Kun yritykset uudistavat ratkaisuja ja prosesseja digitaalisesti, ne huomaavat, että myös onnistunut asiakasvuorovaikutus – ja asiakkaiden ymmärtäminen – edellyttää uudistumista.
Se on kuitenkin muutakin kuin vain yksinkertaisten asiakaskyselyjen tarjoamista. Sinun on osallistuttava aktiivisesti keskusteluihin siitä, mitä mieltä asiakaskuntasi on brändistäsi. Asenneanalyysi auttaa sen selvittämisessä.
Asenneanalyysi, jota kutsutaan myös mielipiteiden etsinnäksi ja tunnetekoälyksi, on luonnollisen kielen käsittelyn tekniikka. Se määrittää, onko sisältö positiivista, negatiivista vai neutraalia. Asenneanalyysityökalu analysoi tekstiä ja tilastotietoja ja määrittää, mitä asiakkaat sanovat, miten he sen sanovat ja mitä he todellisuudessa tarkoittavat sekä yksilön että suuren yleisön näkökulmasta.
Tekstien louhintaan kuuluvaa asenneanalyysia käytetään usein asiakkaiden mielipiteiden määrittämiseen palautemateriaaleissa ja eri kanavissa, kuten arvosteluissa, kyselyissä, verkkoartikkeleissa ja yhteisöpalveluissa. Kielen kehittyessä tarkoituksen ymmärtäminen näissä kanavissa voi olla yhä haastavampaa, ja sanakirjan määritysten käyttäminen saattaa johtaa väärinymmärryksiin.
Asiakaskuuntelua varten muokatun, algoritmeihin perustuvan asenneanalyysityökalun avulla voit saada selville, mitä asiakkaat toivovat ja tarvitsevat tuotteelta, palvelulta tai ratkaisulta, ja miten heidän mielipiteensä kehittyvät ja muuttuvat ajan kuluessa.
Asenneanalyysityyppejä ovat esimerkiksi
Perinteisesti yritykset ovat mitanneet asiakkaiden mielipidettä kyselylomakkeiden ja kyselyjen avulla. Esimerkiksi Net Promoter Score (NPS) -kysely koostaa ja arvioi tietoja, joiden avulla voidaan mitata asiakkaiden halukkuutta suositella yritystä. Vaikka nämä tiedot ovat arvokkaita, niiden avulla ei saada laajoja merkityksellisiä tietoja digitaalisten kanavien asiakaskokemuksista, kuten ostojen tekemisestä.
Asenneanalyysi voi auttaa tässä.
Seuraamalla asiakkaiden mielipiteitä ja asenteita, tunnistamalla nämä mielipiteet ja asenteet sekä poimimalla niitä tekstistä asenneanalyysi voi auttaa paljastamaan kunkin kommentin, yhteisöpalvelun tykkäyksen, idean, valituksen ja kyselyn takana olevan merkityksen. Lisäksi se antaa mahdollisuuden ottaa kätevästi huomioon asiakkaiden alati muuttuvat tarpeet.
Kerättyjä tietoja analysoimalla saadaan yhteenveto kunkin asiakkaan reaktiosta sekä muusta palautteesta, mikä voi auttaa muokkaamaan julkista mielikuvaa tuotteesta tai liiketoiminnasta. Kun nämä tiedot sijoitetaan myönteiselle, neutraalille tai kielteiselle asennejatkumolle, havaitaan, miksi asiakas teki kyseisen toteamuksen. Samalla paljastuu mielipiteitä, jotka kuvaavat asiakkaan asenteita ja tuntemuksia tietystä aiheesta.
Nämä mielipiteet luokitellaan sitten suoriksi (En ole koskaan käyttänyt parempaa tuotetta) tai vertaileviksi (Tuote A integroitui paremmin organisaatioon kuin tuote B). Vaikka tulkitseminen on usein helppoa, on tärkeää huomata, että joitakin mielipiteitä on tutkittava tarkemmin. Luokitteluja, kuten implisiittinen (Yritys tietää, mitä on tehtävä tuotteen parantamiseksi) ja eksplisiittinen (Tuotetta A on helppo käyttää), sekä sarjaa sanoja, jotka ovat myönteisiä mutta sisältävät kielteisen sanan, voi olla hankala analysoida. Niitä on ehkä arvioitava tai muokattava manuaalisesti asennemalleja varten.
Kun löydetään nämä muiden suhtautumista yritykseen kuvaavat avainsanat ja lauseet, niitä voidaan käyttää organisaation seuraavan vaiheen suunnittelussa. Asenneanalyysin hyödyntäminen yrityksessä kuitenkin edellyttää analyysin toiminnan ymmärtämistä.
Asenneanalyysi käyttää useita teknologioita, joiden avulla asiakkaiden sanat tiivistetään yhdeksi toimintaa ohjaavaksi kohteeksi. Asenneanalyysiprosessi sisältää seuraavat neljä vaihetta:
Muistamalla kuvailevat sanat ja lauseet sekä määrittämällä niille asenteen painoarvo voidaan muodostaa asennekirjasto yhdessä tiimin kanssa. Manuaalisen pisteytyksen perusteella tiimi päättää, miten voimakas tai heikko sanan on oltava, ja vastaavan lausepisteytyksen polariteetin ilmaisemalla, onko se myönteinen, kielteinen vai neutraali. Monikielisten asenneanalyysimoduulien on myös ylläpidettävä yksilöllisiä kirjastoja kullekin kielelle. Näitä kirjastoja tuetaan yhdenmukaisen pisteytyksen, uusien lauseiden ja tarpeettomien termien poiston avulla.
Asenneanalyysi voi tiivistää nämä lähestymistavat kolmeen seuraavaan luokkaan:
Tilastot, NLP ja koneoppimisalgoritmit tunnistavat yhdessä asenteet. Järjestelmä on koulutettu liittämään syötteet vastaaviin tuloksiin eli asiakastekstin polariteettiin. Koneet luokitellaan syötetietojen avulla, ja ne voivat muuttua ajan mittaan koulutuksen myötä. Tätä voidaan testata lisätietojen avulla ennusteiden parantamiseksi.
Yksinkertaisimmassa asenneanalyysissa käytetään sanakirjoja tai sanastoja sanojen ja lauseiden tutkimisessa sekä niihin liitettyjen asenteiden määrittämisessä. Tämä lähestymistapa sopii hyvin suoriin ja selkeisiin mielipiteisiin. Vaikka tämän järjestelmän käyttäminen on nopeaa ja helppoa, siinä otetaan harvoin huomioon sarjaksi yhdistettyjä sanoja. Tiimin on lisättävä sääntöjä vertailevia mielipiteitä varten, sillä tämä lähestymistapa ei sellaisenaan ymmärrä implisiittisiä mielipiteitä.
Sääntöpohjaisten ja automaattisten järjestelmien yhdistämisen ansiosta käyttöön saadaan tarkkuus, jonka avulla asiakkaita voidaan ymmärtää todella. Tämä on tehokkain järjestelmä, sillä se sisältää sanastoista kerätyt tunneperäiset tiedot, joita voidaan muuttaa ajan mittaan.
Vaikka yhteisöpalvelusta saa vain yleisen käsityksen tavasta, jolla brändistä keskustellaan verkossa, asenneanalyysi antaa kuitenkin heti tietoa siitä, mikä käsitys ihmisillä on sekä brändistä että tuotteesta. Monet uudelleentwiittaukset Twitterissä voivat vaikuttaa myönteiseltä, mutta jos tykkäyksiä huomataan olevat selkeästi vähemmän kuin kielteisiä kommentteja, kyse ei ole myönteisestä vuorovaikutuksesta.
Asenneanalyysin avulla yritys voi myös poimia asiakkaiden erittäin arvokkaita näkemyksiä sisäisistä tietolähteistä. Esimerkiksi asiakkaiden ja tuen asiakaspalvelijoiden verkkokeskustelujen litterointeja seuraamalla yritys saa tietää aiempaa nopeammin tuotteen laatuun, turvallisuuteen ja takuuseen liittyvistä ongelmista. Muita asenneanalyysin tarjoamia etuja ovat esimerkiksi seuraavat:
Näiden etujen avulla tiimit saavat kattavan näkymän asiakkaiden ajattelutapaan ja siihen, mikä on sopiva reagointitapa. Merkityksellisten tietojen perusteella voidaan auttaa sisäisiä tiimejä, kuten asiakaspalvelua, parantamaan asiakaskokemusta, tai markkinointitiimejä ja asiakkaiden kanssa tekemisissä olevia tiimejä aktivoimaan asiakassegmenttejä asenteeseen perustuvan kohdistetun myynnin, markkinoinnin ja tuen avulla.
Asenneanalyysin paras puoli on se, että se ei koske vain yhtä tiimiä. Kaikki tiimit voivat käyttää näitä tietoja suunnittelussa, olipa kyse sitten markkinointikampanjoista, hinnoittelustrategioista, tilausten täyttämisestä tai asiakastuesta. Kun eri tiimit oppivat enemmän siitä, mikä on asiakkaiden asenne tuotetta, brändiä ja yritystä kohtaan, ne voivat hyödyntää tätä tietämystä vastausten määrittämisessä ja liiketoimintojen optimoinnissa. Ne voivat myös arvioida uudelleen tavoitteet sekä yrityksen että asiakkaan osalta ja määrittää, mitä on tehtävä kyseisen tavoitteen saavuttamiseksi.
Seuraavassa on esimerkkejä tavoista, joilla tiimit käyttävät asenneanalyysia:
Ihmisten monimutkaisia tunteita ymmärtävän työkalun käyttömahdollisuus on olennaista, jotta asiakaskunnasta saadaan tarpeellista palautetta. Aiemmin asenneanalyysin käyttäminen edellytti useiden teknologioiden tuntemista, mutta nykyisin asenneanalyysia voi käyttää useissa ohjelmistotyökaluissa käytännössä ilman erityisosaamista.
Integroidun ja älykkään asenneanalyysityökalun sisältävän asiakastietoympäristön (CDP) valitseminen on erittäin tärkeää yrityksessä. Onnistuneiden kaikkikanavaisten asiakaskokemusten luominen edellyttää, että tiimillä ja organisaatiolla on CDP-ympäristö, jossa on kaikki kokonaisvaltaisten, reaaliaikaisten asiakasprofiilien luontiin tarvittavat ominaisuudet. Tämä tarkoittaa myös asenneanalyysityökaluja, joiden avulla saadaan uusia merkityksellisiä tietoja. Näiden tietojen avulla voidaan optimoida asiakassuhteiden hallintaa sekä muita kerättyjä tietoja.
Etsi sellainen CDP-ympäristö, jossa asiakkaiden mielipiteitä ja tuntemuksia analysoidaan NLP-mallien avulla tarkasti ja tehokkaasti. Julkisista lähteistä saatujen erilaisten tietojen avulla koulutettujen mallien pitäisi voida luoda asiakkaan asennepisteet ja tunnistaa liiketoiminta-alueet kohdistettuja parannuksia varten.
Seuraa Dynamics 365:tä