Finden Sie Ihre Anzahl Von Engel Heraus
Wie ein Sentiment-Score Ihre Markenstrategie verbessert
Traditionelle Methoden wie Sternebewertungen und Net Promoter Scores (NPS) sind bekannte Methoden zur Quantifizierung der Kundenzufriedenheit. Doch das ist nur die Spitze des Eisbergs, wenn es um die Kundenstimmung geht.
Fortschrittliche Technologien wie Stimmungsanalyse helfen Ihnen, über numerische Kennzahlen hinauszugehen, indem wir qualitative Daten wie Social-Media-Kommentare, Umfrageantworten und Bewertungen analysieren. Dieser Ansatz zur Berechnung eines Sentiment-Scores verschafft Ihnen ein differenzierteres Verständnis der Kundenmeinung und einen Orientierungspunkt für die Verbesserung Ihrer Angebote und Markenstrategien.
Lesen Sie weiter, um zu erfahren, was ein Sentiment-Score ist, welche Fortschritte es bei der Berechnung des Sentiment-Scores gibt und wie wir das bei Sprout machen.
Was ist ein Sentiment-Score?
Ein Sentiment-Score quantifiziert die Stimmung oder Emotion, die in qualitativen Daten wie Kundenfeedback oder Zuhören in sozialen Medien zum Ausdruck kommt. Er wird durch den Prozess der Stimmungsanalyse berechnet und im Bereich von -1 bis 1 gemessen. Negativ ist die höchste negative Stimmung, 0 bedeutet neutrale Stimmung und +1 bedeutet die höchste positive Stimmung.
Sentiment-Scores informieren Sie darüber, ob die Marktmeinung Ihrer Marke positiv, negativ oder neutral ist. Eine weitere Analyse der Daten gibt Ihnen einen detaillierten Einblick, wie Sie verschiedene Aspekte Ihres Unternehmens wie Kundenservice, Marketinginhalte, Produkte und Kundendienst verbessern können, um sicherzustellen, dass Sie die Markentreue und das Geschäftswachstum fördern.
Traditionelle Ansätze zum Verständnis der Kundenstimmung
Die traditionellen Ansätze zu Analyse der Kundenstimmung haben sich hauptsächlich auf quantitative Metriken verlassen. Diese beinhalten:
Viralität
Viralität bezieht sich auf die Gesamtzahl der Social-Media-Engagements, wie etwa Likes, Shares und Kommentare, die Ihr Inhalt oder Ihre Kampagne erhalten hat. Viralität wird traditionell als Indikator dafür verwendet, wie gut Ihre Marke, Kampagne oder Ihr Marketinginhalt bei Ihrer Zielgruppe und der breiten Öffentlichkeit ankommt. Es bietet einen Gesamtüberblick über die Kundenpräferenzen, sodass Sie fundierte Marketingentscheidungen treffen und Ihre Strategien entsprechend anpassen können.
Bewertung in Sternen
Eine Sternebewertung ist eine beliebte Methode zum Verständnis der Kundenstimmung und wird von Marken häufig zur Bewertung eines Produkts oder einer Dienstleistung verwendet. Sternebewertungen werden in der Regel im Bereich von 1 bis 5 Sternen vergeben, wobei 1 den niedrigsten Grad der Kundenzufriedenheit und 5 den höchsten Grad angibt. Manchmal enthalten Sternebewertungen auch Kommentare, die der Bewertung zusätzlichen Kontext verleihen.
NPS
NPS ist eine quantitative Kennzahl zur Messung der Kundenzufriedenheit und der Neigung eines Kunden, die Marke Familie und Freunden zu empfehlen. Je höher die Bewertung, desto höher ist die Kundenbindung. NPS-Bewertungen liegen oft auf einer Skala von 0 bis 10, wobei 0 die niedrigste und 10 die höchste Bewertung bedeutet.
Im Gegensatz zu Sternebewertungen oder Viralität gruppieren NPS-Kennzahlen Kunden häufig anhand ihrer Bewertungen in drei Kategorien.
- Promoter (8–10): Dabei handelt es sich um zufriedene Kunden, die die Marke aktiv durch Mundpropaganda, Bewertungen oder Social-Media-Kommentare bewerben.
- Passive (7-8): Diese Kunden sind zwar zufrieden, werden das Produkt oder die Dienstleistung aber wahrscheinlich nicht bewerben.
- Kritiker (6-0): Dies sind zutiefst unzufriedene Kunden, die am ehesten negative Bewertungen abgeben und andere wahrscheinlich davon abhalten, die Marke in Betracht zu ziehen.
Kundenzufriedenheitswert (CSAT)
CSAT ist eine Methode zur Messung der Zufriedenheit von Kunden mit den Produkten oder Dienstleistungen einer Marke. CSAT-Scores werden berechnet, indem die durchschnittliche Bewertung der Kunden gemessen wird. Die CSAT-Skalen können variieren und beispielsweise zwischen 1 und 10 liegen, wobei 10 die höchste Kundenzufriedenheit darstellt, oder zwischen 1 und 5, wobei 5 die höchste Kundenzufriedenheit darstellt.
CSAT-Umfragen können nach einer Transaktion oder in regelmäßigen Abständen gesendet werden, um die Kundenzufriedenheit mit der gesamten Marke zu ermitteln.
Neue Fortschritte bei der Berechnung des Sentiment-Scores
Traditionelle Berechnungen konzentrieren sich auf quantitative Kennzahlen aus Key Performance Indicators (KPIs). Um jedoch ein wirklich genaues Bild der Markenstimmung zu erhalten, müssen Sie qualitative Daten aus Kommentaren und Feedback zum Mix hinzufügen. Forschung zeigt, dass selbst wenn die meisten Unternehmen positive Sternebewertungen zwischen 80 % und 100 % erhielten, diese Bewertungen nicht den Erfolg des Unternehmens widerspiegelten. Dies liegt daran, dass Menschen im Allgemeinen dazu neigen, höhere positive Bewertungen abzugeben als ihre tatsächliche Erfahrung. Dies führt zu einem Meer positiver Bewertungen, was die Zahl in Richtung einer höheren positiven Bewertung verschiebt.
Maschinelles Lernen (ML) und KI-Aufgaben wie Erkennung benannter Entitäten Und Verarbeitung natürlicher Sprache (NLP) helfen, diese Herausforderung zu meistern. Sie helfen Ihnen, die Kundenstimmung kontextbezogener zu verstehen, und ermöglichen es Ihnen, Muster in den Kundenmeinungen innerhalb der Ebbe und Flut der Markenwahrnehmung über Zeitpläne und Kampagnen hinweg zu erkennen.
Die Intensität des Sentiment-Mining variiert je nach den verwendeten Methoden. Die drei wichtigsten sind:
- Dokumentbasierte Stimmungsanalyse
Dieser Ansatz vermittelt Ihnen ein allgemeines Verständnis der negativen, positiven oder neutralen Stimmung in einem Dokument. Es wird für kleine, unkomplizierte Datensätze verwendet.
- Themenbasierte Sentimentanalyse
Diese Methode ist differenzierter und bewertet die Stimmung nach Themen. Das ML-Modell identifiziert häufig vorkommende Themen und Themen in den Daten und analysiert dann die Stimmung darin.
Dieser Ansatz hilft Marketingfachleuten zu verstehen, was Kunden oder die breite Öffentlichkeit an ihrer Marke mögen und was nicht. So erhalten Sie relevante, umsetzbare Erkenntnisse aus Bewertungen, Social-Media-Listening oder Kundenbetreuungs-E-Mails und -Kommentaren.
- Aspektbasierte Stimmungsanalyse
Dies ist die fortschrittlichste Methode für das Sentiment-Mining. Aspektbasierte Stimmungsanalyse gliedert die Themen weiter auf, um Aspekte darin zu identifizieren und zu suchen, und wendet dann Semantik an, um ein vollständigeres Bild der Kundenstimmung zu liefern. Beispielsweise können Aspekte wie „Zimmerservice“, „Barkeeper“, „Rezeption“ oder „Valet-Parking“ aus einer Themenklassifizierung zum „Kundenservice“ in den Feedbackdaten identifiziert werden.
Diese granulare Form der Stimmungsanalyse zeigt Marken genau auf, was verbessert werden muss, und informiert über die Strategien, die zur Steigerung der Kundenzufriedenheit erforderlich sind.
Datenverarbeitungstechniken zur Berechnung von Sentiment-Scores
Berechnen eines Sentiment-Scores zur Verwendung in KI-Marketing hängt von vielen Datenverarbeitungsaufgaben ab, die automatisch von einem ML-Modell ausgeführt werden, beispielsweise von großen Sprachmodellen (LLM). Zu diesen Aufgaben gehören:
Engel Nummer 555
Tokenisierung
Unter Tokenisierung versteht man den Prozess der Aufteilung des Textes in einzelne Wörter. Alle Satzzeichen werden entfernt und die Textfolge wird in Wortblöcke zerlegt. Zum Beispiel:
[ Der Aufenthalt war schön, aber mein Zimmer war kalt und wir mussten stundenlang warten, bis das Hotelpersonal den Thermostat eingestellt hatte, obwohl das Hotel leer zu sein schien. Als wir versuchten, die Rezeption anzurufen, um nachzufragen, wirkten sie ungeduldig und unhöflich.]
Textnormalisierung
In dieser Phase werden alle doppelten Einträge aus den Daten entfernt, sodass keine Datenanomalie vorliegt. In diesem Fall bleibt die Textzeichenfolge unverändert, da keine Redundanz vorliegt.
[Der Aufenthalt war schön, aber mein Zimmer war kalt und wir mussten stundenlang warten, bis das Hotelpersonal den Thermostat eingestellt hatte, obwohl das Hotel leer zu sein schien. Als wir versuchten, die Rezeption anzurufen, um nachzufragen, wirkten sie ungeduldig und unhöflich.]
Wortstamm
Unter Wortstammerkennung versteht man den Prozess, ein Wort auf seinen Wortstamm zu reduzieren. In diesem Beispiel werden die Wörter „hours“ und „seemed“ in „hour“ und „seem“ umgewandelt.
[ Der Aufenthalt war schön, aber mein Zimmer war kalt und wir mussten warten Stunde dass das Hotelpersonal den Thermostat auch im Hotel einstellen muss erscheinen leer Als wir versuchten, die Rezeption anzurufen, um uns zu erkundigen, wirkten sie ungeduldig und unhöflich.]
Stoppwort-Entfernung
Alle überflüssigen Wörter werden entfernt, sodass nur benannte Entitäten und Wörter, die Emotionen bezeichnen, beibehalten werden.
[ Der Aufenthalt war Hübsch Mein Zimmer kalt und wir mussten Warten für Stunde für die Hotelpersonal den Thermostat einzustellen, obwohl die Hotel Scheinen leer zu sein, als wir versuchten anzurufen Rezeption Sie schienen nachzufragen ungeduldig und unhöflich]
Der resultierende verarbeitete Text lautet nun: [ schönes Zimmer, kalte Wartezeit, Hotelpersonal, Rezeption, ungeduldig, unhöflich ] .
Da jedes Wort im ML-Modell basierend auf der Skala seiner Negativität oder Positivität ein numerisches Äquivalent hat, erhalten Sie anhand der verarbeiteten Daten eine Bewertung basierend auf dem Gesamtstimmungsdurchschnitt. Wenn bei der Berechnung mit der Lexicon-Methode dem Wort „nett“ eine Bewertung von 1 für „positiv“ zugewiesen wird, während „ungeduldig“ eine Bewertung von -0,05 und unhöflich eine Bewertung von -0,7 erhalten wird, wäre die resultierende Stimmungsbewertung für die Rezension -1, was gleichbedeutend ist zu negativ.
Konventionelle Ansätze zur Berechnung von Sentiment-Scores
Es gibt mehrere Möglichkeiten, einen Sentiment-Score zu berechnen. Die gebräuchlichste ist die Lexicon-Methode, die ein Verhältnis von 1:1 zur Messung der Sentiment verwendet. Wenn es jedoch um komplexe Daten geht, die aus mehreren Quellen wie Social Media Listening oder Kundenbewertungsforen gesammelt werden, sind fortschrittlichere Techniken erforderlich. Nachfolgend finden Sie eine Aufschlüsselung dieser Methoden.
Methode zur Wortzählung
Der einfachste Weg, den Sentiment-Score zu berechnen, basiert auf der Lexikon- oder Wortzählmethode wie im obigen Beispiel. Bei dieser Methode wird die Anzahl der negativen Sentimentvorkommnisse gegenüber den positiven Vorkommnissen reduziert.
Formel: # negative Wörter – positive Wörter = Sentiment-Score
Beispiel: 1 – 2 = -1.
Ableiten des Sentiment-Scores aus der Länge des Satzes
Bei dieser Methode subtrahieren wir die Anzahl der positiven Wörter von den negativen Wörtern und dividieren das Ergebnis durch die Gesamtzahl der Wörter im Rezensionssatz.
Formel: # negative Wörter – # positive Wörter geteilt durch die Anzahl der Wörter = Sentiment-Score
Beispiel: 1 – 2 / 42 = -0,0238095
Dieses System wird häufig verwendet, um längere Rezensionen und Kommentare zu verstehen.
Da mit dieser Methode große Datenmengen analysiert werden, können die resultierenden Ergebnisse lange Bruchteile aufweisen. Wenn dies in großem Maßstab durchgeführt wird, kann dies dazu führen, dass es schwierig ist, die Stimmungswerte zu vergleichen und zu verstehen. Um diese Herausforderung zu meistern, werden die resultierenden Ergebnisse mit einer einzelnen Ziffer multipliziert, sodass die Werte größer sind und der Vergleich somit einfacher wird.
Verhältnis der Anzahl positiver und negativer Wörter
Diese Methode gilt als die ausgewogenste zur Messung des Sentiment-Scores in Big Data. Die Gesamtzahl der positiven Wörter wird durch die Gesamtzahl der negativen Wörter geteilt und dann durch eins addiert.
Formel: # positive Wörter / # negative Wörter + 1 = Sentiment-Score
Beispiel: 1 / 2 + 1 = 0,33333
Je länger die Bewertung, desto höher ist die Anzahl der positiven und negativen Bewertungen. Dieser Ansatz normalisiert die Gesamtlänge des Textes und ist daher besonders nützlich bei der Analyse von Rezensionen unterschiedlicher Länge. Bei dieser Methode wird ein Sentiment-Score von 1 als neutral festgelegt.
So berechnen wir Sentiment-Scores bei Sprout
Das Sentiment-Modell von Sprout nutzt tiefe neuronale Netze (NNs) und insbesondere große Sprachmodelle. LLMs funktionieren, indem sie den Kontext des gesamten Textblocks berücksichtigen und die Wörter von links nach rechts und von rechts nach links lesen Bidirektionale Encoderdarstellungen von Transformatoren (BERT) Modelle von Google.
Anhand eines Datensatzes bereits gekennzeichneter Dokumente identifiziert ein LLM automatisch die Wörter, Phrasen und die Wort-/Phrasenreihenfolge, die dazu beigetragen haben, dass ein Textblock als positiv oder negativ gekennzeichnet wurde. Anschließend wird jedem Token in einem Textblock eine Gewichtung (numerischer Wert) zugewiesen. Mit diesen berechneten Gewichtungen bestimmen wir die Stimmung für neuen, noch nie gesehenen Text und die Wahrscheinlichkeit, dass er positiv, negativ oder neutral ist.
biblische Zahl 5
Die Bedeutung des Sentiment-Scores für Marken
Sentiment-Scores helfen Ihnen, verschiedene Aspekte Ihrer Marke, Ihres Produkts und Ihrer Dienstleistungen zu quantifizieren und zu bewerten, und geben Marketing-, Produkt- und Kundenbetreuungsteams umsetzbare Erkenntnisse darüber, wie sie ihre Strategien genau auf einen erfolgreichen Weg ausrichten können.
Dank KI und maschinellem Lernen gibt es mehrere Tools, die Rätselraten überflüssig machen und Ihnen innerhalb von Minuten ein genaues Bild Ihrer Markenstimmung vermitteln. Schauen Sie sich diese an Tools zur Stimmungsanalyse Wir haben zusammengestellt, um herauszufinden, wie Sie Ihre Markenstrategie neu starten können.
Teile Mit Deinen Freunden:
