L'anàlisi de sentiments és quan extreu emocions i sentiments d'un text determinat. Això permet a les organitzacions entendre els significats subjacents darrere d'un missatge que pot estar bastant ben amagat. Però, com funciona exactament l'anàlisi de sentiments i l'hauria d'utilitzar la vostra empresa?
Abans d'aprofundir en com funciona l'anàlisi de sentiments, fem una ullada a la potent anàlisi de sentiments quan s'aprofita de la manera correcta.
Tots recordem aquella campanya de Nike Colin Kaepernick, oi? El que va provocar discussions durant l'acció de gràcies i probablement va ser responsable d'una sèrie d'amistats trencades?
Bé, si no ho feu, aquí teniu un resum ràpid.
El 2018, Nike va presentar una campanya de màrqueting amb Colin Kaepernick, una figura controvertida per a alguns, que va provocar una tempesta de foc a les xarxes socials a tot el país.
Durant els 12 mesos anteriors a que Nike anunciés l'anunci de Kaepernick, Nike va tenir una mitjana de sentiment positiu net de 26,7% a les xarxes socials. Tanmateix, el sentiment net de Nike va caure en picat fins a -4,7% després de l'anunci.
Si fossis el cap de màrqueting de Nike, tancaries immediatament la campanya, oi? Llavors, per què no ho van fer?
Malgrat la recepció aparentment negativa a nivell de superfície, Nike va informar d'un augment de les vendes en 31% i una explosió a dins mencions de marca per 2.677%.
Nike va aprofitar l'anàlisi de sentiments per adonar-se que sota aquesta onada de sentiments negatius hi havia un sentiment positiu no informat dels seus clients objectiu: consumidors que els importen. Nike va acceptar l'aposta, va continuar amb l'anunci i els resultats van parlar per si mateixos.
L'anàlisi de sentiments, també coneguda com a mineria d'opinió, fa referència a l'extracció d'emocions (feliç, enfadat), intencions (consulta, queixa, opinió, etc.) i positivitat (negatiu, neutre, positiu) del text.
Els usos habituals de l'anàlisi de sentiments inclouen la gestió de la reputació, el seguiment de les xarxes socials, la investigació de mercat i l'anàlisi de comentaris dels clients. L'anàlisi de sentiments també és un subconjunt del processament del llenguatge natural (PNL): utilitzant IA i ordinadors per estudiar lingüística.
És habitual veure els termes anàlisi de sentiments, anàlisi de text i processament del llenguatge natural (PNL) utilitzats conjuntament. Tot i que tots aquests són termes relacionats en ciència de dades i poden tenir les mateixes aplicacions pràctiques, no volen dir el mateix.
Anàlisi de sentiments: Com s'ha esmentat, l'anàlisi de sentiment es refereix a assignar puntuacions de sentiment (positiu, negatiu o neutre) als textos mitjançant algorismes de màquina. L'anàlisi de sentiments també es coneix com a mineria d'opinió.
Analítica de textos: També coneguda com a mineria de text, l'anàlisi de text fa referència a analitzar dades no estructurades i extreure'n informació, com ara generar núvols de paraules. L'anàlisi de text sol acompanyar l'anàlisi de sentiments a causa de la seva naturalesa similar.
Processament del llenguatge natural (PNL): El processament del llenguatge natural és un camp de la informàtica que s'ocupa d'utilitzar ordinadors per analitzar el llenguatge humà. Podeu pensar en el processament del llenguatge natural com un superconjunt d'anàlisi de sentiments i d'anàlisi de text.
Hi ha cinc tipus principals d'anàlisi de sentiments, cadascun centrat en diferents aspectes d'un conjunt de dades:
La detecció d'emocions té com a objectiu reconèixer les emocions a través de paraules en un text determinat, com ara feliç, decepció, ràbia i por.
Hi ha diverses maneres de detectar l'emoció en el text. El més habitual és identificar paraules clau i assignar-les emocions a partir d'un lèxic (una llista de paraules i els seus sentiments associats).
L'anàlisi de sentiments basats en aspectes (ABSA), també conegut com a anàlisi de sentiments basats en funcions, és el procés de reconeixement d'aspectes predeterminats i els seus sentiments associats en un conjunt de dades.
Aquests aspectes varien d'una organització a una altra, sent el més habitual el preu, l'embalatge, el disseny, la UX i el servei al client.
ABSA s'utilitza més habitualment a les revisions de productes i serveis per determinar quines funcions els agradaven o no els agradaven més als clients. Aleshores, les organitzacions poden perfeccionar-se en àrees específiques dels seus productes i serveis que requereixen millores.
L'anàlisi detallada del sentiment desglossa les frases en parts i extreu el sentiment d'aquestes parts individuals. Aleshores, el sentiment es classifica en una de les cinc categories de polaritat: molt positiu, positiu, neutre, negatiu, molt negatiu.
La precisió de la polaritat és fonamental per interpretar les escales de valoració dels comentaris dels clients. Per exemple, en una escala de valoració d'1 a 5 estrelles, 1 seria molt negatiu, mentre que 5 seria molt positiu. En una escala d'1-10, 1-2 seria molt negatiu, mentre que 9-10 és molt positiu.
L'anàlisi de sentiments de gra gruixut és similar a l'anàlisi de sentiments de gra fi. No obstant això, l'anàlisi de sentiments gruixuts és diferent perquè extreu el sentiment de documents o frases generals en lloc de descompondre les frases en diferents parts.
L'anàlisi de sentiments de gra gruixut classifica el sentiment en només tres categories de polaritat: positiu, neutral i negatiu.
L'anàlisi de sentiments multilingüe us permet recollir dades de textos que no són en anglès sense traduir-los. Confiar-se en les traduccions en anàlisis multilingües pot ser convenient, però no és fiable perquè els matisos lingüístics com ara la semàntica i els lèxics es poden barrejar.
És fàcil d'oblidar, però només 17% de la població mundial parla anglès, i L'anglès només representa el 25,91 TP3T dels usuaris d'Internet. L'anàlisi de sentiments multilingüe us permet aprofitar aquesta majoria que falta i maximitzar el valor per al vostre negoci.
En lloc d'identificar el sentiment, l'anàlisi de la intenció examina les pistes textuals intenció i els classifica en etiquetes predeterminades. Aquestes etiquetes depenen en gran mesura de les necessitats de la vostra empresa i no són una mida única.
Per exemple, els classificadors d'intencions per als missatges de les xarxes socials es poden separar en suggeriment, consulta, denúncia, comentaris, i màrqueting. Mentre que les etiquetes més adequades per analitzar els comentaris dels clients inclouen interessats, desinteressat, subscriu-te, i donar-se de baixa.
L'anàlisi de sentiments utilitza una barreja de tècniques de processament del llenguatge natural (PNL), estadístiques i mètodes d'aprenentatge automàtic per determinar automàticament el sentiment en el text i la seva polaritat..
Els models d'anàlisi de sentiments més comuns inclouen els basats en regles, l'aprenentatge automàtic i els híbrids.
En l'enfocament basat en regles, l'algoritme assigna i calcula la puntuació sentimental del text a partir d'un conjunt de regles o lèxics creats per humans (una llista de paraules i les seves emocions associades).
La llista ja presentava les puntuacions sentimentals corresponents tant per a negatius (horrible, terrible, dolent) i positiu (bo, genial, deliciós) paraules. Aleshores, l'algoritme identifica les paraules polaritzades i resumeix el sentiment general, normalment en una escala de -1 a +1.
Un bon model d'anàlisi de sentiments que utilitzi l'enfocament basat en lèxic hauria d'incorporar l'impacte de cada subtext en la intensitat percebuda en el text a nivell de frase. Hi ha 5 factors que afectarien la polaritat d'una frase:
Puntuació, és a dir, el signe d'exclamació (!), augmenta la magnitud de la intensitat sense modificar l'orientació semàntica.
Capitalització, específicament amb TOT-MAJÚSCULES per emfatitzar una paraula rellevant per al sentiment en presència d'altres paraules sense majúscules, augmenta la magnitud de la intensitat del sentiment sense afectar l'orientació semàntica.
Modificadors de grau (també anomenats intensificadors, paraules de reforç o adverbis de grau) afecten la intensitat del sentiment augmentant o disminuint la intensitat. Per exemple: "El clima és extremadament calent".
Desplaçament de polaritat a causa de les conjuncions, La conjunció contrastiva "però" indica un canvi en la polaritat del sentiment, sent dominant el sentiment del text que segueix la conjunció. Per exemple: "El clima és calorós, però és suportable". té un sentiment mixt, amb l'última meitat que dicta la qualificació general.
Captura de la negació de polaritat examinant la seqüència contigua de 3 elements que precedeixen una característica lèxica carregada de sentiments, detectem gairebé 90% de casos en què la negació inverteix la polaritat del text. Per exemple, una frase negada seria: "El clima no fa gaire calor".
Inversió inicial de l'esforç humà: Crear un motor d'anàlisi de sentiments basat en regles des de zero pot ser ardu. Hi ha milers de paraules en anglès, sense oblidar el desenvolupament de lèxics per a motors d'anàlisi de sentiments multilingües.
Subjectivitat sobre l'acord de polaritat: Els desacords entre la valència d'una paraula també poden afectar els resultats finals. Per exemple, si un altre investigador assigna la mateixa puntuació sentimental a atroç com ho faries dolent, quina ha de ser la puntuació global del sentiment?
No es pot detectar el context: És possible que l'enfocament del sentiment basat en regles no detecti el sarcasme i el context. Per exemple, "EL Jack és el líder de l'equip? Estic segur que farà una gran feina i que no embrutarà les coses 😂😂 ” pot produir una puntuació de sentiment positiu tot i ser un insult negatiu i sarcàstic.
En l'enfocament d'aprenentatge automàtic, el motor d'anàlisi de sentiments està entrenat per classificar automàticament les dades de text amb les etiquetes correctes. La formació (aprenentatge automàtic supervisat i no supervisat) es fa generalment alimentant el motor de tones de dades de text preetiquetats.
Mitjançant l'alimentació contínua d'exemples pre-etiquetats, la màquina pot aprendre lingüística com ho faria un humà i predir amb precisió les etiquetes de futurs conjunts de dades (p. ex., aquella cançó estava encesa lol -> positiu)
Inversió de temps i recursos: Entrenar un algorisme d'aprenentatge automàtic per assolir nivells de precisió satisfactoris pot trigar molt de temps. Obtenir conjunts de dades suficients per alimentar el motor també pot ser costós.
Susceptible a errors: Els sistemes d'aprenentatge automàtic també poden ser inexactes, com quan s'alimenten de conjunts de dades esbiaixats o inexactes.
L'enfocament híbrid combina l'aprenentatge automàtic i l'anàlisi de sentiments basats en regles per produir resultats més precisos. No obstant això, els models que utilitzen l'enfocament híbrid impliquen els costos de capital i manteniment més inicials.
Des de l'aparició d'Internet a la dècada de 1990, les plataformes de consumidors i xarxes socials han evolucionat i s'han entrellaçat cada cop més amb la nostra vida quotidiana. Com el S'espera que el nombre d'usuaris d'Internet creixi fins als 5.300 milions el 2023 (6% CAGR), no podeu passar per alt el gran valor de les dades en línia.
Les empreses tampoc no poden ignorar la influència de les xarxes socials en les decisions de compra dels consumidors. Segons GlobalWebIndex, 54% de persones amb comptes de xarxes socials utilitzen les xarxes socials per investigar productes.
A més, els usuaris de les xarxes socials i els líders d'opinió expressen opinions sobre marques, polítiques i qüestions de drets humans. Aquests continguts generats pels usuaris són una influència important del comportament del consumidor perquè els clients confien més en el boca-orella que en els missatges publicitaris.
Amb l'anàlisi del sentiment, les empreses poden deixar de reaccionar de manera passiva a l'opinió pública i prendre mesures proactives per donar forma al sentiment general cap a la seva marca. L'anàlisi de sentiments permet a les empreses esbrinar què diuen els consumidors i també el significat darrere d'aquests missatges.
Les eines d'anàlisi de sentiments us permeten analitzar milers, si no, milions de text en línia amb un clic. En lloc d'examinar tuits individuals o publicacions de Facebook, els propietaris d'empreses poden tenir una visió general immediata de com se senten els consumidors sobre la seva marca.
A més, l'anàlisi del sentiment és automàtica, estalviant costos laborals i temps dedicat a recollir dades.
L'anàlisi de sentiments va més enllà què els clients diuen que proporcionen informació sobre per què els clients tenen aquestes opinions. Mitjançant l'explotació d'opinions per les seves intencions i polaritat, les empreses poden identificar àrees a millorar que potser mai no s'han adonat.
L'anàlisi de sentiments també us permet prendre decisions basades en dades per a una presa de decisions més informada. Sense dades fiables en què basar les vostres decisions, estaríeu disparant a les fosques i, finalment, perdreu temps i diners.
L'anàlisi de sentiments ofereix àmplies oportunitats de màrqueting en temps real: missatges de màrqueting elaborats de manera espontània. Amb les dades que us informen en temps real, l'anàlisi de sentiments us permet aprofitar els esdeveniments de tendència o fins i tot gestionar les crisis de relacions públiques abans que es converteixin en un problema important.
L'anàlisi de sentiments també pot analitzar grans quantitats de dades no estructurades a escala, per exemple, comentaris, missatges, imatges i fins i tot vídeos. Fins i tot podeu integrar determinades API d'anàlisi de sentiments amb el programari de gestió de relacions amb els clients (CRM) per extreure les opinions dels comentaris dels clients en temps real.
L'anàlisi de sentiments és, en essència, esbrinar com se senten les persones sobre un tema en particular. Aquesta tecnologia té aplicacions a corporacions, ONG, partits polítics i fins i tot països. Després de tot, entendre els sentiments interns de les persones permet als investigadors comprendre millor les seves necessitats.
L'escolta social fa referència al seguiment de les mencions de les xarxes socials sobre una marca o un tema relacionat amb la vostra empresa. En lloc de recollir quantitats massives de publicacions a les xarxes socials que mencionen el vostre negoci, l'anàlisi de sentiments fa un pas més enllà i destaca per què van fer aquests comentaris.
També podeu fer una recerca d'opinió sobre els vostres competidors i esbrinar com se senten la gent sobre la seva marca i els seus productes i serveis. A més, totes aquestes anàlisis s'estan produint en temps real, la qual cosa permet dur a terme estratègies de màrqueting més àgils.
Podeu integrar una API d'anàlisi de sentiments amb Twitter per obtenir opinions sobre un tema concret. En aquest estudi d'Abdur Rasool et al., l'anàlisi del sentiment d'aprenentatge automàtic es va dur a terme a Adidas i Nike mitjançant l'extracció de textos de Twitter. La seva puntuació global de sentiment es va calcular amb tècniques d'aprenentatge automàtic abans de comparar-les.
Els resultats van mostrar que Nike i Adidas tenien una distribució de sentiments similar: un sentiment general positiu, la majoria neutral. Tanmateix, Adidas va tenir un sentiment positiu lleugerament superior al de Nike (27,2% vs. 24,5%). Això pot ser un bon o un mal senyal, depenent de l'empresa per a la qual treballeu.
En funció de la vostra eina d'anàlisi de sentiments, podeu identificar els usuaris amb sentiments neutres i negatius per convertir-los en ambaixadors de marca positius. En general, l'anàlisi de sentiments us proporciona informació per prendre decisions informades per millorar la vostra imatge de marca.
Depenent de la mida de la vostra empresa, hi pot haver centenars o fins i tot milers de mencions a les xarxes socials que involucren la teva marca cada dia. Alguns d'aquests poden ser consultes, queixes o altres missatges negatius.
La manca d'interacció amb les xarxes socials o la seva lentitud pot provocar la pèrdua de clients fidels i el valor de vida del client. Pitjor encara, poden difondre el boca-orella negatiu i dissuadir altres persones de comprar-te.
Si sorgeix aquesta crisi de relacions públiques, les eines d'anàlisi de sentiments us ajudaran a gestionar-les abans que es facin massa grans.
El 2014, Expedia Canadà va llançar el seu "Escape Winter: Fear” anunci de Nadal. En ell, un pare estava aterrit pel que pensava que era la violenta tempesta de neu a l'exterior, però en realitat era el soroll de la seva filla practicant el violí.
Els crits desagradablement forts i poc clau es van fer insuportables després de diverses emissions. L'anunci es va reproduir fins i tot durant el Campionat Mundial d'Hoquei Júnior, que no va tenir una bona acollida.
Molts canadencs van acudir a les xarxes socials criticar la terrible elecció sonora de l'anunci, amb comentaris que van tan lluny per dir "El pitjor comercial, és tan exagerat que es torna molest, i probablement no faré servir expedia simplement perquè aquest comercial és molt molest.”
Expedia Canadà va respondre immediatament al sentiment negatiu aturant l'anunci i llançant dues seqüeles. Un d'ells tenia el mateix pare tirant el violí de casa. A l'altra seqüela, Expedia va convidar un usuari real de les xarxes socials que va comentar sobre el primer anunci per trencar el violí a trossos.
Tal com mostra Expedia Canadà, l'anàlisi de sentiments us permet convertir contratemps vergonyosos o crisis de relacions públiques en oportunitats de màrqueting i, com a resultat, augmentar el coneixement de la marca.
Com que l'anàlisi de sentiments es preocupa per entendre les actituds i opinions dels consumidors, és comú emparellar-la investigació de mercat. L'explotació d'opinió sol produir-se en l'etapa d'interpretació i anàlisi de la procés d'investigació de màrqueting.
Més concretament, els investigadors de mercat extreuen opinions a partir de conjunts de dades recollides mitjançant grups focals i entrevistes. Si aprofundeixeu en per què els participants de la vostra investigació van dir el que van dir, podreu descobrir els seus problemes, necessitats i desitjos exactes.
Pocs transcripció de dades i programari de recollida de dades vénen amb eines d'anàlisi de sentiments, i aquesta és una manera de diferenciar-nos. Amb Speak, podeu produir transcripcions a escala i analitzar aquests conjunts de dades precisos amb eines d'anàlisi de text i sentiments, tot en una base de dades de mitjans centralitzada.
Si voleu saber més sobre com Speak pot optimitzar els vostres processos de flux de treball i augmentar el ROI de la investigació, registreu-vos al nostre Prova de 7 dies sense necessitat de targeta de crèdit.
La investigació qualitativa és un tipus de investigació de mercat que se centra en l'obtenció d'informació subjectiva. A diferència de la investigació quantitativa, les dades qualitatives recullen dades no quantificables com ara opinions, actituds i percepcions envers un subjecte.
Una part important de qualsevol investigació de mercat implica la transcripció de dades de les entrevistes per a anàlisis posteriors. Com que l'atenció se centra en les opinions subjectives, les respostes que es donen poden ser força llargues.
Fins i tot la investigació de mercat per a petites empreses pot implicar l'anàlisi de desenes de conjunts de dades qualitatives. Suposant que heu entrevistat 50 participants amb cada sessió de 30 minuts de durada, esteu mirant 25 hores d'enregistraments per revisar.
L'anàlisi de sentiments accelera aquest procés mitjançant l'anàlisi dels conjunts de dades i la producció de puntuacions de sentiment a escala. El tauler d'informació de Speak també genera paraules clau i temes predominants de qualsevol investigació de mercat per obtenir una visió general de les àrees clau a les quals cal prestar atenció.
Això us permet identificar ràpidament les àrees clau que poden requerir millores. Per a anàlisis més precises, el tauler de Speak també informa dels sentiments de les frases individuals, cosa que us permet centrar-vos en àrees específiques que poden necessitar millores.
Els núvols de paraules són una manera fantàstica de ressaltar les paraules, els temes i les frases més importants d'un passatge de text en funció de la freqüència i la rellevància. Genereu núvols de paraules a partir de les vostres dades de text per crear un desglossament visual fàcil d'entendre per a una anàlisi més profunda. Prova el nostre generador de núvol de paraules gratuït avui per visualitzar automàticament la informació de les vostres dades.
Un servei sòlid al client és imprescindible per a qualsevol empresa. Segons un estudi realitzat per Twitter, els usuaris esperen que les marques responguin en una hora. Una hora és poc temps per atendre tones de consultes dels clients, sense oblidar si van fer la consulta durant l'horari no comercial.
A més, respondre una queixa a les xarxes socials pot augmentar la defensa del client fins a 25%.
El programari de gestió de relacions amb els clients (CRM) us permet respondre a les consultes dels clients immediatament. Quan es combina amb l'API d'anàlisi de sentiments, podeu analitzar les interaccions dels clients a escala i determinar com se senten els clients sobre els vostres productes i serveis.
L'anàlisi de sentiments també aclareix problemes desapercebuts en els vostres productes i serveis. Amb l'anàlisi de sentiments basats en aspectes, podeu identificar quines funcions cal millorar o mantenir.
En general, el vostre producte és l'element més important de la combinació de màrqueting i l'anàlisi de sentiments us ajuda a portar la qualitat dels vostres productes a més alts nivells.
Adobe és un ampli conjunt de programari estimat pels creatius de tot el món. Algunes de les seves eines destacades inclouen Adobe XD (disseny UI/UX), Adobe Photoshop (editor de gràfics) i Adobe Lightroom (editor de fotos). El servei d'atenció al client de Twitter d'Adobe XD en particular, és tan impressionant que Twitter els va elogiar al seu bloc.
En respondre de manera proactiva a les consultes dels clients, Adobe XD (i altres comptes d'Adobe Twitter) han creat amb èxit una comunitat de creatius unida a Twitter.
Per exemple, @AdobeXD té gairebé 120 mil seguidors, una quantitat impressionant, però encara és eclipsat pels altres comptes de Twitter d'Adobe, @Lightroom (1,8 milions de seguidors) i @Photoshop (3,2 milions de seguidors).
compte de Twitter d'atenció al client general d'Adobe, @AdobeCare, de fet recorre Twitter per esmentar temes que puguin estar relacionats amb la seva empresa, en aquest cas, Photoshop. Com haureu notat, el client mai no va etiquetar AdobeCare.
Tanmateix, mitjançant l'anàlisi proactiva del sentiment i el programari d'escolta social, AdobeCare aconsegueix respondre a les consultes dels clients a una velocitat impressionant.
L'anàlisi de sentiments també té aplicacions en finances, especialment entre inversors i comerciants diaris. Els inversors controlen sovint el sentiment del mercat – el sentiment general dels inversors envers un mercat financer o una empresa.
Els mercats financers són volàtils i sempre canvien de manera inesperada amb la desaparició dels comerciants novells que esperen enriquir-se ràpidament. Els inversors experimentats utilitzarien psicologia comercial per analitzar els factors de sentiment del mercat i fer operacions rendibles.
Els dos factors principals que influeixen en aquesta volatilitat són els esdeveniments informatius (política, noves lleis, relacionats amb la indústria, els guanys de l'empresa) i els comentaris de les xarxes socials.
Mitjançant l'aprofitament de les eines d'anàlisi del sentiment, els inversors poden conèixer el sentiment general d'un mercat financer en temps real i fer prediccions sobre els canvis de preu de les accions.
Per exemple, després que l'influencer de les xarxes socials Kylie Jenner va publicar aquest tuit, el preu de les accions de SNAP va baixar en 7%, la qual cosa es va traduir en pèrdues d'$1.300 milions en valor de mercat. En aquell moment, Kylie Jenner tenia 39 milions de seguidors, per la qual cosa no és estrany que un sol tuit tingués un impacte tan significatiu en el sentiment del mercat i els preus de les accions.
Un programari d'anàlisi de sentiments informaria immediatament d'una caiguda sobtada del sentiment, proporcionant als inversors temps suficient per vendre accions abans que els preus caiguin encara més.
Els polítics i els organismes governamentals solen utilitzar l'anàlisi de sentiments per extreure les opinions del públic en general, dels votants i fins i tot dels competidors. Amb l'anàlisi de sentiments, podeu extreure instantàniament punts de dolor de milions de ciutadans i abordar-los per obtenir suport polític.
Com a part de la campanya de reelecció del president Barack Obama el 2012, Obama for America va utilitzar eines d'anàlisi de sentiments per mina 5,7 milions de missatges del lloc web de la campanya. L'algoritme va etiquetar paraules de consultes com ara votació o contribució basat en lèxics predeterminats (una llista que assigna un sentiment amb una paraula determinada).
Malàisia, membre de l'ASEAN (Associació de Nacions del Sud-est Asiàtic) va celebrar les seves 14es eleccions generals el 2018. El partit governant sempre havia estat Barisan Nasional, la principal coalició de partits de dretes i centristes.
No obstant això, Pakatan Harapan (la coalició de partits de centreesquerra) va guanyar miraculosament les 14 eleccions generals i va derrotar a Barisan Nasional en una victòria aclaparadora. Hi havia sentiments contradictoris perquè aquesta seria la primera vegada en 61 anys que Malàisia seria governada per un altre partit.
Diversos investigadors va realitzar una anàlisi de sentiments sobre l'acceptació dels ciutadans envers el nou partit governant basat en el Mètode Bayes ingenu (un mètode probabilístic). Aquests investigadors van extreure tuits i hashtags rellevants durant un mes abans de calcular el sentiment general.
Resulta que el sentiment públic cap al Pakatan Harapan va ser 30% positiu, 41% neutre i 29% negatiu, amb prou feines positiu.
El nou govern ràpidament es va posar a treballar i va tornar a analitzar el sentiment públic després de 100 dies de mandat. Després enquestant a 487.000 enquestats, els resultats van mostrar que el sentiment públic era "més positiu que negatiu", amb sentiments negatius inclinats pel transport i la corrupció.
Per tant, l'anàlisi del sentiment crea oportunitats no només per a les corporacions, sinó també per als governs per atendre millor les necessitats de les persones. Sense anàlisi de sentiments, podeu ignorar els problemes subjacents i perdre ingressos, suport públic o altres mètriques rellevants per a la vostra organització.
Quan es tracta d'eines d'anàlisi de sentiments, teniu tres opcions: crear-lo vosaltres mateixos, comprar programari ja fet o fer que un proveïdor el creï a mida. Independentment, hi ha diverses preguntes que us heu de fer abans de triar una eina d'anàlisi de sentiments.
En primer lloc, Com de complex haurien de ser els algorismes? Hi ha diversos tipus de programari d'anàlisi de sentiments, cadascun utilitza diferents tècniques per analitzar el text. Les eines més avançades poden reconèixer el sarcasme, les emoticones i altres matisos lingüístics amb més precisió, però comporten costos més elevats.
A continuació, tens un judici? La millor manera d'implementar l'anàlisi de sentiments al vostre negoci és provar-ho vosaltres mateixos. Els diferents models d'anàlisi de sentiments tenen una precisió diferent i és possible que no estiguin entrenats per a les vostres necessitats específiques.
A més, pregunta't si l'eina d'anàlisi de sentiments s'ajusta a l'abast i al pressupost del vostre projecte. Un programari integral d'anàlisi de sentiments requeriria majors costos inicials de capital i manteniment. Ja sigui analitzant tuits o comentaris dels clients, trieu una solució que s'adapti als vostres objectius empresarials per maximitzar el ROI.
Finalment, hi ha serveis de valor afegit? Un programari eficaç d'anàlisi de sentiments combina diverses eines d'anàlisi de text per a una anàlisi més holística de les dades de text. També hi hauria d'haver un API d'anàlisi de sentiments que podeu integrar al vostre CRM o un altre programari de màrqueting a la teva pila.
Com que l'anàlisi de sentiments és un procés tan complex, heu de pagar per la majoria de les opcions. Algunes plataformes inclouen proves que us permeten provar la plataforma abans de comprometre's, ja que aquestes eines poden ser cares: costen centenars i fins i tot milers per any.
Per descomptat, aquests costos són insignificants si esteu en una gran empresa. Però, què passa si tot just esteu començant o simplement voleu experimentar amb les capacitats de les eines d'anàlisi de sentiments?
A Speak, oferim una solució tot en un per a la transcripció de dades, l'anàlisi de sentiments i les integracions d'API. També permetem als usuaris utilitzar tots els nostres eines d'anàlisi gratuïtes - Anàlisi de sentiments, reconeixement d'entitats i creador de núvols de paraules per identificar paraules clau predominants.
També oferim a Prova de 7 dies sense necessitat de targeta de crèdit si voleu experimentar més. Per accedir a tot el nostre conjunt d'eines, tot el que heu de fer és registrar-vos de manera gratuïta!
Si voleu utilitzar l'anàlisi de sentiments per a la vostra organització, tenim diversos plans a partir de només $19,99 al mes. També tenim solucions personalitzades per adaptar-se a les vostres necessitats específiques i us faciliten l'escalada dels vostres esforços de recerca i anàlisi.
Si voleu obtenir més informació, poseu-vos en contacte amb nosaltres i us ajudarem a millorar els ingressos empresarials, augmentar el coneixement de la marca i optimitzar els fluxos de treball amb l'anàlisi de sentiments.
Hi ha molts motors d'anàlisi de sentiments predefinits (com ara Parla) normalment en forma de SaaS (programari com a servei). D'altra banda, podeu crear les vostres pròpies solucions d'anàlisi de sentiments amb biblioteques de codi obert i seguint els tutorials següents.
Decidir entre comprar o construir una eina d'anàlisi de sentiments implica principalment cost, experiència i temps.
Comprar una solució d'anàlisi de sentiments estalvia temps i no requereix coneixements informàtics. Aquests models pre-entrenats solen incloure integracions amb aplicacions populars de tercers com Twitter, Slack, Trello i altres integracions de Zapier. A més, no cal que mantingueu aquests motors d'anàlisi de sentiments perquè el vostre proveïdor ho farà per vosaltres.
D'altra banda, construir el vostre propi model d'anàlisi de sentiments us permet personalitzar-lo segons les vostres necessitats. Si teniu temps i compromís, podeu ensenyar-vos amb recursos en línia i crear un model d'anàlisi de sentiments des de zero.
A continuació us oferim recursos i tutorials útils si voleu crear la vostra pròpia solució d'anàlisi de sentiments o si només voleu obtenir més informació sobre el tema.
Pros
✅ Més barat
✅ Estalvia temps i esforç
✅ Ve amb integracions d'API i Zapier
✅ No necessiteu coneixements de ciència de dades ni de codificació
Contres
❌ Pot ser que no sigui adequat per a les vostres necessitats específiques
Pros
✅ Personalitzat segons l'abast i els objectius del vostre projecte
✅ Els models senzills d'anàlisi de sentiments es poden fer tu mateix
Contres
❌ Es necessita temps per construir i entrenar el motor
❌ Implica costos inicials d'inversió i manteniment
L'anàlisi de sentiments proporciona una visió general de com se senten les persones sobre un tema. Tanmateix, no és perfecte i té diverses limitacions. Les principals limitacions de l'anàlisi de sentiments són:
El terme polaritat en l'anàlisi de sentiments fa referència al grau en què una paraula o frase és positiva, negativa o neutra. És fàcil classificar les paraules polaritzades com a positives o negatives. Per exemple, bo indica sentiment positiu, mentre que dolent indica un sentiment negatiu.
Tanmateix, el problema sorgeix a l'hora de decidir com de positiva ha de ser una paraula o frase. Per exemple, “el menjar era atroç" i "el menjar era extremadament terrible” ambdós indiquen clarament un sentiment negatiu, però posar una puntuació de sentiment específica és subjectiu al model d'anàlisi i a l'anotador humà.
En general, diferents persones poden assignar puntuacions de sentiment diferents a la mateixa frase perquè el sentiment és subjectiu.
La gent expressa opinions en un context, i eliminar aquest context canviaria el significat de les seves paraules. Alguns d'aquests contextos inclouen l'ús de sinònims, comentaris irònics i sarcàstics, memes i fins i tot emoticones.
Per exemple, “Per què només fas això ara?? 😠😠” indica clarament un sentiment negatiu. No obstant això, el sentiment canviaria completament si aquest comentari fos, per exemple, seguit amb un altre missatge "Aquella escombraria hauria d'haver rebut el que es mereixia molt abans lmao".
Aquest missatge de seguiment proporciona més context i canvia completament la frase anterior. De sobte, no és una queixa negativa sobre els retards, sinó una celebració que algú finalment és castigat per les seves accions.
Molts models d'anàlisi de sentiments funcionen assignant una puntuació de sentiment a una paraula específica basada en una llista predeterminada. Però el fet que una frase no contingui cap paraula de sentiment no vol dir que no expressi sentiment i viceversa.
Per exemple, “El noi de Redmi em va dir que hauria de comprar un iPhone en lloc d'un Android si volia un telèfon intel·ligent real". no conté paraules polaritzades i pot produir una puntuació de sentiment neutre. Tanmateix, la frase indica clarament un sentiment negatiu cap als telèfons Android.
Heu d'entrenar models d'anàlisi de sentiments d'aprenentatge automàtic per identificar correctament el sarcasme, els contextos i altres reptes d'anàlisi de sentiments. La formació implica alimentar el motor de tones de documents de text per millorar i aprendre tal com ho faria un humà.
L'inconvenient és que l'algoritme requereix molt de temps i molta alimentació per aconseguir una precisió a nivell humà. Qualsevol error o inexactitud en els conjunts de dades que s'alimenten a la màquina també faria que aprengui mals hàbits i, com a resultat, produiria puntuacions de sentiment inexactes.
Les cultures tenen els seus propis dialectes i fins i tot subdialectes, i cadascun d'ells conté paraules similars amb significats lleugerament diferents. Desxifrar el sentiment sense comprendre aquests matisos donaria lloc a una anàlisi imprecisa.
Per exemple, “vols anar-hi, company?” seria una provocació si es digués als Estats Units, però seria una pregunta innocent sobre viatjar si es fessin a un altre lloc.
Només el 2021, Merriam-Webster va afegir més de 520 paraules al diccionari d'anglès. Moltes d'aquestes paraules (per exemple, FTW, TBH, amirite) provenen de la cultura en línia. Altres paraules van veure ajustos en les seves definicions.
Per exemple, “avenç” podria significar un descobriment sobtat (sentiment positiu) o una persona totalment vacunada que contracta el virus (sentiment negatiu).
Des de l'antiguitat, tant els científics com els estudiosos sempre han estat fascinats per la lingüística. Gràcies a la seva investigació compromesa en la comprensió per què una persona diu alguna cosa, s'han fet molts avenços en la ciència i el comportament del consumidor.
El món està passant pel Quarta Revolució Industrial on la IA, el big data i l'aprenentatge automàtic tenen prioritat. Aquesta tecnologia de màquines que avança ràpidament afectarà totes les indústries des de la sanitat, la llei, el màrqueting, etc.
A més, de veu a text és cada cop més comú a mesura que Google i Amazon en són la punta de llança. De fet, un estudi ho va predir la meitat dels usuaris de telèfons intel·ligents utilitzaran la tecnologia de cerca per veu.
La parla i el text escrit són dades crucials per a qualsevol organització. Més concretament, entendre el intenció darrere del text parlat o escrit és cada cop més important per a la supervivència d'una organització.
Així, hi haurà un augment de la demanda d'eines d'anàlisi de sentiments a mesura que les organitzacions s'esforcen per obtenir coneixements més profunds sobre els seus clients i desenvolupar millors ofertes per satisfer les seves necessitats. La pregunta és: també utilitzareu l'anàlisi de sentiments al vostre negoci o us deixareu enrere pels vostres competidors?
L'anàlisi de sentiments és un tema ben investigat amb molts articles de revistes, llibres i recursos en línia disponibles per al vostre aprenentatge. A continuació, hem seleccionat recursos útils si voleu crear el vostre propi model d'anàlisi de sentiments o si simplement voleu obtenir més informació.
El desenvolupament d'un model d'anàlisi de sentiments implica l'ús de Python, Javascript o R, els llenguatges de programació més comuns en PNL i aprenentatge automàtic. Hi ha un debat en curs sobre quina llengua és millor, però recomanem utilitzar Python si ets un principiant.
Des que Python es va crear fa més de 30 anys, la comunitat de codificació ha acumulat una gran col·lecció de biblioteques, documentació, guies i tutorials en vídeo per a qualsevol nivell d'habilitat. Aquesta extensa col·lecció de recursos de Python accelerarà el procés de desenvolupament per crear algorismes altament precisos, reduint així els costos i l'esforç global necessari.
Independentment, cada programador té les seves preferències, de manera que hem compilat una llista de tutorials a continuació per crear models d'anàlisi de sentiments amb Python, Javascript i R.
Si tens experiència en programació, també en tenim una àmplia documentació sobre les nostres API Speak, amb línies de codi que podeu copiar i enganxar al vostre editor de text. A part d'analitzar el sentiment, també podeu integrar Speak Ai per convertir la parla en text i inseriu-lo al vostre navegador.
Python NLTK utilitzant Pycharm – NLTK és una de les biblioteques de Python més populars amb un ampli wiki que conté cursos, projectes, preguntes freqüents i molt més. Aquest vídeo tutorial ofereix exemples detallats pas a pas amb Pycharm, un editor de text de programació.
Python NLTK utilitzant Google Colab – Aquest vídeo tutorial us ensenya a crear un algorisme d'anàlisi de sentiments Naive Bayes mitjançant Google Colab. Aquesta plataforma de Google permet a qualsevol persona escriure codi al seu navegador.
Anàlisi del sentiment de Twitter mitjançant Google Colab – Aquest tutorial us mostra com crear un model d'anàlisi de sentiments específicament per extreure les opinions dels tuits.
Anàlisi de sentiments amb Tensorflow i Google Colab – Aquest vídeo tutorial ofereix una guia detallada pas a pas per crear un model d'anàlisi de sentiments des de zero. La biblioteca de Python utilitzada és Tensorflow, una biblioteca popular en marcs d'aprenentatge automàtic i aprenentatge profund.
Creació d'una aplicació d'anàlisi de sentiments amb Node.js – Aquest tutorial és una guia pas a pas fàcil d'entendre que proporciona codis que es poden copiar i enganxar per facilitar el procés de desenvolupament.
Com crear una anàlisi de sentiments a R per Kaggle – Kaggle és una comunitat en línia de científics de dades amb conjunts de dades rellevants, concursos, cursos i un fòrum actiu.
Les màquines d'anàlisi de sentiments aprenen alimentant-los lèxics: una llista de paraules i els seus sentiments associats. Aquesta llista s'ha de codificar a mà i triga molt de temps a compilar-se, donada la gran quantitat de paraules en un idioma.
Per sort, Kaggle té un lèxic de sentiments disponible públicament en 81 idiomes. Kaggle és una comunitat per a programadors i conté molts recursos útils de codificació, NLP i aprenentatge automàtic.
Recomanem molt portar-los cursos que premien un certificat de finalització que pots destacar al teu currículum. Kaggle ofereix cursos per a tots els nivells d'habilitat en Python, aprenentatge automàtic, SQL, NLP, aprenentatge automàtic i Game AI.
Kaggle també té més de 992 disponibles públicament conjunts de dades d'anàlisi de sentiments. Aquests conjunts de dades abasten una àmplia gamma de temes d'anàlisi de sentiments, com ara Twitter, ressenyes d'Amazon, notícies financeres i molt més.
En general, Kaggle és el lloc on anar per als materials de codificació, sobretot si sou un principiant. Si esteu versat en ciència de dades, també podeu participar en concursos de codificació amb premis en metàl·lic de fins a $150.000.
A part dels lèxics esmentats anteriorment, la comunitat de ciències de dades també utilitza habitualment VADER, TextBlob, i SentiWordNet lèxics. Podeu descarregar aquests lèxics gratuïtament a GitHub, una plataforma popular per als desenvolupadors per crear programari de manera col·laborativa.
VADER: VADER (Valence Aware Dictionary for Sentiment Reasoning) és un lèxic basat en regles específicament per als sentiments dels missatges de les xarxes socials. Els científics de dades estimen VADER perquè és igual de precís, si no més precisos que els valoradors humans.
TextBlob: TextBlob és una biblioteca de Python (2 i 3) per processar dades textuals i inclou una API per realitzar tasques comunes de PNL com ara etiquetatge, extracció de frases nominals, classificació, traducció i molt més.
SentiWordNet: SentiWordNet és un recurs lèxic basat en WordNet, una base de dades massiva de relacions semàntiques de paraules angleses. Aquestes paraules s'uneixen entre si a partir de relacions semàntiques (sinònims, hipònims, merònims) abans que se'ls assigni una puntuació numèrica per indicar el sentiment.
Si voleu aprofundir més en el camp de l'anàlisi de sentiments i el processament del llenguatge natural, us recomanem que comenceu per llegir "Anàlisi de sentiments: opinions mineres, sentiments i emocions” de Bing Liu.
Bing Liu és un distingit professor d'informàtica que publica regularment articles acadèmics sobre anàlisi de sentiments, processament del llenguatge natural, aprenentatge automàtic i mineria de dades.
Com a líder de pensament en aquests camps, és molt considerat pels científics de dades pel seu ampli coneixement del tema i la seva capacitat per explicar temes tècnics de PNL de manera comprensible.
Us recomanem que establiu els vostres fonaments del processament del llenguatge natural abans d'avançar a l'anàlisi de sentiments. L'anàlisi de sentiments és un subconjunt del processament del llenguatge natural i, per tant, tots dos s'han d'aprendre de la mà.
Això curs en línia gratuït de Coursera ofereix una visió general del processament del llenguatge natural i atorga un certificat un cop finalitzat. Hi ha quatre mòduls, cadascun conté exercicis pràctics que requereixen la creació d'un model de PNL, inclòs la formació d'una xarxa neuronal per realitzar anàlisis de sentiments dels tuits.
També ho recomanem molt curs sobre aprenentatge automàtic si voleu crear els vostres propis models d'anàlisi de sentiments. Al curs, aprendràs a crear algorismes d'aprenentatge automàtic amb Python i R, dos dels llenguatges de programació més comuns.
És molt assequible i ofereix i conté 44 hores de material de conferència, que pot semblar descoratjador, però el curs ben estructurat desglossa l'aprenentatge automàtic en parts petites.
Si el pressupost no és un problema, us recomanem que us inscrigueu en línia Processament del llenguatge natural amb aprenentatge profund curs a Stanford Online. El preu de la matrícula és de $1,595 i requereix un compromís de 10-14 hores setmanals durant el programa de 10 setmanes. En finalitzar, també rebràs una certificació, que pots destacar al teu currículum.
Si els cursos en línia no són els teus, pots mirar-lo Sèrie de vídeos de YouTube sobre processament del llenguatge natural per Dan Jurafsky i Christopher Manning, professors d'informàtica i lingüística a la Universitat de Stanford.
L'anàlisi de sentiments és el procés d'utilitzar tècniques de processament del llenguatge natural (PNL) per extreure sentiments (positivitat, emocions, sentiments) de dades de text. Amb el ràpid avenç de les tecnologies d'aprenentatge automàtic i PNL, les empreses grans i petites aprofiten cada cop més l'anàlisi de sentiments per establir el seu lloc al mercat.
Hi ha moltes aplicacions d'anàlisi de sentiments i mineria d'opinió. Les organitzacions poden utilitzar l'anàlisi de sentiments en estudis de mercat, servei al client, mercats financers, política i mercat de xarxes socials, per citar-ne alguns.
Tot i que l'anàlisi de sentiments no és perfecte, encara és molt eficaç per analitzar dades de text en línia a gran escala. Tanmateix, els models d'anàlisi de sentiments ja són tan precisos com els valoradors humans, si no més fiables.
És només qüestió de temps que els models d'anàlisi de sentiments aconsegueixin una precisió pràcticament 100% en l'extracció d'opinions a partir de grans blocs de text. És una tecnologia que ha demostrat optimitzar els processos de treball i capacitar els equips per adquirir una comprensió més profunda dels seus clients.
Si vols saber-ne més, prova el nostre Prova de 7 dies sense necessitat de targeta de crèdit, o parla amb nosaltres per parlar de com les nostres solucions d'anàlisi de sentiments poden portar la vostra organització al següent nivell.
Prova Speak gratis durant 7 dies, sense necessitat de targeta de crèdit
Com transcriure una gravació a text La nostra eina de transcripció sense codi us permet convertir una gravació d'àudio a text en només dos passos. Troba
Com transcriure un vídeo de YouTube No cal que convertiu un vídeo de YouTube a mp4 per transcriure-lo. Només cal que carregueu l'URL a Speak
Com transcriure àudio i vídeo a text en 2 minuts (guia 2022) Apreneu a transcriure àudio i vídeo a text amb Speak Ai
La Guia completa per a l'anàlisi de textos (2022) L'anàlisi de text (o mineria de text) fa referència a l'ús de tècniques de processament del llenguatge natural per extreure informació clau dels fragments.
Què és el processament del llenguatge natural: la guia definitiva El processament del llenguatge natural és el gran camp d'estudi de com els ordinadors poden entendre el llenguatge humà amb precisió i
Una guia senzilla sobre com fer una investigació de mercat el 2021 Apreneu alguns passos senzills per començar a fer una investigació de mercat.
Per un temps limitat, deseu 93% en un pla Speak completament carregat. Comenceu el 2025 amb força amb una plataforma d'IA millor valorada.
Català 
English 
Español 
Français 
Italiano 
العربية 
Português do Brasil 
Nederlands 
Deutsch 
עִבְרִית 
Русский 
日本語 
Polski 
Čeština 
Українська 
Slovenščina 
Svenska 
Ελληνικά 
Norsk bokmål 
简体中文 
Türkçe 
Magyar 
한국어 
Slovenčina 
Suomi