Tradicionālās metodes, piemēram, zvaigžņu vērtējumi un neto veicinātāju rādītāji (NPS), ir pazīstami veidi, kā noteikt klientu apmierinātību. Bet tas ir tikai aisberga redzamā daļa, kad runa ir par klientu noskaņojumu.



Uzlabotas tehnoloģijas, piemēram sentimenta analīze palīdzēs jums iziet ārpus skaitliskās metrikas, analizējot kvalitatīvus datus, piemēram, sociālo mediju komentārus, aptaujas atbildes un pārskatus. Šī pieeja noskaņojuma rezultāta aprēķināšanai sniedz niansētāku izpratni par klientu viedokli un sniedz ziemeļzvaigzni jūsu piedāvājumu un zīmola stratēģiju uzlabošanai.



Lasiet tālāk, lai izpētītu, kas ir noskaņojuma rādītājs, kādi ir sasniegumi noskaņojuma rādītāju aprēķināšanā un kā mēs to darām uzņēmumā Sprout.

Kas ir sentimenta rādītājs?

Sentimenta rādītājs kvantificē noskaņojumu vai emocijas, kas izteiktas kvalitatīvos datos, piemēram, klientu atsauksmēs vai sociālo mediju klausīšanās. To aprēķina noskaņojuma analīzes procesā un mēra diapazonā no -1 līdz 1. Negatīvs ir augstākais negatīvais noskaņojums, 0 norāda neitrālu noskaņojumu un +1 apzīmē augstāko pozitīvo noskaņojumu.

Norāžu kartīte, kas nosaka noskaņojuma rezultātu. Tā saka,"A sentiment score quantifies the sentiment or emotion expressed in qualitative data such as customer feedback or social media listening. "

Noskaņojuma rādītāji informē, vai tirgus viedoklis par jūsu zīmolu ir pozitīvs, negatīvs vai neitrāls. Turpmāka datu analīze sniedz jums padziļinātu ieskatu par to, kā varat uzlabot dažādus sava biznesa aspektus, piemēram, klientu apkalpošanu, mārketinga saturu, produktus un pēcpārdošanas pakalpojumus, lai nodrošinātu zīmola lojalitāti un uzņēmējdarbības izaugsmi.

Tradicionālās pieejas klientu noskaņojuma izpratnei

Tradicionālās pieejas klientu noskaņojuma analīze galvenokārt ir balstījušies uz kvantitatīviem rādītājiem. Tie ietver:

Vīrusalitāte

Viralitāte attiecas uz kopējo sociālo mediju iesaistīšanās gadījumu skaitu, piemēram, atzīmes Patīk, kopīgošanas un komentārus, ko saņēmis jūsu saturs vai kampaņa. Viralitāte tradicionāli tiek izmantota kā indikators tam, cik labi jūsu zīmols, kampaņa vai mārketinga saturs rezonē ar jūsu mērķauditoriju un plašāku sabiedrību. Tas sniedz vispārēju priekšstatu par klientu vēlmēm, lai jūs varētu pieņemt pārdomātus mārketinga lēmumus un attiecīgi mainīt savas stratēģijas.



1 "nozīme

Zvaigžņu vērtējums

Vērtējums zvaigznītēs ir populāra metode, kā izprast klientu noskaņojumu, un zīmoli to plaši izmanto, lai novērtētu produktu vai pakalpojumu. Zvaigznīšu vērtējumi parasti tiek nodrošināti diapazonā no 1 līdz 5 zvaigznītēm, kur 1 norāda uz zemāko klientu apmierinātības līmeni, bet 5 — augstāko. Dažkārt vērtējumā zvaigznītēs ir iekļauti arī komentāri, kas piešķir vērtējumam papildu kontekstu.

Zvaigžņu vērtējumam vietnē Amazon ir arī komentāri papildu kontekstam.

NPS

NPS ir kvantitatīvs rādītājs, ko izmanto, lai novērtētu klientu apmierinātību un klienta tieksmi ieteikt zīmolu ģimenei un draugiem. Jo augstāks vērtējums, jo augstāka ir klientu lojalitāte. NPS vērtējumi bieži ir skalā no 0 līdz 10, kur 0 apzīmē zemāko vērtējumu un 10 ir augstākais.



Sprout Social NPS aptauja par klientu apmierinātību. Tas jautā klientam, cik liela ir iespēja, ka viņš ieteiks zīmolu ģimenei un draugiem skalā no 0 līdz 10, kur 10 ir augstākais vērtējums.

Atšķirībā no zvaigžņu vērtējuma vai viralitātes, NPS metrikā klienti bieži tiek grupēti trīs kategorijās, pamatojoties uz viņu vērtējumiem.

  • Reklāmdevēji (8–10): Tie ir laimīgi klienti, kuri aktīvi reklamēs zīmolu, izmantojot no mutes mutē, atsauksmēs vai komentāros sociālajos tīklos.
  • Pasīvie (7-8): Šie klienti ir apmierināti, bet, visticamāk, nereklamēs produktu vai pakalpojumu.
  • Nelabvēļi (6-0): Šie ir ļoti neapmierināti klienti, kuri, visticamāk, publicēs negatīvas atsauksmes un, visticamāk, atturēs citus apsvērt zīmola izvēli.

Klientu apmierinātības rādītājs (CSAT)

CSAT ir metode, ko izmanto, lai noteiktu, cik apmierināti klienti ir ar zīmola produktiem vai pakalpojumiem. CSAT rezultāti tiek aprēķināti, mērot klientu sniegto vidējo vērtējumu. CSAT skalas var atšķirties, piemēram, tās var būt no 1 līdz 10, kur 10 ir visaugstākā vai 1 un 5, un 5 ir augstākais klientu apmierinātības līmenis.

CSAT aptaujas var nosūtīt pēc darījuma vai periodiski, lai izprastu klientu apmierinātību ar kopējo zīmolu.

Franču kosmētikas zīmola Yves Rocher CSAT aptauja, kurā teikts,"Based on your recent shopping experience, would you recommend the Yves Rocher website to your friends and family?"

Jauni sasniegumi noskaņojuma rezultāta aprēķināšanā

Tradicionālie aprēķini ir vērsti uz kvantitatīviem rādītājiem no galvenajiem darbības rādītājiem (KPI). Bet, lai iegūtu patiesi precīzu priekšstatu par zīmola noskaņojumu, jums ir jāpievieno komentāros un atsauksmēs atrodamie kvalitatīvie dati. Pētījumi rāda, ka pat tad, ja lielākā daļa uzņēmumu saņēma pozitīvus zvaigžņu vērtējumus no 80% līdz 100%, šie vērtējumi neatspoguļoja uzņēmuma panākumus. Tas ir tāpēc, ka cilvēki parasti sniedz augstākus pozitīvus vērtējumus nekā viņu faktiskā pieredze. Tas noved pie pozitīvu vērtējumu jūras, kas novirza skaitli uz augstāku pozitīvu rezultātu.

Mašīnmācība (ML) un AI uzdevumi, piemēram nosauktās entītijas atpazīšana un dabiskās valodas apstrāde (NLP) palīdz pārvarēt šo izaicinājumu. Tie palīdz izprast klientu noskaņojumu kontekstuālāk, ļaujot atrast klientu viedokļu modeļus zīmola uztveres bēguma un plūsmas ietvaros laika grafikos un kampaņās.

Sentimentu ieguves intensitāte atšķiras atkarībā no izmantotajām metodēm. Trīs galvenie ir:

  • Uz dokumentiem balstīta sentimenta analīze

Šī pieeja sniedz vispārēju izpratni par negatīvo, pozitīvo vai neitrālo noskaņojumu dokumentā. To izmanto mazām, nesarežģītām datu kopām.

  • Uz tēmu balstīta sentimenta analīze

Šī metode ir niansētāka, vērtējot noskaņojumu pēc tēmas. ML modelis identificē bieži sastopamās tēmas un tēmas datos un pēc tam analizē noskaņojumu tajos.

Šī pieeja palīdz tirgotājiem saprast, kas klientiem vai plašākai sabiedrībai patīk un kas nepatīk par viņu zīmolu. Tādējādi sniedzot atbilstošus, praktiski izmantojamus ieskatus no atsauksmēm, sociālo mediju klausīšanās vai klientu apkalpošanas e-pastiem un komentāriem.

  • Uz aspektiem balstīta sentimenta analīze

Šī ir vismodernākā metode, ko izmanto sentimenta ieguvei. Uz aspektiem balstīta sentimenta analīze sīkāk sadala tēmas, lai identificētu un meklētu tajos esošos aspektus, un pēc tam izmanto semantiku, lai sniegtu pilnīgāku priekšstatu par klientu noskaņojumu. Piemēram, tas var identificēt tādus aspektus kā “apkalpošana numurā”, “bāra apkalpotājs”, “reģistratūra” vai “autostāvvietas novietošana”, izmantojot tēmu klasifikāciju “klientu apkalpošana” atsauksmju datos.

Šī smalkā noskaņojuma analīzes forma precīzi nosaka zīmoliem, kas ir jāuzlabo, un informē par stratēģijām, kas nepieciešamas, lai palielinātu klientu apmierinātību.

Datu apstrādes metodes, ko izmanto, lai aprēķinātu noskaņojuma rādītājus

Sentimenta rezultāta aprēķināšana lietošanai AI mārketings ir atkarīgs no daudziem datu apstrādes uzdevumiem, ko automātiski veic ML modelis, piemēram, lielo valodu modeļiem (LLM). Šie uzdevumi ietver:

Tokenizācija

Tokenizācija ir teksta sadalīšanas process atsevišķos vārdos. Visas pieturzīmes tiek noņemtas, un teksta virkne tiek noņemta līdz vārdu blokiem. Piemēram:

[ Uzturēšanās bija patīkama, bet manā istabā bija auksts, un mums bija jāgaida stundām ilgi, līdz viesnīcas darbinieki noregulēs termostatu, lai gan viesnīca šķita tukša. Kad mēģinājām piezvanīt uz reģistratūru, lai pajautātu, viņi šķita nepacietīgi un rupji]

Teksta normalizācija

Šajā posmā no datiem tiek noņemti visi dublētie ieraksti, tāpēc nav datu anomāliju. Šajā gadījumā teksta virkne paliek nemainīga, jo nav dublēšanas.

[ Uzturēšanās bija patīkama , bet manā istabā bija auksts , un mums bija jāgaida stundām ilgi , lai viesnīcas darbinieki noregulētu termostatu , lai gan viesnīca šķita tukša Kad mēģinājām zvanīt reģistratūrā , lai noskaidrotu , viņi šķita nepacietīgi un rupji ]

Vārda saknes

Vārda izcelsme attiecas uz vārda reducēšanas procesu līdz tā saknei. Šajā piemērā vārdi “stundas” un “šķita” ir pārveidoti par “stunda” un “šķiet”.

[ Uzturēšanās bija jauka, bet mana istaba bija auksta un mums bija jāgaida stunda lai viesnīcas darbinieki regulētu termostatu, lai gan viesnīca šķiet tukšs Kad mēģinājām piezvanīt uz reģistratūru, lai pajautātu, viņi šķita nepacietīgi un rupji]

Stop-vārda noņemšana

Visi liekie vārdi tiek izslēgti, tāpēc tiek saglabātas tikai nosauktās entītijas un vārdi, kas apzīmē emocijas.

[ Uzturēšanās bija jauki Mans istaba auksta un mums vajadzēja pagaidi priekš stunda priekš viesnīcas personāls lai regulētu termostatu, lai gan viesnīca šķiet tukšs Kad mēs mēģinājām piezvanīt uzņemšana pajautāt viņi likās nepacietīgs un rupjš]

Iegūtais apstrādātais teksts tagad skan: [ jauka istaba aukstā gaidīšanas stunda viesnīcas personāls uzņemšana nepacietīgs rupjš ] .

Tā kā katram vārdam ir skaitlisks ekvivalents ML modelī, pamatojoties uz to negatīvisma vai pozitivitātes skalu, apstrādātie dati sniedz jums rezultātu, pamatojoties uz kopējo noskaņojuma vidējo vērtību. Aprēķinot, izmantojot Lexicon metodi, ja vārdam “jauks” tiek piešķirts vērtējums 1 par pozitīvu, bet “nepacietīgs” tiek piešķirts -0,05 un rupjš -0,7, rezultāta noskaņojuma vērtējums pārskatā būtu -1, kas ir vienāds. uz negatīvu.

Tradicionālās pieejas noskaņojuma rādītāju aprēķināšanai

Ir vairāki veidi, kā aprēķināt noskaņojuma rādītāju, no kuriem visizplatītākā ir Lexicon metode, kas izmanto attiecību 1:1, lai novērtētu noskaņojumu. Tomēr, ja runa ir par sarežģītiem datiem, kas savākti no vairākiem avotiem, piemēram, sociālo mediju klausīšanās vai klientu atsauksmju forumiem, ir nepieciešamas uzlabotas metodes. Tālāk ir sniegts šo metodoloģiju sadalījums.

Vārdu skaitīšanas metode

Vienkāršākais veids, kā aprēķināt noskaņojuma rezultātu, ir balstīts uz leksiku vai vārdu skaitīšanas metodi, kā norādīts iepriekš minētajā piemērā. Izmantojot šo metodi, negatīvo noskaņojumu gadījumu skaits tiek samazināts no pozitīvajiem gadījumiem.

Formula: # negatīvi vārdi – pozitīvi vārdi = sentimenta rādītājs

Piemērs: 1–2 = -1.

Noskaņojuma rezultāta atsecināšana no teikuma garuma

Izmantojot šo metodi, mēs atņemam pozitīvo vārdu skaitu no negatīvajiem vārdiem un dalām rezultātu ar kopējo vārdu skaitu pārskata teikumā.

Formula: # negatīvi vārdi – # pozitīvi vārdi dalīti ar vārdu skaitu = noskaņojuma rādītājs

Piemērs: 1–2 / 42 = -0,0238095

nozīmīgums 11

Šo sistēmu bieži izmanto, lai saprastu garākus pārskatus un komentārus.

Tā kā šo metodi izmanto, lai analizētu lielus datu apjomus, iegūtie rādītāji var tikt sadalīti garās daļās. Ja tas tiek darīts lielā mērogā, tas var radīt grūtības salīdzināt un izprast noskaņojuma vērtības. Lai pārvarētu šo izaicinājumu, iegūtie rādītāji tiek reizināti ar vienskaitļa ciparu, lai vērtības būtu lielākas, tādējādi atvieglojot salīdzināšanu.

Pozitīvo un negatīvo vārdu attiecība

Šī metodika tiek uzskatīta par līdzsvarotāko noskaņojuma rezultāta mērīšanai lielos datos. Kopējais pozitīvo vārdu skaits tiek dalīts ar kopējo negatīvo vārdu skaitu un pēc tam pievienots ar vienu.

Formula: # pozitīvi vārdi / # negatīvi vārdi + 1 = noskaņojuma rādītājs

Piemērs: 1/2 + 1 = 0,33333

Jo ilgāks ir pārskats, jo lielāks ir pozitīvo un negatīvo punktu skaits. Šī pieeja normalizē teksta kopējo garumu, padarot to īpaši noderīgu, analizējot dažāda garuma pārskatus. Izmantojot šo metodi, noskaņojuma rādītājs 1 tiek iestatīts kā neitrāls.

Kā mēs aprēķinām noskaņojuma rādītājus Sprout

Sprouta noskaņojuma modelī tiek izmantoti dziļi neironu tīkli (NN) un jo īpaši lieli valodu modeļi. LLM strādā, ņemot vērā visa teksta bloka kontekstu, lasot vārdus no kreisās puses uz labo un no labās uz kreiso, izmantojot Divvirzienu kodētāja attēlojumi no transformatoriem (BERT) modeļi no Google.

Ņemot vērā jau marķētu dokumentu datu kopu, LLM automātiski identificē vārdus, frāzes un vārdu/frāžu secību, kas ir veicināta, lai teksta bloks tiktu atzīmēts kā pozitīvs vai negatīvs. Pēc tam tas piešķir svaru (ciparu vērtību) katram marķierim teksta blokā. Aprēķinot šos svarus, mēs nosakām noskaņojumu jaunam, neredzētam tekstam un varbūtību, ka tas ir pozitīvs, negatīvs vai neitrāls.

Sentimenta rādītāja nozīme zīmoliem

Sentimenta rādītāji palīdz kvantitatīvi noteikt un novērtēt dažādus jūsu zīmola, produkta un pakalpojumu aspektus, sniedzot mārketinga, produktu un klientu apkalpošanas komandām praktisku ieskatu par to, kā tieši viņi var virzīt savas stratēģijas uz veiksmīgu trajektoriju.

Pateicoties AI un mašīnmācībai, ir vairāki rīki, kas novērš minējumus un sniedz precīzu priekšstatu par jūsu zīmola noskaņojumu dažu minūšu laikā. Apskatiet šos sentimenta analīzes rīki mēs esam izstrādājuši, lai izpētītu, kā jūs varat atsākt savu zīmola stratēģiju.

Dalieties Ar Draugiem: