6 trinn for å få innsikt fra sosiale medier med naturlig språkbehandling

Sentimentanalyse og naturlig språkbehandling (NLP) av sosiale medier er en bevist måte å trekke innsikt fra mennesker og samfunn. I stedet for å be en analytiker om å bruke uker på å lese sosiale medier-kommentarer og levere en rapport, kan sentimentanalyse gi deg en rask sammenfatting. Det betyr at du kan ta beslutninger raskere.

Hvorfor trenger du sentimentanalyse og NLP i sosiale medier?

Du lever i en tid med stor datamengde. Ta sosiale mediebrukere som et eksempel. I 2019, var det 3,4 milliarder aktive sosiale mediebrukere i verden. På YouTube alene, blir en milliard timer med videoinnhold sett daglig. Alle indikatorer tyder på at vi vil se mer data produsert over tid, ikke mindre.

Det er enkelt for mye data for deg å gjennomgå manuelt. Selv organisasjoner med store budsjetter som nasjonalregjeringer og globale selskaper bruker dataanalyseverktøy, algoritmer og naturlig språkbehandling.

Ved å bruke disse teknikkene, kan du forstå hva folk sier om ditt merkevare nå. Evnen til å minimere seleksjonsfeil og unngå å basere seg på anekdoter, betyr at dine beslutninger vil ha en solid grunn. Det betyr at du vil gjøre færre feil når du reagerer på en raskt foranderlig verden.

Sentimentanalyse & NLP i praksis: Rekruttering, folkehelse og markedsføring

Du kan undre deg på om disse dataanalyseverktøyene er nyttige i den virkelige verden eller om de er pålitelige å bruke. Disse verktøyene har vært rundt i over ett tiår, og de blir bedre hver år. Med NLP og sentimentanalyse, kan du løse problemer raskere.

Spar tid under rekruttering

Under rekruttering, er det vanskelig å finne kvalifiserte kandidater. Workopolis estimerer at “så mange som 75% av søkerne for en gitt rolle ikke er kvalifisert til å gjøre det.” Å bruke tid på disse kandidatene er ikke produktivt. Heldigvis kan naturlig språkbehandling og analyser hjelpe deg med å identifisere kandidater som passer godt, så du kan bruke tiden produktivt. Derfor Blue Orange Digital arbeidet med en hedgefond for å optimalisere deres menneskelige ressurser. Ved å bruke ti års verdt av søkerdata og CV-er, har selskapet nå et sofistikert poengsystem for å finne kandidater som passer godt.

Folkehelse og nødsituasjon

I 2020, har vi alle begynt å lære verdien av stor skala folkehelsedataanalyse på grunn av den raske spredningen av COVID. I disse krisene, er det essensielt å kunne detektere endringer i sosial atferd raskt. Med NLP, kan du analysere sosiale medier for å evaluere holdninger. For eksempel, analyserer et prosjekt over 1 000 tweets som bruker nøkkelordet masker for å forstå hvordan folk tenker og føler om masker.

Markedsføring

I markedsføring, må du holde deg informert om hvordan din målgruppe tenker og føler. En 2019-studie brukte Twitter-sentimentanalyse for å forstå klærmerkene Nike og Adidas bedre. Ved å analysere 30 895 engelskspråklige tweets, fant forskerne at “Adidas har mer positiv holdning enn Nike.” Men, over 50% av tweetene hadde en nøytral holdning. Det betyr at det fortsatt er en betydelig mulighet til å tjene flere positive omtaler fra markedet.

Likes er den nye valutaen, NLP i sosiale medier

Hvordan fungerer sentimentanalyse teknisk?

For at sentimentanalyse skal fungere effektivt, er det noen viktige tekniske punkter å huske på.

1) Utvikle en relevant forretningsmessig spørsmål

Bestemm hva du vil spørre og om disse data-teknikkene er en god passning for disse spørsmålene. La oss vurdere to markedsførings-spørsmål

• Skal vi lansere en markedsføringspartnerskap med et kredittselskap for å øke salget?
• Får vi avkastning på våre influencer-markedsføringskampanjer?

Det første spørsmålet omhandler strategi og fremtidige muligheter, så det vil ikke være mye data å analysere. Derfor vil vi foreslå å ikke prøve å svare på dette spørsmålet med sentimentanalyse. I motsetning til det andre spørsmålet, er det mer løftende for naturlig språkbehandling. Det krever fortsatt videre finjustering, men du har starten på et passende spørsmål.

2) Finn din datakilde

Ditt neste steg er å finne en relevant datakilde å analysere. Ideelt sett, søk etter datakilder som du allerede har, i stedet for å lage noe nytt. For rekruttering, har du sannsynligvis en database over søkere og vellykkede ansatte i ditt søke-system. I markedsføring, kan du laste ned data fra sosiale medier ved å bruke API-er.

Tips: Data-volum er viktig for at sentimentanalyse skal fungere. Som en generell regel, bør din datasett ha minst 1 000 eksempler (for eksempel 1 000 tweets eller 1 000 søkerprofiler). Noe mindre enn det, og du er mindre sannsynlig å få statistisk meningsfulle resultater.

Les mer om alternative datakilder og supplering av dine data med 3. parts data.

3) Forbehandl dine data

De fleste datakilder, spesielt sosiale medier og brukergenerert innhold, krever forbehandling før du kan arbeide med dem. Anta at du analyserer en tekstressurs, start med å fjerne unødvendig punktering, tegn og andre rengjøringstekster. Å bruke tid på dette steget vil forbedre kvaliteten på den resulterende analysen.

Ettersom større datasett tenderer til å produsere bedre resultater, bruk verktøy for å rense dataene videre. For eksempel, er Porter Stemmer Algoritme en nyttig måte å rydde opp i tekstdata. Denne algoritmen hjelper med å identifisere rotord og kutte ned på støy i dine data.

4) Analyser dataene

Avhengig av dine mål, er det forskjellige programvareverktøy og algoritmer tilgjengelige for å analysere dataene. Anta at du analyserer tekst, er Naïve Bayes-algoritmen det rette valget for å utføre sentimentanalyse.

5) Kritisk vurder utdata

Du kan ikke bare akseptere data-analysen generert av maskiner uten kritikk. Forskere har funnet at maskinlæringsverktøy tenderer til å reflektere menneskelig fordom. For eksempel, Amazon skrotet et menneskelige ressurser-algoritme fordi den diskriminerte mot kvinnelige kandidater. Etter alt, var historiske data i dette tilfelle hovedsakelig basert på menn. Derfor trenger dine verdier – som en forpliktelse til inklusjon og mangfold – å balansere data-drevne innsikter. 

Dette gjelder også for utdataene som fremkommer fra søkemotorer. KISSPatent CEO D’vorah Graeser gir et eksempel på hvordan NLP forbedrer søke-resultatene når de analyserer informasjon fra Verdens intellektuelle eiendomsorganisasjon 

“Bruk av NLP er spesielt relevant og nyttig når du prøver å finne patenter for nye teknologier som blockchain eller kunstig intelligens, som ikke har definerte kategorier i Verdens intellektuelle eiendomsorganisasjon, for eksempel. Å kunne søke og finne patenter er viktig for alle innovatører, fordi de kan vite hvem som jobber med bestemte innovasjoner og om deres innovasjoner er like unike og nye som de tror.”

KISSPatent CEO, D’vorah Graeser

6) Bestemm neste steg

Alene, vil sentimentanalyse ikke endre din forretning. Du må gjennomgå disse innsiktene og ta en beslutning. For eksempel, kan du finne at du har en økende mengde negativ holdning om ditt merkevare på nettet. I det tilfelle kan du starte et forskningsprosjekt for å identifisere kundes bekymringer og deretter utgi en forbedret versjon av ditt produkt.

Usikker på hvor du skal starte med NLP i sosiale medier?

Å finne riktige data, å bruke algoritmer på disse dataene og å få brukbare forretningsinnsikter, er ikke lett. Etter alt, har store selskaper med dype ressurser gjort feil i sine naturlige språkbehandlingsprosjekter. Derfor betaler det å få en ekstern perspektiv på dine data. Kontakt Blue Orange Digital i dag for å finne ut hvordan du kan få raskere innsikter fra sosiale medier og andre data i din organisasjon.

For mer om AI og teknologitrender, se Josh Miramant, CEO av Blue Orange Digitals data-drevne løsninger for forsyningskjede, helse-dokumentautomatisering og flere saker.