Bir veri parçasının nötr, pozitif veya negatif bir duyguya sahip olup olmadığını belirlemek için duygu analizinin kullanıldığını zaten biliyor olabilirsiniz. Ancak burada olduğunuza göre, muhtemelen bundan çok daha derin bir anlayışa sahip değilsiniz.
Bu makalede şu soruları yanıtlayacağım: Duygu analizi nedir? Duygu analizi nasıl çalışır? Ve duygu analizi sizin için ne yapabilir?
Tüm ayrıntıları öğrendikten sonra en iyi 10 duygu analizi aracından oluşan listemize göz atabilirsiniz.
Duygu Analizi Nedir?
Başlamadan önce, duygu analizinin ne olduğuna dair kısa bir hatırlatma yapalım.
İnsanlar olarak birbirimizin fikirlerini değerlendirmek için her gün duygu analizini kullanırız. Özellikle alaycı bir arkadaşla uğraşırken veya patronumuz büyük bir sunumla ilgili geri bildirim verirken gerçekten ne hissettiğini anlamaya çalışırken bu bazen zor olabilir! Duygu analizi yazılımları, bu son derece insani deneyimi taklit etmeye çalışır.
Bazı yazılımlar konuşmaları analiz edebilse de duygu analizi araçlarının çoğu, bir metin parçasındaki genel duyguyu pozitif, negatif veya nötr olarak sınıflandırmak için metin analizi amacıyla kullanılır. Buna kutupsallık adı verilir.
Duygu analizi için yaygın veri kaynakları arasında sosyal medya gönderileri, haber makaleleri, çevrim içi değerlendirmeler, talep üzerine alınan geri bildirim formları, anket yanıtları ve web sayfaları/bloglar/forumlar yer alır. Duygu analizinin fikir madenciliği, duygu yapay zekâsı veya daha teknik bir ifadeyle duygu sınıflandırması olarak adlandırıldığını da duyabilirsiniz.
Duygu analizinin dört ana türü vardır:
- İnce taneli, diğer adıyla kutupsallık (pozitif, negatif veya nötr)
- Hisler ve duygular (mutlu, öfkeli, üzgün, eğlenmiş)
- Özellik tabanlı (bir şeyin belirli bir özelliği hakkındaki görüşü belirler; örneğin bir akıllı telefondaki kamera)
- Niyet (ilgili, ilgisiz, çok ilgili).
Duygu analizi araçları, paydaş geri bildirimlerini anlamak için web 2.0'da bulunan çok büyük miktardaki öznel veriyi incelemenize yardımcı olur.
Kuruluşlar duygudan çeşitli şekillerde yararlanır. Birçok marka, marka stratejilerinde nelerin iyi çalıştığını ve nerelerde iyileştirme yapmaları gerektiğini daha iyi anlamak için bunu pazar araştırmalarının bir parçası olarak kullanır. Bir diğer kullanım alanı ise finansal kuruluşların haber akışını analiz ederek yatırım fırsatlarını belirlemesidir.
Duygu Analizi Nasıl Çalışır?
Şimdi duygu analizinin gerçekte nasıl çalıştığının mekanik kısmına geçelim. Duygu analizi, özünde bir veri bilimi biçimidir. Daha spesifik olarak, metin veya konuşma verilerindeki öznel görüşleri belirlemek ve sınıflandırmak için kullanılan, kendisi de yapay zekânın (AI) bir alt dalı olan doğal dil işlemenin (NLP) bir biçimidir.
Müşteri duygu analizinde yapay zekâ, bilgisayar teknolojisi ile insan konuşmasının tam kesişiminde yer alır ve bu durum, dilbilime ilgi duyan her veri bilimci için heyecan verici bir fırsattır.
Ancak bu kolay değildir. Bir metindeki dili doğru şekilde anlamak ve doğru bir duygu puanı ya da anlamlı bir içgörü üretmek için programların, insanların sezgisel olarak yaptıklarını taklit eden çeşitli yöntemleri kullanması gerekir. Bu taklitler, gelişmiş algoritmalar (bilgisayarlar için talimatlar) biçimini alır.
Buradan hareketle duygu analizine yönelik iki ana yaklaşım vardır:
- Kural tabanlı: İnsanlar tarafından manuel olarak oluşturulan kurallara dayalı bir sistem.
