Traditionele methoden zoals sterbeoordelingen en net promoter scores (NPS) zijn bekende manieren waarop we de klanttevredenheid kwantificeren. Maar dit is slechts het topje van de ijsberg als het gaat om het klantsentiment.



Geavanceerde technologieën zoals sentiment analyse helpen u verder te gaan dan numerieke statistieken door kwalitatieve gegevens te analyseren, zoals reacties op sociale media, enquêtereacties en beoordelingen. Deze benadering voor het berekenen van een sentimentscore geeft u een genuanceerder inzicht in de mening van klanten en een poolster voor het verbeteren van uw aanbod en merkstrategieën.



Lees verder om te ontdekken wat een sentimentscore is, de vooruitgang bij het berekenen van sentimentscores en hoe we dit bij Sprout doen.

Wat is een sentimentscore?

Een sentimentscore kwantificeert het sentiment of de emotie die wordt uitgedrukt in kwalitatieve gegevens zoals klantfeedback of luisteren naar sociale media. Het wordt berekend via het proces van sentimentanalyse en gemeten binnen het bereik van -1 tot 1. Negatieve één is het hoogste negatieve sentiment, waarbij 0 een neutraal sentiment aangeeft en +1 het hoogste positieve sentiment aangeeft.

Toelichtingskaart die de sentimentscore definieert. Het zegt,"A sentiment score quantifies the sentiment or emotion expressed in qualitative data such as customer feedback or social media listening. "

Sentimentscores informeren u of de marktopinie van uw merk positief, negatief of neutraal is. Verdere analyse van de gegevens geeft u een diepgaand inzicht in hoe u verschillende aspecten van uw bedrijf kunt verbeteren, zoals klantenservice, marketinginhoud, producten en after-sales service, om ervoor te zorgen dat u merkloyaliteit en bedrijfsgroei koestert.

Traditionele benaderingen om het klantsentiment te begrijpen

De traditionele benaderingen van analyse van het klantsentiment hebben zich vooral gebaseerd op kwantitatieve maatstaven. Deze omvatten:

Viraliteit

Viraliteit verwijst naar het totale aantal sociale media-engagementen, zoals likes, shares en reacties die uw inhoud of campagne heeft ontvangen. Viraliteit wordt traditioneel gebruikt als een indicator van hoe goed uw merk, campagne of marketinginhoud resoneert met uw doelgroep en het grote publiek. Het geeft een algemeen beeld van de voorkeuren van klanten, zodat u weloverwogen marketingbeslissingen kunt nemen en uw strategieën dienovereenkomstig kunt aanpassen.



Sterrenwaardering

Een sterbeoordeling is een populaire methode om het klantsentiment te begrijpen en wordt veel gebruikt door merken om een ​​product of dienst te beoordelen. Sterbeoordelingen worden doorgaans gegeven binnen een bereik van 1 tot 5 sterren, waarbij 1 het laagste niveau van klanttevredenheid aangeeft en 5 het hoogste niveau. Soms bevatten sterbeoordelingen ook opmerkingen die extra context aan de beoordeling toevoegen.

812 nummer

De sterbeoordeling op Amazon bevat ook opmerkingen voor extra context.

NPS

NPS is een kwantitatieve maatstaf die wordt gebruikt om de klanttevredenheid te meten en de neiging van een klant om het merk aan te bevelen aan familie en vrienden. Hoe hoger de beoordeling, hoe hoger de klantenloyaliteit. NPS-beoordelingen liggen vaak op een schaal van 0 tot 10, waarbij 0 de laagste beoordeling betekent en 10 de hoogste.



Een Sprout Social NPS Onderzoek over klanttevredenheid. Er wordt aan de klant gevraagd hoe waarschijnlijk het is dat hij het merk zal aanbevelen aan familie en vrienden, op een schaal van 0 tot 10, waarbij 10 de hoogste beoordeling is.

In tegenstelling tot sterbeoordelingen of viraliteit groeperen NPS-statistieken klanten vaak in drie categorieën op basis van hun beoordelingen.

  • Promotors (8–10): Dit zijn tevreden klanten die het merk actief promoten via mond-tot-mondreclame, in recensies of reacties op sociale media.
  • Passieven (7-8): Deze klanten zijn tevreden, maar zullen het product of de dienst waarschijnlijk niet promoten.
  • Tegenstanders (6-0): Dit zijn zeer ontevreden klanten die hoogstwaarschijnlijk negatieve recensies zullen plaatsen en die anderen er waarschijnlijk van zullen weerhouden het merk te overwegen.

Klanttevredenheidsscore (CSAT)

CSAT is een methode om te meten hoe tevreden klanten zijn over de producten of diensten van een merk. CSAT-scores worden berekend door de gemiddelde beoordeling te meten die klanten geven. CSAT-schalen kunnen variëren, bijvoorbeeld tussen 1 en 10, waarbij 10 het hoogste niveau is, of 1 en 5, waarbij 5 het hoogste niveau van klanttevredenheid is.

CSAT-enquêtes kunnen na een transactie of periodiek worden verzonden om inzicht te krijgen in de klanttevredenheid over het merk als geheel.

Een CSAT-enquête van het Franse cosmeticamerk Yves Rocher zegt:"Based on your recent shopping experience, would you recommend the Yves Rocher website to your friends and family?"

Nieuwe verbeteringen bij het berekenen van de sentimentscore

Traditionele berekeningen zijn gericht op kwantitatieve maatstaven van Key Performance Indicators (KPI's). Maar om een ​​echt nauwkeurig beeld te krijgen van het merksentiment, moet je kwalitatieve gegevens uit opmerkingen en feedback aan de mix toevoegen. Onderzoek laat zien dat zelfs als de meeste bedrijven positieve sterbeoordelingen tussen 80% en 100% kregen, deze beoordelingen geen weerspiegeling waren van het succes van het bedrijf. Dit komt omdat mensen over het algemeen de neiging hebben om hogere positieve beoordelingen te geven dan hun werkelijke ervaring. Dit leidt tot een zee van positieve beoordelingen, waardoor het cijfer naar een hogere positieve score verschuift.

Machine learning (ML) en AI-taken zoals benoemde entiteitsherkenning En natuurlijke taalverwerking (NLP) helpen deze uitdaging te overwinnen. Ze helpen u het klantsentiment contextueel te begrijpen, waardoor u patronen in de meningen van klanten kunt vinden binnen de eb en vloed van merkperceptie over tijdlijnen en campagnes heen.

De intensiteit van sentimentmining varieert afhankelijk van de gebruikte methoden. De drie belangrijkste zijn:

  • Op documenten gebaseerde sentimentanalyse

Deze aanpak geeft u een algemeen inzicht in het negatieve, positieve of neutrale sentiment in een document. Het wordt gebruikt voor kleine, ongecompliceerde datasets.

  • Op onderwerp gebaseerde sentimentanalyse

Deze methode is genuanceerder en beoordeelt het sentiment per onderwerp. Het ML-model identificeert veelvoorkomende onderwerpen en thema’s in de data en analyseert vervolgens het sentiment daarin.

Deze aanpak helpt marketeers te begrijpen wat klanten, of het grote publiek, leuk en niet leuk vinden aan hun merk. Zo worden relevante, bruikbare inzichten verkregen uit recensies, luisteren naar sociale media of e-mails en opmerkingen over de klantenservice.

  • Aspectgebaseerde sentimentanalyse

Dit is de meest geavanceerde methode die wordt gebruikt voor sentimentmining. Aspectgebaseerde sentimentanalyse De onderwerpen worden verder opgesplitst om bepaalde aspecten ervan te identificeren en te zoeken, en vervolgens semantiek wordt toegepast om een ​​completer beeld van het klantensentiment te krijgen. Het kan bijvoorbeeld aspecten als ‘roomservice’, ‘barbediende’, ‘receptie’ of ‘valetparking’ identificeren uit een onderwerpclassificatie over ‘klantenservice’ in de feedbackgegevens.

