6 etapas para obter informações das mídias sociais com o processamento de linguagem natural

A análise de sentimentos e o processamento de linguagem natural (PNL) das mídias sociais são uma forma comprovada de obter insights das pessoas e da sociedade. Em vez de pedir a um analista que passe semanas lendo comentários nas redes sociais e fornecendo um relatório, a análise de sentimento pode fornecer um resumo rápido. Isso significa que você pode tomar decisões mais rapidamente.

Por que você precisa de análise de sentimentos e PNL nas mídias sociais?

Você está vivendo na era do big data. Tome como exemplo os usuários de redes sociais. Em 2019, havia 3.4 bilhões de usuários ativos de mídia social no mundo. Sobre YouTube sozinho, um bilhão de horas de conteúdo de vídeo são assistidos diariamente. Todos os indicadores sugerem que veremos mais dados produzidos ao longo do tempo, não menos.

Há simplesmente dados demais para você revisar manualmente. Mesmo organizações com grandes orçamentos, como governos nacionais e corporações globais, estão usando ferramentas de análise de dados, algoritmos e processamento de linguagem natural.

Ao usar essas técnicas, você pode entender o que as pessoas estão dizendo sobre sua marca agora. A capacidade de minimizar o viés de seleção e evitar depender de anedotas significa que suas decisões terão uma base sólida. Isso significa que você cometerá menos erros ao reagir a um mundo em rápida mudança.

Análise de sentimentos e PNL em ação: contratação, saúde pública e marketing

Você pode estar se perguntando se essas ferramentas de análise de dados são úteis no mundo real ou se são confiáveis ​​para usar. Essas ferramentas existem há mais de uma década e estão melhorando a cada ano. Com NLP e análise de sentimento, você pode resolver problemas mais rapidamente.

Economize tempo durante a contratação

Na contratação, encontrar candidatos de qualidade é difícil. Workópolis estima que “até 75% dos candidatos a uma determinada função não são realmente qualificados para isso”. Gastar tempo com esses candidatos não é produtivo. Felizmente, o processamento e a análise de linguagem natural podem ajudá-lo a identificar candidatos adequados para que você possa usar o tempo de forma produtiva. É por isso A Blue Orange Digital trabalhou com um fundo de hedge para otimizar seu processo de recursos humanos. Usando dez anos de dados de candidatos e currículos, a empresa agora tem um modelo de pontuação sofisticado para encontrar candidatos adequados.

Saúde Pública e Emergências

Em 2020, todos começamos a aprender o valor da análise de dados de saúde pública em larga escala devido à rápida disseminação do COVID. Nessas crises, detectar mudanças no comportamento social rapidamente é essencial. Com a PNL, você pode analisar a mídia social para avaliar o sentimento. Por exemplo, um recente projeto analisou mais de 1,000 tweets usando a palavra-chave máscaras para entender como as pessoas pensam e se sentem em relação às máscaras.

Marketing

No marketing, você precisa se manter informado sobre como seu mercado-alvo pensa e sente. A Estudo 2019 usou a análise de sentimento do Twitter para entender melhor as marcas de roupas: Nike e Adidas. Analisando 30,895 tweets em inglês, os pesquisadores descobriram: “A Adidas tem um sentimento mais positivo do que a Nike”. No entanto, mais de 50% dos tweets tinham um sentimento neutro. Isso significa que ainda há uma oportunidade significativa de obter menções mais positivas do mercado.

Curtidas são a nova moeda, PNL nas mídias sociais

Como a análise de sentimento funciona tecnicamente?

Para que a análise de sentimento funcione de forma eficaz, há alguns pontos técnicos essenciais a serem lembrados.

1) Desenvolva uma questão comercial relevante

Decida quais perguntas você deseja responder e se essas técnicas de dados são adequadas para essas perguntas. Vamos considerar duas questões de marketing

• Devemos lançar uma parceria de marketing com uma empresa de cartão de crédito para fazer mais vendas?
• Estamos obtendo retornos em nossas campanhas de marketing de influenciadores?

A primeira questão diz respeito à estratégia e possibilidades futuras, portanto não haverá muitos dados para analisar. Portanto, sugerimos não tentar responder a essa pergunta com análise de sentimento. Em contraste, a questão dois é mais promissora para o processamento de linguagem natural. Ainda requer mais refinamento, mas você tem o início de uma pergunta apropriada.

