Språkbearbetning - Datorer som läser och tolkar

Sociala medier har blivit en integrerad del av hur människor interagerar och kommunicerar. Miljarder meddelanden överförs dagligen över flera plattformar, oavsett om det sker genom offentliga inlägg eller direktmeddelanden. Offentliga personer, organisationer och andra enheter har delat med sig av uttalanden och åsikter relaterade till olika ämnen och dirigerar den allmänna debatten bland allmänheten. Med tanke på den stora mängden kommentarer och meddelanden som riktas mot konton på sociala medier är det möjligt att upptäcka det övergripande sentimentet.

Det finns en möjlighet att mäta det sentiment som uttrycks på makronivå via sociala medier. Denna artikel kommer att utforska artificiell intelligens och dess tillämpning på sociala medier och andra källor till textuell information som har undertoner av sentimentalitet i sig och hur man implementerar det inom sin organisation.

Lösa problemet via Artificiell Intelligens

Med tanke på den enorma mängd information som genereras och lagras dagligen innehåller vissa datapunkter omfattande insikter. Det skulle vara omöjligt för en enda person eller till och med miljarder människor att läsa den. Nuvarande datorteknik gör det möjligt för oss att lagra, indexera och hämta enorma mängder information. Historiskt sett har det funnits fler svårigheter med att tolka data och härleda användbar information och insikter.

Det skulle vara fördelaktigt att bearbeta stora mängder information och låta datorer skanna data och ge insikter. Under de senaste åren har olika tekniker inom textanalys utvecklats, varav många använder artificiell intelligens/maskininlärning. Att upptäcka sentiment i tal kräver guldstandardlexikoner som ger kontexten för textinmatning.

Ett sådant tillvägagångssätt för att bestämma textuell språksentiment är att mata in sådana lexikon i en oövervakad inlärningsalgoritm; specifikt använder VADER (Valence Aware Dictionary and sEntiment Reasoner) ett sådant tillvägagångssätt. Flera andra metoder förlitar sig på mer traditionella maskininlärningstekniker, även om fördelen med VADER är att den kan fungera i nära realtid.

Sentimentanalysystem producerar vanligtvis följande typiska utdata när de matas med textuella indata vilka ger en kategorisk tolkning av den underliggande texten:

Positiv - Textuellt innehåll har en positiv underton och sentimentalitet
Neutral - Textuellt innehåll har en negativ underton och sentimentalitet
Negativ - Textuellt innehåll har en negativ underton och sentimentalitet

Det är viktigt att notera att människor har sammanställt lexikonen under många år, vilket betonar att högkvalitativ data krävs för att system för artificiell intelligens ska fungera väl och uppnå de önskade målen.

Översikt över den organisatoriska utmaningen

Givet flera kommunikationsslutpunkter och storleken på vad organisationer bedriver, är det svårt att spåra sentimentet över en organisation. Anställda och kunder kan vara utspridda över olika regioner, områden eller avdelningar där intressenter och kunder uttrycker ett positivt sentiment medan andra representerar ett negativt sentiment. Att bestämma sentiment över hela det spektrum en organisation verkar i är alltså svårt.

Det är viktigt att förstå de allmänna organisatoriska uppfattningarna både internt och externt. Traditionellt har undersökningar fyllt denna funktion, även om dessa kan vara vinklade baserat på de individer som är motiverade att fylla i dem. Användningen av sociala medier och andra datakällor kan bidra till att förstå organisationens sentiment. Som ett exempel kan nämnas ett multinationellt och välkänt klädmärke som Adidas, med närvaro i flera länder som bedriver verksamhet på olika språk över många olika kulturella bakgrunder. Olika nivåer av sentiment kommer sannolikt att observeras i olika regioner. Att identifiera negativt sentiment är ett bra sätt att hantera dess orsaker, vilket resulterar i fler försäljningar och därmed bidrar till resultatet.

Organisatorisk data tillgänglig som AI-indata

Följande listar potentiella datakällor som kan utnyttjas som ett medel för sentimentanalys:

Plattformar för sociala medier inklusive Facebook, Twitter, Instagram, TikTok
Kundrelationssystem inklusive Salesforce, Microsoft CRM
Organisatoriska e-postmeddelanden och brev som skickas mellan anställda och kunder
Callcenter-system som Cisco och Google Voice kan tillhandahålla transkriptioner av samtal
Recensionsaggregatorer såsom Google- och Facebook-recensioner som rankar listade företag mellan 1–5 stjärnor

Vissa dataproblem uppstår när man kombinerar information från flera källor. Ett uppenbart problem är hur man korrekt kopplar kunder över olika dataset. I denna fallstudie föreslår vi att de behandlas som oberoende enheter för att upptäcka aggregerat sentiment över en hel organisation och inte riktat mot en individnivå. Med tanke på längden på textuella indata måste datastrukturer väljas noggrant både i databasschemat och inom de olika skript som används för att bearbeta själva datan.

Integrationsmetodik

Följande är en översikt över den process vi skulle utföra på en hög nivå för att analysera textkällor inom en organisation:

Identifiera textuella referenser och de system som fångar dem, avgör vilken text som är en lämplig kandidat för analys
Extrahera textkällor via REST API:er och mata dem till en leverantör av molntjänster för realtidsanalys
Kör flödena genom Telemus AI™ och returnera förstärkta videoflöden tillbaka till säkerhetsövervakningssystemet
Ställ in anpassade varningar till säkerhetspersonalen baserat på vad som upptäcks

Med tanke på att Telemus AI™ tar hand om det mesta av arbetet kan organisationen fokusera på affärslogiken och tolkningen av resultaten snarare än den tekniska implementeringen.

Organisatoriska tillämpningar

Följande listar andra potentiella applikationer för din organisation:

Skanna slutpunkter i sociala medier på nätet över en organisation och fastställ det övergripande sentimentet.
Övervaka kundanteckningar i CRM-system som Salesforce för att avgöra innehållet i anteckningarna.
Skanna e-postmeddelanden för att få ett övergripande aggregerat mått på sentimentet över en organisation.
Automatiskt bearbeta transkriptioner av telefonsamtal och identifiera både positiva och negativa kundupplevelser.
Skanna feedbacken som lämnas på webbplatser för recensionsaggregatorer samt betyget.
Automatiskt upptäcka asocialt beteende som förekommer via digitala medier och motverka det innan det eskalerar, vilket leder till en förbättrad användarupplevelse.

Eftersom det finns många datakällor som organisationer typiskt har tillgång till, rekommenderar vi att skicka dem till en datasjö innan de matas in i ett system för artificiell intelligens; detta kommer att hjälpa till att säkerställa repeterbarhet och granskbarhet.

Potentiella och realiserade fördelar

En mer detaljerad förståelse av de allmänna uppfattningarna om en organisation både internt och utomlands ger betydande fördelar när det gäller att proaktivt hantera relationer. Att tolka och agera på feedback kan ge en bättre produkt eller tjänst till aktieägare och kunder. I en alltmer digital värld behöver organisationer förstå vad deras digitala fotavtryck säger om dem. En ytterligare förståelse av den demografiska sammansättningen av var sådan feedback kommer ifrån kan också bidra till att förbättra upplevelser för alla.

Telemus AI™ är ett australiensiskt-baserat företag för artificiell intelligens som tillhandahåller avancerade lösningar till regering och företag. Kontakta oss idag för ett gratis samtal om hur Telemus AI™ kan bäddas in i din organisation.

Taggar

Sentimentanalys för sociala medier