Analiza komentarzy
Pojawienie się mediów społecznościowych, ankiet online, formularzy opinii klienta i innych dokumentów elektronicznych oznacza, że możliwe jest już szybkie zbieranie ogromnych ilości danych dotyczących satysfakcji klienta.
Wyzwaniem dla firm jest fakt, iż odpowiedzi, komentarze i inne informacje zwrotne są zazwyczaj w postaci niestrukturalnej (e-maile, teksty, tweety, komentarze na Facebooku, opinie i tak dalej). Już w 2013r. oszacowano, że na całym świecie generowanych jest ponad 500 milionów tweetów dziennie, a jak podaje Facebook, we wrześniu 2016r codziennie było aktywnych na tym najpopularniejszym portalu społecznościowych 1,18 miliarda osób. Wynikiem tego jest ogromna ilość niestrukturalnych tekstów tylko w tych dwóch mediach.
Badacze, naukowcy i ludzie biznesu pytają: "W jaki sposób możemy zrozumieć, co zostało powiedziane we wszystkich tych danych?”. Ważne są dla nich te ukryte spostrzeżenia w niestrukturalnym tekście, ponieważ zawierają cenne informacje, które poddane prawidłowej analizie, mogą poprawić produkty i wyniki firmy.
Z tekstu niestrukturalnego można dowiedzieć się więcej o swoich klientach, znaleźć nowych odbiorców oferty, uzyskać lepszy wgląd w działania konkurencji i rynku oraz opracować nowe strategie dla przyszłego rozwoju.
Kodyfikacja tekstu, która jest tradycyjną metodą stosowaną do zrozumienia niestrukturalnych danych, jest w dalszym ciągu stosowana, ale jest coraz bardziej nieskuteczna z uwagi na wielkość i złożoność zbiorów tekstowych. W przeprowadzanych ankietach z pytaniami otwartymi wiąże się to z: przeczytaniem wszystkich odpowiedzi, by zrozumieć zakresu tematyki; tworzeniem książki kodów (codebook); czytaniem każdej odpowiedzi; ręcznym stosowaniem kodów dla każdej odpowiedzi; następnie przeprowadzenie analizy tych kodów. Próba kodyfikacji komentarzy lub analizy tych odpowiedzi z użyciem metod manualnych może prowadzić do utraty cennych spostrzeżeń, a przede wszystkim ciężkiej pracy z milionami wiadomości. Wykorzystanie narzędzi analitycznych tekstu znacznie przewyższa ww. metody.
Nie ma wątpliwości, że klucz do sukcesu leży w zdolności lepszego zrozumienia i działań będących odpowiedzią na potrzeby klientów. Znane na świecie firmy, takie jak Ford Motor Company, General Electric i Bank of America budowały swoje strategie przewagi konkurencyjnej na podstawie zebranych danych "głosu klienta" (VoC – Voice of Customer). Z kolei, firmy takie jak: JetBlue, Kimberly Clark, Goodyear zastosowały narzędzia do analizy tekstu, aby zrozumieć niestrukturalne zasoby danych.
Narzędzia te pomagają organizacjom zrozumieć preferencje klientów, ich postrzeganie i potrzeby, oferując możliwość szybkiego identyfikowania i wyodrębniania tematów, opinii i nastrojów, a następnie klasyfikują odpowiedzi zgodnie z ustalonymi wcześniej regułami. Oprogramowanie do analizy tekstu może łączyć dane niestrukturalne (np. opinie) oraz dane strukturalne (np. oceny) lub łączyć dane VoC z innymi danymi biznesowymi.
Dostępnych jest wiele różnych aplikacji informatycznych zawierających narzędzia do analizy tekstu.
Firma Provalis Research oferuje programy QDA Miner i WordStat for Stata (nagroda KMWorld’s 2015 Trend-Setting Product).
Narzędzia do analizy tekstu, choć przydatne do wykonywania kodowania jakościowego, nie tylko przeprowadzają statystykę słów lub generują histogramy częstości słów. Narzędzia te mogą być stosowane do zrozumienia w jaki sposób klienci łączą słowa (np. czy słowo „brudny” pojawi się obok lub w pobliżu słowa „łazienka”) w swoich komentarzach oraz określenia, czy jest negacją z pozoru pozytywnego komentarza.
Narzędzia te umożliwiają również powiązania wsteczne do konkretnych miejsc, czasu komentarza i innych danych strukturalnych (wiek, demografia, płeć, itd.) ujętych w odpowiedziach.
Jednak narzędzia są tylko częścią rozwiązania. Praktycy wymagają metodologicznego podejścia do analizy danych niestrukturalnych. Kroki te powinny obejmować:
- Opracowanie hipotezy / cel analizy
- Identyfikowanie danych i gromadzenie ich w odpowiednim zestawie danych
- Przeprowadzenie wstępnej analizy tj. wykres bąbelkowy pokazujący częstotliwość występowania słowa, klasteryzację i słowa zbliżone
- Rozważanie sporządzenia i stosowania słownika, słownika wyrazów bliskoznacznych, stemming’u i lematyzacji, aby uchwycić synonimy i podobne słowa. Mogą być one ponownie wykorzystane dla tego samego tematu
- Analizę fraz i rzeczowników złożonych poprzez korelację słowa i rozpoznanie różnic pomiędzy niektórymi potencjalnie silnie skorelowanymi słowami i frazami autentycznymi. Na przykład 'air conditioner' musi być uznane jako rzeczownik złożony, podczas gdy "brudna łazienka" musi być traktowane jako dwa skorelowane słowa wymagające badania
- Połączenie tych spostrzeżeń ze zmiennymi ilościowymi, takimi jak płeć, wiek, lokalizacja, ocena zadowolenia itp.
Organizacje używają oprogramowania do analityki tekstu celem analizy małych i bardzo dużych ilości tekstu niestrukturalnego, pozyskiwanych w niemal dowolnym formacie. Narzędzia te są potrzebne ponieważ dane stały się zbyt duże i skomplikowane dla jednej osoby (lub nawet zespołów), która ręcznie bada, analizuje i interpretuje dane. Firmy i organizacje chcą szybkich i niezawodnych spostrzeżeń i informacji z niestrukturalnego tekstu.
Pełna treść artykułu:
https://provalisresearch.com/blog/creating-value-customer-comments-using-text-analytics/ |
Źródło:
Krikorian, R., 2013. New Tweets per second record, and how! [Online] https://blog.twitter.com/2013/new-tweets-per-second-record-and-how[Accessed 7 November 2016].
Facebook Inc., 2016. Company Information Statistics – 4 November 2016. [Online] http://newsroom.fb.com/company-info/ [Accessed 7 November 2016].
McKellar, H., 2015. KM World Trend-Setting Products of 2015. KM World, 1 September, 24(8).
Pullman, M., McGuire, K. & Cleveland, C., 2005. Let Me Count the Words: Quantifying Open- Ended Interactions with Guests. Cornell Hotel and Restaurant Administration Quarterly, 46(3), pp. 323-343.