- Otomatik: Gelişmiş makine öğrenimi tekniklerini kullanarak kendi kendine öğrenen sistemler.
İkisi arasındaki temel fark, sistemi öğretme yaklaşımlarıdır. Şimdi bunları biraz daha ayrıntılı inceleyeceğiz.
Have an account? Log In
Kural tabanlı duygu analizi
Kural tabanlı yöntem, öznelliği, kutupsallığı veya bir görüşün konusunu belirlemeye yardımcı olmak için NLP'yi manuel olarak tanımlanmış bir dizi kuralla birlikte kullanır. Kullanılan NLP tekniklerinden bazıları kök bulma, belirteçlere ayırma, sözcük türü etiketleme, ayrıştırma ve sözlük analizidir. İlgileniyorsanız, bu teknikler hakkında daha fazla bilgiyi burada bulabilirsiniz.
İşte temel bir örnek veya kural tabanlı duygu analizi.
Bir metin parçasının kutbunu belirlemek için duygu analizi araçları öncelikle NLP kullanarak metni tek tek bileşenlere, yani kelimelere ve ifadelere ayırmalıdır. Ardından bunları, manuel olarak toplanmış ve puanlanmış kelime ve ifadelerden oluşan bir derleme temel alınarak oluşturulan, sözlük veya duygu kütüphanesi olarak adlandırılan bir veritabanı ile karşılaştırır.
Genellikle nötr kelimelere ve ifadelere sıfır puan verilir. Belirgin şekilde olumsuz kelimeler negatif, olumlu kelimeler ise pozitif puan alır. Örneğin, bir ürün incelemesinde kötü, hayal kırıklığı yaratan, berbat ve korkunç müşteri hizmetleri gibi kelime ve ifadeler negatif puan alırken iyi, harika, yardımsever ve kullanışlı kelimeleri pozitif puan alır.
Bir duygu kütüphanesi ve buna karşılık gelen kurallar oluşturmak kapsamlı bir süreçtir. Her kelimeye puan verirken ve uygun karşılaştırmalar yaparken dikkatli olunmalıdır. Örneğin sistem, “kötü”nün olumsuz bir kelime olduğunu, ancak “berbat”ın daha da olumsuz olduğunu; “iyi”nin olumlu, “müthiş”in ise daha da olumlu olduğunu anlamalıdır.
Kural tabanlı sistemin oluşturulması hızlı olabilir, ancak bu sistemler bir ölçüde sınırlıdır. Bunun nedeni, kütüphanede yer almayan kelimeleri tanıyamamaları veya kelimeleri bağlam açısından analiz edememeleridir; bu da alaycılık, eş anlamlı sözcükler ve çok anlamlılık gibi karmaşıklıkların belirlenmesini zorlaştırır. Örneğin, “şu harika müşteri hizmetlerini ara?” ifadesi kolayca yanlış yorumlanabilir.
Kural tabanlı sistemlerin bakımı ve güncellenmesi de büyük çaba gerektirir. Çevrim içi dilin gelişimine ayak uydurmak için sürekli olarak manuel şekilde yeni kurallar eklenmelidir. Yeni kurallar eklemek, önceki sonuçları etkileme riski de taşır.
Otomatik duygu analizi
Manuel olarak oluşturulup güncellenen kurallara güvenmek yerine, otomatik duygu analizi sistemleri makine öğrenimi teknikleri kullanılarak eğitilir. Bu durumda makine öğrenimi, bir engelle karşılaştıklarında, insan müdahalesi gerektiğinde veya kullanıcı geri bildirimi aldıklarında her seferinde daha doğru hâle gelmek için derin öğrenme kullanan algoritmaları ifade eder.
Konu teknik, ancak nasıl çalıştığının basitleştirilmiş bir açıklaması şöyle.
- Analiz etmek istediğiniz verilere benzer büyük bir veri kümesi bulun ve bazı örnekleri etiketleyin. Bu, eğitim verisi olur. Sisteme kurallar vermiyorsunuz; ona örnekler veriyorsunuz.
