Hur fungerar sentimentanalys?
Du kanske redan vet att sentimentanalys används för att avgöra om en datapost har en neutral, positiv eller negativ sinnesstämning. Men eftersom du är här är chansen stor att du inte har så mycket djupare förståelse än så.
I den här artikeln besvarar jag frågorna: Vad är sentimentanalys? Hur fungerar sentimentanalys? Och vad kan sentimentanalys göra för dig?
När du har fått full koll kan du gå vidare och ta en titt på vår lista över de 10 bästa verktygen för sentimentanalys.
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
Vad är sentimentanalys?
Innan vi går vidare kommer här en snabb repetition av vad sentimentanalys är.
Som människor använder vi sentimentanalys dagligen för att bedöma varandras åsikter. Ibland kan det vara svårt, till exempel när man har att göra med en särskilt sarkastisk vän eller försöker förstå vad vår chef egentligen tycker när hen ger återkoppling på en stor presentation! Programvara för sentimentanalys försöker efterlikna denna mycket mänskliga upplevelse.
Även om viss programvara kan analysera tal används de flesta verktyg för sentimentanalys för textanalys, där den övergripande sinnesstämningen i en text klassificeras som positiv, negativ eller neutral. Detta kallas polaritet.
Vanliga datakällor för sentimentanalys är inlägg på sociala medier, nyhetsartiklar, recensioner på nätet, efterfrågade feedbackformulär, enkätsvar samt webbsidor/bloggar/forum. Du kan också höra sentimentanalys beskrivas som åsiktsutvinning, emotionell AI eller, mer tekniskt, sentimentklassificering.
Det finns fyra huvudtyper av sentimentanalys:
- Finfördelad, även kallad polaritet (positiv, negativ eller neutral)
- Känslor och emotioner (glad, arg, ledsen, road)
- Aspektbaserad (identifierar åsikten om en specifik aspekt av något, till exempel kameran på en smarttelefon)
- Avsikt (intresserad, inte intresserad, mycket intresserad).
Verktyg för sentimentanalys hjälper dig att gå igenom den enorma mängd subjektiva data som finns tillgänglig i web 2.0 för att förstå återkoppling från intressenter.
Organisationer använder sentiment på flera olika sätt. Många varumärken använder det som en del av sin marknadsundersökning för att bättre förstå vad i deras varumärkesstrategi som fungerar bra och var de behöver förbättras. Ett annat användningsområde är finansinstitut som analyserar nyhetsflödet och identifierar investeringsmöjligheter.
Hur fungerar sentimentanalys?
Okej, nu går vi in på hur sentimentanalys faktiskt fungerar. I grunden är sentimentanalys en form av datavetenskap. Mer specifikt är det en form av naturlig språkbehandling (NLP), som i sin tur är en undergren av artificiell intelligens (AI), för att identifiera och klassificera subjektiva åsikter från text- eller taldata.
AI inom sentimentanalys av kunder finns precis i skärningspunkten mellan datorteknik och mänskligt tal, vilket är ett spännande område för alla datavetare som älskar lingvistik.
Men det är inte enkelt. För att på rätt sätt förstå språket i en text och ta fram en korrekt sentimentspoäng eller meningsfull insikt måste program använda en mängd olika metoder som simulerar det vi människor gör intuitivt. Dessa simuleringar tar formen av avancerade algoritmer (instruktioner för datorer).
Härifrån finns det två huvudsakliga metoder för sentimentanalys:
- Regelbaserad: ett system som bygger på regler som manuellt fastställts av människor.
- Automatisk: system som lär sig själva med hjälp av avancerade maskininlärningstekniker.
Den grundläggande skillnaden mellan de två är deras sätt att lära upp systemet. Nu ska vi gå igenom dessa lite mer i detalj.
Regelbaserad sentimentanalys
Den regelbaserade metoden använder NLP tillsammans med en uppsättning manuellt definierade regler för att identifiera subjektivitet, polaritet eller ämnet för en åsikt. Några av de NLP-tekniker som används är stamning, tokenisering, ordklassmärkning, parsning och lexikal analys. Om du är intresserad kan du läsa mer om dessa här.
Här är ett grundläggande exempel på en regelbaserad sentimentanalys.
För att fastställa polariteten hos en text måste verktyg för sentimentanalys först bryta ner den i individuella komponenter, det vill säga ord och fraser, med hjälp av NLP. Därefter körs dessa mot en databas, som kallas ett lexikon eller ett sentimentbibliotek och som har sammanställts från en samling ord och fraser som har samlats in och poängsatts manuellt.
