6 steg för att få insikter från sociala medier med naturlig språkbehandling

Sentimentanalys och naturlig språkbehandling (NLP) av sociala medier är ett beprövat sätt att dra slutsatser från människor och samhälle. Istället för att be en analytiker att tillbringa veckor med att läsa sociala mediekommentarer och ge en rapport, kan sentimentanalys ge dig en snabb sammanfattning. Det betyder att du kan fatta beslut snabbare.

Varför behöver du sentimentanalys och NLP i sociala medier?

Du lever i en tid av stora mängder data. Ta sociala medieanvändare som exempel. År 2019 fanns det 3,4 miljarder aktiva sociala medieanvändare i världen. På YouTube alone visas en miljard timmar av videoinnehåll varje dag. Varje indikator tyder på att vi kommer att se mer data produceras över tiden, inte mindre.

Det finns helt enkelt för mycket data för att du ska kunna granska den manuellt. Även organisationer med stora budgetar, som nationella regeringar och globala företag, använder dataanalysverktyg, algoritmer och naturlig språkbehandling.

Genom att använda dessa tekniker kan du förstå vad människor säger om ditt varumärke just nu. Förmågan att minimera urvalsfördomar och undvika att förlita sig på anekdoter betyder att dina beslut kommer att ha en fast grund. Det betyder att du kommer att göra färre misstag när du reagerar på en snabbt föränderlig värld.

Sentimentanalys och NLP i praktiken: Rekrytering, folkhälsa och marknadsföring

Du kanske undrar om dessa dataanalysverktyg är användbara i den verkliga världen eller om de är tillförlitliga att använda. Dessa verktyg har funnits i över ett decennium och de blir bättre varje år. Med NLP och sentimentanalys kan du lösa problem snabbare.

Spara tid under rekryteringsprocessen

Under rekryteringsprocessen är det svårt att hitta kvalificerade kandidater. Workopolis uppskattar att “så många som 75% av sökande till en viss roll inte är kvalificerade att göra det.” Att tillbringa tid på dessa kandidater är inte produktivt. Lyckligtvis kan naturlig språkbehandling och analys hjälpa dig att identifiera lämpliga kandidater så att du kan använda tiden produktivt. Det är därför Blue Orange Digital samarbetade med en hedgefond för att optimera deras HR-process. Med hjälp av tio års värde av sökande- och CV-data har företaget nu en sofistikerad poängmodell för att hitta lämpliga kandidater.

Folkhälsa och nödsituationer

År 2020 har vi alla börjat lära oss värdet av storskalig folkhälsoanalys på grund av den snabba spridningen av COVID. I dessa kriser är det viktigt att snabbt upptäcka förändringar i socialt beteende. Med NLP kan du analysera sociala medier för att utvärdera sentiment. Till exempel analyserade ett nyligt projekt över 1 000 tweets med hjälp av nyckelordet masker för att förstå hur människor tänker och känner om masker.

Marknadsföring

I marknadsföring behöver du vara informerad om hur din målgrupp tänker och känner. En studie från 2019 använde Twitter-sentimentanalys för att förstå klädmärken som Nike och Adidas bättre. Genom att analysera 30 895 engelskspråkiga tweets fann forskarna att “Adidas har mer positivt sentiment än Nike.” Men över 50% av tweets hade ett neutralt sentiment. Det betyder att det fortfarande finns en betydande möjlighet att få fler positiva omnämnanden från marknaden.

Likes är den nya valutan, NLP i sociala medier

Hur fungerar sentimentanalys tekniskt?

För att sentimentanalys ska fungera effektivt finns det några viktiga tekniska punkter att hålla i minnet.

1) Utveckla en relevant affärsfråga

Besluta vilka frågor du vill besvara och om dessa data tekniker är en bra passform för dessa frågor. Låt oss överväga två marknadsfrågor

• Ska vi lansera en marknadsföringspartnerskap med ett kreditkortsföretag för att öka försäljningen?
• Får vi avkastning på våra influencer-marknadsföringskampanjer?

