Obrada jezika - Računala koja čitaju i tumače

Sustavi za analizu sentimenta obično daju sljedeće tipične rezultate kada se unese tekstualni unos, koji daje kategorijsko tumačenje temeljnog teksta:

• Pozitivno - Tekstualni sadržaj ima pozitivan prizvuk i sentiment
• Neutralno - Tekstualni sadržaj ima negativnu podtonalnost i sentiment
• Negativno - Tekstualni sadržaj ima negativnu podtonalnost i sentiment

Važno je napomenuti da su ljudi kurirali leksikone tijekom mnogih godina, naglašavajući da su visokokvalitetni podaci potrebni da bi sustavi umjetne inteligencije dobro funkcionirali i postigli željene ciljeve.

Pregled organizacijskog izazova

S obzirom na više krajnjih točaka komunikacije i veličinu onoga što organizacije posluju, teško je pratiti sentiment diljem organizacije. Zaposlenici i kupci mogu biti raspoređeni u različite regije, područja ili odjele gdje dionici i kupci izražavaju pozitivan sentiment dok drugi predstavljaju negativan sentiment. Stoga je određivanje sentimenta na cijelom spektru djelovanja organizacije teško.

Bitno je razumjeti opću organizacijsku percepciju, i internu i eksternu. Tradicionalno, ankete su obavljale ovu funkciju, iako one mogu biti pristrane na temelju pojedinaca motiviranih da ih ispune. Korištenje društvenih medija i drugih izvora podataka može pridonijeti razumijevanju organizacijskih osjećaja. Kao primjer, multinacionalni i dobro prepoznatljivi brand odjeće kao što je Adidas, s prisutnošću u više zemalja, posluje na različitim jezicima diljem mnogih različitih kulturnih sredina. Vjerojatno će se uočiti različite razine osjećaja u različitim regijama. Prepoznavanje negativnih osjećaja dobar je način adresiranja njihovih uzroka, što rezultira većom prodajom i time pridonosi konačnom rezultatu.

Organizacijski podaci dostupni kao AI ulaz

Sljedeći popis potencijalnih izvora podataka koji se mogu koristiti kao sredstvo analize sentimenta:

• Platforme društvenih medija uključujući Facebook, Twitter, Instagram, TikTok
• Sustavi za upravljanje odnosima s kupcima uključujući Salesforce, Microsoft CRM
• Organizacijske e-poruke i pisma poslana između zaposlenika i kupaca
• Sustavi call centara kao što su Cisco i Google Voice sposobni su pružiti transkripcije razgovora
• Agregatori recenzija kao što su Google i Facebook recenzije koji rangiraju navedena poduzeća između 1-5 zvjezdica

Neki problemi s podacima pojavljuju se prilikom kombiniranja informacija iz više izvora. Očiti problem je kako točno povezati kupce različitim skupovima podataka. U ovoj studiji slučaja predlažemo da ih se tretira kao neovisne entitete kako bi se otkrio ukupni sentiment na razini cijele organizacije, a ne usmjeren na razini pojedinca. S obzirom na duljinu tekstualnog unosa, strukture podataka moraju se pažljivo odabrati, i u shemi baze podataka i unutar različitih skripti koje se koriste za obradu samih podataka.

Metodologija integracije

Slijedi pregled postupka koji bismo izveli na visokoj razini za analizu tekstualnih izvora unutar organizacije:

1. Identificirajte tekstualne reference i sustave koji ih hvataju, odredite koji je tekst prikladan kandidat za analizu
2. Izdvoji tekstualne izvore putem REST API-ja i proslijedi ih pružatelju usluga cloud računarstva za analizu u stvarnom vremenu
3. Provucite feedove kroz Telemus AI™ i vratite augmentirane video feedove natrag u sustav za sigurnosno praćenje
4. Postavite prilagođena upozorenja za osoblje zaduženo za sigurnost na temelju onoga što je otkriveno

S obzirom na to da Telemus AI™ obavlja veći dio posla, organizacija se može usredotočiti na poslovnu logiku i interpretaciju rezultata, a ne na tehničku implementaciju.

Organizacijske primjene

Sljedeće navodi druge potencijalne aplikacije za vašu organizaciju:

• Skeniranje krajnjih točaka društvenih mreža na internetu diljem organizacije i određivanje ukupnog sentimenta.
• Nadgledanje bilješki o kupcima na CRM sustavima kao što je Salesforce za određivanje sadržaja bilješki.
• Skeniranje e-mailova kako bi se dobio ukupni agregatni metrika sentimenta diljem organizacije.
• Automatski obradite transkripte telefonskih razgovora i identificirajte pozitivna i negativna iskustva kupaca.
• Skeniranje povratnih informacija ostavljenih na web-mjestima agregatora recenzija, kao i ocjene.
• Automatsko otkrivanje asocijalnog ponašanja putem digitalnih medija i suzbijanje istog prije eskalacije, što dovodi do poboljšanog korisničkog iskustva.

S obzirom na to da organizacije obično imaju pristup mnogim izvorima podataka, preporučujemo prosljeđivanje istih u data lake prije nego što se unesu u sustav umjetne inteligencije; to će pomoći u osiguravanju ponovljivosti i mogućnosti provjere.

Potencijalne i ostvarene prednosti

Detaljnije razumijevanje općih percepcija organizacije i unutar zemlje i u inozemstvu pruža značajne prednosti u proaktivnom upravljanju odnosima. Tumačenje i djelovanje na temelju povratnih informacija može pružiti bolji proizvod ili uslugu dionicima i kupcima. U sve digitalnijem svijetu, organizacije moraju razumjeti što njihov digitalni otisak govori o njima. Daljnje razumijevanje demografskog sastava mjesta odakle takve povratne informacije stižu također može pomoći u poboljšanju iskustava za sve.

Telemus AI™ je australska tvrtka za umjetnu inteligenciju koja pruža napredna rješenja za vladu i poduzeća. Kontaktirajte nas danas za besplatno savjetovanje o tome kako se Telemus AI™ može ugraditi u vašu organizaciju.