Deze gedetailleerde vorm van sentimentanalyse geeft merken precies aan wat er moet worden verbeterd en informeert de strategieën die nodig zijn om de klanttevredenheid te vergroten.

Gegevensverwerkingstechnieken die worden gebruikt om sentimentscores te berekenen

Een sentimentscore berekenen voor gebruik in AI-marketing is afhankelijk van veel gegevensverwerkingstaken die automatisch worden uitgevoerd door een ML-model, zoals grote taalmodellen (LLM). Deze taken omvatten:

444 betekent numerologie

Tokenisatie

Tokenisatie is het proces waarbij de tekst in afzonderlijke woorden wordt opgedeeld. Alle leestekens worden verwijderd en de tekstreeks wordt uitgekleed tot woordblokken. Bijvoorbeeld:

[ Het verblijf was leuk, maar mijn kamer was koud en we moesten uren wachten totdat het hotelpersoneel de thermostaat had aangepast, ook al leek het hotel leeg. Toen we de receptie probeerden te bellen om te informeren, leken ze ongeduldig en onbeleefd]

Normalisatie van tekst

In deze fase worden alle dubbele vermeldingen uit de gegevens verwijderd, zodat er geen sprake is van gegevensafwijking. In dit geval blijft de tekstreeks ongewijzigd omdat er geen redundantie is.

[Het verblijf was leuk, maar mijn kamer was koud en we moesten uren wachten totdat het hotelpersoneel de thermostaat had aangepast, ook al leek het hotel leeg. Toen we de receptie probeerden te bellen om te informeren, leken ze ongeduldig en onbeschoft.]

Woordstam

Woordstamming verwijst naar het proces waarbij een woord tot de wortel wordt herleid. In dit voorbeeld worden de woorden ‘uren’ en ‘leek’ omgezet in ‘uur’ en ‘lijken’.

[ Het verblijf was leuk, maar mijn kamer was koud en we moesten wachten uur voor het hotelpersoneel om de thermostaat aan te passen, ook al is het hotel aanwezig lijken leeg Toen we de receptie probeerden te bellen om te informeren, leken ze ongeduldig en onbeleefd]

Verwijdering van stopwoorden

Alle overbodige woorden worden geëlimineerd, zodat alleen benoemde entiteiten en woorden die emoties aanduiden, behouden blijven.

[Het verblijf was Leuk Mijn kamer koud en wij moesten wachten voor uur voor de hotel personeel om de thermostaat aan te passen, ook al is de hotel lijken leeg Toen we probeerden de receptie om te informeren leken ze ongeduldig en onbeleefd]

De resulterende verwerkte tekst luidt nu: [ mooie kamer koud wachtuur hotelpersoneel receptie ongeduldig onbeschoft ] .

Omdat elk woord een numeriek equivalent heeft in het ML-model op basis van de schaal van hun negativiteit of positiviteit, geven de verwerkte gegevens u een score op basis van het totale sentimentgemiddelde. Als het woord 'aardig' wordt berekend met de Lexicon-methode en de score 1 krijgt voor positief, terwijl 'ongeduldig' -0,05 en grof -0,7 wordt toegekend, zou de resulterende sentimentscore voor de recensie -1 zijn, wat neerkomt op naar negatief.

Conventionele benaderingen voor het berekenen van sentimentscores

Er zijn meerdere manieren om een ​​sentimentscore te berekenen. De meest voorkomende is de Lexicon-methode, die een verhouding van 1:1 gebruikt om het sentiment te meten. Als het echter gaat om complexe gegevens die uit meerdere bronnen zijn verzameld, zoals het luisteren naar sociale media of forums voor klantrecensies, zijn er meer geavanceerde technieken nodig. Hieronder vindt u een overzicht van deze methodieken.

