Kielen käsittely – Tietokoneet, jotka lukevat ja tulkitsevat

Sentimenttianalyysijärjestelmät tuottavat yleensä seuraavat tyypilliset tulosteet, kun niille annetaan tekstimuotoisia syötteitä, jotka antavat kategorisen tulkinnan taustalla olevasta tekstistä:

• Positiivinen - Tekstisisältö on positiivista sävyä ja sentimentaalisuutta
• Neutraali - Tekstisisältö on negatiivista sävyä ja tunnesävyä
• Negatiivinen - Tekstisisältö on negatiivista sävyä ja tunnesävyistä

On tärkeää huomata, että ihmiset ovat kuratoinut leksikoita monien vuosien ajan, korostaen, että tekoälyjärjestelmien suoriutumiseen ja tavoitteiden saavuttamiseen tarvitaan korkealaatuista dataa.

Yleiskatsaus organisaation haasteeseen

Kun on useita viestintäpäätepisteitä ja otetaen huomioon organisaatioiden toiminnan laajuus, on vaikea seurata sentimentaalisuutta koko organisaatiossa. Työntekijät ja asiakkaat voivat olla levinneet eri alueille, alueille tai osastoille, joissa sidosryhmät ja asiakkaat ilmaisevat positiivista sentimentaalisuutta, kun taas toiset edustavat negatiivista sentimentaalisuutta. Siksi sentimentaalisuuden määrittäminen koko organisaation toimintahorisontin laajudelta on vaikeaa.

On välttämätöntä ymmärtää yleiset organisaationäkemykset sekä sisäisesti että ulkoisesti. Perinteisesti kyselytutkimukset ovat hoitaneet tämän tehtävän, vaikka ne voivat olla vääristyneitä niiden yksilöiden perusteella, joita motivoi niiden täyttäminen. Sosiaalisen median ja muiden tietolähteiden käyttö voi edistää organisaation sentimentaalisuuden ymmärtämistä. Esimerkkinä monikansallinen ja hyvin tunnettu vaatemerkki, kuten Adidas, jolla on toimintaa useissa maissa ja joka tekee liiketoimintaa eri kielillä monenlaisten kulttuuritaustojen yli. Eri alueilla todennäköisesti havaitaan erilaisia sentimentaalisuuden tasoja. Negatiivisen sentimentin tunnistaminen on hyvä tapa puuttua sen syihin, mikä johtaa lisääntyneeseen myyntiin ja siten vaikuttaa positiivisesti tulokseen.

Tekoälyn syötteenä käytettävissä oleva organisaation data

Seuraavassa on luettelo mahdollisista tietolähteistä, joita voidaan hyödyntää asenneanalyysin keinoina:

• Sosiaalisen median alustat, mukaan lukien Facebook, Twitter, Instagram, TikTok
• Asiakkuudenhallintajärjestelmät, mukaan lukien Salesforce ja Microsoft CRM
• Työntekijöiden ja asiakkaiden välillä lähetettävät organisaation sähköpostit ja kirjeet
• Puhelukeskusjärjestelmät, kuten Cisco ja Google Voice, pystyvät tarjoamaan keskustelujen litterauksia
• Arvostelukoostajat, kuten Googlen ja Facebookin arvostelut, jotka antavat listatuille yrityksille arvosanan 1–5 tähden välillä

Tietyt dataprobleemat ilmenevät, kun yhdistetään tietoa useista lähteistä. Ilmeinen ongelma on, kuinka asiakkaat yhdistetään tarkasti eri tietojoukkojen välillä. Tässä tapaustutkimuksessa ehdotamme niiden käsittelyä itsenäisinä entiteetteinä, jotta löydettäisiin koostettu asenne koko organisaation laajuisesti eikä kohdistettuna yksilötasolle. Tekstinsyötön pituuden vuoksi tietorakenteet on valittava huolellisesti sekä tietokannan skeemassa että erilaisissa skripteissä, joita käytetään datan käsittelyyn.

Integrointimenetelmä

Seuraavassa on yleiskatsaus korkealla tasolla suorittamastamme prosessista tekstuaalisten lähteiden analysoimiseksi organisaation sisällä:

1. Tunnista tekstuaaliset viittaukset ja järjestelmät, jotka tallentavat ne, ja määritä, mikä teksti on sopiva ehdokas analysoitavaksi
2. Poimi tekstuaalisia lähteitä REST API -rajapintojen kautta ja syötä ne pilvilaskentapalveluntarjoajalle reaaliaikaista analysointia varten
3. Aja syötteet Telemus AI™:n läpi ja palauta rikastetut videosyötteet takaisin turvallisuusvalvontajärjestelmään
4. Määritä räätälöidyt hälytykset turvallisuushenkilöstölle havaittujen tapahtumien perusteella

Koska Telemus AI™ hoitaa suurimman osan työstä, organisaatio voi keskittyä liiketoimintalogiikkaan ja tulosten tulkintaan teknisen toteutuksen sijaan.

Organisaation sovellukset

Seuraavassa on luettelo muista mahdollisista sovelluksista organisaatiollesi:

• Skannaa organisaation verkkososiaalisen median päätepisteet ja määritä yleinen sentimentti.
• Asiakasmuistiinpanojen seuraaminen CRM-järjestelmissä, kuten Salesforcessa, muistiinpanojen sisällön määrittämiseksi.
• Sähköpostien skannaaminen organisaation laajuisen sentimentin yleisen koostemittarin saamiseksi.
• Puhelinkeskustelujen transkriptioiden automaattinen käsittely sekä positiivisten että negatiivisten asiakaskokemusten tunnistamiseksi.
• Arvostelukoostajasivustoille jätetyn palautteen sekä arvosanojen skannaaminen.
• Digitaalisten välineiden kautta harjoitetun asosiaalisen käyttäytymisen automaattinen tunnistaminen ja siihen puuttuminen ennen sen eskaloitumista, mikä johti parantuneeseen käyttäjäkokemukseen.

Koska organisaatioilla on tyypillisesti käytettävissään monia tietolähteitä, suosittelemme niiden syöttämistä datajärveen ennen tekoälyjärjestelmään syöttämistä; tämä auttaa varmistamaan toistettavuuden ja auditoitavuuden.

Mahdolliset ja toteutuneet hyödyt

Organisaation yleisten käsitysten yksityiskohtaisempi ymmärtäminen sekä sisällä että ulkomailla tarjoaa merkittäviä etuja suhteiden ennakoivassa hallinnassa. Palautteen tulkitseminen ja siihen reagoiminen voi tarjota osakkaille ja asiakkaille paremman tuotteen tai palvelun. Yhä digitaalisemmassa maailmassa organisaatioiden on ymmärrettävä, mitä niiden digitaalinen jalanjälki kertoo niistä. Sen parempi ymmärtäminen, miltä demografisilta alueilta tällainen palaute saapuu, voi myös auttaa parantamaan kaikkien kokemuksia.

Telemus AI™ on Australiassa toimiva tekoälyyritys, joka tarjoaa edistyneitä ratkaisuja hallituksille ja yrityksille. Ota meihin yhteyttä jo tänään saadaksesi ilmaisen konsultaation siitä, miten Telemus AI™ voidaan upottaa organisaatioosi.