Ta Reda På Ditt Antal Ängel
Hur en sentimentpoäng förbättrar din varumärkesstrategi
Traditionella metoder som stjärnbetyg och nettopromotörsresultat (NPS) är välbekanta sätt vi kvantifierar kundnöjdhet. Men det här är bara toppen av isberget när det kommer till kundernas sentiment.
Avancerad teknik som sentimentanalys hjälpa dig att gå längre än numeriska mätvärden genom att analysera kvalitativ data som kommentarer på sociala medier, enkätsvar och recensioner. Detta tillvägagångssätt för att beräkna en sentimentpoäng ger dig en mer nyanserad förståelse för kundernas åsikter och en nordstjärna för att förbättra dina erbjudanden och varumärkesstrategier.
Läs vidare för att utforska vad en sentimentpoäng är, framstegen i att beräkna sentimentpoäng och hur vi gör det på Sprout.
Vad är en sentimentpoäng?
En sentimentpoäng kvantifierar den känsla eller känsla som uttrycks i kvalitativ data som kundfeedback eller lyssnande på sociala medier. Den beräknas genom processen för sentimentanalys och mäts inom intervallet -1 till 1. Negativt är det högsta negativa sentimentet, 0 indikerar neutralt sentiment och +1 anger det högsta positiva sentimentet.
Sentimentpoäng informerar dig om marknadsuppfattningen om ditt varumärke är positiv, negativ eller neutral. Ytterligare analys av data ger dig en djupgående titt på hur du kan förbättra olika aspekter av din verksamhet som kundservice, marknadsföringsinnehåll, produkter och eftermarknadsservice för att säkerställa att du främjar varumärkeslojalitet och affärstillväxt.
Traditionella metoder för att förstå kundernas känslor
De traditionella förhållningssätten till analys av kundernas sentiment har mestadels förlitat sig på kvantitativa mått. Dessa inkluderar:
Viralitet
Viralitet avser det totala antalet engagemang i sociala medier, såsom gilla-markeringar, delningar och kommentarer som ditt innehåll eller din kampanj har fått. Viralitet används traditionellt som en indikator på hur väl ditt varumärke, din kampanj eller ditt marknadsföringsinnehåll resonerar med din målgrupp och allmänheten. Det ger en övergripande bild av kundernas preferenser så att du kan fatta välgrundade marknadsföringsbeslut och ändra dina strategier därefter.
Stjärnbetyg
Ett stjärnbetyg är en populär metod för att förstå kundsentiment och används ofta av varumärken för att utvärdera en produkt eller tjänst. Stjärnbetyg ges vanligtvis inom intervallet 1 till 5 stjärnor, där 1 anger den lägsta nivån av kundnöjdhet och 5 anger den högsta. Ibland inkluderar stjärnbetyg också kommentarer som lägger till ytterligare sammanhang till betyget.
11 som betyder kärlek
NPS
NPS är ett kvantitativt mått som används för att mäta kundnöjdhet och en kunds benägenhet att rekommendera varumärket till familj och vänner. Ju högre betyg, desto högre kundlojalitet. NPS-betyg är ofta på en skala från 0 till 10, där 0 anger det lägsta betyget och 10 är det högsta.
Till skillnad från stjärnbetyg eller viralitet, grupperar NPS-statistik ofta kunder i tre kategorier baserat på deras betyg.
- Initiativtagare (8–10): Dessa är nöjda kunder som aktivt kommer att marknadsföra varumärket genom mun-till-mun, i recensioner eller kommentarer på sociala medier.
- Passiv (7-8): Dessa kunder är nöjda men kommer sannolikt inte att marknadsföra produkten eller tjänsten.
- Belackare (6-0): Dessa är djupt missnöjda kunder som med största sannolikhet kommer att skriva negativa recensioner och kommer sannolikt att avskräcka andra från att överväga varumärket.
Kundnöjdhetspoäng (CSAT)
CSAT är en metod som används för att mäta hur nöjda kunderna är med ett varumärkes produkter eller tjänster. CSAT-poäng beräknas genom att mäta det genomsnittliga betyg som kunderna ger. CSAT-skalor kan variera, till exempel kan de vara mellan 1 och 10, där 10 är den högsta eller 1 och 5, där 5 är den högsta nivån av kundnöjdhet.
CSAT-undersökningar kan skickas efter en transaktion eller regelbundet för att förstå kundnöjdheten med det övergripande varumärket.
