What is sentiment analysis
تجزیه و تحلیل احساسات (Sentiment Analysis) چیست و چه کاربردی دارد؟
چهارشنبه, ۱۵ اردیبهشت , ۱۴۰۰

تحلیل احساسات (Sentiment Analysis) یک روش پردازش زبان طبیعی است که برای تعیین مثبت، منفی و یا خنثی بودن داده‌ها استفاده می شود. تجزیه و تحلیل احساسات اغلب بر روی داده‌های متنی انجام می شود تا به کسب و کارها کمک کند احساسات مشتریان را نسبت به برند بسنجند و نیازهای مشتری را درک کنند. اگر دوست دارید درباره نحوه عملکرد تحلیل احساسات، چالش‌های آن و تاثیر آن روی بهبود فرایندها، تصمیم گیری و رضایت مشتری بدانید، این مطلب را تا انتها بخوانید.

مواردی که در این مطلب میخوانید:

  1. تحلیل احساسات چیست؟
  2. انواع تحلیل احساسات
  3. چرا تجزیه و تحلیل احساسات مهم است؟
  4. مزایای تجزیه و تحلیل احساسات
  5. تحلیل احساسات چگونه کار میکند؟
  6. چالش های تجزیه و تحلیل احساسات
  7. کاربردها تجزیه و تحلیل احساسات

برای مثال اگر بازخورد مشتری شما را در نظر بگیریم، تحلیل احساسات نظر مشتری را نسبت به جنبه‌های مختلف خدمت یا کالایی که خریداری کرده، میسنجد. این متن می تواند یک جمله، یک کامنت و حتی امتیازی باشد که در فرم نظرسنجی از مشتری دریافت شده. به تجزیه و تحلیل احساسات گاهی نظرکاوی (Opinion mining) و یا هوش مصنوعی احساسات (Emotion AI) هم گفته می شود.

تجزیه و تحلیل احساسات

از آنجایی که این روزها مشتریان افکار و احساسات خود را بیش از پیش بیان می کنند، تجزیه و تحلیل احساسات در حال تبدیل شدن به ابزاری اساسی برای نظارت و درک این احساسات است. تجزیه و تحلیل خودکار بازخورد مشتری، مانند نظرات در پاسخ‌های نظرسنجی و کامنت‌ها در شبکه‌های اجتماعی، به برندهای تجاری اجازه می دهد تا بدانند چه چیزی مشتری را خوشحال و یا ناامید می کند. در نتیجه می توانند محصولات و خدمات خود را متناسب با نیازهای مشتریان تنظیم کنند.  به عنوان مثال، استفاده از تجزیه و تحلیل احساسات برای تحلیل خودکار بیش از ۴۰۰۰ نظر درباره محصول شما می تواند به شما کمک کند رضایت مشتری را از قیمت گذاری و خدمات مشتری خود بسنجید.

انواع تحلیل احساسات

 

مدل‌های تجزیه و تحلیل احساسات بر تضادها (مثبت، منفی، خنثی)، احساسات و عواطف (عصبانی، شاد، غمگین و غیره)، ضرورت (فوری، غیر فوری) و حتی قصدها (علاقه مند به خرید، بی علاقه به خرید) تمرکز می کنند.

بسته به نوعی که می خواهید بازخورد مشتریان را تحلیل کنید، می توانید دسته بندی‌های احساسی متفاوتی تعریف و تنظیم کنید. برخی از محبوب ترین دسته بندی‌های تحلیل احساسات به صورت زیر است:

۱. تجزیه و تحلیل احساسات با جزئیات

اگر اختلاف میان قطب مثبت و منفی برای شما خیلی مهم است، میتوانید از این دسته بندی استفاده کنید.

  • کاملا مثبت
  • مثبت
  • خنثی
  • منفی
  • کاملا منفی

این معمولا به عنوان تجزیه و تحلیل احساسات با جزئیات شناخته می شود، و می تواند برای تفسیر رتبه بندی ۵ ستاره در یک نظرسنجی استفاده شود، به عنوان مثال:

کاملا مثبت = ۵ ستاره

کاملا منفی = ۱ ستاره

۲. تشخیص احساسات

این نوع تجزیه و تحلیل احساسات برای شناسایی احساسات، مانند خوشحالی، ناامیدی، عصبانیت، ترس، غم و غصه و غیره است. بسیاری از سیستم‌های تشخیص احساسات از واژگان (به عنوان مثال لیستی از کلمات و احساساتی که منتقل می کنند) یا الگوریتم‌های پیچیده یادگیری ماشین استفاده می کنند.

معمولاً هنگام تجزیه و تحلیل احساسات در متون یا همان ارزیابی محصولات، شما می خواهید بدانید که افراد از کدام جنبه یا ویژگی محصول به شکل  مثبت، خنثی یا منفی ذکر می کنند. این جاست که تجزیه و تحلیل احساسات می تواند به شما کمک کند. به عنوان مثال در متن: “عمر باتری این دوربین خیلی کوتاه است”، یک طبقه بندی مبتنی بر ویژگی می تواند تعیین کند که این جمله نظر منفی در مورد عمر باتری دارد.

تحلیل احساسات در متون چند زبانه ممکن است کمی دشوار باشد چون نیازمند پیش پردازش و منابع داده ای زیادی است. اکثر این منابع بصورت آنلاین در دسترس هستند (از جمله واژه نامه‌های احساسات به زبان‌های مختلف)؛ در حالی که بقیه آن‌ها باید توسعه  و برنامه نویسی شوند (به عنوان مثال الگوریتم تجزیه و تجلیل متون از قبل نوشته شده یا الگوریتم تشخیص حالات و لحن صدا).

چرا تجزیه و تحلیل احساسات مهم است؟

 

تجزیه و تحلیل احساس بسیار مهم است زیرا به کسب و کارها کمک می کند تا به سرعت دیدگاه  کلی مشتریان خود را نسبت به محصولات درک کنند. با مرتب سازی خودکار احساسات متون، مکالمات شبکه‌های اجتماعی و بقیه موارد، می توانید سریعتر و دقیق تر تصمیم بگیرید.

تخمین زده شده است که ۹۰٪ از داده‌های جهان پراکنده و یا به عبارت دیگر غیر سازمان یافته است. هر روز حجم عظیمی از داده‌های تجاری بدون ساختار ایجاد می شود: ایمیل‌ها، تیکت‌های پشتیبانی، چت آنلاین سایت، مکالمات و نظرات در شبکه‌های اجتماعی، فرم‌های نظرسنجی، مقالات، اسناد و غیره). اما تجزیه و تحلیل این احساسات بدون داشتن متدولوژی خاصی بسیار زمان بر و دشوار است.

مزایای کلی تجزیه و تحلیل احساسات عبارتند از:

 

۱.مرتب سازی داده‌ها در حجم زیاد

 

آیا می توانید هزاران توییت، مکالمه پشتیبانی مشتری یا نظرسنجی را به صورت دستی مرتب کنید؟ داده‌های یک کسب و کار برای پردازش دستی بسیار زیاد است. تجزیه و تحلیل احساسات به کسب و کارها کمک می کند تا حجم عظیمی از داده‌ها را به روشی کارآمد و مقرون به صرفه پردازش کنند.

 

۲. تجزیه و تحلیل به موقع

 

تجزیه و تحلیل احساسات می تواند مسائل مهم را در زمان مناسب شناسایی کند، به عنوان مثال بسیار مهم است هنگامی که مشکلی در رسانه‌های اجتماعی بوجود می آید روابط عمومی (PR) شما به درستی در مقابل آن واکنش نشان دهد. آیا یک مشتری عصبانی در بخش کامنت‌های اینستاگرام در شرف اعتراض است؟ مدل‌های تجزیه و تحلیل احساسات می توانند به شما کمک کنند فوراً این نوع شرایط را شناسایی کنید و بلافاصله اقدام کنید.

 

 ۳. معیارهای یکپارچه برای دسته بندی احساسات

 

برچسب گذاری احساسات در یک متن بسیار ذهنی است و تحت تأثیر تجربیات، افکار و باورهای شخصی است.  تخمین زده می شود که افراد هنگام تعیین احساسات یک متن خاص، فقط در حدود ۶۰-۶۵٪ از مواقع با یکدیگر موافق هستند. با استفاده از یک سیستم تجزیه و تحلیل متمرکز احساسات، شرکت‌ها می توانند معیارهای یکسانی را برای دسته بندی تمام داده‌ها ومتون خود اعمال کنند. چنین چیزی به آنها در بهبود دقت و به دست آوردن بینش بهتر کمک می کنند.

سامانه تحلیل احساسات sentiment analysis

تحلیل احساسات چگونه کار می کند؟

 

تجزیه و تحلیل با هوش مصنوعی وبه لطف پردازش زبان طبیعی (NLP) و الگوریتم‌های یادگیری ماشین، برای تعیین خودکار لحن عاطفی مکالمات آنلاین کار می کند.

الگوریتم‌های مختلفی وجود دارد که می توانید در مدل‌های تجزیه و تحلیل احساسات پیاده سازی کنید. انتخاب این مدل‌ها بستگی به مقدار داده مورد نیاز برای تجزیه و تحلیل و دقت شما در مدل دارد. در زیر برخی از این موارد را با جزئیات بیشتر مرور خواهیم کرد:

 

  • مبتنی بر قانون (Rule-based): این سیستم‌ها به طور خودکار تجزیه و تحلیل احساسات را بر اساس مجموعه ای از قوانینی که به صورت دستی نوشته شده اند، انجام می دهند.
  • خودکار (Automatic): سیستم‌ها برای یادگیری از داده‌ها به تکنیک‌های یادگیری ماشین متکی هستند.
  • سیستم‌های ترکیبی (Hybrid systems): هر دو رویکرد مبتنی بر قانون و خودکار را ترکیب می کند.

چالش‌های تحلیل احساسات

 

تجزیه و تحلیل احساس یکی از سخت ترین کارها در پردازش زبان طبیعی است زیرا حتی درک برخی احساسات برای انسان‌ها هم سخت است.

دانشمندان داده روز به روز در ایجاد طبقه بندی احساسات بهتر می شوند، اما هنوز مسیری طولانی پیش رو دارند. بیایید نگاهی دقیق به برخی از چالش‌های اصلی تحلیل احساسات مبتنی بر ماشین بیندازیم:

۱. ذهنیت و لحن

 

متن دو نوع دارد: ذهنی یا واقعی. بسیاری از متون واقعی حاوی احساسات صریح نیستند، در حالی که در متون ذهنی احساسات به طور صریح بیان می شوند هستند. برای مثال فرض کنید شما قصد دارید احساسات دو متن زیر را تجزیه و تحلیل کنید:

  • این محصول خوب است.
  • این محصول قرمز است.

 

اکثر مردم می گویند که احساس برای اولی مثبت و برای دومی خنثی است، درست است؟ با تمام بخش‌های جمله (صفت، فعل و برخی از اسم‌ها) نباید با توجه به نحوه ایجاد احساسات یکسان رفتار کرد. در مثال‌های بالا، رنگ زیبا صفتی ذهنی و رنگ قرمز صفتی واقعی است. طبقه بندی صفات ذهنی بسیار ساده تر است زیرا احساسات در آن صریح تر بیان می شود.

۲. متن و تضادها

 

وقتی افراد جمله ای را بیان میکنند شما خیلی راحت تر احساسات و معانی موجود در آن را متوجه می شوید. اما اگر همین جملات نوشته شوند، درک مفهوم و تجزیه و تحلیل احساسات بسیار دشوار است. به پاسخ‌های زیر در یک نظرسنجی نگاه کنید:

  • همه چیز
  • هیچ چیز!

 

فرض کنید پاسخ‌های بالا به این سوال داده شده اند:
 شما در مورد این رویداد چه چیزی را دوست داشتید؟

پاسخ اول مثبت و پاسخ دوم منفی خواهد بود، درست است؟

حال، تصور کنید که سوال این است:

چه چیزی را در مورد این رویداد دوست نداشتید؟

پاسخ‌ها کاملا معنی متضاد و متفاوتی پیدا می کنند. در نتیجه درک زمینه ای که پاسخ‌ها با توجه به آن داده شده برای هوش مصنوعی ضروری است. چنین چیزی نیازمند الگوریتم‌های دقیق پیش پردازش داده (Pre-processing) و پس پردازش (Post-processing) است.

۳. گوشه کنایه و متون طعنه آمیز

 

وقتی صحبت از کنایه، طعنه و وارونه گویی می شود، مردم احساسات منفی خود را با استفاده از کلمات مثبت ابراز می کنند، که بدون درک کامل از زمینه گفتگو، تشخیص آن برای ماشین‌ها دشوار است.

 

به عنوان مثال، به برخی پاسخ‌های احتمالی این سوال نگاه کنید: آیا از تجربه خرید خود با ما لذت بردید؟

  • آره، خیلی!
  • دو بار!

 

چه احساسی را به پاسخهای بالا اختصاص می دهید؟ این پاسخ‌ها با علامت تعجب می تواند منفی باشد، درست است؟ مسئله این است که هیچ نشانه متنی وجود ندارد که به یادگیری ماشین برای درک این موضوع کمک کند؛ در نتیجه هوش مصنوعی ممکن است این پاسخ‌ها را به عنوان خنثی و یا مثبت دسته بندی کند.

۴. مقایسه‌ها

 

چگونگی درک مقایسه‌ها در تجزیه و تحلیل احساسات، چالش دیگری است که قابل حل است. به متن‌های زیر نگاه کنید:

 

  • این محصول رقیب نداره!
  • این محصول از مدل قدیمی ای که داشتم بهتره.
  • این محصول از هیچی بهتره.

 

مقایسه اول برای طبقه بندی صحیح به هیچ سرنخ از زمینه متنی نیاز ندارد. واضح است که مثبت است. طبقه بندی متن دوم و سوم کمی دشوارتر است. آنها را به عنوان خنثی، مثبت یا حتی منفی طبقه بندی می کنید؟ یک بار دیگر، زمینه می تواند در تحلیل تغییر ایجاد کند.

۵. تحلیل اموجی‌ها

 

به طور کل دو نوع شکلک یا اموجی وجود دارد. شکلک‌های غربی (مثل D :) که فقط در یک یا دو حرف رمزگذاری می شوند؛ و شکلک‌های شرقی (مثل ¯ \ (ツ) / ¯ ) که ترکیبی طولانی تر از کاراکترها هستند. شکلک‌ها نقش مهمی در انتقال احساسات در متون، به ویژه در توییت‌ها دارند.

 

هنگام انجام تجزیه و تحلیل احساسات در توییت‌ها‌، باید به سطح شخصیت و همچنین سطح کلمه توجه ویژه ای داشته باشید. پیش پردازش زیادی نیز ممکن است مورد نیاز باشد. معمولا هوش مصنوعی این اموجی‌ها را به یونیکد تبدیل کرده و سپس طبقه بندی می کند. در اینجا یک لیست کاملاً جامع از شکلک‌ها یونیکد آنها وجود دارد که هنگام پیش پردازش استفاده می شوند.

۶. تعریف دسته بندی یا تگ “خنثی” برای هوش مصنوعی

 

تعریف منظور ما از خنثی برای هوش مصنوعی چالش دیگری است که پیش روی تجزیه و تحلیل دقیق احساسات است.

 

در اینجا چند ایده برای کمک به شما در شناسایی و تعریف متون بی طرف آورده شده است:

  • متون واقعی که حاوی احساسات صریح نیستند، را می توان در گروه خنثی قرار دهید.
  • اطلاعات بی ربط
  • متن‌های حاوی آرزوها. برخی از آرزوها مانند، کاش این محصول ظاهر بهتری داشته باشد به طور کلی خنثی است. گرچه می توان آن را برای بهبود محصولات تحلیل کرد.با این حال، دسته بندی آن برای هوش مصنوعی دشوار است.

کاربردهای تجزیه و تحلیل احساسات

 

کاربردهای تجزیه و تحلیل احساسات بی پایان هستند و از تحلیل احساسات می توان در هر صنعتی از مالی و خرده فروشی گرفته تا هتل داری و تکنولوژی استفاده کرد. برخی از محبوب ترین روش‌های استفاده از تجزیه و تحلیل احساسات در کسب و کار را در زیر ذکر کرده ایم:

 

  1. نظارت بر شبکه‌های اجتماعی
  2. نظارت بر تصویر برند
  3. صدای مشتری (VoC)
  4. خدمات مشتری
  5. تحقیقات بازار

۱. نظارت بر شبکه‌های اجتماعی

در یک عصر سرنوشت ساز در ۹ آوریل ۲۰۱۷، هواپیمایی یونایتد یک مسافر را به زور از یک پرواز با ظرفیت پر خارج کرد. این حادثه توسط مسافران دیگر فیلمبرداری و بلافاصله در شبکه‌های اجتماعی ارسال شد. یکی از ویدئوها که به فیسبوک ارسال شده بود،  بیش از ۸۷۰۰۰ بار به اشتراک گذاشته شد و ۶.۸ میلیون بار تا ۲۴ ساعت بعد، مشاهده شد. تا فردای آن روز با از کنترل خارج شدن حجم اعتراضات مشتریان ناراضی، مدیر عامل یونایتد در توئیتی با صدور بیانیه ای عذرخواهی کرد.

این دقیقاً همان نوعی فاجعه روابط عمومی است که می توانید با تحلیل احساسات از آن جلوگیری کنید. مردم در مورد شما صحبت می کنند و شما نمی توانید مطمئن باشید که آن‌ها در موردتان مثبت صحبت می کنند.

 

۲. نظارت بر تصویر برند

حدود زمان کریسمس،  شرکتExpedia کانادا که ارائه دهنده خدمات اقامتی است، یک کمپین بازاریابی کلاسیک به نام “فرار از زمستان” برگزار کرد. همه چیز خوب بود، به جز صدای ویولون جیغی که آنها به عنوان موسیقی پس زمینه انتخاب کرده بودند. مردم از این موضوع به عنوان تمسخر و استهزاء در شبکه‌‌های اجتماعی، وبلاگ‌ها و انجمن‌ها یاد کردند. Expedia با استفاده از تحلیل احساسات بلافاصله متوجه موضوع شد و تبلیغ را حذف کرد. در گام بعدی، آنها مجموعه ای از تبلیغات spin-off را منتشر کردند. در یکی از آن‌ها بازیگر اصلی را نشان می دادند که ویولن را خرد می کند. اگرچه کمپین اصلی آنها موفقیت آمیز نبود، اما توانستند با تحلیل احساسات از همه گیر شدن واکنش‌های منفی جلوگیری کنند.

تجزیه و تحلیل احساسات به شما امکان می دهد تا به طور خودکار تمام گفتگوهای پیرامون برند تجاری خود را رصد کرده و تا زمانی که هنوز دیر نشده این نوع سناریوهای احتمالی مخرب را شناسایی و آن را برطرف کنید.

 

۳. صدای مشتری (VoC)

در برزیل، هزینه‌های عمومی فدرال از سال ۲۰۰۷ تا ۲۰۱۵ به میزان ۱۵۶% افزایش یافت، در حالی که رضایت از خدمات عمومی به طور مداوم کاهش می یافت. وزارت برنامه ریزی شهری که از این وضعیت  ناراضی بود، ابزاری را به نام City Voices  به کار برد، که نظر شهروندان را در بیش از ۱۵۰ معیار میسنجد، سپس تجزیه و تحلیل احساسات را انجام می دهد.. با استفاده از این ابزار، دولت برزیل توانست فوری ترین نیازهای شهروندان را کشف کند و برای مثال با راه اندازی سامانه اتوبوس رانی ایمن تر وضعیت را بهبود بخشد. اگر تحلیل احساسات می تواند در مقیاس ملی موفق باشد، تصور کنید چه کاری می تواند برای شرکت شما انجام دهد.

 

۴. خدمات مشتری

تجربه خوب مشتری به معنی افزایش نرخ بازگشت مشتری است. شرکت‌های پیشرو می دانند که با تحلیل داده میتوان درخواست مشتری را به طور خودکار و با تعیین میزان فوریت آن‌ها را وارد سیستم کرد و با استفاده از تجزیه و تحلیل احساسات و طبقه بندی متون آنها را به بخش صحیح هدایت کنید و مطمئن باشید که درخواستشان به طور صحیح پیگیری می شود و تجربه خوبی را برای مشتریان رقم می زند.

 

۵. تحقیقات بازار

شما می توانید بررسی‌های آنلاین محصولات خود را تجزیه و تحلیل کنید و آنها را با رقبای خود مقایسه کنید. شاید رقیب شما محصول جدیدی را به بازار عرضه کند که ناموفق باشد یا کاستی‌هایی داشته باشد. با تحلیل احساسات در می یابید که چه جنبه‌هایی از محصول بیشترین عملکرد منفی را داشته و از آن به نفع خود استفاده کنید. ترندهای بازار را به محض ظهور از طریق تجزیه و تحلیل گزارش‌های رسمی بازار و مجلات تجاری دنبال کنید. شما به منابع جدید دست خواهید یافت و قادر خواهید بود اطلاعات کیفی را به کمی تبدیل کنید. با تجزیه و تحلیل داده‌های اجتماعی می توانید خلا بازارهای نوظهور را پر کنید.

نام نویسنده:
به اشتراک بگذارید:
نمودار
مرجع رسمی هوش تجاری و علم داده | نمودار اولین مرجع تخصصی Power BI
مقالات مرتبط
برترین ترند داده در 2021
۱۰ ترند داده (Data Trends) برتر در ۲۰۲۱
به نظر شما یک کسب و کار چگونه می تواند به چالش ها پاسخ دهد؟ با انعطاف پذیری، چابک بودن و آگاهی. چنین چیزی نیازمند استفاده از داده‌ها و تحلیل آن‌هاست تا ناشناخته­ های کسب وکار را کشف کنید و در زمان مناسب اقدام تاثیرگذاری داشته باشید. ۱۰ ترند داده برتر در ۲۰۲۱ را در [...]
تحلیل داده
۵ اشتباهی که کمپانی ها در زمینه تحلیل داده مرتکب می‌شوند.
امروزه همه کمپانی‌ها از استارتاپ‌ها تا شرکت‌های بزرگ و جا افتاده از تحلیل اطلاعات استفاده می‌کنند. اگر دغدغه‌ها و مسائل مربوط به امنیت و هوش مصنوعی را نادیده بگیریم، ۵ اشتباه وجود دارد که کمپانی‌ها در هنگام تحلیل اطلاعات خود مرتکب آن‌ها می‌شوند. ۱- ابتدا ابزار را تهیه می‌کنند و سپس به دنبال مسائل هستند! [...]
نظرات