2) Encontre sua fonte de dados

Sua próxima etapa é encontrar uma fonte de dados relevante para analisar. Idealmente, procure fontes de dados que você já possui, em vez de criar algo novo. Para contratar, você provavelmente tem um banco de dados de candidatos e contratações bem-sucedidas em seu sistema de rastreamento de candidatos. No marketing, você pode baixar dados de plataformas de mídia social usando APIs.

Dica: o volume de dados é vital para que a análise de sentimento funcione. Como regra geral, seu conjunto de dados deve ter pelo menos 1,000 exemplos (por exemplo, 1,000 tweets ou 1,000 perfis de candidatos). Qualquer coisa menos do que isso, e você terá menos chances de obter resultados estatisticamente significativos.

Leia mais sobre fontes de dados alternativas e complementando seus dados com dados de terceiros.

3) Pré-processe seus dados

A maioria das fontes de dados, especialmente mídia social e conteúdo gerado pelo usuário, requer pré-processamento antes que você possa trabalhar com eles. Supondo que você esteja analisando um recurso de texto, comece removendo pontuação, caracteres e outros textos de limpeza desnecessários. Gastar tempo nesta etapa melhorará a qualidade da análise resultante.

Como conjuntos de dados mais extensos tendem a produzir melhores resultados, use ferramentas para limpar ainda mais os dados. Por exemplo, o Algoritmo Porter Stemmer é uma maneira útil de limpar dados de texto. Esse algoritmo ajuda a identificar palavras-raiz e reduz o ruído em seus dados.

4) Analise os dados

Dependendo de seus objetivos, existem diferentes ferramentas de software e algoritmos disponíveis para analisar os dados. Supondo que você esteja analisando texto, o algoritmo Naïve Bayes é a escolha certa para conduzir a análise de sentimento.

5) Avalie criticamente os resultados

Você não pode simplesmente aceitar acriticamente a análise de dados gerada por máquinas. Os pesquisadores descobriram que as ferramentas de aprendizado de máquina tendem a refletir o preconceito humano. Por exemplo, A Amazon descartou um algoritmo de recursos humanos porque discriminava as candidatas do sexo feminino. Afinal, os dados históricos, neste caso, foram baseados principalmente em homens. É aí que seus valores – como o compromisso com a inclusão e a diversidade – precisam equilibrar insights baseados em dados. 

Isso também se aplica aos resultados gerados pelos mecanismos de pesquisa. O CEO da KISSPatent, D'vorah Graeser, fornece um exemplo de como a PNL está melhorando os resultados de seus mecanismos de pesquisa ao analisar informações da Organização Mundial de Propriedade Intelectual 

“O uso do NLP é especialmente relevante e útil ao tentar buscar patentes para novas tecnologias como blockchain ou Inteligência Artificial, que não possuem categorias definidas na Organização Mundial de Propriedade Intelectual, por exemplo. Ser capaz de pesquisar e encontrar patentes é importante para todos os inovadores porque assim eles podem saber quem está trabalhando em certas inovações e se suas inovações são tão únicas e novas quanto eles pensam.”

CEO da KISSPatent, D'vorah Graeser

6) Determine os próximos passos

Por si só, a análise de sentimento não mudará seus negócios. Você precisa revisar esses insights e tomar uma decisão. Por exemplo, você pode descobrir que tem uma quantidade crescente de sentimentos negativos sobre sua marca online. Nesse caso, você pode iniciar um projeto de pesquisa para identificar as preocupações do cliente e, em seguida, lançar uma versão aprimorada de seu produto.

Não sabe por onde começar com a PNL nas mídias sociais?

Encontrar os dados certos, aplicar algoritmos a esses dados e obter insights de negócios úteis não é fácil. Afinal, grandes empresas com recursos profundos cometeram erros em seus projetos de processamento de linguagem natural. É por isso que vale a pena ter uma perspectiva externa de seus dados. Contato Azul Laranja Digital today para descobrir como você pode obter insights mais rápidos de mídias sociais e outros dados em sua organização.

Para saber mais sobre tendências de IA e tecnologia, consulte Josh Miramant, CEO das soluções baseadas em dados da Blue Orange Digital para Supply Chain, Automação de Documentos de Saúdee mais estudos de caso.