Nya framsteg när det gäller att beräkna sentimentpoäng
Traditionella beräkningar är fokuserade på kvantitativa mått från nyckeltal (KPI:er). Men för att få en verkligt korrekt bild av varumärkesentimentet måste du lägga till kvalitativa data som finns i kommentarer och feedback till mixen. Forskning visar att även om de flesta företag fick positiva stjärnbetyg mellan 80 % till 100 %, speglade dessa betyg inte verksamhetens framgång. Detta beror på att människor i allmänhet tenderar att ge högre positiva betyg än deras faktiska upplevelse. Detta leder till ett hav av positiva betyg, vilket snedvrider siffran mot ett högre positivt betyg.
Maskininlärning (ML) och AI-uppgifter som namngiven enhetserkännande och naturlig språkbehandling (NLP) hjälpa till att övervinna denna utmaning. De hjälper dig att förstå kundernas sentiment mer kontextuellt, vilket gör att du kan hitta mönster i kundernas åsikter inom ebb och flöde av varumärkesuppfattning över tidslinjer och kampanjer.
Sentiment mining intensitet varierar beroende på de metoder som används. De tre huvudsakliga är:
- Dokumentbaserad sentimentanalys
Detta tillvägagångssätt ger dig en allmän förståelse för den negativa, positiva eller neutrala känslan i ett dokument. Den används för små, okomplicerade datamängder.
- Ämnesbaserad sentimentanalys
Den här metoden är mer nyanserad och poängsätter känslor efter ämne. ML-modellen identifierar vanligt förekommande ämnen och teman i data och analyserar sedan sentiment i dem.
Detta tillvägagångssätt hjälper marknadsförare att förstå vad kunder, eller allmänheten, gillar och ogillar med deras varumärke. På så sätt tillhandahåller relevanta, handlingsbara insikter från recensioner, lyssnande på sociala medier eller e-post och kommentarer från kundtjänst.
- Aspektbaserad sentimentanalys
Detta är den mest avancerade metoden som används för sentiment mining. Aspektbaserad sentimentanalys bryter ytterligare ner ämnen för att identifiera och söka efter aspekter inom dem, och tillämpar sedan semantik för att ge en mer komplett bild av kundernas sentiment. Till exempel kan den identifiera aspekter som 'rumsservice', 'barskötare', 'reception' eller 'betjänad parkering' från en ämnesklassificering om 'kundservice' i feedbackdatan.
Denna granulära form av sentimentanalys pekar ut för varumärken exakt vad som behöver förbättras och informerar om de strategier som behövs för att öka kundnöjdheten.
andligt nummer 23
Databehandlingstekniker som används för att beräkna sentimentpoäng
Beräknar ett sentimentpoäng för användning i AI marknadsföring beror på många databearbetningsuppgifter som görs automatiskt av en ML-modell, till exempel stora språkmodeller (LLM). Dessa uppgifter inkluderar:
Tokenisering
Tokenisering är processen att separera texten i enskilda ord. Alla skiljetecken tas bort och textsträngen skalas ner till ordblock. Till exempel:
[ Vistelsen var trevlig men mitt rum var kallt och vi fick vänta i timmar på att hotellpersonalen skulle justera termostaten, trots att hotellet verkade tomt. När vi försökte ringa receptionen för att fråga verkade de otåliga och oförskämda ]
Textnormalisering
I detta skede tas alla dubbla poster bort från data så att det inte finns någon dataavvikelse. I det här fallet förblir textsträngen oförändrad eftersom det inte finns någon redundans.
144 nummer
[ Vistelsen var trevlig men mitt rum var kallt och vi fick vänta i timmar på att hotellpersonalen skulle justera termostaten även om hotellet verkade tomt När vi försökte ringa receptionen för att fråga verkade de otåliga och oförskämda ]
Ordstammande
Ordstamming hänvisar till processen att reducera ett ord till dess rot. I det här exemplet konverteras ordet 'timmar' och 'verkade' till 'timme' och 'tyckas'.
[ Vistelsen var trevlig men mitt rum var kallt och vi fick vänta på timme för hotellpersonalen att justera termostaten trots att hotellet verka tomt När vi försökte ringa receptionen för att fråga verkade de otåliga och oförskämda]
Stoppordsborttagning
Alla överflödiga ord elimineras så endast namngivna enheter och ord som anger känslor behålls.
