من المحتمل أن تكون على دراية بالمثل ، “الرسائل النصية هي طريقة رائعة لإساءة التواصل مع ما تشعر به وإساءة تفسير ما يقصده الآخرون.” ربما تكون قد جربتها بشكل مباشر!
استبدل “الرسائل النصية” بـ “البريد الإلكتروني” أو “التقييمات عبر الإنترنت” وقد أصابت أعصاب الأنشطة التجارية في جميع أنحاء العالم. إن اكتساب الفهم الصحيح لما يقوله العملاء والمستهلكون عن منتجك أو خدمتك ، أو الأهم من ذلك ، كيف يشعرون تجاه علامتك التجارية ، هو صراع عالمي للشركات في كل مكان.
ماذا لو أخبرتك أنه لا يجب أن تكون الأمور على هذا النحو؟ أو الأفضل من ذلك ، ماذا لو أخبرتك أن هناك طريقة لفهم أفضل للشعور المتأصل في الاتصال الكتابي؟
حسنًا ، هناك! إنه يسمى فهم اللغة الطبيعية (NLU). NLU يفهم اللغة. لكي نفهم حقًا ، يجب أن نعرف تعريفات الكلمات وتركيب الجملة ، جنبًا إلى جنب مع النحو والمشاعر والنية – ارجع إلى بياننا الأولي حول الرسائل النصية. يوسع NLU قدرة لغوية معروفة بشكل أفضل تقوم بتحليل ومعالجة اللغة التي تسمى معالجة اللغة الطبيعية (NLP). من خلال توسيع قدرات معالجة اللغة الطبيعية (NLP) ، توفر NLU سياقًا لفهم المقصود في أي نص.
يأخذ تحليل المشاعر (SA) NLU خطوة أخرى إلى الأمام. يحدد تحليل المشاعر ما إذا كانت الرسالة إيجابية أم سلبية أم محايدة. تعمل NLU و SA معًا على إنشاء بيانات تحكي القصة التي تتوق الشركات والمؤسسات لفهمها: ما يفكر فيه العملاء ويشعرون به بشأن علامتك التجارية أو منتجك أو خدمتك. بعبارة أخرى ، “فهم اللغة الطبيعية وتحليل المشاعر هما طريقتان رائعتان لتفسير ما يشعر به الآخرون من خلال لغتهم.”
لماذا يهم تحليل المشاعر
بالنسبة للمؤسسة ، فإن تحليل المشاعر هو الكأس المقدسة. يسمح لك تحليل المشاعر بالوصول إلى رؤوس عملائك ، ويخبرك بما يشعرون به ، وفي النهاية ، يوفر بيانات قابلة للتنفيذ تساعدك على خدمتهم بشكل أفضل.
تحليل المشاعر هو الرائد لعلامتك التجارية.
مناهج تحليل المشاعر
سواء أدركنا ذلك أم لا ، فقد ساهمنا جميعًا في بيانات تحليل المشاعر منذ أوائل العقد الأول من القرن الحادي والعشرين. لاستعارة عبارة من “ملفات X” البيانات موجودة هناك.
يقدم المستهلكون معلومات عن المشاعر عندما:
- يجييبون على رسالة بريد إلكتروني تسأل كيف استمتعت بـ Door Dash
- يقدِّمون تقييما لسائق أوبر
- يكتبون مراجعة Google عن نشاط تجاري يحبونه (أم لا)
- يقومون بالتعليق على منشورات Facebook أو Instagram التي تروج لمنتج
يحدد تحليل المشاعر النبرة أو الرأي فيما يقال عن الموضوع أو المنتج أو الخدمة أو الشركة محل الاهتمام. تتضمن الخطوة الأولى تصنيف البيانات نفسها. النهج الأساسي يحدد بالضبط كيف يعمل هذا.
إذن كيف تستمد المشاعر من بيانات اللغة؟
التعلم الآلي والتعلم العميق
يطبق التعلم الآلي الخوارزميات التي تدرب الأنظمة على كميات هائلة من البيانات من أجل اتخاذ بعض الإجراءات بناءً على ما تم تدريسه وتعلمه. هنا ، يتعلم النظام تحديد المعلومات بناءً على الأنماط والكلمات الرئيسية والتسلسلات بدلاً من أي فهم لما تعنيه.
التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يضيف طبقات من المعرفة فيما يسمى بالشبكة العصبية الاصطناعية التي تتعامل مع تحديات أكثر تعقيدًا.
على سبيل المثال ، لنفترض أنك شركة إدارة عقارات وتريد إنشاء نظام تذاكر إصلاح للمستأجرين استنادًا إلى نموذج تسجيل سردي على موقع الويب الخاص بك. تقوم الأنظمة القائمة على التعلم الآلي بفرز الكلمات المستخدمة في طلبات الخدمة من أجل “السباكة” أو “الكهرباء” أو “النجارة” من أجل توجيهها في النهاية إلى أخصائي الإصلاح المناسب. مثلما يتم تدريب نظام التعلم الآلي على تحديد الطلبات وفرزها ، يجب أيضًا التدريب على تحديد المصطلحات المتعلقة بالمشاعر مثل “عاجل” و “خطير” و “طارئ” مقابل “صغير” أو “ثانوي” و سيتم تعيين تقييم إيجابي أو سلبي أو محايد.
التعلم الآلي والتعلم العميق هما ما يُعرف بمقاربات “الصندوق الأسود”. نظرًا لأنها تدرب نفسها بمرور الوقت بناءً على البيانات المستخدمة فقط في تدريبها ، فلا توجد شفافية حول كيفية تعلمها أو ما تتعلمه.
التعلم الرمزي
نهج آخر لتحليل المشاعر يتضمن ما يعرف بالتعلم الرمزي.
تتمثل أهم الاختلافات بين التعلم الرمزي والتعلم الآلي والتعلم العميق في المعرفة والشفافية. في حين أن التعلم الآلي والتعلم العميق ينطويان على أساليب حسابية تعيش وراء الكواليس لتدريب النماذج على البيانات ، فإن التعلم الرمزي يجسد نهجًا أكثر وضوحًا قائمًا على المعرفة. ذلك لأن التعلم الرمزي يستخدم تقنيات مشابهة لطريقة تعلمنا للغة.
باستخدام تمثيل شبيه بالبشر للمنطق والمعرفة المضمنة ، فإن النهج الرمزي “يفهم” الكلمات أو العبارات لأنه يفهم معناها ، وليس بسبب كيفية تدريبها على أساس النمط أو مطابقة التسلسل. على سبيل المثال ، عندما يستخدم نهج التعلم الآلي المستندات المصنفة مسبقًا على أنها إيجابية أو سلبية أو محايدة لتدريب النموذج ، فإن النهج الرمزي سيصنف الكلمات على أنها إما إيجابية أو سلبية من أجل قياس المشاعر ، علاوة على ذلك ، سيكون قادرًا على فهم السياق الذي تظهر فيه هذه المصطلحات.
في الواقع ، يعد السياق أحد التحديات الرئيسية المرتبطة بتحليل المشاعر. يمكن أن يكون للكلمات نفسها معنى مختلف اعتمادًا على السياق الذي تستخدم فيه. على سبيل المثال ، ضع في اعتبارك استطلاع رأي للعملاء يسأل كلاً من “ما الذي يعجبك في المنتج؟” و “ما الذي لا يعجبك في المنتج؟” الرد “كل شيء عنه!” سيعبر عن مشاعر مختلفة تمامًا اعتمادًا على السؤال الذي يجيب عليه العميل.
من الأمثلة الرئيسية على التعلم الرمزي تصميم روبوتات الدردشة ، والذي ، عند تصميمه بأسلوب رمزي ، يبدأ بقاعدة معرفية للأسئلة الشائعة والإجابات اللاحقة. كلما زاد عدد المستخدمين الذين يتفاعلون مع chatbot وأحدث ، تظهر أسئلة مختلفة ، يتم ضبط قاعدة المعرفة وتكميلها. نتيجة لذلك ، يتم الرد على الأسئلة الشائعة عبر قاعدة المعرفة الخاصة ببرنامج chatbot ، بينما يتم إرسال الأسئلة الأكثر تعقيدًا أو تفصيلاً إلى الدردشة المباشرة أو خط خدمة العملاء المخصص.
تشمل التطبيقات الأخرى لتحليل المشاعر استخدام برنامج الذكاء الاصطناعي لقراءة نص مفتوح مثل استطلاعات العملاء أو البريد الإلكتروني أو المنشورات والتعليقات على وسائل التواصل الاجتماعي. يمكن لبرنامج SA معالجة كميات كبيرة من البيانات وتحديد النية والنبرة والمشاعر المعبر عنها.
خذ تعليقات وسائل التواصل الاجتماعي على سبيل المثال. يمكن لمستخدمي وسائل التواصل الاجتماعي التعليق على Twitter و Facebook و Instagram بمعدل يجعل التحليل اليدوي باهظ التكلفة. يمكن أن يساعد تحليل هذه التعليقات البنك على فهم كيفية تحسين اكتساب العملاء وتجاربهم.