Etter hvert som virksomheter digitalt transformerer løsningene og prosessene sine, ser de også at det er nødvendig å transformere hvordan de samhandler med, og særlig forstår, kundene sine for å oppnå suksess.
Men det er mer enn bare å tilby enkle kundeundersøkelser. Du må være aktivt involvert i samtaler om hva kundebasen din opplever varemerket ditt. Og sentimentanalyse er nøkkelen til å finne ut av det.
Sentimentanalyse, også kjent som meningsutvinning eller emosjonell kunstig intelligens, er en teknikk for naturlig språkbehandling (NLP) som fastslår om innholdsdelen er positiv, negativ eller nøytral. Ved å analysere tekst og statistikk kan et sentimentanalyseverktøy forstå hva kundene sier, hvordan de sier det, og hva de egentlig mener – både fra en enkeltpersons og offentlighetens perspektiv.
Under paraplyen tekstutvinning brukes sentimentanalyse rutinemessig til å fastslå kundens stemme i tilbakemeldingsmateriale og kanaler som anmeldelser, undersøkelser, nettartikler og sosiale medier. Etter hvert som språket utvikler seg, kan det bli stadig mer utfordrende å forstå hensikt gjennom disse kanalene, og å bruke ordlistedefinisjoner som standard kan føre til unøyaktige avlesninger.
Med et algoritmebasert verktøy for sentimentanalyse justert etter kundenes meninger kan du se hva kundene ønsker og trenger fra produktet, tjenesten eller løsningen, og hvordan meningene trender eller endres over tid.
Her er noen eksempler på sentimentanalyse:
Tradisjonelt var bedrifter avhengige av spørreskjemaer og undersøkelser for å fastslå kundens mening. Undersøkelsen Net Promoter Score (NPS) aggregerte og vurderte for eksempel informasjon som kreves for å måle kundenes villighet til å anbefale en bedrift. Selv om dette er verdifullt, tilveiebringer ikke denne tilnærmingen dypere innsikt i kundeopplevelser i det hele tatt – for eksempel når du foretar kjøp – på de ulike digitale kanalene dine.
Sentimentanalyse kan imidlertid redusere denne avstanden.
Ved å overvåke, identifisere og trekke ut kundenes meninger og sentimenter fra tekst kan sentimentanalyse bidra til å avdekke meningen bak hver kommentar, hvert likerklikk på sosiale medier, hvert forslag, hver klage og hver spørring. Og hjelpe deg med å imøtekomme kundenes behov i stadig utvikling.
Ved å analysere de innsamlede dataene får du et sammendrag av hver kundes reaksjon, i tillegg til eventuelle andre tilbakemeldinger som kan bidra til å forme det offentlige inntrykket av produktet eller bedriften. Når disse dataene plasseres på et positivt, nøytralt eller negativt sentimentspekter, kan du se hva som fikk kunden til å komme med uttalelsen – hvilket avslører meningene som beskriver kundens sentimenter og følelser overfor et spesifikt emne.
Disse meningene klassifiseres deretter som direkte («Dette produktet er det beste jeg noensinne har brukt!») eller komparative («Produkt A er integrert bedre med organisasjonen min enn Produkt B.»). Selv om disse ofte er enkle å tolke, er det viktig å også være oppmerksom på at noen kanskje trenger mer oppmerksomhet. Klassifiseringer som implisitt («Bedriften vet hva den må gjøre for å forbedre dette produktet.») og eksplisitt («funksjon A er enkel å bruke.»), i tillegg til ordsekvenser som er positive, men inneholder et negativt ord, kan være vanskelig å analysere og kan kreve manuell gjennomgang eller justering av sentimentmodellene dine.
Men når disse nøkkelordene og uttrykkene om hva andre føler om deg, blir oppdaget, kan de hjelpe deg med å planlegge organisasjonens neste trekk. Men først må du forstå hvordan sentimentanalyse fungerer til fordel for bedriften din.
Sentimentanalyse bruker flere teknologier til å destillere alle kundenes ord til ett enkelt, handlingsbart element. Prosessen med sentimentanalyse følger disse fire trinnene:
Ved å huske beskrivende ord og uttrykk for å tilordne dem en sentimentvekt kan du og teamet ditt bygge et sentimentbibliotek. Gjennom manuell poengberegning bestemmer teamet hvor sterkt eller svakt hvert ord skal være, og polariteten til den tilsvarende uttrykkspoengsummen, og legger merke til om det er positivt, negativt eller nøytralt. Motorer for flerspråklig sentimentanalyse må også opprettholde unike biblioteker for hvert språk de støtter gjennom konsekvent poengberegning, nye uttrykk og fjerning av irrelevante termer.
Sentimentanalyse kan samle disse tilnærmingene i tre ulike kategorier:
En blanding av statistikk, NLP og maskinlæringsalgoritmer for å identifisere sentimenter. Systemet er opplært til å knytte inndata til tilsvarende utdata, det vil si kundetekst med polaritet. Maskiner klassifiseres med inndata og kan tilpasses over tid når de er opplært. Dette kan testes med tilleggsdata for å gi bedre prognoser.
Den enkleste sentimentanalysen bruker ordlister eller leksikoner til å utforske ord og uttrykk og fastslå tilknyttede følelser. Denne typen tilnærming fungerer bra med direkte og eksplisitte meninger. Selv om dette systemet er raskt og enkelt å bruke, tar det sjelden hensyn til hvordan ord kombineres i en sekvens. Team må legge til regler for komparative meninger, da denne tilnærmingen ikke lett kan forstå implisitte meninger.
Ved å kombinere både regelbaserte og automatiserte systemer kan du oppnå nøyaktigheten og presisjonen du trenger for virkelig å forstå kundene dine. Dette er det kraftigste systemet, da det inneholder den emosjonelle informasjonen som samles inn fra leksikoner, som kan tilpasses over tid.
Mens sosiale medier bare gir et blikk på hvordan folk snakker om varemerket ditt på nettet, gir sentimentanalyse umiddelbar kunnskap om hvordan offentligheten oppfatter både varemerket og produktet ditt. Mange retweeter på Twitter kan virke positive, men hvis du legger merke til at likerklikkene overskygges av de negative kommentarene, kan du konkludere at det er en negativ interaksjon.
Sentimentanalyse kan også gjøre det mulig for firmaet å trekke ut uvurderlige kundetilbakemeldinger fra interne datakilder. Ved for eksempel å overvåke utskrifter av kunders nettchatter med service- og støtterepresentanter kan firmaet gjøres raskere oppmerksomt på problemer med produktkvalitet, sikkerhet og garanti. Andre fordeler med sentimentanalyse inkluderer:
Alle disse fordelene gir teamet ditt en omfattende oversikt over hva kundene tenker og hvordan de skal reagere henholdsvis. Fra disse innsiktene kan du veilede interne team som kundeservice for å bidra til å forbedre brukeropplevelsen, eller markedsføring og kunderettede team for å engasjere kundesegmenter basert på sentiment med målrettet salg, markedsføring og støttetiltak.
Det beste er at sentimentanalyse ikke bare fungerer for ett enkelt team. Hvert team kan bruke disse dataene til å planlegge i henhold til alt fra markedsføringskampanjer til prisstrategier og ordreoppfyllelse eller kundestøtte. Etter hvert som ulike team lærer mer om hva kundene føler om produktet, varemerket og virksomheten, kan de bruke kunnskapen sin til å bestemme svar og optimalisere forretningsdriften. De kan også revurdere målene for både virksomheten og kunden, og definere hvilke handlinger som skal utføres for å nå dette målet.
Noen eksempler på hvordan team bruker sentimentanalyse omfatter følgende:
Å ha et verktøy som kan forstå komplekse menneskelige følelser er avgjørende for å motta tilbakemeldingen du trenger fra kundebasen. Tidligere krevde sentimentanalyse ekspertise i flere teknologier, men i dag muliggjør flere programvareverktøy sentimentanalyse med lite eller ingen kunnskap.
Valg av en kundedataplattform (CDP) med et integrert, intelligent sentimentanalyseverktøy bør være en topp prioritet for bedriften din. Teamet ditt, i tillegg til organisasjonen, trenger en CDP utstyrt med alle funksjonene som kreves for å generere holistiske kundeprofiler i sanntid for å kunne opprette vellykkede omnikanals kundeopplevelser. Dette inkluderer et sentimentanalyseverktøy som kan bidra med ny innsikt for å optimalisereadministrasjon av kunderelasjoner og andre data du har samlet inn.
Se etter en CDP som bruker NLP-modeller til å analysere kundenes meninger og følelser nøyaktig og effektivt. Modellene er opplært på en rekke data fra offentlige kilder og skal kunne generere kundesentimentresultater og identifisere gjeldende forretningsområder for målrettede forbedringer.
Følg Dynamics 365