تحلیل نظرات و احساسات: گرفتن نبض جامعه

سود:

• توانایی تفسیر قطبیت، شدت و خروجی موضوع تحلیل احساسات و طبقه بندی صدها نظر با هوش مصنوعی
• دانستن مرزهایی مانند کنایه، عامیانه و احساسات مختلط و امکان تایید درصدها با مثال های واقعی
• توانایی اتصال منفی به یک موضوع و تبدیل آن به کنش ملموس و آزمایش دلیل به عنوان یک فرضیه

آنچه که یک برند در رسانه های اجتماعی درباره آن صحبت می کند به همان اندازه مهم است که درباره آن صحبت می شود. نگه داشتن نبض برند در میان صدها نظر، هزاران اشاره و پیام‌هایی که دائماً در جریان هستند، انبوهی از داده‌ها است که قابل ردیابی دستی نیست. اینجاست که تحلیل احساسات وارد عمل می شود. این روش که در انگلیسی آنالیز احساسات نامیده می شود، فرآیند طبقه بندی خودکار لحن احساسی (مثبت، منفی، خنثی) متن است. هوش مصنوعی می‌تواند صدها نظر را در چند ثانیه بخواند و به خلاصه‌ای برسد: «نظرات مثبت این هفته 62٪، منفی 28٪، خنثی 10٪ است؛ بیشتر نظرات منفی در مورد حمل و نقل است." این به مدیر رسانه های اجتماعی یک ابزار هشدار اولیه و بینش ارزشمند می دهد. اما تحلیل احساسات نیز یک حدس است: می تواند طنز، طنز و عامیانه محلی را اشتباه بخواند. ضروری است که نه به عدد، بلکه به نمونه های پشت عدد نگاه کنید.

تحلیل احساسات چه چیزی را اندازه گیری می کند و چه چیزی را نمی سنجد؟

تحلیل احساسات سه خروجی اساسی به دست می دهد. قطبیت: متن مثبت، منفی یا خنثی است. شدت: قدرت عاطفه (نارضایتی خفیف یا خشم). موضوع/موضوع: احساس در مورد چیست (قیمت، حمل و نقل، کیفیت، خدمات). با ارزش ترین نتیجه سوم است: «افزایش منفی» به تنهایی به عمل تبدیل نمی شود. "70٪ منفی در مورد تاخیر محموله است" یک اقدام مستقیم ایجاد می کند.

دانستن محدودیت های تحلیل احساسات ضروری است. کنایه و کنایه: هوش مصنوعی ممکن است جمله "عالی، دوباره کار نمی کند 👏" را مثبت تلقی کند. زبان عامیانه و عامیانه: ممکن است اصطلاحات منطقه ای را اشتباه خوانده شود. زمینه: کلمه "بمب" در یک محصول مثبت و در یک خبر منفی است. احساسات مختلط: "محصول خوب است اما گران است" مثبت و منفی دارد. بنابراین از تحلیل احساسات به عنوان نقطه شروع استفاده کنید، نه به عنوان حقیقت قطعی.

خروجی

چه کاری انجام می دهد؟

حد / خطر

قطبیت (مثبت/منفی/خنثی)

حال و هوای عمومی را ببینید

کنایه و کارما احساس را از دست می دهد

تراکم

درک فوریت

ممکن است اغراق را اشتباه اندازه گیری کند

موضوع/موضوع

عمل تولید کند

ممکن است آن را به موضوع اشتباهی اختصاص دهد

روند در طول زمان

هشدار اولیه

گمراه کننده در حجم نمونه کوچک

توجه: درصدهای ارائه شده توسط تحلیل احساسات را بدون تأیید در گزارش مدیریت درج نکنید. چند مثال واقعی از هر دسته را بخوانید و به صورت بصری بررسی کنید که آیا طبقه بندی صحیح است یا خیر. به خصوص آنهایی که برچسب "منفی" دارند.

گام به گام: مطالعه تحلیل احساسات

1. داده ها را جمع آوری و پاک کنید. جمع آوری نظرات/اشاره‌ها برای یک دوره خاص؛ پنهان کردن داده های شخصی
2. اندازه نمونه را بررسی کنید. کم کردن درصدی از 20 نظر گمراه کننده است. یک عدد معنادار (مثلاً 100+) را هدف قرار دهید.
3. طبقه بندی کنید. از هوش مصنوعی پلاریته + برچسب‌گذاری تم استفاده کنید.
4. با مثال تایید کنید از هر کلاس 5 مثال بخوانید. رفع تگ های اشتباه
5. اولویت بندی موضوعات 3 موضوعی را که بیشترین منفی را ایجاد می کنند، شناسایی کنید.
6. آن را به عمل گره بزنید. برای هر موضوع یک طرح پیشنهادی/عملی تهیه و به واحد مربوطه ارسال کنید.

چهار قالب قابل کپی

برای طبقه بندی عمده:

هر یک از بررسی های زیر را طبقه بندی کنید: قطبیت [مثبت/منفی/خنثی] و موضوع [قیمت/حمل و نقل/کیفیت/خدمات/سایر]. کنایه احتمالی را با [؟] علامت گذاری کنید. در نهایت یک خلاصه ارائه دهید: درصد هر قطبیت و 3 مضمون منفی که بیشترین فراوانی را دارند. داده های شخصی را پنهان کنید نظرات:1) ...2) ...

برای تعمیق موضوع:

این بررسی‌های منفی را بخوانید و موضوع «حمل و نقل» را عمیق‌تر کنید: چه موضوعات فرعی (تاخیر، آسیب، ردیابی، ارتباطات) برجسته هستند؟ برای هر موضوع فرعی چند نظر و 1 نقل قول ارائه دهید. اعداد درست نکنید؛ فقط به نظراتی که دادم تکیه کنید. نظرات: ...

برای مقایسه روند:

خلاصه احساسات دو دوره را مقایسه کنید. ماه گذشته: مثبت 58٪، منفی 30٪، خنثی 12٪. موضوع منفی اصلی: قیمت. این ماه: مثبت 49٪، منفی 41٪، خنثی 10٪. موضوع منفی اصلی: حمل و نقل. چه چیزی تغییر کرده است، دلایل احتمالی چیست؟ دلیل دقیق را ادعا نکنید. فرضیه را تأیید کنید و نحوه تأیید را برای هر فرضیه بنویسید.

برای تبدیل بینش به عمل:

از خلاصه تحلیل احساسات زیر، 3 پیشنهاد اقدام مشخص (کوتاه مدت) پدیدار می شود. برای هر پیشنهاد: مشکل، اقدام پیشنهادی، کدام واحد، نحوه اندازه گیری. خلاصه: [خلاصه چسباندن].

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

احساسات این نظرات را تجزیه و تحلیل کنید.

نه قطبیت، موضوع و نه قالب خلاصه مشخص نیست. هوش مصنوعی نتیجه‌ای کثیف و غیرقابل تأیید ایجاد می‌کند و طنز را از دست می‌دهد.

اعلان قدرتمند:

60 نظر را در زیر مرتب کنید (مثبت/منفی/خنثی + موضوع: قیمت/ارسال/کیفیت/خدمات/سایر موارد). علامت [؟] برای کسانی که مشکوک به کنایه هستند. فقط اعداد را بر اساس نظراتی که دادم بسازید. خروجی: (1) درصد قطبیت، (2) 3 مضمون منفی پرتکرار و 1 نقل قول برای هر کدام، (3) 3 برچسب مشکوک که باید تأیید کنم.

دومی یک نتیجه قابل اعتماد و قابل اجرا ارائه می دهد زیرا شامل قالب، مرز و مرحله تأیید است.

سه کیف کوچک

مورد 1. یک برند مخابراتی 1400 نظر پس از کمپین انتخاباتی را با هوش مصنوعی تجزیه و تحلیل کرد. دریافت که 64 درصد از منفی ها حول موضوع "گیج شدن صورت حساب" متمرکز شده است. با این بینش، آنها سوالات متداول و ارتباطات کمپین را اصلاح کردند. ماه بعد همین موضوع از 64 درصد به 22 درصد کاهش یافت.

مورد 2. یک برند غذایی خلاصه "80% مثبت" هوش مصنوعی را بدون تأیید به مدیریت ارائه کرد. پس از خواندن مثال ها، مشخص شد که اکثر نظراتی که "مثبت" در نظر گرفته شده اند، کنایه آمیز بوده اند ("دوست داشتم، برای بار سوم شکسته رسید"). نرخ مثبت واقعی 52 درصد بود. درس: درصد را بدون تأیید آن با مثال گزارش نکنید.

مورد 3. یک برند تجارت الکترونیک پس از این که به این نتیجه رسید که تنها از 18 نظر "منفجر شدن" است، یک کمپین عذرخواهی فوری راه اندازی کرد. با این حال، نمونه بسیار کوچک بود و با تصویر کلی در تناقض بود. کمپین غیر ضروری باعث سردرگمی شد. درس: از یک نمونه کوچک نتیجه گیری بزرگ نکنید.

اشتباهات رایج

• بی توجهی به کنایه. نظرات کنایه آمیز را مثبت تلقی کنید.
• عدم تایید درصد مثال: قرار دادن شماره روی گزارش بدون خواندن آن.
• نمونه کوچک. استخراج روند قطعی از 15-20 نظر.
• تجزیه و تحلیل بدون تماس گفتن «افزایش منفی شده» و دلیل نیافته است; عمل تولید نمی کند.
• عدم پوشاندن اطلاعات شخصی دادن نام بازبینان به ابزار.
• اعلام دلیل قطعی. اشتباه گرفتن همبستگی با علیت و انجام عمل اشتباه.

تجزیه و تحلیل مبتنی بر موضوع و مقایسه رقبا

روشی که تجزیه و تحلیل احساسات را یک قدم جلوتر می برد، تحلیل مبتنی بر جنبه است: به جای فشرده سازی یک نظر در یک برچسب مثبت/منفی، موضوعات مختلف درون آن به طور جداگانه ارزیابی شود. به عنوان مثال، جمله "محصول عالی است، اما حمل و نقل وحشتناک است و قیمت مناسب است" در یک قطب واحد قرار نمی گیرد. تجزیه و تحلیل مبتنی بر موضوع این را به "محصول: مثبت، حمل و نقل: منفی، قیمت: مثبت" تقسیم می کند. این تمایز بسیار بیشتر کنش محور است، زیرا به وضوح نشان می دهد که کدام موضوع باعث رضایت و کدام نارضایتی می شود. می توانید با گفتن به هوش مصنوعی "هر نظر را به موضوعات خود تقسیم کنید و برای هر موضوع قطبیت جداگانه ای بدهید" به این عمق دست یابید.

دومین کاربرد قدرتمند، محک زدن رقبا (مقایسه عملکرد خود با رقبا) است. اگر احساسات مربوط به نام تجاری خود را با احساسات رقبای خود کنار هم قرار دهید، عدد "منفی بودن ما 30٪ است" منطقی است: اگر میانگین صنعت 45٪ باشد، خوب عمل می کنید، اگر 15٪ باشد، عقب مانده اید. با این حال، هنگام جمع آوری داده های رقبا، فقط از منابع قانونی و در دسترس عموم استفاده کنید. از جمع آوری داده های غیرمجاز و نقض حریم خصوصی خودداری کنید. هدف از بنچمارک تقلید از رقابت نیست، بلکه هدف قرار دادن نقاط قوت و ضعف خود است. در هر دو روش، قانون اساسی یکسان است: طبقه‌بندی هوش مصنوعی را با مثال‌های واقعی تأیید کنید و دلیل را به‌عنوان یک فرضیه و نه قطعی ارائه کنید.

به طور خلاصه

تجزیه و تحلیل احساسات نبض جامعه را می سنجد: قطبیت، شدت و مهمتر از همه موضوع را می دهد. هوش مصنوعی صدها نظر را در ثانیه مرتب می کند، اما می تواند طنز، عامیانه و احساسات ترکیبی را از دست بدهد. ارزش، منفی بودن را به یک موضوع مرتبط می کند و آن را به عمل تبدیل می کند. از نمونه کافی استفاده کنید، درصدها را با نمونه های واقعی تأیید کنید، علت را فرضیه کنید و آن را تأیید کنید. عدد یک شروع است. تصمیم با شماست

نکته: تحلیل احساسات را به عنوان یک فیلم پیوسته در نظر بگیرید، نه یک عکس تک شات. اگر هر هفته همان اندازه گیری را با همان روش تکرار کنید، روند (افزایش یا کاهش آن) را خواهید دید که بسیار ارزشمندتر از درصد مطلق است. مشاهده چگونگی تغییر روند پس از یک کمپین، یک محصول یا یک بحران، ورودی تصمیم گیری بسیار قدرتمندتر از درصد یک هفته است.

وظیفه کاربردی

حداقل 40 نظر نمونه جمع آوری کنید (یا بنویسید). AI را قطب بندی + طبقه بندی موضوع و خلاصه کنید. 5 نمونه از هر قطبیت را با دست بخوانید و حداقل 3 برچسب نادرست/مشکله را تصحیح کنید. متداول ترین موضوع منفی را انتخاب کنید، 3 پیشنهاد عملی مشخص ایجاد کنید و نحوه اندازه گیری آنها را برای هر کدام یادداشت کنید.

چک لیست

• [ ] من از نمونه کافی (100+ ایده آل) استفاده کردم.
• [ ] من داده های شخصی را پنهان کردم.
• [ ] من طبقه بندی قطبیت + موضوع را انجام دادم.
• [ ] من نمونه هایی را از هر کلاس خواندم و برچسب ها را تأیید کردم.
• [ ] مظنونین کنایه را جداگانه علامت زدم.
• [ ] من اغلب مضمون منفی را به عمل نسبت می دهم.
• [ ] من دلیل را به عنوان یک فرضیه برای تأیید ارائه کردم نه قطعی.