- Makine öğrenimi modelinizi geliştirmek için eğitim verilerini kullanın. Bu model; doğrusal regresyon, naive bayes, destek vektör makineleri ve RNN türevleri olan LSTM ile GRU gibi sınıflandırma algoritmalarından oluşur. Adından da anlaşılacağı gibi bunlar verileri sınıflandırmak için kullanılır (olumlu, olumsuz, mutlu, üzgün vb.). İlgileniyorsanız, bunlar hakkında daha fazla bilgiyi burada bulabilirsiniz.
- Modeliniz çalışıyorsa, yeterli miktarda ilgili veriyle beslendikten sonra daha önce görülmemiş verileri sınıflandırmak üzere kendi tahminlerini yapabilir. Kendi kurallarını belirlemiştir!
- Daha fazla örnek sağlayarak bu modellerin doğruluğunu geliştirmeye devam edin.
Otomatik yaklaşımın avantajı, farklı amaçlar ve bağlamlar için eğitilmiş modeller oluşturup bunlara uyum sağlama becerisidir.
Örneğin phoenix kelimesinin hem mitolojik bir kuşu hem de Arizona'daki Phoenix şehrini ifade ettiğini biliyoruz. Bir makine öğrenimi algoritması, bir cümlede kullanıldığında Phoenix'in hangi anlamının kastedildiğini bağlama göre belirlemek üzere eğitilebilir. Ardından bu deneyimi benzer durumları tanımak için kullanabilir.
Benzer şekilde bir model, “woke” kelimesini (‘uyanmak’ anlamında) nötr bir kelime olarak işaretler. Ancak “woke” son zamanlarda “sosyopolitik açıdan bilinçli” anlamında argo olarak kullanılmaya başlamış ve yeni ortaya çıkmış bir eş anlamlı sözcük hâline gelmiştir. Algoritma bu geri bildirimi bir kez aldığında, yeni bilgisini bundan sonraki her analize uygulayabilir. “Woke” kelimesi artık belirli bağlamlarda olumlu eğilimli bir puan alır.
Otomatik yöntemler genellikle daha üstün kabul edilir. Ancak makine öğrenimine dayalı otomatik yaklaşımın dezavantajı, etiketlenmiş geçmiş verilere ihtiyaç duyması ve eğitilmesinin biraz zaman alabilmesidir. Bu modelleri geliştirmek için ayrıca son derece yetkin veri bilimcileri gerekir!
Hibrit yaklaşım
Doğal dil işleme ile makine öğrenimini birleştiren ve hibrit yaklaşım olarak adlandırılan yöntem, duygu analizinin doğruluğunu artırdığı için yaygın biçimde tercih edilmektedir. Doğal dil işleme, kelimelerin duygusunu ve sözcük türlerini anlamak için kullanılır. Makine öğrenimi ise dilin sürekli gelişimiyle başa çıkmak, kelimeleri bağlam içinde değerlendirmek ve eş adlı sözcükler gibi karmaşık dil süreçlerini çözümlemek için kullanılır.
Duygu Analizinin Uygulamaları
Belirtildiği gibi duygu analizi, insanların kuruluşlar hakkında ne hissettiğini öğrenmek isteyen kuruluşlar için son derece faydalıdır. Dünyanın dört bir yanında sürekli olarak bu kadar çok veri oluşturulurken duygu analizi, tüm bunları gerçek zamanlı olarak anlamlandırmanıza yardımcı olabilir.
Bu teknolojinin şimdiden fark yaratmaya başladığı bazı alanlar şunlardır:
Müşteri Deneyimine Yanıt Verme
Müşteri deneyimi geri bildirimleri web üzerinden organik olarak (örneğin sosyal medya bahsetmeleri) veya sizin bizzat aktif olarak talep ettiğiniz geri bildirimler aracılığıyla elde edilebilir. Umarız üzerinde çalışabileceğiniz büyük ve çeşitli bir veri kümesi vardır. Öyleyse duygu analizi yazılımı, kısa sürede geniş kapsamlı analizler yaparak değerli içgörüler sağlayabilir. Bunlar daha sonra itibar yönetimi çalışmalarınızda kullanılabilir, ürün yeniliklerine yön verebilir ve müşteri desteğini iyileştirebilir.
Rakipleri İzleme
Rakiplerinizle ilgili duyguları izleyerek onların pazardaki konumunu iyi bir şekilde anlayabilir ve bunu kendi konumunuzla karşılaştırabilirsiniz. Örneğin, Twitter bahsetmelerinizin yüzde 40'ının olumlu, yüzde 30'unun olumsuz ve geri kalanının tarafsız olduğunu varsayalım. Bunun iyi olup olmadığını nasıl anlarsınız? En büyük rakibinizin yaklaşık yüzde 60 olumlu, yüzde 30 olumsuz ve geri kalanının tarafsız olduğunu düşünün. Bu durumda yapmanız gereken işler var demektir. Öte yandan, duyguların yüzde 50'si olumsuzsa sektör standartlarına göre iyi durumda olduğunuzu bilirsiniz.
Çalışan Deneyimi
Son olarak duygu analizi, İK ekiplerinin çalışanları neyin mutlu ettiğini veya neden bir şirketten ayrıldıklarını anlamak için kullandığı verileri analiz etmeye yardımcı olabilir. İşverenler, yaygın şikâyetleri ve sorunları belirleyerek çalışan devrini azaltma ve çalışan performansını iyileştirme konusunda uygulanabilir içgörüler elde eder. Bu özellik, özellikle çok sayıda çalışanı olan şirketler için yararlıdır; çünkü yönetimin yüzlerce çalışanla bireysel olarak konuşacak zamanı olmayabilir.
More Articles
Duygu Analizi Doğru mudur?
İnsanlar olarak yaptığımız duygu analizlerinin büyük bir kısmı öznel olduğundan, bir duygu analizi aracının zamanın yüzde 100'ünde doğru olmasını beklemek gerçekçi değildir. Veri bilimcileri daha doğru duygu sınıflandırıcıları geliştirme konusunda ilerleme kaydediyor, ancak hâlâ gidilecek yol var.
Bir duygu analizi modelinin karşılaştığı en büyük zorluklar nelerdir? Daha önce birkaçından bahsettik; bunlar, duygu analizini insanlar için zorlaştıran sorunlardır. En yaygın sorunlar şunlardır:
- İroni. Yorumlar bölümünde zaman geçirdiyseniz veya bir kısa mesaj aldığınızda gönderenin ciddi olup olmadığından emin olamadıysanız, metindeki ironiyi anlamanın zor olduğunu bilirsiniz. Aşağıdaki iki durumu düşünün:
Tren bugün yine yalnızca 30 dakika gecikti. Ne kadar dakik, değil mi!
Tren bugün yine yalnızca 2 dakika gecikti. Ne kadar dakik, değil mi!
30 dakika geciken trenin açıkça dakik olmadığı ortadadır, ancak duygu analizi yazılımı bunu fark etmekte zorlanabilir.
- Çok kutupluluk. Bazen bir cümle bir konu hakkında olumlu, başka bir konu hakkında ise olumsuz olabilir. Örneğin, “Pepsi, Coke'tan çok daha iyi.” Bu cümle yalnızca altı kelime kullanarak Pepsi hakkında olumlu, Coke hakkında ise olumsuz bir şey söylemeyi başarıyor. Bir duygu analizi sisteminin, daha gelişmiş bir programlama olmadan bu cümleyi doğru şekilde puanlaması pek olası değildir.
- Olumsuzluklar. Olumsuzluk, “Yemeğin iyi olduğunu söylemezdim.” örneğinde olduğu gibi bir kelimenin veya ifadenin anlamını tersine çevirmektir. Biz insanlar, olumsuzluk içeren bir ifade veya cümlenin anlamını çözmekte zorlanabiliriz; bu nedenle duygu analizi araçlarının da zorlanması şaşırtıcı değildir.
Sonuç
Artık duygu analizi ve markanız hakkındaki müşteri görüşlerini ölçmek için verileri analiz etmede nasıl kullanılabileceği hakkında her şeyi biliyorsunuz.
Duygu analizi araçları işin büyük bölümünü sizin için yapacaktır, ancak makinelerin anlamakta zorlandığı noktaları kontrol etmek için çalışmanın rastgele seçilmiş bazı örneklerini bir insanın incelemesini sağlamak her zaman akıllıca olur. Duygu analizi, teknoloji ve insanlar el ele çalıştığında en etkili sonucu verir.
Daha fazla müşteri deneyimi içgörüsü mü arıyorsunuz? The CX Lead bültenine abone olun.
İlgili Okuma: SMB'ler ve Kurumsal Şirketler İçin En İyi 10 Müşteri Destek Yazılımı
