Tradiční metody, jako je hodnocení hvězdičkami a skóre čistých promotérů (NPS), jsou známé způsoby, jak kvantifikovat spokojenost zákazníků. Ale to je jen špička ledovce, pokud jde o sentiment zákazníků.



Pokročilé technologie jako analýza sentimentu vám pomohou překročit numerické metriky analýzou kvalitativních dat, jako jsou komentáře na sociálních sítích, odpovědi na průzkumy a recenze. Tento přístup k výpočtu skóre sentimentu vám poskytuje jemnější pochopení názoru zákazníků a severní hvězdu pro zlepšení vašich nabídek a strategií značky.



Čtěte dále a prozkoumejte, co je skóre sentimentu, pokroky ve výpočtu skóre sentimentu a jak to děláme ve společnosti Sprout.

Co je to skóre sentimentu?

Skóre sentimentu kvantifikuje sentiment nebo emoce vyjádřené v kvalitativních datech, jako je zpětná vazba od zákazníků nebo naslouchání na sociálních sítích. Vypočítává se procesem analýzy sentimentu a měří se v rozmezí -1 až 1. Negativní je nejvyšší negativní sentiment, 0 značí neutrální sentiment a +1 značí nejvyšší pozitivní sentiment.

Popisek definující skóre sentimentu. Říká,"A sentiment score quantifies the sentiment or emotion expressed in qualitative data such as customer feedback or social media listening. "

Skóre sentimentu vás informuje, zda je tržní názor na vaši značku pozitivní, negativní nebo neutrální. Další analýza dat vám poskytne hloubkový pohled na to, jak můžete zlepšit různé aspekty vašeho podnikání, jako je zákaznický servis, marketingový obsah, produkty a poprodejní servis, abyste zajistili, že budete podporovat loajalitu ke značce a obchodní růst.

Tradiční přístupy k pochopení sentimentu zákazníků

Tradiční přístupy k analýza sentimentu zákazníků většinou spoléhali na kvantitativní metriky. Tyto zahrnují:

Virality

Viralita se týká celkového počtu zapojení na sociálních sítích, jako jsou lajky, sdílení a komentáře, které váš obsah nebo kampaň obdržela. Viralita se tradičně používá jako indikátor toho, jak dobře rezonuje vaše značka, kampaň nebo marketingový obsah s vaší cílovou skupinou a širokou veřejností. Poskytuje celkový pohled na preference zákazníků, takže můžete přijímat informovaná marketingová rozhodnutí a podle toho měnit své strategie.



Hodnocení hvězdičkami

Hvězdičkové hodnocení je oblíbenou metodou, jak porozumět sentimentu zákazníků, a je široce používáno značkami k hodnocení produktu nebo služby. Hodnocení hvězdičkami se obvykle poskytuje v rozmezí 1 až 5 hvězdiček, přičemž 1 označuje nejnižší úroveň spokojenosti zákazníků a 5 označuje nejvyšší. Hodnocení hvězdičkami někdy zahrnují také komentáře, které dodávají hodnocení další kontext.

Hodnocení hvězdičkami na Amazonu má také komentáře pro další kontext.

anděl číslo 700

NPS

NPS je kvantitativní metrika používaná k měření spokojenosti zákazníků a jejich sklonu doporučit značku rodině a přátelům. Čím vyšší hodnocení, tím vyšší loajalita zákazníků. Hodnocení NPS je často na stupnici od 0 do 10, přičemž 0 označuje nejnižší hodnocení a 10 nejvyšší.



Průzkum Sprout Social NPS o spokojenosti zákazníků. Ptá se zákazníka, jaká je pravděpodobnost, že doporučí značku rodině a přátelům na stupnici od 0 do 10, přičemž 10 je nejvyšší hodnocení.

Na rozdíl od hodnocení hvězdičkami nebo viralitou metriky NPS často seskupují zákazníky do tří kategorií na základě jejich hodnocení.

  • Pořadatelé (8–10): Jsou to spokojení zákazníci, kteří budou značku aktivně propagovat ústně, v recenzích nebo komentářích na sociálních sítích.
  • Pasiva (7-8): Tito zákazníci jsou spokojeni, ale není pravděpodobné, že budou propagovat produkt nebo službu.
  • Odpůrci (6-0): Jedná se o hluboce nespokojené zákazníky, kteří s největší pravděpodobností zveřejní negativní recenze a pravděpodobně odradí ostatní od uvažování o značce.

Skóre zákaznické spokojenosti (CSAT)

CSAT je metoda používaná k měření spokojenosti zákazníků s produkty nebo službami značky. Skóre CSAT se vypočítává měřením průměrného hodnocení poskytnutého zákazníky. Stupnice CSAT se mohou lišit, například mohou být mezi 1 a 10, přičemž 10 je nejvyšší nebo 1 a 5, přičemž 5 je nejvyšší úroveň zákaznické spokojenosti.

Průzkumy CSAT lze zasílat po transakci nebo pravidelně, aby bylo možné zjistit spokojenost zákazníků s celkovou značkou.

Průzkum CSAT od francouzské kosmetické značky Yves Rocher, který říká,"Based on your recent shopping experience, would you recommend the Yves Rocher website to your friends and family?"

Nové pokroky ve výpočtu skóre sentimentu

Tradiční výpočty jsou zaměřeny na kvantitativní metriky z klíčových ukazatelů výkonnosti (KPI). Ale abyste získali skutečně přesný obrázek o sentimentu značky, musíte do mixu přidat kvalitativní data z komentářů a zpětné vazby. Výzkum ukazuje, že i když většina podniků získala kladné hodnocení hvězdičkami mezi 80 % až 100 %, tato hodnocení se neodrážela na úspěchu podniku. Je to proto, že lidé obecně mají tendenci dávat vyšší pozitivní hodnocení, než je jejich skutečná zkušenost. To vede k moři kladných hodnocení, což číslo zkresluje směrem k vyššímu kladnému skóre.

Strojové učení (ML) a úkoly AI jako rozpoznávání pojmenovaných entit a zpracování přirozeného jazyka (NLP) pomáhají překonat tuto výzvu. Pomáhají vám porozumět sentimentu zákazníků více v kontextu a umožňují vám najít vzorce v názorech zákazníků v rámci odlivu a toku vnímání značky napříč časovými osami a kampaněmi.

Intenzita těžby sentimentu se liší v závislosti na použitých metodách. Tři hlavní jsou:

  • Analýza sentimentu založená na dokumentech

Tento přístup vám dává obecné pochopení negativního, pozitivního nebo neutrálního sentimentu v dokumentu. Používá se pro malé, nekomplikované datové sady.

  • Tématická analýza sentimentu

Tato metoda je jemnější a hodnotí sentiment podle tématu. Model ML identifikuje běžně se vyskytující témata a témata v datech a následně v nich analyzuje sentiment.

Tento přístup pomáhá obchodníkům pochopit, co se zákazníkům nebo široké veřejnosti na jejich značce líbí a nelíbí. Poskytuje tak relevantní a využitelné poznatky z recenzí, naslouchání na sociálních sítích nebo e-mailů a komentářů péče o zákazníky.

  • Analýza sentimentu založená na aspektech

Toto je nejpokročilejší metoda používaná pro dolování sentimentu. Analýza sentimentu založená na aspektech dále rozděluje témata, aby identifikovala a hledala v nich aspekty, a poté aplikuje sémantiku, aby poskytla úplnější obrázek o sentimentu zákazníků. Může například identifikovat aspekty jako „pokojová služba“, „obsluha baru“, „recepce“ nebo „parkování s obsluhou“ z tematické klasifikace „služby zákazníkům“ v datech zpětné vazby.

Tato granulární forma analýzy sentimentu přesně ukazuje značkám, co je třeba zlepšit, a poskytuje informace o strategiích potřebných ke zvýšení spokojenosti zákazníků.

Techniky zpracování dat používané k výpočtu skóre sentimentu

Výpočet skóre sentimentu pro použití v AI marketing závisí na mnoha úlohách zpracování dat prováděných automaticky modelem ML, jako jsou velké jazykové modely (LLM). Mezi tyto úkoly patří:

Tokenizace

Tokenizace je proces rozdělení textu na jednotlivá slova. Všechna interpunkční znaménka jsou odstraněna a textový řetězec je odstraněn na bloky slov. Například:

[ Pobyt byl pěkný, ale v mém pokoji byla zima a museli jsme hodiny čekat, než personál hotelu seřídí termostat, i když se hotel zdál prázdný. Když jsme se pokusili zavolat na recepci, abychom se zeptali, vypadali netrpělivě a hrubě.]

význam snu číslo 5

Normalizace textu

V této fázi jsou z dat odstraněny všechny duplicitní položky, takže nedochází k žádné datové anomálii. V tomto případě zůstane textový řetězec nezměněn, protože neexistuje žádná redundance.

[Pobyt byl pěkný, ale v mém pokoji byla zima a museli jsme hodiny čekat, než hotelový personál nastaví termostat, i když se hotel zdál prázdný Když jsme se pokusili zavolat na recepci, vypadali netrpělivě a drze]

Slovo pramenící

Odvození slov od slova se týká procesu redukce slova na jeho kořen. V tomto příkladu jsou slova „hours“ a „seemed“ převedena na „hour“ a „seem“.

[ Pobyt byl pěkný, ale v mém pokoji byla zima a museli jsme čekat hodina pro personál hotelu seřídit termostat i když hotel zdát se prázdný Když jsme se pokusili zavolat na recepci, aby se zeptali, vypadali netrpělivě a hrubě]

Odstranění zastavovacího slova

Všechna nadbytečná slova jsou odstraněna, takže jsou zachovány pouze pojmenované entity a slova označující emoce.

[ Pobyt byl pěkný Můj pokoj chladný a museli jsme Počkejte pro hodina pro hotelový personál nastavit termostat, i když hotel Zdá se, že prázdné Když jsme se pokusili zavolat recepce aby se zeptali zdáli netrpělivý a hrubý]

Výsledný zpracovaný text nyní zní: [ pěkný pokoj studený čekací hodina hotelový personál recepce netrpělivý hrubý ] .

Vzhledem k tomu, že každé slovo má v modelu ML číselný ekvivalent na základě stupnice jejich negativity nebo pozitivity, zpracovaná data vám poskytnou skóre na základě celkového průměru sentimentu. Při výpočtu pomocí metody Lexicon, pokud je slovu „hezký“ přiřazeno skóre 1 pro pozitivní, zatímco „netrpělivý“ je přiřazeno -0,05 a hrubý -0,7, výsledné skóre sentimentu pro recenzi by bylo -1, což odpovídá na negativní.

Konvenční přístupy k výpočtu skóre sentimentu

Existuje několik způsobů, jak vypočítat skóre sentimentu, nejběžnější je metoda Lexicon, která k měření sentimentu používá poměr 1:1. Pokud však jde o složitá data shromážděná z více zdrojů, jako je poslech na sociálních sítích nebo fóra pro hodnocení zákazníků, jsou zapotřebí pokročilejší techniky. Níže je uveden rozpis těchto metodik.

Metoda počítání slov

Nejjednodušší způsob, jak vypočítat skóre sentimentu, je založen na lexikonu nebo metodě počítání slov jako v příkladu výše. V této metodě je počet výskytů negativního sentimentu snížen oproti pozitivním výskytům.

Vzorec: # negativní slova – pozitivní slova = skóre sentimentu

andělská čísla 27

Příklad: 1 – 2 = -1.

Odvoz skóre sentimentu s délkou věty

Při této metodě odečteme počet kladných slov od záporných a výsledek vydělíme celkovým počtem slov v opakovací větě.

Vzorec: # záporných slov – # kladných slov děleno počtem slov = skóre sentimentu

Příklad: 1 – 2 / 42 = -0,0238095

Tento systém se často používá k pochopení delších recenzí a komentářů.

Vzhledem k tomu, že se tato metoda používá k analýze velkého množství dat, výsledná skóre mohou mít dlouhé zlomky. Když se to dělá v měřítku, může to mít za následek potíže s porovnáním a pochopením hodnot sentimentu. Abychom tento problém překonali, výsledné skóre se vynásobí jednotnou číslicí, takže hodnoty jsou větší, což usnadňuje srovnání.

Poměr kladných a záporných slov

Tato metodika je považována za nejvyváženější pro měření skóre sentimentu ve velkých datech. Celkový počet kladných slov se vydělí celkovým počtem záporných slov a poté se přičte jedním.

Vzorec: # kladných slov / # záporných slov + 1 = skóre sentimentu

Příklad: 1 / 2 + 1 = 0,33333

Čím delší je recenze, tím vyšší je počet kladných a záporných skóre. Tento přístup normalizuje celkovou délku textu, takže je zvláště užitečný při analýze recenzí různé délky. V této metodě je skóre sentimentu 1 nastaveno jako neutrální.

Jak počítáme skóre sentimentu ve společnosti Sprout

Sproutův sentimentový model využívá hluboké neuronové sítě (NN), a zejména velké jazykové modely. LLM fungují tak, že zvažují kontext celého bloku textu, čtou slova zleva doprava a zprava doleva pomocí Reprezentace obousměrného kodéru od společnosti Transformers (BERT) modely od Googlu.

Vzhledem k datové sadě již označených dokumentů LLM automaticky identifikuje slova, fráze a řazení slov/frází, které přispěly k tomu, že blok textu je označen jako pozitivní nebo negativní. Každému tokenu v bloku textu pak přiřadí váhu (číselnou hodnotu). Pomocí těchto vah určíme sentiment pro nový, neviditelný text a pravděpodobnost, že bude pozitivní, negativní nebo neutrální.

Význam skóre sentimentu pro značky

Skóre sentimentu vám pomůže kvantifikovat a vyhodnotit různé aspekty vaší značky, produktu a služeb, čímž poskytuje marketingovým týmům, týmům péče o produkty a zákazníky užitečné informace o tom, jak přesně mohou nasměrovat své strategie k úspěšné trajektorii.

Díky umělé inteligenci a strojovému učení existuje několik nástrojů, které eliminují dohady a během několika minut vám poskytnou přesný obrázek o náladě vaší značky. Podívejte se na tyto nástroje pro analýzu sentimentu připravili jsme, abychom prozkoumali, jak můžete restartovat strategii značky.

Sdílej Se Svými Přáteli: