Miten tunneanalyysi toimii?
Saatat jo tietää, että mielipideanalyysia käytetään määrittämään, onko tietosisällön sentimentti neutraali, positiivinen vai negatiivinen. Mutta koska olet täällä, et todennäköisesti ymmärrä aihetta vielä paljon tätä syvällisemmin.
Tässä artikkelissa vastaan seuraaviin kysymyksiin: Mitä mielipideanalyysi on? Miten mielipideanalyysi toimii? Ja mitä mielipideanalyysi voi tehdä hyväksesi?
Kun olet saanut kokonaiskuvan aiheesta, voit tutustua myös luetteloomme: 10 parasta mielipideanalyysityökalua.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Mitä mielipideanalyysi on?
Ennen kuin sukellamme aiheeseen, kerrataan lyhyesti, mitä mielipideanalyysi tarkoittaa.
Me ihmiset käytämme mielipideanalyysia päivittäin arvioidaksemme toistemme mielipiteitä. Se voi toisinaan olla hankalaa, esimerkiksi erityisen sarkastisen ystävän kanssa tai yrittäessäsi päätellä, mitä pomosi todella ajattelee antaessaan palautetta suuresta esityksestä! Mielipideanalyysiohjelmisto pyrkii jäljittelemään tätä hyvin inhimillistä kokemusta.
Vaikka jotkin ohjelmistot voivat analysoida puhetta, useimpia mielipideanalyysityökaluja käytetään tekstianalyysiin, jotta tekstikokonaisuuden yleinen sentimentti voidaan luokitella positiiviseksi, negatiiviseksi tai neutraaliksi. Tätä kutsutaan polariteetiksi.
Yleisiä mielipideanalyysin tietolähteitä ovat sosiaalisen median julkaisut, uutisartikkelit, verkkoarvostelut, pyydetyt palautelomakkeet, kyselyvastaukset sekä verkkosivut, blogit ja keskustelufoorumit. Mielipideanalyysistä voidaan käyttää myös nimityksiä mielipiteiden louhinta, tunneäly ja teknisemmin sentimentin luokittelu.
Mielipideanalyysia on neljää päätyyppiä:
- Hienojakoinen eli polariteetti (positiivinen, negatiivinen 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).
Mielipideanalyysityökalut auttavat sinua käymään läpi web 2.0:ssa saatavilla olevan valtavan subjektiivisen tietomäärän ja ymmärtämään sidosryhmien palautetta.
Organisaatiot hyödyntävät sentimenttiä monin eri tavoin. Monet brändit käyttävät sitä osana markkinatutkimustaan ymmärtääkseen paremmin, mitkä asiat niiden brändistrategiassa toimivat hyvin ja missä on parantamisen varaa. Rahoituslaitokset puolestaan voivat analysoida uutisvirtaa ja tunnistaa sijoitusmahdollisuuksia.
Miten mielipideanalyysi toimii?
Selvä, siirrytään nyt siihen, miten mielipideanalyysi oikeastaan toimii. Pohjimmiltaan mielipideanalyysi on datatieteen muoto. Tarkemmin sanottuna se on luonnollisen kielen käsittelyn (NLP) muoto, joka puolestaan on tekoälyn (AI) alahaara ja jonka avulla tekstistä tai puheesta tunnistetaan ja luokitellaan subjektiivisia mielipiteitä.
Tekoäly asiakasmielipiteiden analyysissä sijaitsee tietotekniikan ja ihmisen puheen risteyskohdassa, mikä on kiinnostava mahdollisuus kaikille datatieteilijöille, jotka rakastavat kielitiedettä.
Se ei kuitenkaan ole helppoa. Jotta ohjelmat ymmärtäisivät tekstin kielen asianmukaisesti ja tuottaisivat tarkan sentimenttipistemäärän tai merkityksellisen havainnon, niiden on käytettävä erilaisia menetelmiä, jotka simuloivat sitä, mitä me ihmiset teemme intuitiivisesti. Nämä simulaatiot toteutetaan kehittyneillä algoritmeilla eli tietokoneille tarkoitetuilla ohjeilla.
Tästä päästään mielipideanalyysin kahteen pääasialliseen lähestymistapaan:
- Sääntöpohjainen: järjestelmä, joka perustuu ihmisten manuaalisesti määrittämiin sääntöihin.
- Automaattinen: järjestelmät, jotka oppivat itse kehittyneiden koneoppimistekniikoiden avulla.
Perustavanlaatuinen ero näiden kahden välillä on niiden tapa opettaa järjestelmää. Seuraavaksi tarkastelemme näitä hieman yksityiskohtaisemmin.
Sääntöpohjainen mielipideanalyysi
Sääntöpohjaisessa menetelmässä käytetään NLP:tä yhdessä manuaalisesti määriteltyjen sääntöjen kanssa subjektiivisuuden, polariteetin tai mielipiteen kohteen tunnistamiseen. Käytettyjä NLP-tekniikoita ovat esimerkiksi vartalointi, tokenisointi, sanaluokkien tunnistus, jäsentäminen ja sanastoanalyysi. Jos olet kiinnostunut aiheesta, voit lukea näistä täältä lisää.
Tässä on yksinkertainen esimerkki sääntöpohjaisesta mielipideanalyysistä.
Tekstin osan polariteetin määrittämiseksi mielipideanalyysityökalujen on ensin jaettava se yksittäisiin osiin eli sanoihin ja ilmauksiin NLP:n avulla. Sen jälkeen ne verrataan tietokantaan, jota kutsutaan sanastoksi tai mielipidekirjastoksi ja joka on koottu manuaalisesti kerätyistä ja pisteytetyistä sanoista ja ilmauksista.
Yleensä neutraaleille sanoille ja ilmauksille annetaan arvo nolla. Selvästi kielteisille sanoille annetaan negatiivinen arvo ja myönteisille sanoille positiivinen arvo. Esimerkiksi tuotearvostelussa sanoille ja ilmauksille, kuten huono, pettymyksen tuottava, kamala ja hirvittävä, sekä asiakaspalvelulle annettaisiin negatiivinen arvo, kun taas sanat hyvä, loistava, avulias ja hyödyllinen saisivat positiivisen arvon.
Mielipidekirjaston ja sitä vastaavien sääntöjen rakentaminen on laaja prosessi. Jokaiselle sanalle on annettava arvo ja lisäksi tehtävä asianmukaisia vertailuja. Järjestelmän on esimerkiksi ymmärrettävä, että “bad” on kielteinen sana, mutta “horrible” on vielä kielteisempi; “good” on myönteinen ja “amazing” vielä myönteisempi.
Sääntöpohjainen järjestelmä voidaan rakentaa nopeasti, mutta se on jossain määrin rajallinen. Tämä johtuu siitä, ettei se tunnista sanoja, joita ei löydy kirjastosta, eikä analysoi sanoja asiayhteyden perusteella. Tämän vuoksi sarkasmin, homonyymien ja polysemian kaltaisten monimutkaisuuksien tunnistaminen on vaikeaa. Ilmaus “kutsua tuota erinomaista asiakaspalveluksi?” voitaisiin esimerkiksi tulkita helposti väärin.
Sääntöpohjaisten järjestelmien ylläpito ja päivittäminen vaativat myös paljon työtä. Uusia sääntöjä on lisättävä jatkuvasti manuaalisesti, jotta ne pysyvät verkossa käytettävän kielen kehityksen mukana. Uusien sääntöjen lisääminen voi myös vaikuttaa aiempiin tuloksiin.
Automaattinen mielipideanalyysi
Sen sijaan että automaattiset mielipideanalyysijärjestelmät perustuisivat manuaalisesti luotuihin ja päivitettyihin sääntöihin, ne koulutetaan koneoppimistekniikoiden avulla. Tässä yhteydessä koneoppimisella tarkoitetaan algoritmeja, jotka käyttävät syväoppimista tarkkuutensa parantamiseen aina, kun ne kohtaavat ongelman, tarvitsevat ihmisen apua tai saavat käyttäjäpalautetta.
Asia on tekninen, mutta tässä on yksinkertaistettu kuvaus siitä, miten se toimii.
- Etsi suuri tietojoukko, joka muistuttaa analysoitavaa dataa, ja merkitse joitakin esimerkkejä. Tästä muodostuu opetusdata. Järjestelmälle ei anneta sääntöjä, vaan sille annetaan esimerkkejä.
- Kehitä koneoppimismalli opetusdatan avulla. Se koostuu luokittelualgoritmeista, kuten lineaarisesta regressiosta, naiivi Bayes -menetelmästä, tukivektorikoneista sekä RNN-johdannaisista LSTM:stä ja GRU:sta. Kuten nimi kertoo, niitä käytetään datan luokitteluun (positiivinen, negatiivinen, iloinen, surullinen jne.). Jos aihe kiinnostaa, täältä löydät lisätietoa niistä.
- Jos mallisi toimii, se pystyy riittävän relevantin datamäärän avulla tekemään omia ennusteitaan aiemmin näkemättömän datan luokittelemiseksi. Se on tunnistanut omat sääntönsä!
- Paranna näiden mallien tarkkuutta jatkuvasti antamalla niille lisää esimerkkejä.
Automaattisen lähestymistavan etuna on sen kyky mukautua ja luoda malleja, jotka on koulutettu moniin erilaisiin 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 vastaavien tapausten tunnistamiseen.
Samoin malli merkitsee sanan “woke” (merkityksessä ‘herätä’) neutraaliksi sanaksi. “Woke” on kuitenkin viime aikoina alkanut tarkoittaa slangissa ”sosiopoliittisesti tiedostavaa”, joten siitä on tullut hiljattain syntynyt homonyymi. Kun algoritmi saa tästä palautetta kerran, se voi soveltaa uutta tietoaan kaikkiin tuleviin analyyseihin. Sana “woke” saa nyt tietyissä asiayhteyksissä positiiviseen suuntaan kallistuvan arvon.
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 kehittäminen edellyttää erittäin taitavia data-analyytikkoja!
Hybridilähestymistapa
Luonnollisen kielen käsittelyn yhdistämisen koneoppimiseen, josta käytetään nimitystä hybridimenetelmä, katsotaan yleisesti parantavan mielipideanalyysin tarkkuutta. Luonnollisen kielen käsittelyä käytetään sanojen mielialan ja sanaluokkien ymmärtämiseen. Koneoppimista käytetään kielen jatkuvan kehittymisen käsittelyyn, sanojen tarkastelemiseen asiayhteydessään sekä monimutkaisten kielellisten ilmiöiden, kuten homonyymien, tunnistamiseen.
Mielipideanalyysin sovellukset
Kuten mainittua, mielipideanalyysi on erittäin hyödyllinen organisaatioille, jotka haluavat tietää, mitä ihmiset niistä ajattelevat. Koska dataa syntyy jatkuvasti valtavia määriä kaikkialla maailmassa, mielipideanalyysi voi auttaa hahmottamaan kokonaisuutta reaaliajassa.
Tässä on joitakin tapoja, joilla tämä teknologia vaikuttaa jo nyt:
Asiakaskokemukseen vastaaminen
Asiakaskokemusta koskevaa palautetta voidaan kerätä luontevasti verkosta (esimerkiksi sosiaalisen median maininnoista) tai pyytämällä sitä aktiivisesti itse. Toivottavasti käytettävissäsi on suuri ja monipuolinen tietoaineisto. Jos näin on, mielipideanalyysiohjelmisto voi auttaa käsittelemään nopeasti paljon aineistoa ja tuottaa arvokkaita oivalluksia. Niitä voidaan hyödyntää maineenhallinnassa, tuoteinnovaatioiden suunnittelussa ja asiakastuen parantamisessa.
Kilpailijoiden seuraaminen
Seuraamalla kilpailijoihisi kohdistuvia mielipiteitä saat hyvän käsityksen heidän asemastaan markkinoilla ja voit verrata sitä omaasi. Oletetaan esimerkiksi, että Twitter-maininnoistasi 40 prosenttia on myönteisiä, 30 prosenttia kielteisiä ja loput neutraaleja. Mistä tiedät, onko tulos hyvä vai ei? Jos suurimman kilpailijasi vastaavat luvut ovat esimerkiksi 60 prosenttia myönteisiä, 30 prosenttia kielteisiä ja loput neutraaleja, sinulla on vielä tehtävää. Jos taas 50 prosenttia mielipiteistä on kielteisiä, tiedät toimivasi alan standardien mukaan ihan hyvin.
Työntekijäkokemus
Lopuksi mielipideanalyysi voi auttaa analysoimaan henkilöstöhallinnon käyttämää dataa, jotta voidaan ymmärtää, mikä tekee työntekijät tyytyväisiksi tai miksi he lähtevät yrityksestä. Tunnistamalla yleiset valitukset ja ongelmat työnantajat saavat konkreettisia oivalluksia siitä, miten vaihtuvuutta voidaan vähentää ja työntekijöiden suoriutumista parantaa. Tämä ominaisuus on erityisen hyödyllinen yrityksille, joissa on paljon työntekijöitä, sillä johdolla ei olisi aikaa keskustella satojen työntekijöiden kanssa yksitellen.
Onko mielipideanalyysi tarkkaa?
Koska suuri osa ihmisten tekemästä mielipideanalyysistä on subjektiivista, on epärealistista odottaa mielipideanalyysityökalun olevan tarkka 100 prosenttia ajasta. Data-analyytikot kehittävät yhä tarkempia mielipiteiden luokittelijoita, mutta parantamisen varaa on edelleen.
Mitkä ovat mielipideanalyysimallin suurimmat haasteet? Olemme jo maininneet muutamia, ja ne ovat samoja ongelmia, jotka vaikeuttavat mielipideanalyysiä ihmisille. Yleisimpiä ongelmia ovat:
- Sarkasmi. Jos olet joskus viettänyt aikaa kommenttiosiossa tai saanut tekstiviestin etkä ollut varma, oliko lähettäjä tosissaan, tiedät, että sarkasmia on vaikea tulkita tekstistä. Mieti seuraavia kahta tilannetta:
Juna on tänään taas vain 30 minuuttia myöhässä. Onpa luotettava!
Juna on tänään taas vain 2 minuuttia myöhässä. Onpa luotettava!
On selvää, ettei 30 minuuttia myöhässä oleva juna ole luotettava, mutta mielipideanalyysiohjelmiston voi olla vaikea havaita tätä.
- Monipolaarisuus. Joskus yksi lause voi ilmaista myönteisen mielipiteen yhdestä asiasta ja kielteisen toisesta. Esimerkiksi: ”Pepsi on paljon parempaa kuin Coke.” Tämä lause ilmaisee vain kuudella sanalla jotain myönteistä Pepsistä ja kielteistä Cokesta. Mielipideanalyysijärjestelmä ei todennäköisesti pysty arvioimaan tätä tarkasti ilman kehittyneempää ohjelmointia.
- Kielteisilmaukset. Kielteisilmauksessa sanan tai ilmauksen merkitys käännetään päinvastaiseksi, kuten lauseessa ”En sanoisi, että ruoka oli hyvää.” Meidän ihmistenkin voi olla vaikea ymmärtää kielteisen ilmauksen sisältävän lauseen merkitystä, joten ei ole yllättävää, että myös mielipideanalyysityökalut voivat joutua vaikeuksiin.
Yhteenveto
Nyt tiedät kaiken mielipideanalyysistä ja siitä, miten sitä voidaan käyttää datan analysointiin ja asiakkaiden brändiäsi koskevien mielipiteiden selvittämiseen.
Mielipideanalyysityökalut tekevät puolestasi suuren osan raskaasta työstä, mutta on aina järkevää pyytää ihmistä tarkistamaan satunnaisia otoksia tuloksista ja varmistamaan, etteivät koneet ole tulkinneet väärin asioita, joita niiden on vaikea ymmärtää. Mielipideanalyysi toimii tehokkaimmin, kun teknologia ja ihmiset työskentelevät yhdessä.
Etsitkö lisää asiakaskokemusta koskevia oivalluksia? Tilaa The CX Lead -uutiskirje.
Aiheeseen liittyvä lukemisto: 10 parasta asiakastukiohjelmistoa pk-yrityksille ja suuryrityksille