Den första frågan handlar om strategi och framtida möjligheter, så det kommer inte att finnas mycket data att analysera. Därför föreslår vi att du inte försöker besvara denna fråga med sentimentanalys. I kontrast är den andra frågan mer lovande för naturlig språkbehandling. Den kräver dock ytterligare förfining, men du har början på en lämplig fråga.

2) Hitta din datakälla

Ditt nästa steg är att hitta en relevant datakälla att analysera. Idealt sett letar du efter datakällor som du redan har snarare än att skapa något nytt. För rekrytering har du förmodligen en databas med sökande och framgångsrika rekryteringar i ditt rekryteringssystem. I marknadsföring kan du ladda ner data från sociala medieplattformar med hjälp av API:er.

Tips: Datavolymen är viktig för att sentimentanalysen ska fungera. Som en tumregel bör din datamängd ha minst 1 000 exempel (t.ex. 1 000 tweets eller 1 000 sökandeprofiler). Om det är mindre än så är du mindre benägen att få statistiskt meningsfulla resultat.

Läs mer om alternativa datakällor och hur du kan komplettera din data med tredjepartsdata.

3) Förbehandla din data

De flesta datakällor, särskilt sociala medier och användargenererat innehåll, kräver förbehandling innan du kan arbeta med dem. Antag att du analyserar en textresurs, börja med att ta bort onödig punktering, tecken och annan textrengöring. Att lägga tid på detta steg kommer att förbättra kvaliteten på den resulterande analysen.

Eftersom mer omfattande datamängder tenderar att producera bättre resultat, använd verktyg för att rengöra data ytterligare. Till exempel är Porter Stemmer-algoritmen ett användbart sätt att rengöra textdata. Denna algoritm hjälper till att identifiera rotord och minska bruset i din data.

4) Analysera data

Beroende på dina mål finns det olika programvaror och algoritmer tillgängliga för att analysera data. Antag att du analyserar text, Naïve Bayes-algoritmen är rätt val för att utföra sentimentanalys.

5) Kritiskt utvärdera utdata

Du kan inte enbart acceptera dataanalysen som genereras av maskiner utan kritik. Forskare har funnit att maskinlärningsverktyg tenderar att reflektera mänskliga fördomar. Till exempel skrotade Amazon (AMZN ) ett HR-algoritmsystem eftersom det diskriminerade mot kvinnliga kandidater. Efter allt var den historiska datan i detta fall huvudsakligen baserad på män. Det är där dina värderingar – som en löfte till inkludering och mångfald – behöver balansera data-drivna insikter.

Detta gäller också för utdata som genereras av sökmotorer. KISSPatent VD D’vorah Graeser ger ett exempel på hur NLP förbättrar deras sökmotorsresultat när de analyserar information från Världshälsoorganisationen

“Att använda NLP är särskilt relevant och användbart när man försöker hitta patent för nya tekniker som blockchain eller artificiell intelligens, som inte har definierade kategorier i Världshälsoorganisationen, till exempel. Att kunna söka och hitta patent är viktigt för alla innovatörer eftersom de kan veta vem som arbetar med vissa innovationer och om deras innovationer är så unika och nya som de tror.”

KISSPatent VD, D’vorah Graeser

6) Bestäm nästa steg

I sig själv kommer sentimentanalys inte att förändra ditt företag. Du behöver granska dessa insikter och fatta ett beslut. Till exempel kan du upptäcka att du har en växande mängd negativt sentiment om ditt varumärke online. I så fall kan du starta ett forskningsprojekt för att identifiera kundbekymmer och sedan släppa en förbättrad version av din produkt.

Osäker på var du ska börja med NLP i sociala medier?

Att hitta rätt data, tillämpa algoritmer på den datan och få användbara affärsinsikter är inte lätt. Stora företag med stora resurser har gjort misstag i sina NLP-projekt. Därför kan det löna sig att få en utomstående synvinkel på din data. Kontakta Blue Orange Digital idag för att ta reda på hur du kan få snabbare insikter från sociala medier och annan data i din organisation.

För mer information om AI och tekniktrender, se Josh Miramant, VD för Blue Orange Digitals data-drivna lösningar för försörjningskedja, hälso- och sjukvårdsdokumentautomatisering och mer fallstudier.