Pemrosesan Bahasa - Komputer yang Membaca dan Menafsirkan

Media sosial telah menjadi bagian integral dari bagaimana orang berinteraksi dan berkomunikasi. Miliaran pesan dikirimkan setiap hari di berbagai platform, baik melalui postingan publik maupun pesan langsung. Tokoh masyarakat, organisasi, dan entitas lainnya telah membagikan pernyataan dan opini yang berkaitan dengan berbagai topik dan mengarahkan wacana publik di kalangan masyarakat umum. Mengingat banyaknya komentar dan pesan yang ditujukan ke akun media sosial, adalah mungkin untuk mendeteksi sentimen keseluruhan.

Ada peluang untuk mengukur sentimen yang diungkapkan pada tingkat makro melalui media sosial. Artikel ini akan mengeksplorasi kecerdasan buatan dan penerapannya pada media sosial dan sumber informasi tekstual lainnya yang memiliki nuansa sentimen di dalamnya dan cara menerapkannya dalam organisasi Anda.

Menyelesaikan Masalah melalui Kecerdasan Buatan

Mengingat banyaknya informasi yang dihasilkan dan disimpan setiap hari, beberapa titik data mengandung wawasan yang luas. Mustahil bagi satu orang atau bahkan miliaran orang untuk membacanya. Teknologi komputasi saat ini memungkinkan kita untuk menyimpan, mengindeks, dan mengambil kembali sejumlah besar informasi. Secara historis, ada lebih banyak kesulitan dalam menafsirkan data dan memperoleh informasi serta wawasan yang berguna.

Akan sangat menguntungkan untuk memproses sejumlah besar informasi dan membuat komputer memindai data serta memberikan wawasan. Dalam beberapa tahun terakhir, berbagai teknik di ruang analitik teks telah muncul, banyak di antaranya menggunakan kecerdasan buatan/pembelajaran mesin. Mendeteksi sentimen dalam ucapan memerlukan leksikon standar emas yang memberikan konteks dari masukan tekstual.

Salah satu pendekatan untuk menentukan sentimen bahasa tekstual adalah dengan memasukkan leksikon tersebut ke dalam algoritma pembelajaran tanpa pengawasan; secara khusus, VADER (Valence Aware Dictionary and sEntiment Reasoner) menggunakan pendekatan seperti itu. Beberapa metode lainnya mengandalkan teknik machine learning yang lebih tradisional, meskipun keuntungan dari VADER adalah dapat beroperasi dalam waktu nyata yang mendekati.

Sistem analisis sentimen biasanya menghasilkan output tipikal berikut ketika diberi input tekstual yang memberikan interpretasi kategoris dari teks yang mendasarinya:

Positif - Konten tekstual memiliki nada positif dan sentimen positif
Netral - Konten tekstual memiliki nada dan sentimen negatif
Negatif - Konten tekstual memiliki nada dan sentimen negatif

Penting untuk dicatat bahwa orang-orang telah mengkurasi leksikon selama bertahun-tahun, menekankan bahwa data berkualitas tinggi diperlukan agar sistem kecerdasan buatan dapat berkinerja baik dan mencapai tujuan yang diinginkan.

Ikhtisar Tantangan Organisasi

Diberikan banyak titik akhir komunikasi dan skala operasi organisasi, sulit untuk melacak sentimen di seluruh organisasi. Karyawan dan pelanggan dapat tersebar di berbagai wilayah, area, atau departemen di mana pemangku kepentingan dan pelanggan mengekspresikan sentimen positif sementara yang lain mewakili sentimen negatif. Dengan demikian, menentukan sentimen di seluruh spektrum operasi organisasi adalah hal yang sulit.

Sangat penting untuk memahami persepsi organisasi secara umum baik secara internal maupun eksternal. Secara tradisional, survei telah menjalankan fungsi ini, meskipun survei ini dapat bias berdasarkan individu yang termotivasi untuk mengisinya. Penggunaan media sosial dan sumber data lainnya dapat berkontribusi pada pemahaman sentimen organisasi. Sebagai contoh, merek pakaian multinasional yang terkenal seperti Adidas, dengan kehadiran di berbagai negara yang melakukan bisnis dalam berbagai bahasa di berbagai latar belakang budaya yang berbeda. Tingkat sentimen yang berbeda kemungkinan akan diamati di berbagai wilayah. Mengidentifikasi sentimen negatif adalah cara yang baik untuk mengatasi penyebabnya, menghasilkan lebih banyak penjualan dan, dengan demikian, berkontribusi pada laba bersih.

Data Organisasional yang Tersedia sebagai Input AI

Berikut daftar sumber data potensial yang dapat dimanfaatkan sebagai sarana analisis sentimen:

Platform media sosial termasuk Facebook, Twitter, Instagram, TikTok
Sistem manajemen hubungan pelanggan termasuk Salesforce, Microsoft CRM
Email dan surat organisasional yang dikirim antara karyawan dan pelanggan
Sistem pusat panggilan seperti Cisco dan Google Voice mampu menyediakan transkripsi percakapan
Agregator ulasan seperti ulasan Google dan Facebook yang memberi peringkat bisnis yang terdaftar antara 1-5 bintang

Beberapa masalah data muncul ketika menggabungkan informasi dari berbagai sumber. Masalah yang jelas adalah bagaimana menghubungkan pelanggan di berbagai kumpulan data secara akurat. Dalam studi kasus ini, kami menyarankan untuk memperlakukan mereka sebagai entitas independen untuk menemukan sentimen agregat di seluruh organisasi dan tidak ditargetkan pada tingkat individu. Mengingat panjangnya masukan teks, struktur data harus dipilih dengan cermat baik dalam skema basis data maupun di dalam berbagai skrip yang digunakan untuk memproses data itu sendiri.

Metodologi Integrasi

Berikut adalah ikhtisar proses yang akan kami lakukan pada tingkat tinggi untuk menganalisis sumber tekstual di dalam sebuah organisasi:

Identifikasi referensi tekstual dan sistem yang menangkapnya, tentukan teks mana yang merupakan kandidat yang sesuai untuk analisis
Mengekstrak sumber tekstual melalui REST API dan mengirimkannya ke penyedia komputasi awan untuk analisis real-time
Jalankan umpan melalui Telemus AI™ dan kembalikan umpan video yang diperkaya kembali ke sistem pemantauan keamanan
Siapkan peringatan yang disesuaikan untuk personel keamanan berdasarkan apa yang terdeteksi

Dengan Telemus AI™ yang menangani sebagian besar pekerjaan, organisasi dapat fokus pada logika bisnis dan menafsirkan hasil daripada implementasi teknis.

Aplikasi Organisasional

Berikut ini mencantumkan aplikasi potensial lainnya untuk organisasi Anda:

Pindai titik akhir media sosial online di seluruh organisasi dan tentukan sentimen keseluruhan.
Memantau catatan pelanggan pada sistem CRM seperti Salesforce untuk menentukan isi catatan tersebut.
Memindai email untuk mendapatkan metrik agregat keseluruhan dari sentimen di seluruh organisasi.
Secara otomatis memproses transkrip percakapan telepon dan mengidentifikasi pengalaman pelanggan positif maupun negatif.
Memindai umpan balik yang ditinggalkan di situs agregator ulasan serta peringkatnya.
Secara otomatis mendeteksi perilaku antisosial yang dilakukan melalui media digital dan menangkalnya sebelum meningkat yang mengarah pada peningkatan pengalaman pengguna.

Karena ada banyak sumber data yang biasanya dapat diakses oleh organisasi, kami merekomendasikan untuk memasukkannya ke dalam data lake sebelum dimasukkan ke dalam sistem kecerdasan buatan; ini akan membantu memastikan pengulangan dan auditabilitas.

Manfaat Potensial dan yang Terealisasi

Pemahaman yang lebih rinci tentang persepsi umum sebuah organisasi baik di dalam maupun di luar negeri memberikan manfaat yang signifikan dalam mengelola hubungan secara proaktif. Menafsirkan dan menindaklanjuti umpan balik dapat memberikan produk atau layanan yang lebih baik kepada pemegang saham dan pelanggan. Di dunia yang semakin digital, organisasi perlu memahami apa yang dikatakan jejak digital mereka tentang mereka. Pemahaman lebih lanjut tentang komposisi demografis dari mana umpan balik tersebut datang juga dapat membantu meningkatkan pengalaman untuk semua.

Telemus AI™ adalah perusahaan kecerdasan buatan yang berbasis di Australia yang menyediakan solusi lanjutan untuk pemerintah dan perusahaan. Hubungi kami hari ini untuk konsultasi gratis tentang bagaimana Telemus AI™ dapat ditanamkan ke dalam organisasi Anda.

Tag

Analisis Sentimen Media Sosial