Yıldız derecelendirmeleri ve net destekçi puanları (NPS) gibi geleneksel yöntemler, müşteri memnuniyetini ölçmek için kullandığımız tanıdık yöntemlerdir. Ancak müşteri duyarlılığı söz konusu olduğunda bu sadece buzdağının görünen kısmı.



Gibi ileri teknolojiler duygu analizi sosyal medya yorumları, anket yanıtları ve incelemeler gibi niteliksel verileri analiz ederek sayısal ölçümlerin ötesine geçmenize yardımcı olur. Duyarlılık puanını hesaplamaya yönelik bu yaklaşım, müşteri görüşlerine ilişkin daha ayrıntılı bir anlayışa sahip olmanızı ve tekliflerinizi ve marka stratejilerinizi iyileştirmeniz için bir kuzey yıldızı elde etmenizi sağlar.



Duyarlılık puanının ne olduğunu, duyarlılık puanlarının hesaplanmasındaki gelişmeleri ve bunu Sprout'ta nasıl yaptığımızı keşfetmek için okumaya devam edin.

melek sayıları 111 anlamı

Duyarlılık puanı nedir?

Duygu puanı, müşteri geri bildirimi veya sosyal medya dinlemesi gibi niteliksel verilerde ifade edilen duyarlılığı veya duyguyu ölçer. Duyarlılık analizi süreciyle hesaplanır ve -1 ila 1 aralığında ölçülür. Negatif olan en yüksek olumsuz duyguyu, 0 nötr duyarlılığı, +1 ise en yüksek olumlu duyguyu ifade eder.

Duyarlılık puanını tanımlayan açıklama kartı. Diyor ki,"A sentiment score quantifies the sentiment or emotion expressed in qualitative data such as customer feedback or social media listening. "

Duyarlılık puanları, markanızın pazar görüşünün olumlu, olumsuz veya tarafsız olup olmadığını size bildirir. Verilerin daha ayrıntılı analizi, marka sadakatini ve işletmenizin büyümesini desteklediğinizden emin olmak için müşteri hizmetleri, pazarlama içeriği, ürünler ve satış sonrası hizmetler gibi işletmenizin farklı yönlerini nasıl geliştirebileceğinize dair derinlemesine bir bakış sağlar.

Müşteri duyarlılığını anlamaya yönelik geleneksel yaklaşımlar

Geleneksel yaklaşımlar müşteri duyarlılığı analizi çoğunlukla niceliksel ölçümlere güvenmişlerdir. Bunlar şunları içerir:

Virallik

Virallik, içeriğinizin veya kampanyanızın aldığı beğeniler, paylaşımlar ve yorumlar gibi sosyal medya etkileşimlerinin toplam sayısını ifade eder. Viralite geleneksel olarak markanızın, kampanyanızın veya pazarlama içeriğinizin hedef kitlenizde ve genel kamuoyunda ne kadar iyi yankı uyandırdığının bir göstergesi olarak kullanılır. Bilgili pazarlama kararları alabilmeniz ve stratejilerinizi buna göre değiştirebilmeniz için müşteri tercihlerine ilişkin genel bir görünüm sunar.



Yıldız derecelendirmesi

Yıldız derecelendirmesi, müşteri duyarlılığını anlamanın popüler bir yöntemidir ve markalar tarafından bir ürün veya hizmeti değerlendirmek için yaygın olarak kullanılır. Yıldız derecelendirmeleri genellikle 1 ila 5 yıldız aralığında sağlanır; 1, müşteri memnuniyetinin en düşük seviyesini, 5 ise en yüksek müşteri memnuniyetini belirtir. Bazen yıldız derecelendirmeleri, derecelendirmeye ek bağlam katan yorumları da içerir.

Amazon'daki yıldız derecelendirmesi ayrıca ek bağlam için yorumlara da sahiptir.

NPS'ler

NPS'ler Müşteri memnuniyetini ve müşterinin markayı ailesine ve arkadaşlarına tavsiye etme eğilimini ölçmek için kullanılan niceliksel bir ölçümdür. Derecelendirme ne kadar yüksek olursa müşteri sadakati de o kadar yüksek olur. NPS derecelendirmeleri genellikle 0 ile 10 arasında bir ölçektedir; 0 en düşük derecelendirmeyi, 10 ise en yüksek derecelendirmeyi belirtir.



Müşteri memnuniyetine ilişkin bir Sprout Social NPS Anketi. Müşteriye, en yüksek puan 10 olmak üzere 0'dan 10'a kadar bir ölçekte markayı ailesine ve arkadaşlarına tavsiye etme olasılıklarının ne kadar olduğunu sorar.

Yıldız derecelendirmeleri veya viralitenin aksine, NPS ölçümleri genellikle müşterileri derecelendirmelerine göre üç kategoriye ayırır.

  • Destekleyiciler (8–10): Bunlar, markayı ağızdan ağza, incelemelerde veya sosyal medya yorumlarında aktif olarak tanıtacak mutlu müşterilerdir.
  • Pasifler (7-8): Bu müşteriler memnundur ancak ürün veya hizmeti tanıtma olasılıkları yoktur.
  • Kötüleyenler (6-0): Bunlar, büyük olasılıkla olumsuz yorumlar yayınlayan ve muhtemelen başkalarını markayı düşünmekten caydıracak olan son derece tatminsiz müşterilerdir.

Müşteri memnuniyeti puanı (CSAT)

CSAT müşterilerin bir markanın ürün veya hizmetlerinden ne kadar memnun olduklarını ölçmek için kullanılan bir yöntemdir. CSAT puanları, müşterilerin sağladığı ortalama derecelendirme ölçülerek hesaplanır. CSAT ölçekleri değişiklik gösterebilir, örneğin 1 ile 10 arasında olabilir; 10 en yüksek veya 1 ile 5, 5 en yüksek müşteri memnuniyeti düzeyidir.

CSAT anketleri, bir işlemden sonra veya müşterinin markanın geneline ilişkin memnuniyetini anlamak için periyodik olarak gönderilebilir.

Fransız kozmetik markası Yves Rocher

Duyarlılık puanının hesaplanmasında yeni gelişmeler

Geleneksel hesaplamalar, temel performans göstergelerinden (KPI'ler) elde edilen niceliksel ölçümlere odaklanır. Ancak marka duyarlılığının gerçekten doğru bir resmini elde etmek için yorumlarda ve geri bildirimlerde bulunan niteliksel verileri karışıma eklemeniz gerekir. Araştırma çoğu işletmenin %80 ila %100 arasında olumlu yıldız derecelendirmeleri almasına rağmen, bu derecelendirmelerin işletmenin başarısına yansımadığını göstermektedir. Bunun nedeni, insanların genel olarak gerçek deneyimlerinden daha yüksek olumlu puanlar verme eğiliminde olmasıdır. Bu, sayıyı daha yüksek bir pozitif puana doğru kaydıran bir pozitif derecelendirme denizine yol açar.

143 ne demek

Makine öğrenimi (ML) ve AI görevleri gibi adlandırılmış varlık tanıma Ve doğal dil işleme (NLP) bu zorluğun üstesinden gelmeye yardımcı olur. Zaman çizelgeleri ve kampanyalar boyunca marka algısının gelgitleri içinde müşteri görüşlerindeki kalıpları bulmanızı sağlayarak müşteri duyarlılığını daha bağlamsal olarak anlamanıza yardımcı olurlar.

Duygu madenciliği yoğunluğu kullanılan yöntemlere göre değişmektedir. Üç ana tanesi:

  • Doküman bazlı duyarlılık analizi

Bu yaklaşım size bir belgedeki olumsuz, olumlu veya tarafsız duygu hakkında genel bir anlayış sağlar. Küçük, karmaşık olmayan veri kümeleri için kullanılır.

  • Konu bazlı duygu analizi

Bu yöntem daha incelikli olup konuya göre duyguyu puanlar. ML modeli, verilerde yaygın olarak ortaya çıkan konuları ve temaları tanımlar ve ardından bunlardaki duyarlılığı analiz eder.

Bu yaklaşım, pazarlamacıların müşterilerin veya genel halkın markalarıyla ilgili neyi beğendiğini ve neyi beğenmediğini anlamalarına yardımcı olur. Böylece incelemelerden, sosyal medya dinlemelerinden veya müşteri hizmetleri e-postalarından ve yorumlarından ilgili, eyleme dönüştürülebilir bilgiler sağlanır.

  • Boyut bazlı duyarlılık analizi

Bu, duygu madenciliği için kullanılan en gelişmiş yöntemdir. Boyut bazlı duyarlılık analizi Konuları daha da ayrıntılı bir şekilde inceleyerek içlerindeki unsurları tespit edip araştırıyor ve ardından müşteri duyarlılığının daha eksiksiz bir resmini sağlamak için anlambilimi uyguluyor. Örneğin geri bildirim verilerindeki “müşteri hizmetleri” konu sınıflandırmasından “oda servisi”, “bar görevlisi”, “resepsiyon” veya “vale park etme” gibi hususları tanımlayabiliyor.

Duygu analizinin bu ayrıntılı biçimi, markalara tam olarak neyin iyileştirilmesi gerektiğini belirler ve müşteri memnuniyetini artırmak için gereken stratejileri bilgilendirir.

Duygu puanlarını hesaplamak için kullanılan veri işleme teknikleri

Kullanım için bir duyarlılık puanının hesaplanması yapay zeka pazarlaması büyük dil modelleri (LLM) gibi bir ML modeli tarafından otomatik olarak gerçekleştirilen birçok veri işleme görevine bağlıdır. Bu görevler şunları içerir:

Tokenleştirme

Tokenizasyon, metni tek tek kelimelere ayırma işlemidir. Tüm noktalama işaretleri kaldırılır ve metin dizisi sözcük bloklarına indirgenir. Örneğin:

[ Konaklama güzeldi ama odam soğuktu ve otel boş görünmesine rağmen otel personelinin termostatı ayarlaması için saatlerce beklemek zorunda kaldık. Sormak için resepsiyonu aramaya çalıştığımızda sabırsız ve kaba görünüyorlardı.]

Metin normalleştirme

Bu aşamada verilerde herhangi bir anormallik oluşmaması için tüm mükerrer girişler verilerden kaldırılır. Bu durumda, artıklık olmadığından metin dizesi değişmeden kalır.

[ Konaklama güzeldi ama odam soğuktu ve otel boş görünmesine rağmen otel personelinin termostatı ayarlaması için saatlerce beklemek zorunda kaldık. Bilgi almak için resepsiyonu aramaya çalıştığımızda sabırsız ve kaba görünüyorlardı ]

Kelime kökü

Kelime köklendirme, bir kelimenin köküne indirgenmesi sürecini ifade eder. Bu örnekte, 'saat' ve 'görünüyor' sözcükleri 'saat' ve 'görünüyor' sözcüklerine dönüştürülmüştür.

[ Konaklama güzeldi ama odam soğuktu ve beklemek zorunda kaldık saat otel personelinin otel olmasına rağmen termostatı ayarlaması gözükmek boş Sormak için resepsiyonu aramaya çalıştığımızda sabırsız ve kaba görünüyorlardı.]

Durdurma sözcüklerinin kaldırılması

Tüm gereksiz kelimeler elenir, böylece yalnızca adlandırılmış varlıklar ve duyguları ifade eden kelimeler tutulur.

[ Konaklama Güzel Benim oda soğuk ve bunu yapmak zorundaydık Beklemek için saat için otel personeli termostatı ayarlamak için otel boş görünüyor Aramayı denediğimizde resepsiyon sormak için göründüler sabırsız ve kaba ]

Ortaya çıkan işlenmiş metin artık şu şekildedir: [ güzel oda soğuk bekleme saati otel personeli resepsiyon sabırsız kaba ] .

ML modelinde her kelimenin olumsuzluk veya olumluluk ölçeğine göre sayısal bir karşılığı olduğundan, işlenen veriler size toplam duygu ortalamasına göre bir puan verir. Lexicon yöntemi kullanılarak hesaplandığında, 'hoş' kelimesine olumlu olarak 1 puan verilirken, 'sabırsız' kelimesine -.05 ve kaba -0.7 atanırsa, incelemenin ortaya çıkan duyarlılık puanı -1 olacaktır; bu da şuna eşittir: negatife.

77 melek sayısı aşk

Duyarlılık puanlarının hesaplanmasında geleneksel yaklaşımlar

Duygu puanını hesaplamanın birden fazla yolu vardır; en yaygın olanı, duyarlılığı ölçmek için 1:1 oranını kullanan Lexicon yöntemidir. Ancak sosyal medya dinleme veya müşteri inceleme forumları gibi birden fazla kaynaktan toplanan karmaşık veriler söz konusu olduğunda daha gelişmiş tekniklere ihtiyaç duyulur. Aşağıda bu metodolojilerin bir dökümü bulunmaktadır.

Kelime sayma yöntemi

Duygu puanını hesaplamanın en basit yolu yukarıdaki örnekte olduğu gibi sözlük veya kelime sayımı yöntemini temel alır. Bu yöntemde olumsuz duygu durumlarının sayısı olumlu olaylardan azaltılır.

Formül: # olumsuz kelimeler – olumlu kelimeler = duyarlılık puanı

Örnek: 1 – 2 = -1.

Cümlenin uzunluğuyla duygu puanının çıkarılması

Bu yöntemde olumlu kelime sayısını olumsuz kelimelerden çıkarıyoruz ve sonucu inceleme cümlesindeki toplam kelime sayısına bölüyoruz.

Formül: # negatif kelime – # pozitif kelimenin kelime sayısına bölünmesiyle = duygu puanı

Örnek: 1 – 2 / 42 = -0,0238095

Bu sistem genellikle daha uzun incelemeleri ve yorumları anlamak için kullanılır.

Bu yöntem büyük miktarda veriyi analiz etmek için kullanıldığından, elde edilen puanlar uzun kesirlere sahip olabilir. Bu, geniş ölçekte yapıldığında duyarlılık değerlerinin karşılaştırılmasında ve anlaşılmasında zorlukla sonuçlanabilir. Bu zorluğun üstesinden gelmek için, elde edilen puanlar tek bir rakamla çarpılır, böylece değerler daha büyük olur, böylece karşılaştırma daha kolay hale gelir.

Pozitif ve negatif kelime sayılarının oranı

Bu metodoloji, büyük verilerdeki duyarlılık puanını ölçmek için en dengeli yöntem olarak kabul edilir. Toplam olumlu kelime sayısı, toplam olumsuz kelime sayısına bölünür ve ardından bir eklenir.

Formül: # olumlu kelime / # olumsuz kelime + 1 = duygu puanı

Örnek: 1/2 + 1 = 0,33333

İnceleme ne kadar uzun olursa olumlu ve olumsuz puanların sayısı da o kadar yüksek olur. Bu yaklaşım, metnin toplam uzunluğunu normalleştirir ve onu özellikle farklı uzunluklardaki incelemelerin analizinde yararlı kılar. Bu yöntemde duygu puanı 1 nötr olarak belirlenir.

Sprout'ta duyarlılık puanlarını nasıl hesaplıyoruz?

Sprout'un duyarlılık modeli derin sinir ağlarını (NN'ler) ve özellikle büyük dil modellerini kullanıyor. LLM'ler tüm metin bloğunun bağlamını dikkate alarak, kelimeleri soldan sağa ve sağdan sola okuyarak çalışır. Transformatörlerden Çift Yönlü Kodlayıcı Gösterimleri (BERT) Google'dan modeller.

17 sayının anlamı

Halihazırda etiketlenmiş belgelerden oluşan bir veri seti göz önüne alındığında, bir LLM, bir metin bloğunun pozitif veya negatif olarak etiketlenmesine katkıda bulunan kelimeleri, cümleleri ve kelime/ifade sıralamasını otomatik olarak tanımlar. Daha sonra bir metin bloğundaki her belirtece bir ağırlık (sayısal değer) atar. Hesaplanan bu ağırlıklarla yeni, görülmemiş metinlere yönelik duyarlılığı ve olumlu, olumsuz veya nötr olma olasılığını belirliyoruz.

Markalar için duyarlılık puanının önemi

Duyarlılık puanları, markanızın, ürününüzün ve hizmetlerinizin farklı yönlerini ölçmenize ve değerlendirmenize yardımcı olarak pazarlama, ürün ve müşteri hizmetleri ekiplerine, stratejilerini başarılı bir yola doğru tam olarak nasıl yönlendirebilecekleri konusunda eyleme geçirilebilir bilgiler sağlar.

Yapay zeka ve makine öğrenimi sayesinde, tahminleri ortadan kaldıran ve size birkaç dakika içinde marka duyarlılığınızın doğru bir resmini veren çok sayıda araç var. Şunlara bir göz atın duygu analizi araçları marka stratejinizi nasıl yeniden başlatabileceğinizi keşfetmek için derledik.

Arkadaşlarınla ​​Paylaş: