Com una puntuació de sentiment millora la vostra estratègia de marca

Els mètodes tradicionals com les puntuacions d'estrelles i les puntuacions del promotor net (NPS) són maneres familiars de quantificar la satisfacció del client. Però això és només la punta de l'iceberg quan es tracta del sentiment dels clients.

Tecnologies avançades com anàlisi de sentiments us ajudarà a anar més enllà de les mètriques numèriques mitjançant l'anàlisi de dades qualitatives, com ara comentaris de xarxes socials, respostes d'enquestes i ressenyes. Aquest enfocament per calcular una puntuació de sentiment us ofereix una comprensió més matisada de l'opinió dels clients i una estrella polar per millorar les vostres ofertes i estratègies de marca.

Continua llegint per explorar què és una puntuació de sentiment, els avenços en el càlcul de puntuacions de sentiment i com ho fem a Sprout.

Què és una puntuació de sentiment?

Una puntuació de sentiment quantifica el sentiment o l'emoció expressada en dades qualitatives, com ara els comentaris dels clients o l'escolta de les xarxes socials. Es calcula mitjançant el procés d'anàlisi del sentiment i es mesura dins del rang de -1 a 1. El negatiu és el sentiment negatiu més alt, 0 indica un sentiment neutre i +1 el sentiment positiu més alt.

Les puntuacions de sentiment us informen si l'opinió del mercat de la vostra marca és positiva, negativa o neutral. Una anàlisi més detallada de les dades us ofereix una visió en profunditat de com podeu millorar diferents aspectes del vostre negoci, com ara l'atenció al client, el contingut de màrqueting, els productes i el servei postvenda, per assegurar-vos que nodreu la fidelitat de la marca i el creixement empresarial.

Enfocaments tradicionals per entendre el sentiment dels clients

Els enfocaments tradicionals anàlisi del sentiment dels clients s'han basat principalment en mètriques quantitatives. Això inclou:

Viralitat

La viralitat es refereix al nombre total d'interaccions a les xarxes socials, com ara els m'agrada, les comparticions i els comentaris que ha rebut el vostre contingut o campanya. La viralitat s'utilitza tradicionalment com a indicador del grau de ressonància de la vostra marca, campanya o contingut de màrqueting amb el vostre públic objectiu i el públic en general. Ofereix una visió general de les preferències dels clients perquè pugueu prendre decisions de màrqueting informades i modificar les vostres estratègies en conseqüència.

Valoració d'estrelles

Una qualificació amb estrelles és un mètode popular per entendre el sentiment dels clients i és àmpliament utilitzada per les marques per avaluar un producte o servei. Les classificacions d'estrelles es proporcionen normalment entre 1 i 5 estrelles, amb 1 que indica el nivell més baix de satisfacció del client i 5 el més alt. De vegades, les puntuacions amb estrelles també inclouen comentaris que afegeixen context addicional a la qualificació.

NPS

NPS és una mètrica quantitativa que s'utilitza per mesurar la satisfacció del client i la propensió d'un client a recomanar la marca a familiars i amics. Com més alta sigui la qualificació, més alta serà la fidelitat del client. Les qualificacions de NPS solen estar en una escala de 0 a 10, amb 0 que denota la puntuació més baixa i 10 la més alta.

A diferència de les valoracions d'estrelles o de la viralitat, les mètriques NPS solen agrupar els clients en tres categories en funció de les seves valoracions.

• Promotors (8–10): Es tracta de clients feliços que promocionaran activament la marca a través del boca-orella, en ressenyes o comentaris a les xarxes socials.
• Passives (7-8): Aquests clients estan satisfets però no és probable que promocionin el producte o servei.
• Detractors (6-0): Es tracta de clients profundament insatisfets amb més probabilitats de publicar ressenyes negatives i probablement dissuadiran els altres de considerar la marca.

Puntuació de satisfacció del client (CSAT)

CSAT és un mètode utilitzat per mesurar el grau de satisfacció dels clients amb els productes o serveis d'una marca. Les puntuacions CSAT es calculen mesurant la qualificació mitjana que ofereixen els clients. Les escales CSAT poden variar, per exemple, poden estar entre 1 i 10, sent 10 el més alt o 1 i 5, sent 5 el nivell més alt de satisfacció del client.

Les enquestes CSAT es poden enviar després d'una transacció o periòdicament per entendre la satisfacció del client amb la marca en general.