[ Vistelsen var trevlig Min rummet kallt och vi var tvungna vänta för timme för hotell personal för att justera termostaten trots att hotell verkar tom När vi försökte ringa till reception för att fråga verkade de otålig och oförskämd ]
Den resulterande bearbetade texten lyder nu, [ trevligt rum kall vänta timme hotellpersonal mottagning otålig oförskämd ] .
Eftersom varje ord har en numerisk motsvarighet i ML-modellen baserat på skalan av deras negativitet eller positivitet, ger den bearbetade datan dig ett betyg baserat på det totala sentimentsnittet. När det beräknas med hjälp av Lexicon-metoden, om ordet 'snäll' tilldelas en poäng på 1 för positivt, medan 'otålig' tilldelas -.05 och oförskämd -0.7, skulle den resulterande sentimentpoängen för recensionen vara -1, vilket motsvarar till negativ.
Konventionella metoder för att beräkna sentimentpoäng
Det finns flera sätt att beräkna ett sentimentpoäng, det vanligaste är Lexicon-metoden, som använder ett 1:1-förhållande för att mäta sentiment. Men när det kommer till komplexa data som samlats in från flera källor, såsom lyssnande på sociala medier eller kundrecensionsforum, behövs mer avancerade tekniker. Nedan följer en uppdelning av dessa metoder.
Ordräkningsmetod
Det enklaste sättet att beräkna sentimentpoängen är baserat på lexikonet eller ordräkningsmetoden som i exemplet ovan. I denna metod reduceras antalet negativa sentimentförekomster från de positiva händelserna.
Formel: # negativa ord – positiva ord = sentimentpoäng
Exempel: 1 – 2 = -1.
Deducera sentiment poäng med längden på meningen
I den här metoden subtraherar vi antalet positiva ord från de negativa orden och dividerar resultatet med det totala antalet ord i recensionsmeningen.
Formel: # negativa ord – # positiva ord dividerat med antalet ord = sentimentpoäng
Exempel: 1 – 2 / 42 = -0,0238095
Detta system används ofta för att förstå längre recensioner och kommentarer.
Eftersom den här metoden används för att analysera stora mängder data, kan resultatet bli långa bråkdelar. När det görs i stor skala kan detta resultera i svårigheter att jämföra och förstå sentimentvärdena. För att övervinna denna utmaning multipliceras de resulterande poängen med en siffra så att värdena blir större, vilket gör jämförelsen lättare.
Förhållandet mellan positiva och negativa ordräkningar
Denna metod anses vara den mest balanserade för att mäta sentimentpoängen i big data. Det totala antalet positiva ord divideras med det totala antalet negativa ord och läggs sedan till med ett.
Formel: # positiva ord / # negativa ord + 1 = sentimentpoäng
Exempel: 1 / 2 + 1 = 0,33333
Ju längre recension, desto högre antal positiva och negativa poäng. Detta tillvägagångssätt normaliserar textens totala längd, vilket gör den särskilt användbar för att analysera recensioner av varierande längd. I denna metod sätts en sentimentpoäng på 1 som neutral.
Hur vi beräknar sentimentpoäng hos Sprout
Sprouts sentimentmodell använder djupa neurala nätverk (NN), och i synnerhet stora språkmodeller. LLM:er fungerar genom att överväga sammanhanget för hela textblocket, läsa orden från vänster till höger och från höger till vänster med hjälp av Bidirectional Encoder Representations from Transformers (BERT) modeller från Google.
Givet en datamängd av redan märkta dokument identifierar en LLM automatiskt orden, fraserna och ord/frasordningen som bidragit till att ett textblock har taggats som positivt eller negativt. Den tilldelar sedan en vikt (numeriskt värde) till varje token i ett textblock. Med dessa vikter beräknade bestämmer vi sentimentet för ny, osynlig text och sannolikheten att den är positiv, negativ eller neutral.
321 ängelbetydelse
Vikten av sentimentpoäng för varumärken
Sentimentpoäng hjälper dig att kvantifiera och utvärdera olika aspekter av ditt varumärke, produkt och tjänster, vilket ger marknadsförings-, produkt- och kundvårdsteam handlingskraftiga insikter om exakt hur de kan svänga sina strategier mot en framgångsrik bana.
Tack vare AI och maskininlärning finns det flera verktyg som eliminerar gissningar och ger dig en korrekt bild av ditt varumärkessentiment inom några minuter. Ta en titt på dessa verktyg för sentimentanalys vi har kurerat för att utforska hur du kan starta om din varumärkesstrategi.
Dela Med Dina Vänner:
