Κέρδη:
- Δυνατότητα ερμηνείας της πολικότητας, της έντασης και των θεματικών αποτελεσμάτων της ανάλυσης συναισθήματος και της ταξινόμησης εκατοντάδων σχολίων με τεχνητή νοημοσύνη
- Γνωρίζοντας όρια όπως η ειρωνεία, η αργκό και τα ανάμεικτα συναισθήματα και η δυνατότητα επαλήθευσης ποσοστών με πραγματικά παραδείγματα
- Ικανότητα σύνδεσης της αρνητικότητας με ένα θέμα και μετατροπής της σε συγκεκριμένη δράση και δοκιμής του λόγου ως υπόθεσης
Αυτό για το οποίο μιλά μια επωνυμία στα μέσα κοινωνικής δικτύωσης είναι εξίσου σημαντικό με αυτό για το οποίο συζητείται. Το να διατηρείτε τον παλμό της επωνυμίας ανάμεσα σε εκατοντάδες σχόλια, χιλιάδες αναφορές και μηνύματα που ρέουν συνεχώς είναι ένας σωρός δεδομένων πολύ μεγάλος για να παρακολουθείται χειροκίνητα. Εδώ παίζει ρόλο η ανάλυση συναισθήματος. Αυτή η μέθοδος, που ονομάζεται ανάλυση συναισθήματος στα αγγλικά, είναι η διαδικασία αυτόματης ταξινόμησης του συναισθηματικού τόνου (θετικός, αρνητικός, ουδέτερος) ενός κειμένου. Η τεχνητή νοημοσύνη μπορεί να διαβάσει εκατοντάδες κριτικές σε δευτερόλεπτα και να καταλήξει σε μια περίληψη όπως "τα θετικά σχόλια αυτής της εβδομάδας είναι 62%, αρνητικά 28%, ουδέτερα 10%, τα περισσότερα από τα αρνητικά αφορούν τη ναυτιλία". Αυτό δίνει σε έναν διαχειριστή μέσων κοινωνικής δικτύωσης ένα ανεκτίμητο εργαλείο έγκαιρης προειδοποίησης και γνώσης. Αλλά η ανάλυση συναισθημάτων είναι επίσης μια εικασία: μπορεί να παρερμηνεύσει την ειρωνεία, το χιούμορ και την τοπική αργκό. Είναι σημαντικό να μην κοιτάμε τον αριθμό, αλλά τα παραδείγματα πίσω από τον αριθμό.
Τι μετράει η ανάλυση συναισθήματος και τι όχι;
Η ανάλυση συναισθήματος δίνει τρία βασικά αποτελέσματα. Πολικότητα: είναι το κείμενο θετικό, αρνητικό ή ουδέτερο. Ένταση: η δύναμη του συναισθήματος (ήπια δυσαρέσκεια ή θυμός). Θέμα/θέμα: τι είναι το συναίσθημα (τιμή, αποστολή, ποιότητα, εξυπηρέτηση). Το πιο πολύτιμο αποτέλεσμα είναι το τρίτο: η «αυξημένη αρνητικότητα» από μόνη της δεν μεταφράζεται σε δράση. Το "70% της αρνητικότητας αφορά την καθυστέρηση φορτίου" παράγει μια άμεση δράση.
Είναι σημαντικό να γνωρίζουμε τα όρια της ανάλυσης συναισθημάτων. Ειρωνεία και σαρκασμός: Το AI μπορεί να θεωρήσει τη φράση "Τέλεια, δεν λειτουργεί ξανά 👏" ως θετική. Αργκό και δημοτική: μπορεί να παρερμηνεύει τους τοπικούς ιδιωματισμούς. Πλαίσιο: Η λέξη «βόμβα» είναι θετική σε ένα προϊόν και αρνητική σε μια είδηση. Μικτό συναίσθημα: "Το προϊόν είναι ωραίο αλλά ακριβό" φέρει τόσο θετικά όσο και αρνητικά. Χρησιμοποιήστε λοιπόν την ανάλυση συναισθημάτων ως αφετηρία, όχι ως οριστική αλήθεια.
εξόδου
Τι κάνει;
Όριο / κίνδυνος
Πολικότητα (θετική/αρνητική/ουδέτερη)
δείτε τη γενική διάθεση
Η ειρωνεία και το κάρμα νοσταλγούν το συναίσθημα
πυκνότητα
Κατανόηση του επείγοντος
Μπορεί να μετρήσει λανθασμένα την υπερβολή
θέμα/θέμα
παράγουν δράση
Μπορεί να το αντιστοιχίσετε σε λάθος θέμα
Τάση με την πάροδο του χρόνου
έγκαιρη προειδοποίηση
Παραπλανητικό σε μικρό μέγεθος δείγματος
Προσοχή: Μην συμπεριλάβετε τα ποσοστά που δίνονται από την ανάλυση συναισθήματος στην έκθεση διαχείρισης χωρίς να τα επαληθεύσετε. Διαβάστε μερικά πραγματικά παραδείγματα από κάθε κατηγορία και ελέγξτε οπτικά εάν η ταξινόμηση είναι σωστή. ειδικά εκείνα που χαρακτηρίζονται ως «αρνητικά».
Βήμα προς βήμα: μια μελέτη ανάλυσης συναισθημάτων
- Συλλέξτε και καθαρίστε δεδομένα. Συγκεντρωτικά σχόλια/αναφορές για μια συγκεκριμένη περίοδο. συγκάλυψη προσωπικών δεδομένων.
- Ελέγξτε το μέγεθος του δείγματος. Η αφαίρεση ενός ποσοστού από 20 σχόλια είναι παραπλανητική. Επιδιώξτε έναν σημαντικό αριθμό (π.χ. 100+).
- Κατατάσσω. Ζητήστε από την τεχνητή νοημοσύνη να κάνει πολικότητα + ετικέτες θέματος.
- Επαληθεύστε με παραδείγματα. Διαβάστε 5 παραδείγματα από κάθε τάξη. διορθώστε λάθος ετικέτες.
- Δώστε προτεραιότητα σε θέματα. Προσδιορίστε τα 3 θέματα που δημιουργούν τη μεγαλύτερη αρνητικότητα.
- Δέστε το στη δράση. Δημιουργήστε ένα σχέδιο πρότασης/δράσης για κάθε θέμα και προωθήστε το στην αρμόδια μονάδα.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
Για μαζική ταξινόμηση:
Ταξινομήστε καθεμία από τις ακόλουθες κριτικές: πολικότητα [θετική/αρνητική/ουδέτερη] και θέμα [τιμή/αποστολή/ποιότητα/υπηρεσία/άλλο]. Σημειώστε πιθανή ειρωνεία με [?]. Τέλος δώστε μια περίληψη: το ποσοστό κάθε πολικότητας και τα 3 πιο συχνά αρνητικά θέματα. Απόκρυψη προσωπικών δεδομένων. Σχόλια:1) ...2) ...
Για την εμβάθυνση του θέματος:
Διαβάστε αυτές τις αρνητικές κριτικές και εμβαθύνετε το θέμα "αποστολή": ποια επιμέρους ζητήματα ξεχωρίζουν (καθυστέρηση, ζημιά, παρακολούθηση, επικοινωνία); Δώστε πόσα σχόλια και 1 αντιπροσωπευτικό απόσπασμα για κάθε δευτερεύον θέμα. Μην φτιάχνετε αριθμούς. Απλά βασιστείτε στα σχόλια που έδωσα. Σχόλια:...
Για σύγκριση τάσεων:
Συγκρίνετε την περίληψη των συναισθημάτων των δύο περιόδων.Τελευταίος μήνας: θετικό 58%, αρνητικό 30%, ουδέτερο 12%. κύριο αρνητικό θέμα: τιμή. Αυτό το μήνα: θετικό 49%, αρνητικό 41%, ουδέτερο 10%; Το κύριο αρνητικό θέμα: ναυτιλία. Τι έχει αλλάξει, ποιοι είναι οι πιθανοί λόγοι; ΜΗΝ ΙΣΧΥΕΙΤΕ τον ακριβή λόγο. Επαληθεύστε την υπόθεση και γράψτε πώς να επαληθεύσετε για κάθε υπόθεση.
Για να μετατρέψετε τη διορατικότητα σε δράση:
Από την ακόλουθη περίληψη της ανάλυσης συναισθήματος, προκύπτουν 3 συγκεκριμένες προτάσεις δράσης (βραχυπρόθεσμες). Για κάθε πρόταση: πρόβλημα, προτεινόμενη ενέργεια, ποια ενότητα, πώς να μετρηθεί. Περίληψη: [επικόλληση περίληψης].
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Αναλύστε το συναίσθημα αυτών των σχολίων.
Ούτε η πολικότητα, το θέμα ούτε η μορφή σύνοψης είναι ξεκάθαρα. Η τεχνητή νοημοσύνη παράγει ένα ακατάστατο, μη επαληθεύσιμο αποτέλεσμα και χάνει την ειρωνεία.
Ισχυρή προτροπή:
Ταξινομήστε τις 60 κριτικές παρακάτω (θετικές/αρνητικές/ουδέτερες + θέμα: τιμή/αποστολή/ποιότητα/υπηρεσία/άλλο). Σημειώστε [?] για όσους έχουν υποψία ειρωνείας. Απλώς φτιάξτε τους αριθμούς με βάση τα σχόλια που έδωσα. Έξοδος: (1) ποσοστά πολικότητας, (2) 3 πιο συχνά αρνητικά θέματα και 1 απόσπασμα για καθένα, (3) 3 ύποπτες ετικέτες που πρέπει να επαληθεύσω.
Το τελευταίο παρέχει ένα αξιόπιστο, εφαρμόσιμο αποτέλεσμα επειδή περιλαμβάνει τη μορφή, το όριο και το βήμα επαλήθευσης.
τρεις μίνι θήκες
Περίπτωση 1. Μια μάρκα τηλεπικοινωνιών ανέλυσε 1.400 σχόλια μετά την εκστρατεία με τεχνητή νοημοσύνη. διαπίστωσε ότι το 64% της αρνητικότητας επικεντρώθηκε γύρω από το θέμα της «σύγχυσης των λογαριασμών». Με αυτή τη γνώση, βελτίωσαν τις Συχνές Ερωτήσεις και τις επικοινωνίες της καμπάνιας. τον επόμενο μήνα το ίδιο θέμα μειώθηκε από 64% σε 22%.
Περίπτωση 2. Μια επωνυμία τροφίμων παρουσίασε τη σύνοψη «80% θετική» της AI στη διοίκηση χωρίς επαλήθευση. Μετά την ανάγνωση των παραδειγμάτων, έγινε σαφές ότι τα περισσότερα από τα σχόλια που θεωρήθηκαν «θετικά» ήταν ειρωνικά («Το λάτρεψα, έφτασε σπασμένο για τρίτη φορά»). Το πραγματικό θετικό ποσοστό ήταν 52%. Μάθημα: μην αναφέρετε το ποσοστό χωρίς να το επαληθεύσετε με παραδείγματα.
Υπόθεση 3. Μια επωνυμία ηλεκτρονικού εμπορίου ξεκίνησε μια εκστρατεία άμεσης συγγνώμης αφού κατέληξε στο συμπέρασμα ότι η "αρνητικότητα εξερράγη" από μόλις 18 σχόλια. Ωστόσο, το δείγμα ήταν πολύ μικρό και έρχεται σε αντίθεση με τη γενική εικόνα. Η περιττή καμπάνια δημιούργησε σύγχυση. Μάθημα: μην βγάζετε μεγάλα συμπεράσματα από ένα μικρό δείγμα.
Συνήθη λάθη
- Αγνοώντας την ειρωνεία. Θεωρήστε τα σαρκαστικά σχόλια ως θετικά.
- Δεν επαληθεύεται το ποσοστό. Παράδειγμα: Τοποθέτηση του αριθμού στην αναφορά χωρίς να την διαβάσετε.
- Μικρό δείγμα. Εξαγωγή οριστικής τάσης από 15-20 σχόλια.
- Ανάλυση χωρίς επαφή. Λέγοντας "έχει αυξηθεί αρνητικά" και δεν βρίσκω τον λόγο? δεν παράγει δράση.
- Μη κάλυψη προσωπικών δεδομένων. Δίνοντας το όνομα των κριτικών στο εργαλείο.
- Δηλώνοντας οριστικά τον λόγο. Λάθος συσχέτιση για αιτιότητα και λήψη λανθασμένων ενεργειών.
Ανάλυση με βάση το θέμα και σύγκριση ανταγωνιστών
Η μέθοδος που οδηγεί την ανάλυση συναισθήματος ένα βήμα παραπέρα είναι η ανάλυση που βασίζεται σε πτυχές: αντί να συμπιέζετε ένα σχόλιο σε μια ενιαία θετική/αρνητική ετικέτα, αξιολογώντας διαφορετικά θέματα μέσα σε αυτό ξεχωριστά. Για παράδειγμα, η πρόταση "Το προϊόν είναι υπέροχο, αλλά η αποστολή είναι τρομερή και η τιμή είναι λογική" δεν ταιριάζει σε μια ενιαία πολικότητα. Η ανάλυση με βάση το θέμα το αναλύει σε "προϊόν: θετικό, αποστολή: αρνητικό, τιμή: θετικό". Αυτή η διάκριση είναι πολύ πιο προσανατολισμένη στη δράση, γιατί δείχνει ξεκάθαρα ποιο θέμα παράγει ικανοποίηση και ποιο δυσαρέσκεια. Μπορείτε να επιτύχετε αυτό το βάθος λέγοντας στην τεχνητή νοημοσύνη να «διαιρέσει κάθε σχόλιο στα θέματά του και να δώσει ξεχωριστή πολικότητα για κάθε θέμα».
Η δεύτερη ισχυρή χρήση είναι η συγκριτική αξιολόγηση ανταγωνιστών (συγκρίνοντας τη δική σας απόδοση με ανταγωνιστές). Εάν αντιπαραθέσετε το συναίσθημα για τη δική σας επωνυμία με αυτό των ανταγωνιστών σας, ο αριθμός "η αρνητικότητά μας είναι 30%" έχει νόημα: εάν ο μέσος όρος του κλάδου είναι 45%, τα πάτε καλά, αν είναι 15%, υστερείτε. Ωστόσο, κατά τη συλλογή δεδομένων ανταγωνιστών, χρησιμοποιήστε μόνο δημόσια διαθέσιμες, νόμιμες πηγές. Αποφύγετε τη μη εξουσιοδοτημένη συλλογή δεδομένων και τις παραβιάσεις του απορρήτου. Ο σκοπός της συγκριτικής αξιολόγησης δεν είναι να μιμηθείς τον ανταγωνισμό, αλλά να προσεγγίσεις τα δικά σου δυνατά σημεία και αδυναμίες. Και στις δύο μεθόδους, ο βασικός κανόνας παραμένει ο ίδιος: επαληθεύστε την ταξινόμηση του AI με πραγματικά παραδείγματα και παρουσιάστε τον λόγο ως υπόθεση και όχι ως οριστική.
Συνοπτικά
Η ανάλυση συναισθήματος μετρά τον παλμό της κοινότητας: δίνει πολικότητα, ένταση και το πιο σημαντικό θέμα. Η τεχνητή νοημοσύνη ταξινομεί εκατοντάδες σχόλια ανά δευτερόλεπτο, αλλά μπορεί να χάσει την ειρωνεία, την αργκό και τα ανάμεικτα συναισθήματα. Η αξία συνδέει την αρνητικότητα με ένα θέμα και τη μετατρέπει σε δράση. Χρησιμοποιήστε επαρκές δείγμα, επαληθεύστε ποσοστά με πραγματικά δείγματα, υποθέστε την αιτία και επιβεβαιώστε την. Ο αριθμός είναι μια αρχή. Η απόφαση είναι δική σας.
Συμβουλή: Σκεφτείτε την ανάλυση συναισθημάτων ως μια συνεχή ταινία, όχι μια φωτογραφία μιας λήψης. Εάν επαναλαμβάνετε την ίδια μέτρηση με την ίδια μέθοδο κάθε εβδομάδα, θα δείτε την τάση (είναι αυξητική ή πτωτική) που είναι πολύ πιο πολύτιμη από το απόλυτο ποσοστό. Η παρακολούθηση του τρόπου με τον οποίο αλλάζει η τάση μετά από μια καμπάνια, ένα προϊόν ή μια κρίση είναι ένα πολύ πιο ισχυρό στοιχείο λήψης αποφάσεων από το ποσοστό μιας εβδομάδας.
Εργασία εφαρμογής
Συλλέξτε (ή γράψτε) τουλάχιστον 40 δείγματα σχολίων. Ζητήστε από AI να κάνει πολικότητα + ταξινόμηση και περίληψη θεμάτων. Διαβάστε 5 δείγματα κάθε πολικότητας με το χέρι και διορθώστε τουλάχιστον 3 λανθασμένες/αμφισβητήσιμες ετικέτες. Επιλέξτε το πιο συχνό αρνητικό θέμα, δημιουργήστε 3 συγκεκριμένες προτάσεις δράσης και σημειώστε πώς θα μετρηθούν για το καθένα.
λίστα ελέγχου
- [ ] Χρησιμοποίησα επαρκές δείγμα (100+ ιδανικό).
- [ ] Συγκάλυψα προσωπικά δεδομένα.
- [ ] Έκανα την ταξινόμηση πολικότητας + θέματος.
- [ ] Διάβασα παραδείγματα από κάθε τάξη και επαλήθευσα τις ετικέτες.
- [ ] Σημείωσα ξεχωριστά τους υπόπτους για ειρωνεία.
- [ ] Τις περισσότερες φορές απέδιδα το αρνητικό θέμα στη δράση.
- [ ] Παρουσίασα τον λόγο ως υπόθεση προς επαλήθευση, όχι ως οριστική.