Descubre Su Número De Ángel
Cómo una puntuación de sentimiento mejora su estrategia de marca
Los métodos tradicionales, como las calificaciones con estrellas y las puntuaciones netas de promotor (NPS), son formas familiares de cuantificar la satisfacción del cliente. Pero esto es sólo la punta del iceberg en lo que respecta al sentimiento del cliente.
significado espiritual de 909
Tecnologías avanzadas como análisis de los sentimientos ayudarle a ir más allá de las métricas numéricas mediante el análisis de datos cualitativos, como comentarios de redes sociales, respuestas a encuestas y reseñas. Este enfoque para calcular una puntuación de sentimiento le brinda una comprensión más matizada de la opinión de los clientes y una estrella del norte para mejorar sus ofertas y estrategias de marca.
Continúe leyendo para explorar qué es una puntuación de opinión, los avances en el cálculo de puntuaciones de opinión y cómo lo hacemos en Sprout.
¿Qué es una puntuación de sentimiento?
Una puntuación de sentimiento cuantifica el sentimiento o la emoción expresada en datos cualitativos, como los comentarios de los clientes o la escucha en las redes sociales. Se calcula mediante el proceso de análisis de sentimiento y se mide dentro del rango de -1 a 1. Uno negativo es el sentimiento negativo más alto, 0 indica un sentimiento neutral y +1 indica el sentimiento positivo más alto.
Las puntuaciones de sentimiento le informan si la opinión del mercado sobre su marca es positiva, negativa o neutral. Un análisis más profundo de los datos le brinda una visión profunda de cómo puede mejorar diferentes aspectos de su negocio, como el servicio al cliente, el contenido de marketing, los productos y el servicio posventa, para garantizar que está fomentando la lealtad a la marca y el crecimiento del negocio.
Enfoques tradicionales para comprender el sentimiento del cliente
Los enfoques tradicionales de análisis de sentimiento del cliente se han basado principalmente en métricas cuantitativas. Éstas incluyen:
Viralidad
La viralidad se refiere al número total de interacciones en las redes sociales, como me gusta, acciones y comentarios que ha recibido su contenido o campaña. La viralidad se utiliza tradicionalmente como un indicador de qué tan bien está resonando su marca, campaña o contenido de marketing entre su público objetivo y el público en general. Ofrece una visión general de las preferencias de los clientes para que pueda tomar decisiones de marketing informadas y modificar sus estrategias en consecuencia.
Calificación de estrellas
La calificación de estrellas es un método popular para comprender el sentimiento del cliente y las marcas la utilizan ampliamente para evaluar un producto o servicio. Las calificaciones de estrellas generalmente se brindan dentro de un rango de 1 a 5 estrellas, donde 1 indica el nivel más bajo de satisfacción del cliente y 5 el más alto. A veces, las calificaciones con estrellas también incluyen comentarios que agregan contexto adicional a la calificación.
NPS
NPS es una métrica cuantitativa que se utiliza para medir la satisfacción del cliente y la propensión de un cliente a recomendar la marca a familiares y amigos. Cuanto mayor sea la calificación, mayor será la fidelidad del cliente. Las calificaciones de NPS suelen estar en una escala de 0 a 10, donde 0 indica la calificación más baja y 10 la más alta.
A diferencia de las calificaciones de estrellas o la viralidad, las métricas de NPS a menudo agrupan a los clientes en tres categorías según sus calificaciones.
- Promotores (8-10): Se trata de clientes satisfechos que promocionarán activamente la marca a través del boca a boca, reseñas o comentarios en las redes sociales.
- Pasivos (7-8): Estos clientes están satisfechos pero no es probable que promocionen el producto o servicio.
- Detractores (6-0): Estos son clientes profundamente insatisfechos que probablemente publicarán críticas negativas y probablemente disuadirán a otros de considerar la marca.
Puntuación de satisfacción del cliente (CSAT)
CSAT Es un método utilizado para medir el grado de satisfacción de los clientes con los productos o servicios de una marca. Los puntajes CSAT se calculan midiendo la calificación promedio que brindan los clientes. Las escalas CSAT pueden variar, por ejemplo, pueden estar entre 1 y 10, siendo 10 el más alto o 1 y 5, siendo 5 el nivel más alto de satisfacción del cliente.
Las encuestas CSAT se pueden enviar después de una transacción o periódicamente para comprender la satisfacción del cliente con la marca en general.
Nuevos avances en el cálculo de la puntuación de sentimiento
Los cálculos tradicionales se centran en métricas cuantitativas de indicadores clave de rendimiento (KPI). Pero para obtener una imagen verdaderamente precisa del sentimiento de marca, es necesario agregar a la mezcla datos cualitativos que se encuentran en los comentarios y opiniones. Investigación muestra que incluso si la mayoría de las empresas recibieron calificaciones de estrellas positivas entre el 80% y el 100%, estas calificaciones no reflejaron el éxito de la empresa. Esto se debe a que las personas, en general, tienden a otorgar calificaciones positivas más altas que su experiencia real. Esto conduce a un mar de calificaciones positivas, lo que inclina el número hacia una puntuación positiva más alta.
Tareas de aprendizaje automático (ML) e IA como reconocimiento de entidad nombrada y procesamiento natural del lenguaje (PNL) ayuda a superar este desafío. Le ayudan a comprender el sentimiento del cliente de manera más contextual, lo que le permite encontrar patrones en las opiniones de los clientes dentro del flujo y reflujo de la percepción de la marca en los cronogramas y las campañas.
La intensidad de la minería de sentimientos varía según los métodos utilizados. Los tres principales son:
- Análisis de sentimiento basado en documentos
Este enfoque le brinda una comprensión general del sentimiento negativo, positivo o neutral en un documento. Se utiliza para conjuntos de datos pequeños y sencillos.
- Análisis de sentimiento basado en temas
Este método tiene más matices y califica el sentimiento por tema. El modelo ML identifica temas y temas que ocurren comúnmente en los datos y luego analiza la opinión sobre ellos.
significado del número angelical 727
Este enfoque ayuda a los especialistas en marketing a comprender qué les gusta y qué no les gusta a los clientes, o al público en general, de su marca. Proporcionando así información relevante y procesable a partir de reseñas, escucha en redes sociales o correos electrónicos y comentarios de atención al cliente.
- Análisis de sentimiento basado en aspectos
Este es el método más avanzado utilizado para la minería de sentimientos. Análisis de sentimiento basado en aspectos desglosa aún más los temas para identificar y buscar aspectos dentro de ellos y luego aplica la semántica para proporcionar una imagen más completa del sentimiento del cliente. Por ejemplo, puede identificar aspectos como 'servicio de habitaciones', 'encargado de bar', 'recepción' o 'valet parking' a partir de una clasificación de temas sobre 'servicio al cliente' en los datos de comentarios.
Esta forma granular de análisis de sentimientos señala a las marcas exactamente lo que necesita mejorar e informa las estrategias necesarias para aumentar la satisfacción del cliente.
Técnicas de procesamiento de datos utilizadas para calcular puntuaciones de sentimiento.
Calcular una puntuación de sentimiento para usar en marketing de IA Depende de muchas tareas de procesamiento de datos realizadas automáticamente por un modelo de ML, como los modelos de lenguaje grande (LLM). Estas tareas incluyen:
Tokenización
La tokenización es el proceso de separar el texto en palabras individuales. Se eliminan todas las puntuaciones y la cadena de texto se reduce a bloques de palabras. Por ejemplo:
[ La estancia fue agradable, pero mi habitación estaba fría y tuvimos que esperar durante horas para que el personal del hotel ajustara el termostato, a pesar de que el hotel parecía vacío. Cuando intentamos llamar a recepción para preguntar, parecían impacientes y groseros.
Normalización de texto
En esta etapa, todas las entradas duplicadas se eliminan de los datos para que no haya anomalías en los datos. En este caso, la cadena de texto permanece sin cambios ya que no hay redundancia.
[La estancia fue agradable, pero mi habitación estaba fría y tuvimos que esperar durante horas para que el personal del hotel ajustara el termostato a pesar de que el hotel parecía vacío. Cuando intentamos llamar a la recepción para preguntar, parecían impacientes y groseros]
Derivación de palabras
La derivación de palabras se refiere al proceso de reducir una palabra a su raíz. En este ejemplo, las palabras 'horas' y 'parecieron' se convierten en 'horas' y 'parecen'.
[ La estancia fue agradable pero mi habitación estaba fría y tuvimos que esperar hora para que el personal del hotel ajuste el termostato a pesar de que el hotel parecer vacío Cuando intentamos llamar a recepción para preguntar, parecían impacientes y groseros]
Eliminación de palabras vacías
Se eliminan todas las palabras superfluas, por lo que sólo se conservan las entidades con nombre y las palabras que denotan emociones.
[ La estancia fue lindo Mi habitación fría y tuvimos que esperar para hora Para el personal del hotel ajustar el termostato aunque el hotel parecen vacíos cuando intentamos llamar al recepción para preguntar parecían impaciente y grosero]
El texto procesado resultante ahora dice: [ bonita habitación fría hora de espera personal del hotel recepción impaciente grosero ] .
Dado que cada palabra tiene un equivalente numérico en el modelo ML según la escala de su negatividad o positividad, los datos procesados le brindan una puntuación basada en el promedio de sentimiento total. Cuando se calcula utilizando el método Lexicon, si a la palabra 'agradable' se le asigna una puntuación de 1 como positiva, mientras que a 'impaciente' se le asigna -0,05 y grosero -0,7, la puntuación de sentimiento resultante para la reseña sería -1, lo que equivale a negativo.
Enfoques convencionales para calcular puntuaciones de sentimiento
Hay varias formas de calcular la puntuación de sentimiento, la más común es el método Lexicon, que utiliza una proporción de 1:1 para medir el sentimiento. Sin embargo, cuando se trata de datos complejos recopilados de múltiples fuentes, como escuchas en redes sociales o foros de reseñas de clientes, se necesitan técnicas más avanzadas. A continuación se muestra un desglose de estas metodologías.
Método de conteo de palabras
La forma más sencilla de calcular la puntuación de sentimiento se basa en el método de léxico o recuento de palabras como en el ejemplo anterior. En este método, el número de ocurrencias de sentimientos negativos se reduce de las ocurrencias positivas.
Fórmula: # palabras negativas – palabras positivas = puntuación de sentimiento
111 número angelical
Ejemplo: 1 – 2 = -1.
Deducir la puntuación de sentimiento con la longitud de la frase
En este método, restamos la cantidad de palabras positivas de las palabras negativas y dividimos el resultado por la cantidad total de palabras en la oración de revisión.
Fórmula: # palabras negativas – # palabras positivas divididas por la cantidad de palabras = puntuación de sentimiento
Ejemplo: 1 – 2 / 42 = -0,0238095
Este sistema se utiliza a menudo para comprender reseñas y comentarios más extensos.
Dado que este método se utiliza para analizar grandes cantidades de datos, las puntuaciones resultantes pueden formar fracciones largas. Cuando se hace a escala, esto puede resultar en dificultades para comparar y comprender los valores de sentimiento. Para superar este desafío, las puntuaciones resultantes se multiplican por un dígito singular para que los valores sean mayores, lo que facilita la comparación.
Relación de recuento de palabras positivas y negativas
Esta metodología se considera la más equilibrada para medir la puntuación del sentimiento en big data. El número total de palabras positivas se divide por el número total de palabras negativas y luego se suma por uno.
Fórmula: # palabras positivas / # palabras negativas + 1 = puntuación de sentimiento
Ejemplo: 1/2 + 1 = 0,33333
Cuanto más larga sea la revisión, mayor será el recuento de puntuaciones positivas y negativas. Este enfoque normaliza la extensión total del texto, lo que lo hace especialmente útil para analizar reseñas de diferente extensión. En este método, una puntuación de sentimiento de 1 se establece como neutral.
Cómo calculamos las puntuaciones de sentimiento en Sprout
El modelo de sentimiento de Sprout utiliza redes neuronales profundas (NN) y, en particular, modelos de lenguaje grandes. Los LLM trabajan considerando el contexto de todo el bloque de texto, leyendo las palabras de izquierda a derecha y de derecha a izquierda usando el Representaciones de codificadores bidireccionales de transformadores (BERT) Modelos de Google.
Dado un conjunto de datos de documentos ya etiquetados, un LLM identifica automáticamente las palabras, frases y el orden de palabras/frases que contribuyeron a que un bloque de texto se etiquete como positivo o negativo. Luego asigna un peso (valor numérico) a cada token en un bloque de texto. Con estos pesos calculados, determinamos el sentimiento hacia el texto nuevo e invisible y la probabilidad de que sea positivo, negativo o neutral.
La importancia del puntaje de sentimiento para las marcas
Los puntajes de sentimiento lo ayudan a cuantificar y evaluar diferentes aspectos de su marca, productos y servicios, brindando a los equipos de marketing, productos y atención al cliente información útil sobre cómo exactamente pueden orientar sus estrategias hacia una trayectoria exitosa.
Gracias a la inteligencia artificial y el aprendizaje automático, existen múltiples herramientas que eliminan las conjeturas y le brindan una imagen precisa del sentimiento de su marca en cuestión de minutos. Échale un vistazo a estos herramientas de análisis de sentimiento Hemos seleccionado para explorar cómo puede reiniciar su estrategia de marca.
Compartir Con Tus Amigos:
