikuoti tai atlikti“. Laiko leidimas tiems kandidatams nėra produktyvus. Laimei, natūralios kalbos apdorojimas ir analizė gali padėti nustatyti tinkamus kandidatus, kad galėtumėte produktyviai panaudoti laiką. Štai kodėl „Blue Orange Digital“ dirbo su rizikos draudimo fondu optimizuoti savo žmogiškųjų išteklių procesą. Naudodama dešimties metų kandidatų duomenis ir gyvenimo aprašymus, įmonė dabar turi sudėtingą balų nustatymo modelį, kad surastų tinkamus kandidatus.

Visuomenės sveikata ir ekstremaliosios situacijos

2020 m. visi pradėjome suprasti didelio masto visuomenės sveikatos duomenų analizės vertę dėl spartaus COVID plitimo. Šių krizių metu labai svarbu greitai pastebėti socialinio elgesio pokyčius. Naudodami NLP galite analizuoti socialinę žiniasklaidą, kad įvertintumėte nuotaikas. Pavyzdžiui, neseniai projektas išanalizavo daugiau nei 1,000 tviterių naudodami raktinį žodį kaukės, kad suprastumėte, kaip žmonės galvoja ir jaučia apie kaukes.

prekyba

Rinkodaroje turite būti informuoti apie tai, kaip jūsų tikslinė rinka galvoja ir jaučiasi. A 2019 tyrimas naudojo „Twitter“ nuotaikų analizę, kad geriau suprastų drabužių prekės ženklus: „Nike“ ir „Adidas“. Išanalizavę 30,895 50 žinutes anglų kalba, mokslininkai nustatė: „Adidas turi daugiau teigiamų nuotaikų nei Nike“. Tačiau daugiau nei XNUMX % tviterių buvo neutralios nuotaikos. Tai reiškia, kad vis dar yra didelė galimybė gauti daugiau teigiamų paminėjimų iš rinkos.

Patinka yra nauja valiuta NLP socialinėje žiniasklaidoje

Kaip techniškai veikia nuotaikų analizė?

Kad nuotaikų analizė veiktų efektyviai, reikia atsiminti keletą esminių techninių dalykų.

1) Sukurkite atitinkamą verslo klausimą

Nuspręskite, į kokius klausimus norite atsakyti ir ar šie duomenų metodai tinka tiems klausimams. Panagrinėkime du rinkodaros klausimus

• Ar turėtume pradėti rinkodaros partnerystę su kredito kortelių bendrove, kad padidintume pardavimus?
• Ar gauname grąžą iš savo influencerių rinkodaros kampanijų?

Pirmasis klausimas susijęs su strategija ir ateities galimybėmis, todėl analizuoti duomenų nebus daug. Todėl siūlytume nebandyti atsakyti į šį klausimą nuotaikų analize. Priešingai, antrasis klausimas yra perspektyvesnis natūralios kalbos apdorojimui. Jį vis tiek reikia tobulinti, bet jūs turite tinkamo klausimo pradžią.

2) Raskite savo duomenų šaltinį

Kitas veiksmas – susirasti atitinkamą duomenų šaltinį analizuoti. Idealiu atveju ieškokite duomenų šaltinių, kuriuos jau turite, o ne kurkite ką nors naujo. Norėdami samdyti, tikriausiai turite kandidatų ir sėkmingų samdytų asmenų duomenų bazę savo kandidatų stebėjimo sistemoje. Rinkodaros srityje galite atsisiųsti duomenis iš socialinės žiniasklaidos platformų naudodami API.

Patarimas: duomenų kiekis yra gyvybiškai svarbus, kad nuotaikų analizė veiktų. Paprastai jūsų duomenų rinkinyje turi būti bent 1,000 1,000 pavyzdžių (pvz., 1,000 XNUMX tviterių arba XNUMX XNUMX pareiškėjo profilių). Viskas, kas yra mažesnė, ir mažiau tikėtina, kad gausite statistiškai reikšmingų rezultatų.

Skaitykite daugiau apie alternatyvius duomenų šaltinius ir duomenų papildymą trečiųjų šalių duomenimis.

3) Iš anksto apdorokite savo duomenis

Daugumą duomenų šaltinių, ypač socialinės žiniasklaidos ir vartotojų sukurto turinio, reikia iš anksto apdoroti, kad galėtumėte su jais dirbti. Darant prielaidą, kad analizuojate teksto šaltinį, pradėkite pašalindami nereikalingus skyrybos ženklus, simbolius ir kitą valymo tekstą. Praleidę laiką šiam žingsniui pagerinsite gautos analizės kokybę.

Kadangi didesni duomenų rinkiniai paprastai duoda geresnių rezultatų, naudokite įrankius, kad toliau išvalytumėte duomenis. Pavyzdžiui, Porter Stemmer algoritmas yra naudingas būdas išvalyti tekstinius duomenis. Šis algoritmas padeda nustatyti pagrindinius žodžius ir sumažinti duomenų triukšmą.

4) Išanalizuokite duomenis

Atsižvelgiant į jūsų tikslus, duomenims analizuoti yra įvairių programinės įrangos įrankių ir algoritmų. Darant prielaidą, kad analizuojate tekstą, Naive Bayes algoritmas yra tinkamas pasirinkimas atlikti nuotaikų analizę.

5) Kritiškai įvertinkite rezultatus

Negalite tiesiog nekritiškai priimti mašinų sugeneruotos duomenų analizės. Tyrėjai nustatė, kad mašininio mokymosi priemonės dažniausiai atspindi žmogaus šališkumą. Pavyzdžiui, „Amazon“ atsisakė žmogiškųjų išteklių algoritmo nes buvo diskriminuojamos moterys kandidatės. Juk istoriniai duomenys šiuo atveju daugiausia buvo pagrįsti vyrais. Štai čia jūsų vertybės, pvz., įsipareigojimas įtrauktiems ir įvairovei, turi suderinti duomenimis pagrįstas įžvalgas. 

Tai taip pat taikoma paieškos sistemų rezultatams. „KISSPatent“ generalinė direktorė D'vorah Graeser pateikia pavyzdį, kaip NLP gerina savo paieškos sistemų rezultatus analizuodama informaciją iš Pasaulio intelektinės nuosavybės organizacijos. 

„NLP naudojimas yra ypač aktualus ir naudingas, kai bandoma ieškoti patentų naujoms technologijoms, tokioms kaip „blockchain“ ar dirbtinis intelektas, kurios, pavyzdžiui, Pasaulio intelektinės nuosavybės organizacijoje neturi apibrėžtų kategorijų. Galimybė ieškoti ir rasti patentų yra svarbi visiems novatoriams, nes taip jie gali žinoti, kas kuria tam tikras naujoves ir ar jų naujovės yra tokios unikalios ir naujos, kaip jie mano.

„KISSPatent“ generalinė direktorė D'vorah Graeser

6) Nuspręskite tolesnius veiksmus

Pati nuotaikų analizė jūsų verslo nepakeis. Turite peržiūrėti šias įžvalgas ir priimti sprendimą. Pavyzdžiui, galite pastebėti, kad internete vis daugėja neigiamų nuotaikų apie savo prekės ženklą. Tokiu atveju galite pradėti tyrimo projektą, kad nustatytumėte klientų problemas, tada išleistumėte patobulintą produkto versiją.

Nežinote, kur pradėti naudoti NLP socialinėje žiniasklaidoje?

Rasti tinkamus duomenis, pritaikyti tiems duomenims algoritmus ir gauti naudingų verslo įžvalgų nėra lengva. Juk didelės įmonės, turinčios daug išteklių, padarė klaidų vykdydamos natūralios kalbos apdorojimo projektus. Štai kodėl verta pažvelgti į savo duomenis iš išorės. kontaktas Mėlyna oranžinė skaitmeninė šiandien, kad sužinotumėte, kaip greičiau gauti įžvalgų iš socialinės žiniasklaidos ir kitų savo organizacijos duomenų.

Norėdami sužinoti daugiau apie AI ir technologijų tendencijas, žr. Joshą Miramantą, „Blue Orange Digital“ duomenimis pagrįstų sprendimų generalinį direktorių. Tiekimo grandinės, Sveikatos priežiūros dokumentų automatizavimasir daugiau atvejų analizės.