Als je ooit Google Translate hebt gebruikt of Gmail je zinnen automatisch hebt laten aanvullen, heb je natuurlijke taalverwerking (NLP) in actie gezien. Slimme assistenten, zoals Alexa en Siri, zijn ook afhankelijk van NLP-technologie, net als sentimentanalyse: het proces dat merken gebruiken om sociale media en andere gegevensbronnen te analyseren en te meten wat klanten van hen vinden.
Sentimentanalyse- en modellen voor natuurlijke taalverwerking verbeteren snel. De nieuwste modellen zijn getraind op meer dan 175 miljard parameters—tien keer meer dan eerdere modellen—en zijn in staat tot gesprekken over en weer, het genereren van tekst op basis van prompts, vertalen, vragen beantwoorden en geavanceerde sentimentanalyse.
Wat betekent dit dus voor klantenservice- en klantbelevingsteams (CX)?
Sentimentanalyse en NLP-technologie hebben belangrijke gevolgen—vooral voor het begrijpen van klantbehoeften. Tegenwoordig vindt klantfeedback op meer plaatsen dan ooit plaats: van sociale media en klantbeoordelingen tot online chat. Sentimentanalyse, aangedreven door NLP, kan helpen om dit alles te begrijpen, zodat je een betere ervaring voor je klanten kunt creëren.
In deze gids voor beginners over sentimentanalyse en natuurlijke taalverwerking neem ik je mee door de basisprincipes van sentimentanalyse en NLP. Ik leg uit wat beide inhouden, bespreek praktijkvoorbeelden en beveel tools voor sentimentanalyse aan die het leven van klantrelatie- en klantbelevingsteams gemakkelijker maken.
Wat is sentimentanalyse?
Hier is de vraag van een miljoen voor CX- en klantenserviceteams:
Wat denken je klanten?
Als je die vraag kunt beantwoorden, kun je negatieve feedback voorkomen, een concurrentievoordeel behalen en je product precies afstemmen op de behoeften van klanten.
Daar komt sentimentanalyse om de hoek kijken.
Sentimentanalyse gebruikt NLP-modellen om enorme hoeveelheden gegevens te scannen, van klantbeoordelingen en ondersteuningsgesprekken tot tweets. Vervolgens wordt aan elke klantopmerking een score toegekend op basis van de vraag of het sentiment negatief, neutraal of positief is.
Het is geen perfect systeem. Zelfs wanneer mensen uitspraken als positief, negatief of neutraal categoriseren, zijn ze het niet altijd met elkaar eens. Het voordeel van NLP-modellen is echter dat ze een consistent raamwerk voor tekstanalyse kunnen gebruiken—waarbij dezelfde criteria worden toegepast op enorme hoeveelheden gegevens.
Sentimentanalyse kan je helpen om:
- De klanttevredenheid in elke fase van de klantreis te meten.
- Het merksentiment te volgen, zodat je ontevreden klanten onmiddellijk kunt opmerken.
- Het sentiment in de loop van de tijd te vergelijken om te zien of je actie moet ondernemen.
- Marktonderzoek uit te voeren en marketingcampagnes te ontwerpen.
3 soorten sentimentanalyse
Tenzij je datawetenschapper bent, hoef je niet veel te weten over wat zich achter de schermen van je sentimentanalysetools afspeelt.
Maar als je tools beoordeelt, kan een basiskennis van de technologie erachter nuttig zijn.
Dit zijn drie soorten sentimentanalyse:
1. Op kennis gebaseerd
Wanneer je een op kennis gebaseerd (of op woordenlijsten gebaseerd) sentimentanalysesysteem gebruikt, analyseer je tekst op basis van een vooraf bepaalde reeks regels.
Zie dit als de aanpak van het “woordenboek”.
Je woordenboek bevat een lange lijst met woorden en bijbehorende sentimenten—het woord “haat” kan bijvoorbeeld worden geclassificeerd als een negatief sentiment, “liefde” als positief en “oké” als neutraal. Je kunt deze woordenboeken handmatig maken, maar meestal worden ze gemaakt met behulp van algoritmen voor machinaal leren.