Methode voor het tellen van woorden

De eenvoudigste manier om de sentimentscore te berekenen is gebaseerd op de lexicon- of woordentelmethode, zoals in het bovenstaande voorbeeld. Bij deze methode wordt het aantal negatieve sentimentvoorvallen verminderd ten opzichte van het positieve.

Formule: # negatieve woorden – positieve woorden = sentimentscore

bijbelse betekenis van 300

Voorbeeld: 1 – 2 = -1.

Gevoelsscore afleiden met de lengte van de zin

Bij deze methode trekken we het aantal positieve woorden af ​​van de negatieve woorden en delen we het resultaat door het totale aantal woorden in de recensiezin.

122 engel nummer liefde

Formule: # negatieve woorden – # positieve woorden gedeeld door het aantal woorden = sentimentscore

Voorbeeld: 1 – 2 / 42 = -0,0238095

Dit systeem wordt vaak gebruikt om langere recensies en opmerkingen te begrijpen.

Omdat deze methode wordt gebruikt om grote hoeveelheden gegevens te analyseren, kunnen de resulterende scores lange fracties opleveren. Als dit op grote schaal wordt gedaan, kan dit ertoe leiden dat het moeilijk is de sentimentwaarden te vergelijken en te begrijpen. Om deze uitdaging het hoofd te bieden, worden de resulterende scores vermenigvuldigd met een enkel cijfer, zodat de waarden groter zijn, waardoor vergelijking eenvoudiger wordt.

Verhouding tussen positieve en negatieve woordenaantallen

Deze methodologie wordt als de meest evenwichtige beschouwd voor het meten van de sentimentscore in big data. Het totaal aantal positieve woorden wordt gedeeld door het totaal aantal negatieve woorden en vervolgens met één opgeteld.

Formule: # positieve woorden / # negatieve woorden + 1 = sentimentscore

Voorbeeld: 1 / 2 + 1 = 0,33333

Hoe langer de beoordeling, hoe hoger het aantal positieve en negatieve scores. Deze aanpak normaliseert de totale lengte van de tekst, waardoor deze vooral nuttig is bij het analyseren van recensies van verschillende lengtes. Bij deze methode wordt een sentimentscore van 1 als neutraal ingesteld.

Hoe we sentimentscores berekenen bij Sprout

Het sentimentmodel van Sprout maakt gebruik van diepe neurale netwerken (NN’s), en in het bijzonder van grote taalmodellen. LLM's werken door de context van het hele tekstblok te beschouwen, waarbij de woorden van links naar rechts en van rechts naar links worden gelezen met behulp van de Bidirectionele encoderrepresentaties van Transformers (BERT) modellen van Google.

Gegeven een dataset van reeds gelabelde documenten, identificeert een LLM automatisch de woorden, zinsdelen en woord-/zinvolgorde die ertoe hebben bijgedragen dat een tekstblok als positief of negatief is getagd. Vervolgens kent het een gewicht (numerieke waarde) toe aan elk token in een tekstblok. Met deze berekende gewichten bepalen we het sentiment voor nieuwe, ongeziene tekst en de waarschijnlijkheid dat deze positief, negatief of neutraal is.

Het belang van sentimentscore voor merken

Sentimentscores helpen u bij het kwantificeren en evalueren van verschillende aspecten van uw merk, product en diensten, waardoor marketing-, product- en klantenserviceteams bruikbare inzichten krijgen in hoe zij hun strategieën precies in de richting van een succesvol traject kunnen sturen.

Dankzij AI en machine learning zijn er meerdere tools die giswerk elimineren en u binnen enkele minuten een nauwkeurig beeld geven van uw merksentiment. Bekijk deze eens tools voor sentimentanalyse we hebben samengesteld om te onderzoeken hoe u uw merkstrategie opnieuw kunt opstarten.

Deel Het Met Je Vrienden: