När företag omvandlar sina lösningar och processer digitalt finner de också att de behöver omvandla sin interaktion med – och i synnerhet förstå – sina kunder för att lyckas.
Men det är mer än att bara erbjuda enkla kundundersökningar. Du måste vara aktivt inblandad i konversationer om hur din kundbas känner för ditt varumärke. Och attitydanalys är nyckeln till att ta reda på det.
Attitydanalys, även kallat åsiktsutvinning eller artificiell intelligens, är en NLP-teknik (Natural Language Processing) som avgör om ett innehåll är positivt, negativt eller neutralt. Genom att analysera text och statistik kan ett attitydanalysverktyg förstå vad kunderna säger, hur de säger det och vad de egentligen menar – både ur en individs och allmänhetens perspektiv.
Inom ramen för textutvinning används attitydanalys rutinmässigt för att fastställa kundens röst i feedbackmaterial och kanaler som recensioner, undersökningar, webbartiklar och sociala medier. I takt med att språket utvecklas kan det bli allt svårare att förstå avsikten via de här kanalerna, och att använda ordlistedefinitioner som standard kan leda till felaktiga läsningar.
Med ett algoritmbaserat attitydanalysverktyg anpassat efter kundernas behov, kan du ta reda på vad dina kunder vill ha och behöver från din produkt, tjänst eller lösning och hur deras åsikter förändras över tiden.
Några typer av attitydanalyser är:
Traditionellt förlitade sig företag på frågeformulär och undersökningar för att mäta kundernas åsikter. Till exempel aggregerade och utvärderade NPS-undersökningen (Net Promoter Score) den information som behövs för att mäta kundernas vilja att rekommendera ett företag. Även om det är värdefullt kan det allvarligt sakna möjligheten att ge djupare insikter om kundupplevelser – till exempel när du gör inköp – i dina digitala kanaler.
Attitydanalys kan dock överbrygga den klyftan.
Vid övervakning, identifiering och extrahering av kunders åsikter och sentiment från text kan attitydanalysen hjälpa till att avslöja innebörden bakom varje kommentar, sociala medier som idé, klagomål och fråga. Och hjälp dig att hantera kundernas ständigt föränderliga behov.
Genom att analysera insamlade data får du en sammanfattning av varje kunds reaktion, samt annan ytterligare feedback som kan hjälpa till att forma den offentliga uppfattningen av din produkt eller verksamhet. När dessa data placeras på ett positivt, neutralt eller negativt sentimentspektrum kan du se vad som fick kunden att göra det – och avslöja de åsikter som beskriver kundens åsikter och känslor för ett visst ämne.
Dessa åsikter klassificeras sedan som direkta ("Den här produkten är den bästa jag någonsin använt!") eller jämförande ("Produkt A integrerad bättre med min organisation än produkt B"). Även om dessa ofta är lätta att tolka är det viktigt att även observera att vissa kan behöva titta närmare på. Klassificeringar som implicit ("Företaget vet vad de behöver göra för att förbättra den här produkten.") och explicit ("Funktion A är lätt att använda") samt ordsekvenser som är positiva men som innehåller ett negativt ord, kan vara svåra att analysera och kan kräva manuell granskning eller justeringar av dina sentimentmodeller.
Men när de här nyckelorden och fraserna om vad andra tycker om dig upptäcks kan de hjälpa dig att planera organisationens nästa steg. Men först måste du förstå hur attitydanalys fungerar för att hjälpa ditt företag.
Attitydanalys använder flera tekniker för att destillera alla dina kunders ord till ett enda åtgärdsbart objekt. Processen för attitydanalys följer dessa fyra steg:
Genom att komma ihåg beskrivande ord och fraser för att tilldela dem en attitydvikt kan du och ditt team skapa ett sentimentbibliotek. Genom manuell bedömning bestämmer ditt team hur starkt eller svagt varje ord ska vara och polariteten för motsvarande fraspoäng, och observerar om det är positivt, negativt eller neutralt. Flerspråkiga attitydanalysmotorer måste också underhålla unika bibliotek för varje språk de stöder genom konsekvent bedömning, nya fraser och borttagning av irrelevanta termer.
Attitydanalys kan reducera dessa metoder till tre olika kategorier:
En blandning av statistik, NLP och maskininlärningsalgoritmer för att identifiera sentiment. Systemet tränas att associera indata med motsvarande utdata, d.v.s. kundtext med polaritet. Datorer klassificeras med indata och kan anpassas med tiden när de har tränats. Detta kan testas med ytterligare data för att ge bättre förutsägelser.
Den enklaste attitydanalysen använder ordlistor eller lexikon för att utforska ord och fraser och fastställa deras associerade sentiment. Den här typen av metod fungerar bra med direkta och explicita åsikter. Även om det här systemet är snabbt och enkelt att använda, tar det sällan hänsyn till hur ord kombineras i en sekvens. Team måste lägga till regler för jämförande åsikter eftersom den här metoden inte lätt kan förstå implicita åsikter.
Genom att kombinera både regelbaserade och automatiserade system kan du få den noggrannhet och precision du behöver för att verkligen förstå dina kunder. Det här är det mest kraftfulla systemet eftersom det innehåller den känslomässiga information som samlas in från lexikon, som kan anpassas med tiden.
Även om sociala medier bara ger en överblick över hur personer pratar om ditt varumärke online, ger attitydanalys omedelbar kunskap om hur allmänheten uppfattar både ditt varumärke och din produkt. Många retweets på Twitter kan verka positiva, men om du märker att gilla-markeringar är drastiskt uppvägda av de negativa kommentarerna kan du dra slutsatsen att det är en mindre positiv interaktion.
Attitydanalys kan också göra det möjligt för ditt företag att extrahera ovärderliga kundindata från interna datakällor. Genom att till exempel övervaka avskrifter av kunders onlinechattar med tjänst- och supportrepresentanter kan ditt företag snabbare bli medvetna om problem med produktkvalitet, säkerhet och garanti. Andra fördelar med attitydanalys är:
Alla dessa fördelar ger ditt team en omfattande vy över vad kunderna tänker och hur de ska reagera därefter. Från dessa insikter kan du vägleda interna team som kundtjänst för att förbättra användarupplevelsen, eller marknadsförings- och kundinriktade team för att engagera kundsegment baserat på sentiment med riktad försäljning, marknadsföring och support.
Det bästa är att attitydanalys inte bara fungerar för ett enda team. Alla team kan använda dessa data för att planera för allt från marknadsföringskampanjer till prisstrategier, orderuppfyllelse eller kundsupport. När olika team lär sig mer om vad kunderna tycker om produkten, varumärket och verksamheten kan de använda sina kunskaper för att fastställa svar och optimera verksamheten. De kan också bedöma målen för både företaget och kunden på nytt och definiera vilka åtgärder som ska vidtas för att nå det målet.
Några exempel på hur team använder attitydanalys:
Att ha ett verktyg som kan förstå komplexa mänskliga känslor är viktigt för att få den feedback du behöver från kundbasen. Tidigare krävde attitydanalys expertis inom flera tekniker, men idag möjliggör flera programvaruverktyg attitydanalys med lite eller ingen kunskap.
Att välja en kunddataplattform (CDP) med ett integrerat, intelligent attitydanalysverktyg bör ha högsta prioritet för din verksamhet. För att kunna skapa en lyckad kundupplevelse i flera kanaler behöver både ditt team och din organisation en kunddataplattform med alla de funktioner som krävs för att generera holistiska kundprofiler i realtid. Det omfattar ett verktyg för attitydanalys som kan bidra med nya insikter för att optimera hantering av kundrelationer och andra data som du har samlat in.
Leta efter en kunddataplattform som använder språkteknikmodeller för att korrekt och effektivt analysera kundernas åsikter och känslor. Modellerna har tränats på en mängd olika data från offentliga källor och bör kunna generera kundsentimentpoäng och identifiera tillämpliga affärsområden för riktade förbättringar.
Följ Dynamics 365