Nous avenços en el càlcul de la puntuació de sentiment

Els càlculs tradicionals se centren en mètriques quantitatives dels indicadors clau de rendiment (KPI). Però per obtenir una imatge realment precisa del sentiment de la marca, heu d'afegir a la barreja dades qualitatives que es troben als comentaris i comentaris. Recerca mostra que, fins i tot si la majoria de les empreses van rebre puntuacions amb estrelles positives entre el 80% i el 100%, aquestes valoracions no van reflectir l'èxit del negoci. Això es deu al fet que la gent, en general, tendeix a donar puntuacions positives més altes que la seva experiència real. Això condueix a un mar de valoracions positives, la qual cosa fa que el nombre sigui més alt.

Tasques d'aprenentatge automàtic (ML) i IA com reconeixement de l'entitat anomenada i processament del llenguatge natural (PNL) ajuda a superar aquest repte. Us ajuden a entendre el sentiment dels clients de manera més contextual, cosa que us permeten trobar patrons en les opinions dels clients dins del flux i reflux de la percepció de la marca a través de cronologies i campanyes.

La intensitat de la mineria de sentiments varia segons els mètodes utilitzats. Els tres principals són:

• Anàlisi de sentiments basada en documents

Aquest enfocament us proporciona una comprensió general del sentiment negatiu, positiu o neutral d'un document. S'utilitza per a conjunts de dades petits i sense complicacions.

• Anàlisi de sentiments basats en temes

Aquest mètode és més matisat, puntuant el sentiment per tema. El model ML identifica els temes i temes que apareixen habitualment a les dades i després analitza el sentiment en ells.

Aquest enfocament ajuda els venedors a entendre què els agrada i no els agrada als clients o al públic en general de la seva marca. D'aquesta manera, proporciona informació rellevant i accionable a partir de ressenyes, escoltes de xarxes socials o correus electrònics i comentaris d'atenció al client.

• Anàlisi del sentiment basat en aspectes

Aquest és el mètode més avançat utilitzat per a la mineria de sentiments. Anàlisi del sentiment basat en aspectes desglossa encara més els temes per identificar i cercar aspectes dins d'ells, i després aplica la semàntica per proporcionar una imatge més completa del sentiment del client. Per exemple, pot identificar aspectes com ara 'servei d'habitacions', 'assistent de bar', 'recepció' o 'aparcador de cotxes' a partir d'una classificació temàtica sobre 'atenció al client' a les dades de feedback.

Aquesta forma granular d'anàlisi de sentiments identifica a les marques exactament què cal millorar i informa les estratègies necessàries per augmentar la satisfacció del client.

---

àngel número 147

---

Tècniques de processament de dades utilitzades per calcular les puntuacions de sentiment

Càlcul d'una puntuació de sentiment per utilitzar-la Màrqueting d'IA depèn de moltes tasques de processament de dades fetes automàticament per un model ML, com ara els grans models de llenguatge (LLM). Aquestes tasques inclouen:

Tokenització

La tokenització és el procés de separar el text en paraules individuals. S'eliminen tots els signes de puntuació i la cadena de text es redueix a blocs de paraules. Per exemple:

[ L'estada va ser agradable però la meva habitació estava freda i vam haver d'esperar hores perquè el personal de l'hotel ajustes el termòstat, tot i que l'hotel semblava buit. Quan vam intentar trucar a la recepció per preguntar, van semblar impacients i grollers ]

Normalització de textos

En aquesta etapa, totes les entrades duplicades s'eliminen de les dades, de manera que no hi ha cap anomalia de dades. En aquest cas, la cadena de text es manté sense canvis, ja que no hi ha redundància.

[L'estada va ser agradable, però la meva habitació estava freda i vam haver d'esperar hores perquè el personal de l'hotel ajustes el termòstat tot i que l'hotel semblava buit. Quan vam intentar trucar a la recepció per preguntar, van semblar impacients i grollers]

La paraula derivada

La derivació de la paraula es refereix al procés de reduir una paraula a la seva arrel. En aquest exemple, les paraules 'hores' i 'semblava' es converteixen en 'hora' i 'sembla'.

[ L'estada va ser agradable però la meva habitació estava freda i vam haver d'esperar hores perquè el personal de l'hotel ajusti el termòstat tot i que l'hotel semblar buit Quan vam intentar trucar a la recepció per preguntar, semblaven impacients i grollers]

Eliminació de paraules parades

S'eliminen totes les paraules superflues, de manera que només es conserven les entitats amb nom i les paraules que denoten emocions.

[ L'estada va ser bonic El meu habitació freda i vam haver de fer-ho espera per hores per al personal de l'hotel per ajustar el termòstat tot i que el hotel semblar buit Quan vam intentar trucar al recepció per preguntar semblaven impacient i groller]

El text processat resultant ara diu: [ habitació agradable hora d'espera freda recepció del personal de l'hotel impacient groller ] .

Com que cada paraula té un equivalent numèric al model ML basat en l'escala de la seva negativitat o positivitat, les dades processades us proporcionen una puntuació basada en la mitjana total del sentiment. Quan es calcula utilitzant el mètode de lèxic, si a la paraula 'agradable' se li assigna una puntuació d'1 per a positiu, mentre que 'impacient' s'assigna -,05 i groller -0,7, la puntuació de sentiment resultant per a la revisió seria -1, que equival a a negatiu.

Enfocaments convencionals per calcular puntuacions de sentiment

Hi ha diverses maneres de calcular una puntuació de sentiment, la més comú és el mètode Lexicon, que utilitza una proporció d'1:1 per mesurar el sentiment. Tanmateix, quan es tracta de dades complexes recollides de diverses fonts, com ara l'escolta de xarxes socials o els fòrums de ressenyes de clients, calen tècniques més avançades. A continuació es mostra un desglossament d'aquestes metodologies.

Mètode de recompte de paraules

La manera més senzilla de calcular la puntuació de sentiment es basa en el mètode de recompte de paraules o lèxic com a l'exemple anterior. En aquest mètode, el nombre d'ocurrències de sentiment negatiu es redueix de les ocurrències positives.

Fórmula: # paraules negatives - paraules positives = puntuació de sentiment

Exemple: 1 – 2 = -1.

Deduint la puntuació de sentiment amb la longitud de la frase

En aquest mètode, restem el nombre de paraules positives de les paraules negatives i dividim el resultat pel nombre total de paraules de la frase de revisió.

Fórmula: # paraules negatives – # paraules positives dividides pel nombre de paraules = puntuació de sentiment

Exemple: 1 – 2 / 42 = -0,0238095

Aquest sistema s'utilitza sovint per entendre ressenyes i comentaris més llargs.

Com que aquest mètode s'utilitza per analitzar grans quantitats de dades, les puntuacions resultants poden arribar a fraccions llargues. Quan es fa a escala, això pot provocar dificultats per comparar i comprendre els valors de sentiment. Per superar aquest repte, les puntuacions resultants es multipliquen per un dígit singular perquè els valors siguin més grans, facilitant així la comparació.

Relació entre el nombre de paraules positives i negatives

Aquesta metodologia es considera la més equilibrada per mesurar la puntuació de sentiment en big data. El nombre total de paraules positives es divideix pel nombre total de paraules negatives i després s'afegeix un.

Fórmula: # paraules positives / # paraules negatives + 1 = puntuació de sentiment

Exemple: 1 / 2 + 1 = 0,33333

Com més llarga sigui la revisió, més gran serà el nombre de puntuacions positives i negatives. Aquest enfocament normalitza la longitud total del text, el que el fa especialment útil per analitzar ressenyes de longitud variable. En aquest mètode, una puntuació de sentiment d'1 s'estableix com a neutral.

Com calculem les puntuacions de sentiment a Sprout

El model de sentiment de Sprout utilitza xarxes neuronals profundes (NN) i, en particular, grans models de llenguatge. Els LLM funcionen tenint en compte el context de tot el bloc de text, llegint les paraules d'esquerra a dreta i de dreta a esquerra utilitzant el Representacions de codificadors bidireccionals de transformadors (BERT) models de Google.

Tenint en compte un conjunt de dades de documents ja etiquetats, un LLM identifica automàticament les paraules, frases i l'ordre de paraules/frase que han contribuït a que un bloc de text s'etiqueti com a positius o negatius. A continuació, assigna un pes (valor numèric) a cada testimoni d'un bloc de text. Amb aquests pesos calculats, determinem el sentiment pel text nou i no vist i la probabilitat que sigui positiu, negatiu o neutre.

La importància de la puntuació de sentiment per a les marques

Les puntuacions de sentiment us ajuden a quantificar i avaluar diferents aspectes de la vostra marca, producte i serveis, oferint als equips de màrqueting, productes i atenció al client informació útil sobre com poden orientar exactament les seves estratègies cap a una trajectòria d'èxit.

Gràcies a la IA i l'aprenentatge automàtic, hi ha múltiples eines que eliminen les conjectures i us ofereixen una imatge precisa del sentiment de la vostra marca en qüestió de minuts. Fes una ullada a aquests eines d'anàlisi de sentiments hem seleccionat per explorar com podeu reiniciar la vostra estratègia de marca.

Comparteix Amb Els Teus Amics: