Saatat jo tietää, että tunneanalyysiä käytetään määrittämään, onko tietyn tietoaineiston tunne neutraali, myönteinen vai kielteinen. Koska olet kuitenkin täällä, et todennäköisesti tunne aihetta vielä paljon tätä syvällisemmin.
Tässä artikkelissa vastaan seuraaviin kysymyksiin: Mitä tunneanalyysi on? Miten tunneanalyysi toimii? Ja mitä tunneanalyysi voi tehdä sinun hyväksesi?
Kun olet saanut kokonaiskuvan aiheesta, voit tutustua kymmenen parhaan tunneanalyysityökalun luetteloomme.
Mitä tunneanalyysi on?
Kerrataanpa ensin nopeasti, mitä tunneanalyysi tarkoittaa.
Me ihmiset käytämme tunneanalyysiä päivittäin arvioidaksemme toistemme mielipiteitä. Se voi joskus olla hankalaa, esimerkiksi erityisen sarkastisen ystävän kanssa tai yrittäessäsi selvittää, mitä pomosi todella ajattelee antaessaan palautetta suuresta esityksestä! Tunneanalyysiohjelmistot pyrkivät jäljittelemään tätä hyvin inhimillistä kokemusta.
Vaikka jotkin ohjelmistot pystyvät analysoimaan puhetta, useimpia tunneanalyysityökaluja käytetään tekstianalyysiin, jotta tekstin yleinen tunne voidaan luokitella myönteiseksi, kielteiseksi tai neutraaliksi. Tätä kutsutaan polariteetiksi.
Yleisiä tietolähteitä tunneanalyysille ovat sosiaalisen median julkaisut, uutisartikkelit, verkkokatsaukset, pyydetyt palautelomakkeet, kyselyvastaukset sekä verkkosivut, blogit ja keskustelufoorumit. Tunneanalyysistä voidaan käyttää myös nimityksiä mielipiteiden louhinta, tunneälyyn perustuva tekoäly tai teknisemmin tunteiden luokittelu.
Tunneanalyysillä on neljä päätyyppiä:
- Hienojakoinen eli polariteettiin perustuva (myönteinen, kielteinen tai neutraali)
- Tunteet ja emootiot (onnellinen, vihainen, surullinen, huvittunut)
- Näkökohtiin perustuva (tunnistaa mielipiteen jostakin tietystä asiasta, esimerkiksi älypuhelimen kamerasta)
- Aikomus (kiinnostunut, ei kiinnostunut, erittäin kiinnostunut).
Tunneanalyysityökalut auttavat sinua käsittelemään Web 2.0 -verkkoympäristössä saatavilla olevaa valtavaa määrää subjektiivista tietoa sidosryhmien palautteen ymmärtämiseksi.
Organisaatiot hyödyntävät tunneanalyysiä monin tavoin. Monet brändit käyttävät sitä osana markkinatutkimustaan ymmärtääkseen paremmin, mikä niiden brändistrategiassa toimii hyvin ja missä on parannettavaa. Toinen käyttötapa on rahoituslaitoksilla, jotka analysoivat uutisvirtaa ja tunnistavat sijoitusmahdollisuuksia.

Miten tunneanalyysi toimii?
Hyvä on, perehdytään nyt siihen, miten tunneanalyysi käytännössä toimii. Pohjimmiltaan tunneanalyysi on datatieteen muoto. Tarkemmin sanottuna se on luonnollisen kielen käsittelyn (NLP) muoto. Luonnollisen kielen käsittely on puolestaan tekoälyn (AI) alahaara, jonka avulla tekstistä tai puheesta tunnistetaan ja luokitellaan subjektiivisia mielipiteitä.
Tekoäly asiakastunteiden analyysissä sijaitsee tietotekniikan ja ihmisen puheen risteyskohdassa, mikä on innostava mahdollisuus kaikille kielitiedettä rakastaville datatieteilijöille.

Se ei kuitenkaan ole helppoa. Ymmärtääkseen tekstin kielen asianmukaisesti ja tuottaakseen tarkan tunnepistemäärän tai merkityksellisen havainnon ohjelmien on käytettävä erilaisia menetelmiä, jotka simuloivat sitä, mitä me ihmiset teemme intuitiivisesti. Nämä simulaatiot toteutetaan kehittyneillä algoritmeilla eli tietokoneille tarkoitetuilla ohjeilla.
Tästä päästään tunneanalyysin kahteen pääasialliseen lähestymistapaan:
- Sääntöpohjainen: järjestelmä, joka perustuu ihmisten manuaalisesti määrittämiin sääntöihin.
- Automaattinen: järjestelmät, jotka oppivat itsenäisesti kehittyneiden koneoppimistekniikoiden avulla.
Niiden perustavanlaatuinen ero liittyy tapaan, jolla järjestelmää opetetaan. Seuraavaksi tarkastelemme näitä hieman yksityiskohtaisemmin.
Sääntöpohjainen tunneanalyysi
Sääntöpohjaisessa menetelmässä käytetään luonnollisen kielen käsittelyä yhdessä manuaalisesti määriteltyjen sääntöjen kanssa subjektiivisuuden, polariteetin tai mielipiteen kohteen tunnistamiseksi. Käytettyjä luonnollisen kielen käsittelyn tekniikoita ovat muun muassa vartalointi, tokenisointi, sanaluokkien merkitseminen, jäsentäminen ja leksikkoanalyysi. Jos aihe kiinnostaa, voit lukea näistä lisää täältä.
Tässä on yksinkertainen esimerkki sääntöpohjaisesta tunneanalyysistä.
Määrittääkseen tekstin polariteetin tunneanalyysityökalujen on ensin pilkottava se yksittäisiin osiin eli sanoihin ja ilmauksiin luonnollisen kielen käsittelyn avulla. Sen jälkeen niitä verrataan tietokantaan. Tätä tietokantaa kutsutaan leksikoksi tai tunnekirjastoksi, ja se on koottu sanoista ja ilmauksista, jotka on kerätty ja pisteytetty manuaalisesti.
Neutraaleille sanoille ja ilmauksille annetaan yleensä nollan pistearvo. Merkittävästi kielteiset sanat saavat negatiivisen pistearvon, kun taas myönteiset sanat saavat positiivisen pistearvon. Esimerkiksi tuotearvostelussa sanat ja ilmaukset kuten huono, pettymys, hirveä ja kamala asiakaspalvelu saisivat kielteisen pistearvon, kun taas hyvät, erinomaiset, avuliaat ja hyödylliset saisivat myönteisen pistearvon.
Tunneanalyysikirjaston ja sitä vastaavien sääntöjen rakentaminen on laaja prosessi. Jokaiselle sanalle on annettava huolellisesti pistemäärä ja tehtävä myös osuvia vertailuja. Järjestelmän on esimerkiksi ymmärrettävä, että ”huono” on kielteinen sana, mutta ”kauhea” on vielä kielteisempi; ”hyvä” on myönteinen ja ”hämmästyttävä” vielä myönteisempi.

Sääntöpohjainen järjestelmä voidaan luoda nopeasti, mutta se on jossain määrin rajallinen. Tämä johtuu siitä, että se ei tunnista sanoja, joita kirjastossa ei ole, eikä analysoi sanoja asiayhteyden perusteella – minkä vuoksi sarkasmin, homonyymien ja polysemian kaltaisten monimutkaisuuksien tunnistaminen on vaikeaa. Esimerkiksi ilmaus ”kutsutko tuota erinomaiseksi asiakaspalveluksi?” voitaisiin tulkita helposti väärin.
Sääntöpohjaisten järjestelmien ylläpito ja päivittäminen vaativat myös paljon työtä. Uusia sääntöjä on lisättävä jatkuvasti manuaalisesti, jotta järjestelmä pysyy verkossa tapahtuvan kielen kehityksen mukana. Uusien sääntöjen lisääminen voi myös vaikuttaa aiempiin tuloksiin.
Automaattinen tunneanalyysi
Sen sijaan että automaattisen tunneanalyysin järjestelmät perustuisivat manuaalisesti luotuihin ja päivitettäviin sääntöihin, ne koulutetaan koneoppimistekniikoilla. Tässä yhteydessä koneoppimisella tarkoitetaan algoritmeja, jotka käyttävät syväoppimista tullakseen tarkemmiksi aina, kun ne kohtaavat ongelman, tarvitsevat ihmisen puuttumista tai saavat käyttäjäpalautetta. Syväoppimismalleja suositaan yleensä, koska tunneanalyysijärjestelmän on selvitettävä paljon asioita ollakseen tarkka.
Se on tekninen prosessi, mutta tässä on yksinkertaistettu kuvaus sen toiminnasta.