I allmänhet tilldelas neutrala ord och fraser poängen noll. Ord som är tydligt negativa får en negativ poäng och positiva ord får en positiv poäng. I en produktrecension skulle exempelvis ord och fraser som dålig, en besvikelse, hemsk och fruktansvärd kundtjänst få negativa poäng, medan bra, fantastisk, hjälpsam och användbar skulle få positiva poäng.
Att bygga ett sentimentbibliotek och motsvarande regler är en omfattande process. Man måste vara noggrann med att tilldela varje ord en poäng och även göra lämpliga jämförelser. Systemet måste exempelvis förstå att ”dålig” är ett negativt ord men att ”hemsk” är ännu mer negativt; ”bra” är positivt och ”fantastisk” är ännu mer positivt.
Det regelbaserade systemet kan vara snabbt att skapa men något begränsat. Det beror på att det inte kan känna igen ord som inte förekommer i biblioteket eller analysera ord med hänsyn till sammanhanget, vilket gör det svårt att identifiera komplexa företeelser som sarkasm, homonymer och polysemi. Frasen ”kalla det där för utmärkt kundtjänst?” skulle exempelvis lätt kunna misstolkas.
Regelbaserade system kräver också mycket arbete för att underhållas och uppdateras. Man måste fortsätta att manuellt lägga till nya regler för att hålla jämna steg med språkets utveckling på nätet. Att lägga till nya regler medför också en risk för att tidigare resultat påverkas.
Automatisk sentimentanalys
I stället för att förlita sig på en uppsättning manuellt skapade och uppdaterade regler tränas automatiska sentimentanalys-system med hjälp av maskininlärning. I det här fallet syftar maskininlärning på algoritmer som använder djupinlärning för att bli mer träffsäkra varje gång de stöter på ett hinder, behöver mänsklig medverkan eller får återkoppling från användare.
Det blir tekniskt, men här är en förenklad version av hur det fungerar.
- Hitta en stor datamängd som liknar de data du vill analysera och märk upp några exempel. Detta blir träningsdata. Du ger inte systemet regler, utan exempel.
- Använd träningsdata för att utveckla din maskininlärningsmodell. Den kommer att bestå av klassificeringsalgoritmer som linjär regression, naiv Bayes, stödvektormaskiner samt RNN-varianterna LSTM och GRU. Som namnet antyder används dessa för att klassificera data (positiv, negativ, glad, ledsen och så vidare). Om du är intresserad finns mer information om dessa här.
- Om din modell fungerar kommer den, efter att ha matats med tillräckligt mycket relevant data, att kunna göra egna förutsägelser för att klassificera data som den inte har sett tidigare. Den har identifierat sina egna regler!
- Fortsätt förbättra modellernas träffsäkerhet genom att tillhandahålla fler exempel.
Fördelen med det automatiska tillvägagångssättet är möjligheten att anpassa och skapa modeller som tränats för många olika syften och sammanhang.
Vi vet exempelvis att ordet Fenix syftar på en mytologisk fågel och även på staden Phoenix i Arizona. En maskininlärningsalgoritm kan tränas för att utifrån sammanhanget identifiera vilken betydelse av Phoenix som avses när ordet används i en mening. Den kan sedan använda den erfarenheten för att känna igen liknande fall.
På samma sätt markerar en modell ”woke” (i betydelsen ”vaknade”) som ett neutralt ord. Men ”woke” har nyligen blivit slang för ”sociopolitiskt medveten”, vilket gör det till en nybildad homonym. När algoritmen har fått denna återkoppling en gång kan den tillämpa den nya kunskapen på alla framtida analyser. Ordet ”woke” får nu en poäng som lutar åt det positiva i vissa sammanhang.
Automatiserade metoder anses generellt vara överlägsna. Nackdelen med ett automatiserat tillvägagångssätt som bygger på maskininlärning är dock att det kräver tillgång till historiska data med etiketter och kan ta tid att träna. Det kräver också datavetare med mycket hög kompetens för att utvecklas!
Hybridt tillvägagångssätt
Genom att kombinera naturlig språkbehandling med maskininlärning, vilket kallas ett hybridtillvägagångssätt, anses man allmänt kunna förbättra träffsäkerheten i sentimentanalys. Naturlig språkbehandling används för att förstå ords sentiment och ordklasser. Maskininlärning används för att hantera språkets ständiga utveckling, tolka ord i sitt sammanhang och förstå komplexa språkprocesser som homonymer.
Användningsområden för sentimentanalys
Som nämnts är sentimentanalys mycket användbart för organisationer som vill veta vad människor tycker om dem. Eftersom så stora mängder data skapas hela tiden, över hela världen, kan sentimentanalys hjälpa dig att förstå allt i realtid.
Här är några av de sätt som denna teknik redan gör skillnad på:
Hantera kundupplevelsen
Feedback om kundupplevelsen kan samlas in organiskt på webben, till exempel genom omnämnanden i sociala medier, eller från feedback som du själv aktivt efterfrågar. Förhoppningsvis har du en stor och varierad datamängd att arbeta med. I så fall kan programvara för sentimentanalys snabbt täcka mycket och ge värdefulla insikter. Dessa kan sedan användas i ditt arbete med rykteshantering, ligga till grund för produktinnovationer och förbättra kundsupporten.
Övervaka konkurrenter
Genom att övervaka sentimentet kring dina konkurrenter kan du få en god förståelse för deras position på marknaden och jämföra den med din egen. Säg till exempel att 40 procent av omnämnandena av dig på Twitter är positiva, 30 procent negativa och resten neutrala. Hur vet du om det är bra eller inte? Om din största konkurrent ligger på omkring 60 procent positiva, 30 procent negativa och resten neutrala har du en del att arbeta med. Om sentimentet däremot är 50 procent negativt vet du att du klarar dig bra enligt branschstandarderna.
Medarbetarupplevelsen
Slutligen kan sentimentanalys hjälpa till att analysera data som HR-team använder för att förstå vad som gör medarbetare nöjda eller varför de lämnar ett företag. Genom att identifiera vanliga klagomål och problem får arbetsgivare handlingsbara insikter om hur personalomsättningen kan minskas och medarbetarnas prestationer förbättras. Denna funktion är särskilt användbar för företag med många medarbetare, eftersom ledningen inte skulle ha tid att prata individuellt med hundratals anställda.
Är sentimentanalys träffsäker?
Eftersom mycket av den sentimentanalys vi människor gör är subjektiv är det orealistiskt att förvänta sig att ett verktyg för sentimentanalys ska vara träffsäkert 100 procent av gångerna. Dataforskare blir allt bättre på att utveckla mer träffsäkra sentimentklassificerare, men det finns fortfarande en bit kvar.
Vilka är de största utmaningarna för en sentimentanalysmodell? Vi har redan nämnt några, och det är de problem som gör sentimentanalys svårt för människor. De vanligaste problemen är bland annat:
- Sarkasm. Om du någon gång har tillbringat tid i kommentarsfältet eller fått ett textmeddelande och varit osäker på om avsändaren menade allvar, vet du att sarkasm är svårt att bedöma i text. Tänk på följande två situationer:
Tåget är bara 30 minuter försenat igen i dag. Så skönt att det är pålitligt!
Tåget är bara 2 minuter försenat igen i dag. Så skönt att det är pålitligt!
Det är uppenbart att tåget som är 30 minuter försenat inte är pålitligt, men programvara för sentimentanalys kan ha svårt att upptäcka det.
- Multipolaritet. Ibland kan en mening uttrycka något positivt om en sak och negativt om en annan. Till exempel: “Pepsi är mycket bättre än Coke.” Den här meningen lyckas säga något positivt om Pepsi och negativt om Coke med bara sex ord. Ett sentimentanalyssystem kommer sannolikt inte att kunna bedöma detta korrekt utan mer avancerad programmering.
- Negationer. En negation innebär att betydelsen av ett ord eller en fras vänds, som i: “Jag skulle inte säga att maten var god.” Vi människor kan ha svårt att förstå betydelsen av en fras eller mening som innehåller en negation, så det är inte överraskande att verktyg för sentimentanalys också kan ha problem med det.
Slutsats
Nu vet du allt om sentimentanalys och hur den kan användas för att analysera data och mäta kundernas uppfattning om ditt varumärke.
Verktyg för sentimentanalys gör mycket av det tunga arbetet åt dig, men det är alltid klokt att låta en människa granska några slumpmässiga arbetsprover för att upptäcka sådant som maskiner har svårt att förstå. Sentimentanalys är mest effektiv när teknik och människor arbetar hand i hand.
Letar du efter fler insikter om kundupplevelsen? Prenumerera på nyhetsbrevet från The CX Lead.
Relaterad läsning: De 10 bästa programvarorna för kundsupport för små och medelstora företag samt större företag