De op kennis gebaseerde aanpak is nuttig voor sectoren waarin gespecialiseerde taal wordt gebruikt. Je kunt bijvoorbeeld een gespecialiseerde gegevensset met medische termen gebruiken om klanttevredenheid in een zorgomgeving te meten. Je kunt deze aanpak ook gebruiken om ingewikkelde taalvormen, zoals metaforen, slangtaal en sarcasme, zorgvuldig te classificeren.
Een op kennis gebaseerde aanpak is echter meestal minder nauwkeurig dan statistische sentimentanalyse, omdat deze uitgaat van een veel kleinere hoeveelheid semantische gegevens.
Have an account? Log In
2. Statistisch
Stel je voor dat je handmatig honderden of duizenden tekstfragmenten labelt als ‘positief’, ‘negatief’ of ‘neutraal’—en vervolgens een model traint om classificatiemodellen te maken op basis van die gegevens.
Zo werkt de statistische methode voor sentimentanalyse.
De statistische aanpak maakt gebruik van machinelearningmodellen om grote hoeveelheden gegevens te analyseren en patronen en verbanden te identificeren. Zodra het model is getraind, kan het worden gebruikt om elke willekeurige tekst te analyseren—niet alleen tekst die vergelijkbaar is met de dataset. Dit maakt de aanpak flexibeler en nauwkeuriger dan de kennisgebaseerde aanpak.
Een nadeel van de statistische methode is dat er een grote hoeveelheid gegevens nodig is om het model te trainen. Statistische modellen kunnen ook moeite hebben met taalverschijnselen zoals sarcasme en ironie.
3. Hybride
Een hybride aanpak combineert de sterke punten van de statistische en kennisgebaseerde methoden.
Je begint met de statistische methode en maakt eerst een flexibel model voor sentimentanalyse dat is getraind op grote hoeveelheden gegevens. Vervolgens verfijn en verbeter je het model met behulp van de kennisgebaseerde methode.
Zo krijg je de flexibiliteit en grote dataset van de statistische methode, gecombineerd met de verfijning en branche-expertise van de kennisgebaseerde methode.
Gerelateerde lectuur: Beste software voor enquêteanalyse
Wat is natuurlijke taalverwerking?
Natuurlijke taalverwerking is een vorm van kunstmatige intelligentie waarmee computers menselijke taal kunnen begrijpen en genereren. NLP vormt de basis voor sentimentanalyse. Waarschijnlijk ben je ook bekend met enkele van de bredere praktische toepassingen ervan, zoals:
- E-mails als spam markeren
- Chatbots en conversationele AI
- Spraak-naar-tekst- en tekst-naar-spraaksoftware
- Automatische vertaling, zoals Google Translate
- Spraakherkenning, zoals Siri, Alexa en andere virtuele assistenten
Maar hoe werkt NLP?
NLP begint met tekstgegevens die moeten worden geanalyseerd. De tekst wordt vervolgens opgeschoond en opgemaakt om de analyse te vergemakkelijken. Daarna worden NLP-algoritmen gebruikt om betekenis uit de tekst te halen. Deze algoritmen gebruiken statistische modellen en regelgebaseerde methoden om patronen en verbanden te identificeren.
AI-chatbots voor klantenservice en spraakbots behoren tot de meest zichtbare toepassingen van NLP binnen de klantervaring. Ze verzorgen een aanzienlijk deel van de klantinteractie en gebruiken NLP-technieken om te begrijpen wat klanten zeggen, passend te reageren en klantenondersteuning te bieden.
Historisch gezien was de ervaring van interactie met deze bots echter enigszins frustrerend.
Dat verandert snel nu NLP zich verder ontwikkelt—vooral dankzij de komst van LLM's.
Grote taalmodellen (LLMs) zijn neurale netwerken voor diep leren die zijn getraind op enorme hoeveelheden gegevens. Zo is het GPT-3-model van OpenAI vooraf getraind op honderden miljarden woorden uit boeken en bronnen zoals Wikipedia.
Deze grote datasets geven LLM's een enorme kennisbasis, de mogelijkheid om geavanceerde, mensachtige tekst te genereren en een extra niveau van context en nuance bij het analyseren van sentiment. Daardoor is AI voor sentimentanalyse bij klanten zeer nuttig.
Hoe werkt sentimentanalyse met NLP?
Sentimentanalyse met NLP is een techniek die emoties in tekst identificeert met behulp van modellen die woorden en zinnen classificeren als negatief, positief of neutraal.
Sentimentanalysetools beoordelen en classificeren grote hoeveelheden feedback van klanten om een algemene sentimentscore te bieden.
Zo werkt het:
- Training: Een NLP-model wordt getraind met een bestaande dataset om te leren hoe sentiment kan worden geclassificeerd.
- Invoer: Een grote hoeveelheid klantfeedback, zoals reacties op sociale media, e-mails of productbeoordelingen, wordt aan het model aangeboden voor opinieanalyse of tekstanalyse.
- Vereenvoudiging: Het model verwijdert stopwoorden en irrelevante informatie, zoals begroetingen of afsluitingen. Het verkleint de omvang van de gegevens verder door middel van stamvorming, het proces waarbij het achtervoegsel van een woord wordt verwijderd.
- Identificatie: Het model scant de overgebleven tekst op belangrijke werkwoorden, zelfstandige naamwoorden en andere woordsoorten.
- Classificatie: Het model kent aan elk woord of elke woordgroep een positieve, negatieve of neutrale score toe. Het woord "uitstekend" kan bijvoorbeeld een positieve score krijgen, terwijl het woord "verschrikkelijk" een negatieve score kan krijgen.
- Scoreberekening: Tot slot combineert de tool de scores om een algemene sentimentscore te produceren. Dit helpt merken om specifieke klantfeedback te identificeren die aandacht of actie vereist en helpt ook om veranderingen in het algemene merksentiment te meten.
Hier is een eenvoudig voorbeeld van hoe dit voor merken werkt.
Stel je voor dat je de volgende online Yelp-beoordelingen voor een pizzeria ziet:
- "Ik ben dol op Luigi’s—de beste pizza die ik ooit heb gegeten. Elke keer dat ik binnenkom, behandelen ze me als familie.”
- “De pizza hier is best goed. Ik heb elders betere pizza gegeten, maar Luigi’s is betrouwbaar.”
- “Mijn pizza kwam koud aan en de korst smaakte naar karton. Geen aanrader.”
Een sentimentanalysetool zou de eerste beoordeling als positief classificeren, de tweede als neutraal en de derde als negatief. Vervolgens zou de tool een algemene klantentimentmetriek leveren.
NLP-modellen kunnen ook specifieke emoties zoals vreugde, verdriet of woede detecteren, waardoor extra context aan sentimentanalyse wordt toegevoegd.
Welk NLP-model is het beste voor sentimentanalyse?
Supportvectormachines (SVM), random forests en Naive Bayes zijn allemaal modellen die kunnen worden gebruikt om tekst op sentiment te analyseren.
Supportvectormachine (SVM)
Een supportvectormachine (SVM) is een model dat helpt om gegevens in groepen te classificeren. Het werkt door een lijn of grens te creëren die de ene gegevensgroep van de andere scheidt. Zodra de grens is gecreëerd, kan de SVM deze gebruiken om te voorspellen tot welke groep nieuwe gegevenspunten behoren.
Laten we naar een voorbeeld kijken.
Stel dat je duizenden foto's van appels en sinaasappels hebt en elke vrucht correct wilt classificeren. Je begint door de SVM een reeks gelabelde gegevens te geven, zoals deze:
- Appels: vorm, kleur, formaat
- Sinaasappels: vorm, kleur, formaat
Wanneer je nieuwe afbeeldingen aan de SVM begint te voeren, gebruikt deze de gelabelde gegevens om te voorspellen of elke vrucht een appel of een sinaasappel is.
Supportvectormachines kunnen worden gebruikt voor tekstclassificatie en zijn daarom een nuttige machinelearningtechniek voor sentimentanalyse. SVM's worden ook gebruikt voor toepassingen zoals beeldherkenning en fraudedetectie.
Willekeurig bos
Het algoritme voor willekeurige bossen wordt gebruikt voor classificatie- en regressietaken. Het werkt door meerdere beslisbomen te combineren om nauwkeurigere voorspellingen te doen.
En wat is precies een beslisboom?
Beslisbomen zijn stroomdiagrammen die je helpen beslissingen te nemen en voorspellingen te doen. Door in elke fase van de boom een vraag te beantwoorden, kom je bij steeds specifiekere vragen uit, wat uiteindelijk leidt tot een antwoord met meer zekerheid.
Stel bijvoorbeeld dat je wilt voorspellen of iemand een bepaald voedingsmiddel lekker zal vinden op basis van diens leeftijd, geslacht en locatie. Een beslisboom zou mensen in steeds kleinere groepen verdelen voordat deze voorspelt dat een 5-jarige jongen uit de Verenigde Staten dol zal zijn op kipnuggets, terwijl een 35-jarige vrouw uit Frankrijk dat niet zal zijn.
Het algoritme voor willekeurige bossen is krachtig omdat het de resultaten van veel verschillende beslisbomen combineert. Dit verkleint de kans op fouten en leidt tot nauwkeurigere voorspellingen.
More Articles
Naïeve Bayes
Naïeve Bayes is een eenvoudig algoritme dat bekendstaat om zijn snelheid en efficiëntie. Het wordt "naïef" genoemd omdat het ervan uitgaat dat elk woord op zichzelf voorkomt—wat natuurlijk niet overeenkomt met hoe dingen in de echte wereld werken.
Als Naive Bayes bijvoorbeeld zou worden gebruikt om e-mails met schadelijke links te identificeren, zou het de waarschijnlijkheid kunnen berekenen dat woorden als “verificatie” of “eFax” in de onderwerpregel van een schadelijke e-mail voorkomen. Het zou echter niet in staat zijn om naar de algehele context van de e-mail te kijken.
In de context van sentimentanalyse kan Naive Bayes nuttig zijn vanwege de snelheid, waardoor het een goede optie kan zijn voor een ruwe analyse van grote datasets. Omdat Naive Bayes de context echter niet kan begrijpen, is het niet zo nauwkeurig als meer genuanceerde algoritmen.
Sentimentanalysetools met NLP
Sentimentanalysetools vallen in een paar categorieën:
- Ontwikkelaarstools: NLP-toolkits worden gebruikt door ontwikkelaars en vereisen doorgaans programmeerkennis. Toolkits geven je via een API toegang tot vooraf getrainde modellen, zodat je tekst kunt analyseren zonder zelf een model te trainen. Google en Amazon bieden bijvoorbeeld allebei NLP-toolkits aan als cloudcomputingservice. Een andere optie is de bibliotheek Natural Language Toolkit (NLTK), een opensourcepakket voor Python. Hoewel NTLK en andere opensourcetools effectief zijn voor sentimentanalyse, zijn ze niet zo gebruiksvriendelijk als tools voor consumenten.
- B2B-software: sentimentanalysesoftware is ontworpen voor commercieel gebruik, met de nadruk op de gebruikersinterface. Deze tools worden geleverd met uitgebreide dashboards, krachtige sentimentanalysefuncties en de mogelijkheid om sentiment in de loop van de tijd te volgen.
Tenzij je van plan bent om je eigen sentimentanalysemodel te ontwikkelen, is de meest effectieve aanpak het gebruik van software die speciaal is ontworpen om merken te helpen sentiment te analyseren en te volgen.
Toonaangevende sentimentanalysetools zijn onder andere:
- Brand24: Brand24 is een monitoringtool voor sociale media waarmee bedrijven hun online vermeldingen in realtime kunnen volgen. De tool biedt sentimentanalyses die informatie classificeren in positieve, neutrale en negatieve categorieën en biedt een grafiek met het gespreksvolume om gesprekken op sociale media te monitoren. Brand24 heeft een eenvoudige, actiegerichte gebruikersinterface met gemakkelijke toegang tot merkvermeldingen en relevante zoekwoorden op socialemediakanalen, in nieuwsartikelen, blogs, video's, forums en beoordelingen. De tool biedt een overzicht met vermeldingen, een invloedsscore, sentimentanalyse, aangepaste meldingen en gegevensexport.
- Diffbot: Diffbot is een AI-tool voor webextractie die gegevens uit miljoenen URL's haalt, deze met behulp van natuurlijke taalverwerking op sentiment analyseert en omzet in bruikbare inzichten. De tool biedt functies zoals automatische extractie van website-inhoud, inhoudscategorisering, natuurlijke taalverwerking en kennisgrafieken. De tool bespaart tijd bij het zoeken op internet naar informatie en is zeer aanpasbaar. Om de tool optimaal te benutten is enige technologische kennis vereist.
- Qualaroo: Qualaroo is feedbacksoftware waarmee bedrijven rechtstreeks op hun website vragen kunnen stellen om inzichten van klanten te verkrijgen. Qualaroo biedt enquêtesjablonen, sentimentanalyse, identificatie van zoekwoorden en informatie over emoties. De software biedt realtime resultaten van NPS en meldingen via Slack. Qualaroo is een goede tool om feedback van klanten te verzamelen, de klantervaring te verbeteren en conversies te verhogen.
- NICE: Voor CX-teams die op zoek zijn naar een allesomvattend cloudgebaseerd CX-platform kan NICE de juiste keuze zijn. Het is software voor klantervaring die AI gebruikt om CX-modellen te bouwen op basis van klantinteracties. De sentimentanalysetools verzamelen gestructureerde en ongestructureerde informatie en zetten deze om in zakelijke inzichten. De tool kan alle klantinteracties analyseren en interpreteren om realtime veranderingen in je online reputatie te meten. NICE omvat conversationele en AI-chatbots, robotische procesautomatisering, AI-routering, prestatieanalyses en interactieve spraakrespons.
- Listen360: Listen360 is een tool voor klantbetrokkenheid waarmee je klantervaringen en reacties via verschillende online kanalen kunt monitoren. De tool volgt positieve en negatieve feedback van sociale media en het web en waarschuwt merken snel, zodat ze corrigerende maatregelen kunnen nemen. De tool richt zich op criticasters en klanten met een status “met een verhoogd risico”, zodat je snel en eenvoudig verbeteringen kunt doorvoeren. Functies van Listen360 zijn onder andere tekstanalyse, realtime dashboards, NPS-analyse en meldingen over criticasters.
Betere CX door sentimentanalyse
Als je tot hier hebt gelezen, gefeliciteerd—je hebt nu een grondige basiskennis van sentimentanalyse en NLP. Nu de nauwkeurigheid van deze tools sneller dan ooit verbetert, is er geen beter moment om een sentimentanalysetool te kiezen en aan de slag te gaan.
Wanneer je dat doet, houd dan de “waarom” achter je inspanningen in gedachten:
Een betere klantervaring creëren.
Door feedback van klanten uitgebreid te verzamelen en op sentiment te analyseren, krijg je in realtime een indrukwekkend duidelijk beeld van hoe klanten over je merk en je product denken. Je krijgt ook een dieper inzicht in hoe je je product kunt aanpassen aan de behoeften van klanten.
Met sentimentanalyse op basis van NLP heb je een directe lijn naar de gedachten van je klanten—en de impact daarvan op je bedrijf valt niet te onderschatten.
Lees hier meer over de voordelen van sentimentanalyse van klanten, of abonneer je op onze nieuwsbrief om regelmatig CX-tips rechtstreeks in je inbox te ontvangen.
