Social-Media-Stimmungsanalyse

Sprachverarbeitung - Computer, die lesen und interpretieren

Social Media ist zu einem integralen Bestandteil der Interaktion und Kommunikation von Menschen geworden. Täglich werden Milliarden von Nachrichten über mehrere Plattformen übertragen, sei es durch öffentliche Beiträge oder direkte Nachrichten. Öffentliche Personen, Organisationen und andere Einrichtungen haben Stellungnahmen und Meinungen zu verschiedenen Themen geteilt und den öffentlichen Diskurs in der Allgemeinheit direkt beeinflusst. Angesichts der riesigen Menge an Kommentaren und Nachrichten, die an Social-Media-Kontakte gerichtet sind, ist es möglich, die allgemeine Stimmung zu erkennen.

Es besteht die Möglichkeit, die auf Makroebene über soziale Medien geäußerte Stimmung zu messen. Dieser Artikel untersucht künstliche Intelligenz und ihre Anwendung auf soziale Medien und andere textbasierte Informationsquellen, die sentimentale Untertöne enthalten, und deren Implementierung in Ihrer Organisation.

Lösung des Problems durch Künstliche Intelligenz

Systeme zur Stimmungsanalyse erzeugen bei der Eingabe von Texteingaben in der Regel die folgenden typischen Ausgaben, die eine kategorische Interpretation des zugrunde liegenden Textes liefern:

  • Positiv - Der Textinhalt ist von einem positiven Unterton und Sentimentalität geprägt
  • Neutral - Textinhalt hat einen negativen Unterton und eine negative Sentimentalität
  • Negativ - Textinhalt hat einen negativen Unterton und eine negative Sentimentalität

Es ist wichtig zu beachten, dass Menschen die Lexika über viele Jahre kuratiert haben, was betont, dass hochwertige Daten erforderlich sind, damit Systeme der künstlichen Intelligenz gut funktionieren und die gewünschten Ziele erreichen.

Überblick über die organisatorische Herausforderung

Angesichts mehrerer Kommunikationsendpunkte und der Größe von Organisationen ist es schwierig, die Stimmung innerhalb einer Organisation zu verfolgen. Mitarbeiter und Kunden können über verschiedene Regionen, Gebiete oder Abteilungen verstreut sein, wobei Stakeholder und Kunden eine positive Stimmung zum Ausdruck bringen, während andere eine negative Stimmung repräsentieren. Daher ist es schwierig, die Stimmung über das gesamte Spektrum einer Organisation hinweg zu bestimmen.

Es ist unerlässlich, die allgemeine organisatorische Wahrnehmung sowohl intern als auch extern zu verstehen. Traditionell haben Umfragen diese Funktion übernommen, obwohl diese verzerrt sein können, je nachdem, welche Personen motiviert sind, sie auszufüllen. Die Nutzung von Social Media und anderen Datenquellen kann zum Verständnis der organisatorischen Stimmung beitragen. Als Beispiel dient eine multinationale und weithin anerkannte Bekleidungsmarke wie Adidas, die in mehreren Ländern tätig ist, Geschäfte in verschiedenen Sprachen über viele unterschiedliche kulturelle Hintergründe hinweg betreibt. Über verschiedene Regionen hinweg werden wahrscheinlich unterschiedliche Stimmungslagen beobachtet. Die Identifizierung negativer Stimmungen ist ein guter Weg, um deren Ursachen zu beheben, was zu mehr Verkäufen und somit zu einer Steigerung des Gewinns führt.

Als AI-Eingabe verfügbare organisatorische Daten

Die folgende Liste zeigt potenzielle Datenquellen, die als Mittel der Stimmungsanalyse genutzt werden können:

  • Social-Media-Plattformen einschließlich Facebook, Twitter, Instagram, TikTok
  • Kundenbeziehungsmanagementsysteme, einschließlich Salesforce, Microsoft CRM
  • Organisatorische E-Mails und Briefe, die zwischen Mitarbeitern und Kunden versendet werden
  • Callcenter-Systeme wie Cisco und Google Voice sind in der Lage, Transkriptionen von Konversationen bereitzustellen
  • Bewertungsaggregatoren wie Google- und Facebook-Bewertungen, die gelistete Unternehmen zwischen 1 und 5 Sternen einstufen

Bei der Kombination von Informationen aus mehreren Quellen treten einige Datenprobleme auf. Ein offensichtliches Problem ist die genaue Verknüpfung von Kunden über verschiedene Datensätze hinweg. In dieser Fallstudie schlagen wir vor, sie als unabhängige Einheiten zu behandeln, um die aggregierte Stimmung über eine gesamte Organisation hinweg zu ermitteln und nicht auf individueller Ebene. Angesichts der Länge der Texteingabe müssen Datenstrukturen sowohl im Datenbankschema als auch in den verschiedenen Skripten, die zur Verarbeitung der Daten selbst verwendet werden, sorgfältig ausgewählt werden.

Integrationsmethodik

Im Folgenden finden Sie einen Überblick über den Prozess, den wir auf einer hohen Ebene durchführen würden, um Textquellen innerhalb einer Organisation zu analysieren:

  1. Identifizieren Sie Textreferenzen und die Systeme, die sie erfassen, und bestimmen Sie, welcher Text ein geeigneter Kandidat für die Analyse ist.
  2. Extrahieren Sie Textquellen über REST-APIs und übermitteln Sie diese an einen Cloud-Computing-Anbieter zur Echtzeitanalyse.
  3. Leiten Sie die Feeds durch Telemus AI™ und geben Sie erweiterte Videofeeds an das Sicherheitsüberwachungssystem zurück
  4. Richten Sie benutzerdefinierte Warnungen für das Sicherheitspersonal ein, basierend auf dem, was erkannt wird

Da Telemus AI™ den Großteil der Arbeit übernimmt, kann sich die Organisation auf die Geschäftslogik und die Interpretation der Ergebnisse konzentrieren statt auf die technische Implementierung.

Organisatorische Anwendungen

Die folgende Liste zeigt weitere potenzielle Anwendungen für Ihre Organisation:

  • Scannen Sie Online-Social-Media-Endpunkte in einer gesamten Organisation und bestimmen Sie die allgemeine Stimmung.
  • Überwachen von Kundennotizen in CRM-Systemen wie Salesforce, um den Inhalt der Notizen zu bestimmen.
  • Scannen von E-Mails, um eine aggregierte Gesamtkennzahl der Stimmung in einer gesamten Organisation zu erhalten.
  • Automatische Verarbeitung von Transkripten von Telefonkonversationen und Identifizierung sowohl positiver als auch negativer Kundenerfahrungen.
  • Scannen des Feedbacks, das auf Bewertungsaggregator-Websites hinterlassen wurde, sowie der Bewertung.
  • Automatische Erkennung von über digitale Medien ausgeübtem antisozialem Verhalten und dessen Bekämpfung, bevor es eskaliert, was zu einer verbesserten Nutzererfahrung führt.

Da Organisationen typischerweise Zugriff auf viele Datenquellen haben, empfehlen wir, diese in einen Data Lake zu übergeben, bevor sie in ein Künstliches Intelligenz-System eingespeist werden; dies trägt dazu bei, Wiederholbarkeit und Prüfbarkeit sicherzustellen.

Potenzielle und realisierte Vorteile

Ein detaillierteres Verständnis der allgemeinen Wahrnehmung einer Organisation sowohl intern als auch extern bietet erhebliche Vorteile bei der proaktiven Gestaltung von Beziehungen. Die Interpretation und Umsetzung von Feedback kann ein besseres Produkt oder eine bessere Dienstleistung für Aktionäre und Kunden bieten. In einer zunehmend digitalen Welt müssen Organisationen verstehen, was ihr digitaler Fußabdruck über sie aussagt. Ein tieferes Verständnis der demografischen Zusammensetzung der Herkunftsorte solchen Feedbacks kann ebenfalls dazu beitragen, die Erfahrungen für alle zu verbessern.

Telemus AI™ ist ein australisches Unternehmen für künstliche Intelligenz, das fortschrittliche Lösungen für Regierung und Unternehmen bietet. Kontaktieren Sie uns noch heute für eine kostenlose Beratung, wie Telemus AI™ in Ihre Organisation eingebettet werden kann.

Mehr entdecken AI-Fallstudien