Традиционните методи като рейтинги със звезди и резултати от нетни промоутъри (NPS) са познати начини, по които количествено определяме удовлетвореността на клиентите. Но това е само върхът на айсберга, що се отнася до настроенията на клиентите.



Усъвършенствани технологии като анализ на настроенията ви помагат да надхвърлите цифровите показатели, като анализирате качествени данни като коментари в социалните медии, отговори на анкети и прегледи. Този подход за изчисляване на оценка на настроението ви дава по-тънко разбиране на мнението на клиентите и северна звезда за подобряване на вашите предложения и стратегии за марка.



Прочетете, за да проучите какво представлява оценката на настроението, напредъка в изчисляването на оценките на настроението и как го правим в Sprout.

Какво е оценка на настроението?

Оценката на настроението определя количествено настроението или емоцията, изразени в качествени данни, като обратна връзка с клиенти или слушане в социалните медии. Изчислява се чрез процеса на анализ на настроението и се измерва в диапазона от -1 до 1. Отрицателното е най-високото отрицателно настроение, 0 показва неутрално настроение и +1 обозначава най-високото положително настроение.

Карта с допълнително описание, определяща оценката на настроението. Казва,"A sentiment score quantifies the sentiment or emotion expressed in qualitative data such as customer feedback or social media listening. "

Резултатите за настроение ви информират дали пазарното мнение за вашата марка е положително, отрицателно или неутрално. Допълнителният анализ на данните ви дава задълбочен поглед върху това как можете да подобрите различни аспекти на вашия бизнес като обслужване на клиенти, маркетингово съдържание, продукти и следпродажбено обслужване, за да сте сигурни, че подхранвате лоялност към марката и растеж на бизнеса.

1222 двойно значение на пламъка

Традиционни подходи за разбиране на настроенията на клиентите

Традиционните подходи към анализ на клиентските настроения са разчитали предимно на количествени показатели. Те включват:

Вирусност

Вирусността се отнася до общия брой ангажименти в социалните медии, като харесвания, споделяния и коментари, които е получило вашето съдържание или кампания. Вирусността традиционно се използва като индикатор за това колко добре вашата марка, кампания или маркетингово съдържание резонира с вашата целева аудитория и широката общественост. Той дава цялостен поглед върху предпочитанията на клиентите, така че да можете да вземате информирани маркетингови решения и да променяте съответно стратегиите си.



Рейтинг със звезди

Оценката със звезди е популярен метод за разбиране на настроенията на клиентите и се използва широко от марките за оценка на продукт или услуга. Оценките със звезди обикновено се предоставят в диапазона от 1 до 5 звезди, като 1 показва най-ниското ниво на удовлетвореност на клиентите, а 5 означава най-високото. Понякога оценките със звезди включват и коментари, които добавят допълнителен контекст към оценката.

Рейтингът със звезди в Amazon има и коментари за допълнителен контекст.

NPS

NPS е количествен показател, използван за измерване на удовлетвореността на клиентите и склонността на клиента да препоръча марката на семейството и приятелите. Колкото по-висок е рейтингът, толкова по-висока е лоялността на клиентите. Оценките на NPS често са по скала от 0 до 10, като 0 означава най-ниската оценка, а 10 е най-високата.



Проучване на Sprout Social NPS относно удовлетвореността на клиентите. Той пита клиента колко е вероятно да препоръча марката на семейството и приятелите си по скала от 0 до 10, като 10 е най-високата оценка.

За разлика от оценките със звезди или вирусността, NPS показателите често групират клиентите в три категории въз основа на техните оценки.

  • Организатори (8–10): Това са доволни клиенти, които активно ще популяризират марката чрез предаване от уста на уста, в рецензии или коментари в социалните медии.
  • Пасиви (7-8): Тези клиенти са доволни, но е малко вероятно да рекламират продукта или услугата.
  • Недоброжелатели (6-0): Това са крайно неудовлетворени клиенти, които най-вероятно ще публикуват отрицателни отзиви и вероятно ще възпрат другите да обмислят марката.

Резултат за удовлетвореност на клиентите (CSAT)

CSAT е метод, използван за измерване на това колко са доволни клиентите от продуктите или услугите на дадена марка. Резултатите от CSAT се изчисляват чрез измерване на средната оценка, предоставена от клиентите. Скалите на CSAT могат да варират, например, те могат да бъдат между 1 и 10, като 10 е най-високото или 1 и 5, като 5 е най-високото ниво на удовлетвореност на клиента.

Проучванията на CSAT могат да се изпращат след транзакция или периодично, за да се разбере удовлетвореността на клиентите от цялостната марка.

Проучване на CSAT от френската козметична марка Yves Rocher, което казва,"Based on your recent shopping experience, would you recommend the Yves Rocher website to your friends and family?"

Нови подобрения в изчисляването на оценката на настроението

Традиционните изчисления са фокусирани върху количествени показатели от ключови показатели за ефективност (KPI). Но за да получите наистина точна картина на настроенията на марката, трябва да добавите качествени данни, намерени в коментари и обратна връзка към микса. Проучване показва, че дори ако повечето фирми са получили положителни звездни оценки между 80% до 100%, тези оценки не са се отразили върху успеха на бизнеса. Това е така, защото хората като цяло са склонни да дават по-високи положителни оценки от действителния си опит. Това води до море от положителни оценки, което изкривява броя към по-висок положителен резултат.

Машинно обучение (ML) и AI задачи като разпознаване на именуван обект и обработка на естествен език (NLP) помагат да се преодолее това предизвикателство. Те ви помагат да разберете настроенията на клиентите по-контекстуално, като ви позволяват да намерите модели в мненията на клиентите в рамките на приливите и отливите на възприемането на марката през времеви линии и кампании.

Интензитетът на копаене на настроението варира в зависимост от използваните методи. Трите основни са:

  • Анализ на настроенията, базиран на документи

Този подход ви дава общо разбиране за негативното, позитивното или неутралното настроение в даден документ. Използва се за малки, неусложнени набори от данни.

  • Анализ на настроението по теми

Този метод е по-нюансиран, оценявайки настроението по тема. ML моделът идентифицира често срещани теми и теми в данните и след това анализира настроенията в тях.

Този подход помага на търговците да разберат какво клиентите или широката общественост харесват и какво не харесват в тяхната марка. По този начин предоставя уместни, приложими прозрения от рецензии, слушане в социални медии или имейли и коментари за обслужване на клиенти.

  • Аспектно базиран анализ на настроението

Това е най-модерният метод, използван за копаене на настроения. Аспектно базиран анализ на настроението допълнително разбива теми, за да идентифицира и търси аспекти в тях, и след това прилага семантика, за да предостави по-пълна картина на настроенията на клиентите. Например, той може да идентифицира аспекти като „рум сървис“, „служител на бара“, „рецепция“ или „паркиране от камериер“ от тематична класификация за „обслужване на клиенти“ в данните за обратна връзка.

Тази подробна форма на анализ на настроенията посочва точно на марките какво трябва да се подобри и информира за стратегиите, необходими за повишаване на удовлетвореността на клиентите.

Техники за обработка на данни, използвани за изчисляване на оценки на настроението

Изчисляване на оценка на настроението за използване в AI маркетинг зависи от много задачи за обработка на данни, извършвани автоматично от ML модел, като големи езикови модели (LLM). Тези задачи включват:

313 ангелско число

Токенизация

Токенизацията е процес на разделяне на текста на отделни думи. Всички препинателни знаци се премахват и низът от текст се съкращава до блокове от думи. Например:

[ Престоят беше хубав, но в стаята ми беше студено и трябваше да чакаме с часове персоналът на хотела да регулира термостата, въпреки че хотелът изглеждаше празен. Когато се опитахме да се обадим на рецепцията, за да попитаме, те изглеждаха нетърпеливи и груби ]

Нормализация на текста

На този етап всички дублиращи се записи се премахват от данните, така че няма аномалия в данните. В този случай текстовият низ остава непроменен, тъй като няма излишък.

[ Престоят беше хубав, но стаята ми беше студена и трябваше да чакаме с часове персоналът на хотела да регулира термостата, въпреки че хотелът изглеждаше празен. Когато се опитахме да се обадим на рецепцията, за да попитаме, те изглеждаха нетърпеливи и груби ]

номер 24 в нумерологията

Произход на думата

Произходът на думата се отнася до процеса на свеждане на дума до нейния корен. В този пример думата „часове“ и „изглежда“ се преобразуват в „час“ и „изглежда“.

[ Престоят беше хубав, но стаята ми беше студена и трябваше да изчакаме час за персонала на хотела да регулира термостата, въпреки че хотелът Изглежда празен Когато се опитахме да се обадим на рецепцията, за да попитаме, те изглеждаха нетърпеливи и груби]

Премахване на стоп дума

Всички излишни думи се елиминират, така че се запазват само именувани обекти и думи, обозначаващи емоции.

[ Престоят беше хубаво моя стая студена и трябваше изчакайте за час за хотелски персонал за регулиране на термостата, въпреки че хотел изглеждат празни, когато се опитахме да се обадим на рецепция да се допитат те изглеждаха нетърпелив и груб ]

Полученият обработен текст сега гласи, [ хубава стая студено чакане час персонал на хотела рецепция нетърпелив груб ] .

Тъй като всяка дума има цифров еквивалент в ML модела въз основа на скалата на нейната негативност или положителност, обработените данни ви дават резултат въз основа на общата средна стойност на настроението. Когато се изчислява с помощта на метода на лексикона, ако на думата „приятно“ се присвои оценка 1 за положителна, докато „нетърпелив“ се присвои -0,05 и грубо -0,7, резултатната оценка на настроението за рецензията ще бъде -1, което се равнява до отрицателен.

Конвенционални подходи за изчисляване на оценките на настроението

Има много начини за изчисляване на оценка на настроението, като най-често срещаният е методът Lexicon, който използва съотношение 1:1 за измерване на настроението. Въпреки това, когато става въпрос за сложни данни, събрани от множество източници, като слушане на социални медии или форуми за прегледи на клиенти, са необходими по-напреднали техники. По-долу е дадена разбивка на тези методологии.

Метод за броене на думи

Най-простият начин за изчисляване на оценката на настроението се основава на метода на лексикона или броя на думите, както в примера по-горе. При този метод броят на поява на негативни настроения се намалява от положителните събития.

Формула: # отрицателни думи – положителни думи = оценка на настроението

Пример: 1 – 2 = -1.

Извеждане на оценка на настроението с дължината на изречението

При този метод изваждаме броя на положителните думи от отрицателните думи и разделяме резултата на общия брой думи в изречението за преглед.

Формула: # отрицателни думи – # положителни думи, разделени на броя на думите = оценка на настроението

911 ангел значение

Пример: 1 – 2 / 42 = -0,0238095

Тази система често се използва за разбиране на по-дълги прегледи и коментари.

Тъй като този метод се използва за анализиране на големи количества данни, получените резултати могат да бъдат дълги фракции. Когато се прави в мащаб, това може да доведе до трудности при сравняване и разбиране на стойностите на настроението. За да се преодолее това предизвикателство, получените резултати се умножават по една цифра, така че стойностите да са по-големи, което прави сравнението по-лесно.

Съотношение между положителни и отрицателни думи

Тази методология се счита за най-балансираната за измерване на оценката на настроението в големи данни. Общият брой положителни думи се разделя на общия брой отрицателни думи и след това се добавя с единица.

Формула: # положителни думи / # отрицателни думи + 1 = оценка на настроението

Пример: 1/2 + 1 = 0,33333

Колкото по-дълъг е прегледът, толкова по-голям е броят на положителните и отрицателните резултати. Този подход нормализира общата дължина на текста, което го прави особено полезен при анализиране на рецензии с различна дължина. При този метод оценка на настроението 1 се задава като неутрална.

Как изчисляваме оценките за настроение в Sprout

Моделът на настроението на Sprout използва дълбоки невронни мрежи (NN) и по-специално големи езикови модели. LLM работят, като вземат предвид контекста на целия блок от текст, четейки думите отляво надясно и отдясно наляво, използвайки Представления на двупосочни енкодери от трансформатори (BERT) модели от Google.

Като се има предвид набор от данни от вече етикетирани документи, LLM автоматично идентифицира думите, фразите и подреждането на думи/фрази, допринесли за това блок от текст да бъде маркиран като положителен или отрицателен. След това присвоява тегло (числова стойност) на всеки токен в блок от текст. С тези изчислени тегла определяме настроението за нов, невиждан текст и вероятността той да е положителен, отрицателен или неутрален.

Значението на оценката на настроението за марките

Резултатите за настроения ви помагат да определите количествено и да оцените различни аспекти на вашата марка, продукт и услуги, давайки на маркетинговите, продуктовите и екипите за обслужване на клиенти реална представа за това как точно могат да насочат стратегиите си към успешна траектория.

Благодарение на изкуствения интелект и машинното обучение има множество инструменти, които елиминират догадките и ви дават точна представа за настроенията на вашата марка в рамките на минути. Разгледайте тези инструменти за анализ на настроението ние сме курирали, за да проучим как можете да рестартирате стратегията на вашата марка.

Споделете С Приятелите Си: