پردازش زبان - کامپیوترهایی که میخوانند و تفسیر میکنند
رسانههای اجتماعی به بخشی جداییناپذیر از نحوه تعامل و ارتباط افراد تبدیل شدهاند. میلیاردها پیام روزانه در پلتفرمهای متعدد منتقل میشوند، چه به صورت عمومی ارسال شوند و چه پیام مستقیم داده شود. چهرههای عمومی، سازمانها و سایر نهادها بیانیهها و نظرات مرتبط با موضوعات مختلف را به اشتراک گذاشته و گفتمان عمومی را در میان عموم مردم هدایت میکنند. با توجه به حجم عظیم نظرات و پیامهای ارسالشده به سمت حسابهای رسانههای اجتماعی، امکان تشخیص احساسات کلی وجود دارد.
فرصتی برای سنجش احساسات بیانشده در یک سطح کلان از طریق رسانههای اجتماعی وجود دارد. این مقاله به بررسی هوش مصنوعی و کاربرد آن در رسانههای اجتماعی و سایر منابع اطلاعات متنی که دارای زیربنای احساسی هستند و نحوه اجرای آن در سازمان شما میپردازد.
حل مسئله از طریق هوش مصنوعی
سیستمهای تحلیل احساسات معمولاً خروجیهای معمول زیر را هنگامی که ورودیهای متنی دریافت میکنند تولید میکنند که یک تفسیر دستهای از متن زیربنایی ارائه میدهد:
- مثبت - محتوای متنی دارای لحن و احساسات مثبت است
- خنثی - محتوای متنی دارای لحن منفی و احساساتی است
- منفی - محتوای متنی دارای لحن و احساسات منفی است
مهم است توجه داشت که افراد طی سالیان زیاد واژگان را گردآوری کردهاند، که این تأکید میکند که دادههای باکیفیت برای سیستمهای هوش مصنوعی برای عملکرد خوب و دستیابی به اهداف مطلوب مورد نیاز هستند.
نمای کلی از چالش سازمانی
با توجه به وجود نقاط پایانی ارتباطی متعدد و اندازه آنچه سازمانها اداره میکنند، ردیابی احساسات در سراسر یک سازمان دشوار است. کارکنان و مشتریان ممکن است در مناطق، حوزهها یا دپارتمانهای مختلف پراکنده باشند، که در آن ذینفعان و مشتریان احساسات مثبتی ابراز میکنند در حالی که دیگران احساسات منفی را نشان میدهند. بنابراین، تعیین احساسات در سراسر طیف کامل عملیات یک سازمان دشوار است.
درک درکهای سازمانی کلی هم به صورت داخلی و هم به صورت خارجی ضروری است. به طور سنتی، نظرسنجیها این عملکرد را بر عهده داشتهاند، اگرچه اینها میتوانند بر اساس افرادی که انگیزه پر کردن آنها را دارند سوگیری داشته باشند. استفاده از رسانههای اجتماعی و سایر منابع داده میتواند به درک احساسات سازمانی کمک کند. به عنوان مثال، یک برند پوشاک چندملیتی و شناختهشده مانند Adidas، با حضور در چندین کشور که به زبانهای مختلف در بسیاری از پیشینههای فرهنگی متفاوت تجارت میکنند. سطوح مختلفی از احساسات به احتمال زیاد در مناطق مختلف مشاهده خواهد شد. شناسایی احساسات منفی راه خوبی برای رفع علل آن است که منجر به فروش بیشتر و در نتیجه کمک به سودآوری میشود.
دادههای سازمانی موجود به عنوان ورودی AI
فهرستهای زیر منابع داده بالقوهای را نشان میدهند که میتوانند به عنوان ابزاری برای تحلیل احساسات استفاده شوند:
- پلتفرمهای رسانههای اجتماعی از جمله Facebook، Twitter، Instagram، TikTok
- سیستمهای مدیریت ارتباط با مشتری از جمله Salesforce، Microsoft CRM
- ایمیلها و نامههای سازمانی ارسالشده بین کارکنان و مشتریان
- سیستمهای مرکز تماس مانند Cisco و Google Voice قادر به ارائه رونوشت مکالمات هستند
- تجمیعکنندگان نظرات مانند نظرات Google و Facebook که کسبوکارهای فهرستشده را بین ۱ تا ۵ ستاره رتبهبندی میکنند
هنگام ترکیب اطلاعات از چندین منبع، برخی مسائل دادهای نمایان میشوند. یک مشکل بدیهی نحوه پیوند دادن دقیق مشتریان در میان مجموعههای دادههای مختلف است. در این مطالعه موردی، پیشنهاد میکنیم آنها را به عنوان موجودیتهای مستقل در نظر بگیریم تا احساسات تجمعی در سراسر یک سازمان کامل کشف شود و نه در سطح فردی هدفگذاری شود. با توجه به طول ورودی متنی، ساختارهای داده باید هم در طرحواره پایگاه داده و هم در اسکریپتهای مختلف مورد استفاده برای پردازش خود دادهها با دقت انتخاب شوند.
روشولوژی یکپارچهسازی
در ادامه یک مرور کلی از فرآیندی که ما در سطح کلان برای تحلیل منابع متنی در یک سازمان انجام میدهیم آورده شده است:
- شناسایی ارجاعات متنی و سیستمهایی که آنها را ثبت میکنند، تعیین اینکه کدام متن کاندیدای مناسبی برای تحلیل است
- استخراج منابع متنی از طریق REST APIها و ارسال آنها به یک ارائهدهنده رایانش ابری برای تحلیل در زمان واقعی
- فیدها را از طریق Telemus AI™ اجرا کنید و فیدهای ویدیویی افزودهشده را به سیستم نظارت امنیتی بازگردانید
- راهاندازی هشدارهای سفارشی برای پرسنل امنیتی بر اساس آنچه شناسایی میشود
با توجه به اینکه Telemus AI™ بیشتر کارها را انجام میدهد، سازمان میتواند به جای پیادهسازی فنی، بر منطق کسبوکار و تفسیر نتایج تمرکز کند.
کاربردهای سازمانی
فهرست زیر سایر کاربردهای بالقوه برای سازمان شما را نشان میدهد:
- نقاط پایانی رسانههای اجتماعی آنلاین را در سراسر یک سازمان اسکن کنید و احساسات کلی را تعیین کنید.
- یادداشتهای مشتریان را در سیستمهای CRM مانند Salesforce نظارت کنید تا محتوای یادداشتها را تعیین کنید.
- اسکن ایمیلها برای به دست آوردن یک معیار تجمعی کلی از احساسات در سراسر یک سازمان.
- متنهای پیادهسازی شده مکالمات تلفنی را به طور خودکار پردازش کرده و تجربیات مثبت و منفی مشتریان را شناسایی کنید.
- اسکن بازخوردی که در وبسایتهای جمعآوری نقد و بررسی باقی مانده و همچنین امتیازگذاری.
- تشخیص خودکار رفتارهای ضداجتماعی انجامشده از طریق رسانههای دیجیتال و مقابله با آنها پیش از تشدید شدن، که منجر به بهبود تجربه کاربری میشود.
از آنجا که سازمانها معمولاً به منابع دادهای زیادی دسترسی دارند، توصیه میکنیم قبل از وارد کردن آنها به یک سیستم هوش مصنوعی، آنها را به یک دریاچه داده منتقل کنید؛ این به تضمین تکرارپذیری و قابلیت حسابرسی کمک خواهد کرد.
مزایای بالقوه و محققشده
درک دقیقتر از دیدگاههای کلی یک سازمان هم در داخل و هم در خارج، مزایای قابلتوجهی در مدیریت پیشگیرانه روابط به همراه دارد. تفسیر و اقدام بر اساس بازخوردها میتواند محصول یا خدمات بهتری را برای سهامداران و مشتریان فراهم کند. در دنیایی که روزبهروز دیجیتالتر میشود، سازمانها باید درک کنند که ردپای دیجیتال آنها چه چیزی دربارهشان میگوید. درک بیشتر از ترکیب جمعیتشناختی مناطقی که چنین بازخوردهایی از آنها وارد میشود نیز میتواند به بهبود تجربهها برای همه کمک کند.
Telemus AI™ یک شرکت هوش مصنوعی مستقر در استرالیا است که راهحلهای پیشرفتهای به دولت و سازمانها ارائه میدهد. همین امروز با ما تماس بگیرید تا مشاوره رایگان در مورد نحوه ادغام Telemus AI™ در سازمان خود دریافت کنید.