- Etsi suuri tietojoukko, joka muistuttaa analysoitavaa dataa, ja merkitse joitakin esimerkkejä. Tästä muodostuu koulutusdata. Et anna järjestelmälle sääntöjä, vaan esimerkkejä.
- Käytä koulutusdataa koneoppimismallin kehittämiseen. Se koostuu luokittelualgoritmeista, kuten lineaarisesta regressiosta, naiiviin Bayesiin perustuvasta luokittelusta, tukivektorikoneista sekä RNN-pohjaisista LSTM- ja GRU-malleista. Kuten nimi kertoo, niitä käytetään datan luokitteluun (myönteinen, kielteinen, iloinen, surullinen jne.). Jos aihe kiinnostaa, täältä löydät lisätietoja näistä.
- Jos mallisi toimii, se pystyy riittävän asiaankuuluvan datan saatuaan tekemään omia ennusteitaan ja luokittelemaan aiemmin näkemätöntä dataa. Se on tunnistanut omat sääntönsä!
- Paranna näiden mallien tarkkuutta jatkuvasti antamalla lisää esimerkkejä.
Automaattisen lähestymistavan etuna on kyky mukautua ja luoda malleja, jotka on koulutettu moniin eri tarkoituksiin ja asiayhteyksiin.
Tiedämme esimerkiksi, että sana Phoenix viittaa myyttiseen lintuun ja myös Arizonassa sijaitsevaan Phoenixin kaupunkiin. Koneoppimisalgoritmi voidaan kouluttaa tunnistamaan asiayhteyden perusteella, kumpaa Phoenixin merkitystä tarkoitetaan, kun sanaa käytetään lauseessa. Sen jälkeen se voi hyödyntää tätä kokemusta samanlaisten tapausten tunnistamiseen.
Samoin malli merkitsee sanan ”woke” (merkityksessä ’herätä’) neutraaliksi sanaksi. ”Woke” on kuitenkin viime aikoina alkanut tarkoittaa slangissa ”yhteiskunnallis-poliittisesti valveutunutta”, joten siitä on hiljattain muodostunut homonyymi. Kun algoritmi saa tämän palautteen kerran, se voi soveltaa uutta tietoa kaikkiin tuleviin analyyseihin. Sana ”woke” saa nyt tietyissä asiayhteyksissä myönteiseen suuntaan kallistuvan pistemäärän.
Automaattisia menetelmiä pidetään yleensä parempina. Koneoppimiseen perustuvan automaattisen lähestymistavan haittana on kuitenkin se, että se edellyttää nimettyä historiallista dataa ja kouluttaminen voi kestää jonkin aikaa. Lisäksi niiden kehittämiseen tarvitaan erittäin taitavia data-analyytikkoja!

Onko sinulla tili? Kirjaudu sisään
Hybridilähestymistapa
Luonnollisen kielen käsittelyn (NLP) yhdistämistä koneoppimiseen, jota kutsutaan usein hybridilähestymistavaksi, pidetään yleisesti keinona tehdä tunneanalyysistä tarkempaa. Kumpikin osa käsittelee eri osan tehtävästä.
NLP auttaa järjestelmää ymmärtämään, mitä sanat tarkoittavat ja miten lauseet rakentuvat. Tarkka tunneanalyysi riippuu siitä, että lauseenjäsennys tunnetaan, joten ohjelmoijat merkitsevät jokaisen sanan substantiiviksi, verbiksi, adjektiiviksi ja niin edelleen. NLP:n avulla ohjelmaan voidaan myös syöttää valtavia määriä tekstiä tunneanalyysin sanaston rakentamisen ja mallin kouluttamisen aikana. Kun ohjelma oppii, miten sanat sijoittuvat lauseisiin, se rakentaa perustavanlaatuisen kielentuntemuksensa päälle, pisteyttää yhä useampia sanoja ja luokittelee tekstiä tarkemmin.
Koneoppiminen auttaa järjestelmää kehittymään ajan mittaan. Se auttaa ohjelmaa pysymään kielen muutosten mukana, tulkitsemaan sanoja asiayhteydessä ja käsittelemään vaikeampia tapauksia, kuten homonyymejä (sanoja, jotka näyttävät samoilta mutta tarkoittavat eri asioita). Tunneanalyysimallin on selvitettävä paljon asioita ollakseen tarkka, minkä vuoksi syväoppimismalleja yleensä suositaan. Ajan mittaan järjestelmä siirtyy tunteiden analysoinnista niiden ennustamiseen.
Tunneanalyysin haasteet
Tunneanalyysiin liittyy monia haasteita käytettävästä mallista riippumatta.
Tekstin merkitystä on ihmisten vaikea tulkita tarkasti sataprosenttisesti joka kerta. Jos ihmisillä on vaikeuksia sen kanssa omalla äidinkielellään, on ymmärrettävää, että koneoppimisella on tunneanalyysissä niin ikään jonkin verran vaikeuksia.
Seuraavat asiat vaikeuttavat tunneanalyysiä koneoppimisessa:
Subjektiivisuus
Jotkin lauseet ovat tosiasioita eivätkä myönteisiä tai kielteisiä, mutta tätä ei ole aina helppo erottaa. Tarkastellaan esimerkiksi seuraavia kahta lausetta:
Paita on sininen.
Paita on kaunis.
Tässä esimerkissä on selvää, millä lauseella on myönteinen sävy – paita on kaunis. Se ei kuitenkaan tarkoita, että ensimmäinen lause olisi kielteinen. Ensimmäinen lause on objektiivinen. Siinä todetaan tosiasia – paita on sininen.
Vaikeus syntyy siitä, että joskus kaksi predikaattia eivät ole samanarvoisia. Toinen lause, jossa kommentoidaan paidan kauneutta, on sävyn kannalta tärkeämpi, koska se on subjektiivinen. Toinen kommentti ilmaisee, miltä käyttäjästä tuntuu tuotteen suhteen, ja tätä tietoa voit hyödyntää.
Sävy
Sävy on yksi vaikeimmista asioista ihmisten tulkittavaksi, joten kuvittele, kuinka vaikeaa sen tulkitseminen voi olla koneelle. Esimerkiksi sen selvittäminen, onko joku sarkastinen, on tekstin perusteella erittäin vaikeaa, koska ihmiset käyttävät yleensä sanoja, jotka tarkoittavat päinvastaista kuin mitä he todella tarkoittavat. Esimerkiksi:
Upea autoni hajosi taas. Hienoa!
Romuautoni hajosi taas.
Näissä kahdessa lauseessa on molemmissa kielteinen sävy, mutta ensimmäisessä lauseessa käytetään sarkasmia sanoilla kuten upea ja hienoa. Sävyn analysointijärjestelmän olisi vaikea selvittää tätä tilannetta ilman, että ihminen tarkastelisi sitä ja tekisi lopullisen arvion.
Asiayhteys
Joissakin tapauksissa sävyä on mahdotonta määrittää ilman laajempaa asiayhteyttä. Tarkastellaan seuraavaa arviota: “Tämän taidetarvikeliikkeen valikoima on loistava, jos pääaineesi on maalaus.” Tekstiä tarkastellessamme huomaamme myönteisesti arvioituja sanoja, kuten “loistava”.
Tämän lainauksen laajempi asiayhteys kuitenkin vihjaa jostain muusta: taidetarvikeliike ei ole kovin hyvä, jos keskityt lyijykyniin, musteeseen, kuvanveistoon tai johonkin muuhun taiteen välineeseen. Voi ei. Kun otat asiayhteyden huomioon, saatat päättää, ettei tämä arvio olekaan niin myönteinen!
Kun koneoppiminen louhii mielipiteitä sävyn määrittämiseksi, se ei aina huomioi asiayhteyttä hyvin.
Vertailut
Vertailut ovat monimutkaisia, koska niissä ei ole niinkään kyse sanoista kuin siitä, miten sanat liittyvät toisiinsa. Tässä on esimerkki:
Tämä on paras piirakka, jonka olen koskaan syönyt.
Heidän piirakkansa on hyvä pikaruokaketjun piirakaksi.
Ensimmäinen lause on myönteinen. Toista ei ole yhtä helppo määrittää. Haluat todennäköisesti tuotteesi olevan hyvä verrattuna kaikenlaisiin kilpailijoihin. Toinen sävy vihjaa, että erikoistuneisiin leipureihin, paikallisiin liikkeisiin tai muihin paikkoihin verrattuna piirakkasi on toiseksi paras.
Sävyn analysointiratkaisut eivät ehkä huomaa tässä vertailutekijää. Sen sijaan ne lukisivat sanan “hyvä” ja arvioisivat sävyn myönteiseksi, vaikka asiassa on selvästi muutakin.
Moninapaisuus
Joskus yksi lause voi suhtautua yhteen asiaan myönteisesti ja toiseen kielteisesti. Esimerkiksi: “Pepsi on paljon parempaa kuin Coke.” Tässä lauseessa sanotaan vain kuudella sanalla jotain myönteistä Pepsistä ja kielteistä Cokesta. Sävyn analysointijärjestelmä ei todennäköisesti pysty arvioimaan tätä tarkasti ilman kehittyneempää ohjelmointia.
Kieltoilmaukset
Kieltoilmaus tarkoittaa sanan tai ilmauksen merkityksen kääntämistä päinvastaiseksi, kuten lauseessa “En sanoisi, että ruoka oli hyvää.” Meidän ihmistenkin voi olla vaikea ymmärtää kieltoilmauksen sisältävän ilmauksen tai lauseen merkitystä, joten ei ole yllättävää, että myös sävyn analysointityökaluilla voi olla vaikeuksia.
Emojit
Kaikki verkossa aikaa viettävät tietävät, että emojit ovat kaikkialla. Jotkut ovat yksinkertaisia, jotkut monimutkaisia, mutta kaikki voivat aiheuttaa ongelmia koneoppimiselle, kun se yrittää selvittää sävyä.
Emojit ovat tärkeä osa verkossa viestimistä. Sydänemoji pitäisi tulkita myönteiseksi sävyksi, kun taas kasaa ulostetta esittävä emoji saisi varmasti kielteisen arvion. Tämä ei ole ongelma, jos käytät sävyn analysointikirjastoja, jotka sisältävät yleisten emojien pisteytykset, aivan kuten ne voivat sisältää suosittujen slangisanojen pisteytykset.
Slangi
Kieli kehittyy jatkuvasti, ja tähän kuuluu myös kunkin sukupolven slangisanasto, kuten “smol”, “stan” ja “salty”. Kuten emojien kohdalla, sävyn analysointityökalullasi voi olla tässä vaikeuksia.
Loppujen lopuksi näyttää siltä, että muutaman kuukauden välein syntyy uusi meemeistä vaikutteita saanut slangisana. Slangisanat, jotka jäävät käyttöön ja saattavat esiintyä arvioissa ja sosiaalisessa mediassa, voidaan lisätä sävyn analysointikirjastoon ja niille voidaan antaa myönteinen, neutraali tai kielteinen arvo... aivan kuten mille tahansa muullekin sanalle! Parhaat sävyn analysointityökalut tukevat uutta slangia ohjelmistopäivitysten tai käyttäjän manuaalisen syötteen avulla.
Neutraalin sävyn merkitys
Yksi tapa luoda hyvä perusta koneoppimisen kouluttamiselle on käyttää aikaa sen pohtimiseen, mitä “neutraali” tarkalleen tarkoittaa. Olen puhunut paljon myönteisistä ja kielteisistä esimerkeistä sävyn analysoijaa varten, mutta nämä kaksi sävyä riippuvat selkeästi määritellystä neutraalista. On perusteltua sanoa, että neutraali on yksi prosessin tärkeimmistä osista.
Mutta miten neutraali määritellään? Tässä on kolme tapaa päästä alkuun:
- Sisällytä objektiivisia testejä. Muista aiempi esimerkki: tämä paita on sininen. Auto on keltainen. Puussa on lehtiä. Nämä kaikki ovat tosiasioihin perustuvia objektiivisia väitteitä. Niihin ei liity myönteistä tai kielteistä sävyä.
- Suodata pois kaikki epäolennainen. Epäolennainen tieto ei auta määrittämään, onko jokin myönteistä vai kielteistä. Jos esimerkiksi kuivausrumpua koskeva arvio alkaa anekdootilla, kuten “Menin kellariin ja heitin märät vaatteet kuivausrumpuun, mutta huomasin, että se oli rikki”, tämä tieto ei liity itse arvion sävyyn, ja se voidaan jättää pois.
- Jätä ehdotukset huomiotta. Tämä ei ole ehdoton sääntö, mutta usein ehdotukset eivät vaikuta mielipiteeseen. Jos huomaat arvioijien toivovan, että tuotteessa olisi jokin ominaisuus, tämä ei kerro paljoakaan asiakkaiden mielipiteistä. Saatat aluksi ajatella, että kyseessä on kielteinen asia, ja niin voikin olla. Esimerkiksi ”Pihvi oli kamala, olisinpa toivonut, ettei sitä olisi kypsennetty liikaa” on kielteinen ilmaus. Toiveet ja halut voivat kuitenkin esiintyä myös myönteisissä arvioissa. ”Kakku oli herkullinen, olisinpa toivonut sitä olevan enemmän” tai ”Pidän tästä paidasta kaikin puolin, olisinpa toivonut sitä olevan saatavilla 100 värissä.”
Selkeästi määritelty neutraali kanta on kaiken mielipideanalyysin perusta. Jokainen analyysi alkaa neutraalista tilasta, minkä jälkeen se kallistuu joko myönteiseen tai kielteiseen suuntaan tekstin saamien pisteiden perusteella.
Mielipideanalyysin sovellukset
Kuten mainittu, mielipideanalyysi on erittäin hyödyllinen organisaatioille, jotka haluavat tietää, mitä ihmiset ajattelevat niistä. Kun dataa syntyy jatkuvasti valtavia määriä kaikkialla maailmassa, mielipideanalyysi voi auttaa sinua ymmärtämään sitä reaaliajassa.
Tässä on joitakin tapoja, joilla tämä teknologia vaikuttaa jo nyt:
Asiakaskokemukseen vastaaminen
Asiakaskokemusta koskevaa palautetta voidaan kerätä orgaanisesti verkosta, esimerkiksi sosiaalisen median maininnoista, tai palautteesta, jota pyydät aktiivisesti itse. Toivottavasti käytettävissäsi on laaja ja monipuolinen tietoaineisto. Jos näin on, mielipideanalyysiohjelmiston avulla voit käsitellä nopeasti suuren määrän aineistoa ja saada arvokkaita oivalluksia. Niitä voidaan sitten hyödyntää maineenhallinnassa, tuoteinnovaatioiden kehittämisessä ja asiakastuen parantamisessa.
More Articles
Kilpailijoiden seuranta
Seuraamalla kilpailijoidesi herättämiä mielipiteitä voit saada hyvän käsityksen niiden asemasta markkinoilla ja verrata sitä omaasi. Oletetaan esimerkiksi, että Twitter-maininnoistasi 40 prosenttia on myönteisiä, 30 prosenttia kielteisiä ja loput neutraaleja. Mistä tiedät, onko se hyvä vai huono tulos? Jos suurimman kilpailijasi vastaavat luvut ovat noin 60 prosenttia myönteisiä, 30 prosenttia kielteisiä ja loput neutraaleja, sinulla on vielä työtä tehtävänä. Jos taas 50 prosenttia mielipiteistä on kielteisiä, tiedät suoriutuvasi toimialan standardien perusteella kohtuullisesti.
Työntekijäkokemus
Lopuksi mielipideanalyysi voi auttaa henkilöstöhallinnon tiimejä analysoimaan dataa, jotta ne ymmärtävät, mikä tekee työntekijät tyytyväisiksi tai miksi he lähtevät yrityksestä. Tunnistamalla yleiset valitukset ja ongelmat työnantajat saavat käytännön oivalluksia henkilöstön vaihtuvuuden vähentämiseen ja työntekijöiden suoritusten parantamiseen. Tämä ominaisuus on erityisen hyödyllinen yrityksille, joissa on paljon työntekijöitä, sillä johdolla ei olisi aikaa keskustella satojen työntekijöiden kanssa yksitellen.
Yhteenveto
Nyt tiedät kaiken mielipideanalyysistä ja siitä, miten sitä voidaan käyttää datan analysointiin ja asiakkaiden mielipiteen selvittämiseen brändistäsi.
Mielipideanalyysityökalut tekevät suuren osan raskaasta työstä puolestasi, mutta on aina järkevää pyytää ihmistä tarkistamaan satunnaisia otoksia tuloksista ja etsimään asioita, joita koneiden on vaikea ymmärtää. Mielipideanalyysi on tehokkaimmillaan, kun teknologia ja ihmiset työskentelevät yhteistyössä.
Etsitkö lisää asiakaskokemusta koskevia oivalluksia? Tilaa The CX Lead -uutiskirje.
Aiheeseen liittyvää luettavaa: 10 parasta asiakastukiohjelmistoa pk-yrityksille ja suuryrityksille




