Автор Вивек Гупта

Экспоненциальный рост неструктурированных данных в последние годы побудил компании использовать подход, основанный на данных, для генерации практических идей. Такие отрасли, как путешествия и гостиничный бизнес, во многом зависят от данных отзывов пользователей для выявления проблемных областей, измерения успеха и принятия стратегических решений. Понимание настроений, выраженных в этих отзывах пользователей, - первый шаг к улучшению качества обслуживания клиентов. Вот где анализ тональности, основанный на обработке естественного языка (NLP), может принести огромную пользу.

Анализ настроений автоматически анализирует отзывы о продуктах / услугах и определяет выраженные в них настроения или мнения. В случаях, когда входными данными является текст, выявленные настроения могут быть положительными, отрицательными или нейтральными. Если входными данными является голос, настроения могут варьироваться в зависимости от широкого диапазона эмоций - счастья, грусти, злости, разочарования и т. Д. Следовательно, методы, используемые для определения настроений, зависят от типа доступных данных и требуют разработки соответствующих подходов к моделированию. . В этом блоге рассказывается, как американская авиакомпания из списка Fortune 500 перешла от ручной обработки отзывов пользователей к автоматизированной архитектуре анализа настроений, чтобы понять проблемы пользователей и улучшить процесс принятия решений.

Удовлетворение потребностей бизнеса с помощью анализа тональности на основе аспектов

Авиакомпания собирает большие объемы отзывов пользователей, охватывающих различные области, такие как обслуживание персонала, еда и напитки, комфорт сидений, развлечения в полете и т. Д. Однако им было трудно управлять растущими объемами данных отзывов из различных источников (таких как социальные сети и Интернет). форумы) и сопоставить их анализ с внешними наборами данных, такими как погода. Они хотели автоматизировать процесс анализа и разрешения каждого отзыва клиента.

Команда Impetus разработала решение для анализа настроений на основе аспектов, чтобы анализировать текст из отзывов клиентов и извлекать значимую информацию, такую ​​как интересующие темы (аспекты) и контекст (настроения).

Возможности решения включают:

· Анализ разнородных источников текстовых данных

· Интеграция данных клиентов с внешними наборами данных

· Извлечение аспектов из консолидированного репозитория и фильтрация нерелевантных аспектов

· Расчет полярности / настроений на основе отзывов клиентов

Извлечение полезной информации из нескольких наборов данных

Входные наборы данных решения включали отзывы пользователей, собранные членами бригады, отзывы по электронной почте, данные опросов, собранные группами обслуживания клиентов, и твиты. Эти обзоры содержали несколько предложений, которые были разбиты на части, чтобы охватить все аспекты и связанные с ними настроения. Затем был создан консолидированный репозиторий всех отзывов пользователей, и были выполнены следующие шаги:

· Извлечение аспектов:

- Собранные данные из всех источников для создания 360-градусного обзора

- Предварительно обработанные данные для фильтрации стоп-слов / символов, отличных от ASCII.

- Прикладной Стэнфордский парсер для извлечения словосочетаний

- Прикладной анализ рыночной корзины для извлечения часто появляющихся пар аспектов

- Сохранены аспекты, частота которых была выше поддерживаемого порога, а остальные отброшены.

· Анализ мнений / настроений:

- Прикладной анализатор зависимостей от губернатора Стэнфорда для генерации пар аспектов, зависящих от губернатора, для каждого обзора.

- Присваивал аспекту полярное слово в тех случаях, когда управляющий был аспектом, а зависимый - полярным словом (или наоборот)

- Изменена полярность / тональность аспекта в тех случаях, когда полярное слово зависело от отрицательного слова

- Назначил полярность / тональность аспектов для отзывов пользователей.

Получение стратегических преимуществ для бизнеса

Решение для анализа настроений на основе НЛП позволило авиакомпании реализовать ряд преимуществ для бизнеса. Они смогли легко классифицировать настроения клиентов и определять аспекты в зависимости от маршрута. Кроме того, они могут отслеживать неструктурированные отзывы потребителей и своевременно реагировать на них. Это, в свою очередь, помогло авиакомпании лучше понять мнение клиентов и эффективно улучшить определенные аспекты обслуживания клиентов.

Это лишь один из примеров того, как анализ настроений может помочь предприятиям эффективно получить более глубокое понимание бизнеса, решить проблемы клиентов, избежать оттока клиентов и повысить рост и прибыльность. Impetus Technologies помогла нескольким предприятиям из списка Fortune 1000 разработать передовые аналитические решения и модели машинного обучения для огромных объемов данных. Наши проверенные методы могут помочь вам превратить петабайты необработанных данных в полезные аналитические данные для достижения важных бизнес-результатов. Чтобы узнать больше, свяжитесь с нами сегодня.