Descubra O Seu Número De Anjo
Como uma pontuação de sentimento melhora a estratégia de sua marca
Métodos tradicionais, como classificações por estrelas e pontuações líquidas do promotor (NPS), são formas familiares de quantificar a satisfação do cliente. Mas esta é apenas a ponta do iceberg quando se trata do sentimento do cliente.
Tecnologias avançadas como análise de sentimentos ajudá-lo a ir além das métricas numéricas, analisando dados qualitativos, como comentários em mídias sociais, respostas a pesquisas e análises. Essa abordagem para calcular uma pontuação de sentimento oferece uma compreensão mais sutil da opinião do cliente e uma estrela do norte para melhorar suas ofertas e estratégias de marca.
Continue lendo para explorar o que é uma pontuação de sentimento, os avanços no cálculo das pontuações de sentimento e como fazemos isso no Sprout.
O que é uma pontuação de sentimento?
Uma pontuação de sentimento quantifica o sentimento ou emoção expresso em dados qualitativos, como feedback do cliente ou escuta nas redes sociais. É calculado através do processo de análise de sentimento e medido no intervalo de -1 a 1. O negativo é o sentimento negativo mais elevado, 0 indica o sentimento neutro e +1 denota o sentimento positivo mais elevado.
As pontuações de sentimento informam se a opinião do mercado sobre sua marca é positiva, negativa ou neutra. Uma análise mais aprofundada dos dados fornece uma visão aprofundada de como você pode melhorar diferentes aspectos do seu negócio, como atendimento ao cliente, conteúdo de marketing, produtos e serviço pós-venda, para garantir que você está nutrindo a fidelidade à marca e o crescimento do negócio.
Abordagens tradicionais para compreender o sentimento do cliente
As abordagens tradicionais para análise de sentimento do cliente confiaram principalmente em métricas quantitativas. Esses incluem:
Viralidade
Viralidade refere-se ao número total de engajamentos nas redes sociais, como curtidas, compartilhamentos e comentários que seu conteúdo ou campanha recebeu. A viralidade é tradicionalmente usada como um indicador de quão bem sua marca, campanha ou conteúdo de marketing está repercutindo em seu público-alvo e no público em geral. Ele fornece uma visão geral das preferências do cliente para que você possa tomar decisões de marketing informadas e alterar suas estratégias de acordo.
Classificação por estrelas
A avaliação com estrelas é um método popular para compreender o sentimento do cliente e é amplamente utilizado pelas marcas para avaliar um produto ou serviço. As classificações com estrelas são normalmente fornecidas em um intervalo de 1 a 5 estrelas, com 1 indicando o nível mais baixo de satisfação do cliente e 5 denotando o mais alto. Às vezes, as avaliações com estrelas também incluem comentários que adicionam contexto à classificação.
NPS
NPS é uma métrica quantitativa usada para medir a satisfação do cliente e a propensão do cliente em recomendar a marca para familiares e amigos. Quanto maior a classificação, maior a fidelidade do cliente. As classificações do NPS geralmente estão em uma escala de 0 a 10, com 0 denotando a classificação mais baixa e 10 sendo a mais alta.
Ao contrário das classificações por estrelas ou da viralidade, as métricas do NPS geralmente agrupam os clientes em três categorias com base em suas classificações.
significado de 1223
- Promotores (8–10): São clientes satisfeitos que promoverão ativamente a marca por meio do boca a boca, em avaliações ou comentários nas redes sociais.
- Passivos (7-8): Esses clientes estão satisfeitos, mas provavelmente não promoverão o produto ou serviço.
- Detratores (6-0): Esses são clientes profundamente insatisfeitos, com maior probabilidade de postar comentários negativos e provavelmente impedirão que outros considerem a marca.
Pontuação de satisfação do cliente (CSAT)
CSAT é um método usado para medir o grau de satisfação dos clientes com os produtos ou serviços de uma marca. As pontuações CSAT são calculadas medindo a classificação média fornecida pelos clientes. As escalas CSAT podem variar, por exemplo, podem estar entre 1 e 10, sendo 10 o mais alto ou 1 e 5, sendo 5 o nível mais alto de satisfação do cliente.
As pesquisas CSAT podem ser enviadas após uma transação ou periodicamente para entender a satisfação do cliente com a marca em geral.
Novos avanços no cálculo da pontuação de sentimento
Os cálculos tradicionais concentram-se em métricas quantitativas de indicadores-chave de desempenho (KPIs). Mas para obter uma imagem verdadeiramente precisa do sentimento da marca, você precisa adicionar ao mix dados qualitativos encontrados em comentários e feedback. Pesquisar mostra que mesmo que a maioria das empresas recebesse classificações de estrelas positivas entre 80% e 100%, essas classificações não refletiam no sucesso do negócio. Isso ocorre porque as pessoas, em geral, tendem a dar avaliações positivas mais elevadas do que a sua experiência real. Isso leva a um mar de avaliações positivas, o que direciona o número para uma pontuação positiva mais alta.
Aprendizado de máquina (ML) e tarefas de IA como reconhecimento de entidade nomeada e processamento de linguagem natural (PNL) ajudam a superar esse desafio. Eles ajudam você a entender o sentimento do cliente de forma mais contextual, permitindo que você encontre padrões nas opiniões dos clientes dentro do fluxo e refluxo da percepção da marca ao longo de cronogramas e campanhas.
A intensidade da mineração de sentimentos varia de acordo com os métodos utilizados. Os três principais são:
- Análise de sentimento baseada em documentos
Esta abordagem dá-lhe uma compreensão geral do sentimento negativo, positivo ou neutro num documento. É usado para conjuntos de dados pequenos e descomplicados.
- Análise de sentimento baseada em tópicos
Este método é mais matizado, avaliando o sentimento por tópico. O modelo de ML identifica tópicos e temas que ocorrem comumente nos dados e, em seguida, analisa o sentimento neles.
Essa abordagem ajuda os profissionais de marketing a entender o que os clientes, ou o público em geral, gostam e não gostam em sua marca. Fornecendo assim insights relevantes e acionáveis a partir de avaliações, escuta de mídia social ou e-mails e comentários de atendimento ao cliente.
- Análise de sentimento baseada em aspectos
Este é o método mais avançado usado para mineração de sentimentos. Análise de sentimento baseada em aspectos divide ainda mais os tópicos para identificar e pesquisar aspectos dentro deles e, em seguida, aplica a semântica para fornecer uma imagem mais completa do sentimento do cliente. Por exemplo, pode identificar aspectos como “serviço de quarto”, “atendente de bar”, “recepção” ou “manobrista” a partir de uma classificação de tópico sobre “atendimento ao cliente” nos dados de feedback.
Essa forma granular de análise de sentimento aponta para as marcas exatamente o que precisa ser melhorado e informa as estratégias necessárias para aumentar a satisfação do cliente.
Técnicas de processamento de dados usadas para calcular pontuações de sentimento
Cálculo de uma pontuação de sentimento para uso em Marketing de IA depende de muitas tarefas de processamento de dados realizadas automaticamente por um modelo de ML, como modelos de linguagem grandes (LLM). Essas tarefas incluem:
Tokenização
Tokenização é o processo de separar o texto em palavras individuais. Todas as pontuações são removidas e a sequência de texto é reduzida a blocos de palavras. Por exemplo:
[ A estadia foi boa, mas meu quarto estava frio e tivemos que esperar horas para que a equipe do hotel ajustasse o termostato, embora o hotel parecesse vazio. Quando tentamos ligar para a recepção para perguntar, eles pareciam impacientes e rudes]
Normalização de texto
Nesta etapa, todas as entradas duplicadas são removidas dos dados para que não haja anomalia nos dados. Neste caso, a sequência de texto permanece inalterada, pois não há redundância.
744 número do anjo
[A estadia foi boa, mas meu quarto estava frio e tivemos que esperar horas para que os funcionários do hotel ajustassem o termostato, embora o hotel parecesse vazio. Quando tentamos ligar para a recepção para perguntar, eles pareciam impacientes e rudes.]
Derivação de palavras
A lematização de palavras refere-se ao processo de redução de uma palavra à sua raiz. Neste exemplo, as palavras “horas” e “parecia” são convertidas em “hora” e “parece”.
[ A estadia foi agradável, mas meu quarto estava frio e tivemos que esperar hora para a equipe do hotel ajustar o termostato mesmo que o hotel parecer vazio Quando tentamos ligar para a recepção para perguntar, eles pareciam impacientes e rudes]
Remoção de palavras irrelevantes
Todas as palavras supérfluas são eliminadas, de modo que apenas entidades nomeadas e palavras que denotam emoções são mantidas.
[A estadia foi legal Meu quarto frio e tivemos que espere para hora para o funcionários do hotel para ajustar o termostato mesmo que o hotel parecia vazio Quando tentamos ligar para o recepção para perguntar eles pareciam impaciente e rude]
O texto processado resultante agora é lido, [ bom quarto frio esperar hora funcionários do hotel recepção impaciente rude ] .
Como cada palavra tem um equivalente numérico no modelo de ML com base na escala de sua negatividade ou positividade, os dados processados fornecem uma pontuação com base na média total do sentimento. Quando calculado usando o método Lexicon, se a palavra “legal” receber uma pontuação de 1 para positivo, enquanto “impaciente” receber -0,05 e rude -0,7, a pontuação de sentimento resultante para a avaliação seria -1, o que equivale a para negativo.
Abordagens convencionais para calcular pontuações de sentimento
Existem várias maneiras de calcular uma pontuação de sentimento, sendo a mais comum o método Lexicon, que usa uma proporção de 1:1 para medir o sentimento. No entanto, quando se trata de dados complexos coletados de diversas fontes, como escuta de mídias sociais ou fóruns de avaliação de clientes, são necessárias técnicas mais avançadas. Abaixo está uma análise dessas metodologias.
Método de contagem de palavras
A maneira mais simples de calcular a pontuação de sentimento é baseada no léxico ou no método de contagem de palavras, como no exemplo acima. Neste método, o número de ocorrências de sentimento negativo é reduzido em relação às ocorrências positivas.
Fórmula: # palavras negativas – palavras positivas = pontuação de sentimento
Exemplo: 1 – 2 = -1.
Deduzindo a pontuação de sentimento com o comprimento da frase
Neste método, subtraímos o número de palavras positivas das palavras negativas e dividimos o resultado pelo número total de palavras na frase de revisão.
Fórmula: # palavras negativas – # palavras positivas divididas pelo número de palavras = pontuação de sentimento
Exemplo: 1 – 2/42 = -0,0238095
Este sistema é frequentemente usado para compreender revisões e comentários mais longos.
Como esse método é usado para analisar grandes quantidades de dados, as pontuações resultantes podem resultar em longas frações. Quando feito em escala, isso pode resultar em dificuldade de comparação e compreensão dos valores de sentimento. Para superar esse desafio, as pontuações resultantes são multiplicadas por um único dígito para que os valores sejam maiores, facilitando a comparação.
Proporção de contagens de palavras positivas e negativas
Esta metodologia é considerada a mais equilibrada para medir a pontuação de sentimento em big data. O número total de palavras positivas é dividido pelo número total de palavras negativas e depois somado por um.
numerologia número 10
Fórmula: # palavras positivas / # palavras negativas + 1 = pontuação de sentimento
Exemplo: 1/2 + 1 = 0,33333
Quanto mais longa for a revisão, maior será a contagem de pontuações positivas e negativas. Essa abordagem normaliza o comprimento total do texto, tornando-a especialmente útil na análise de resenhas de tamanhos variados. Neste método, uma pontuação de sentimento de 1 é definida como neutra.
Como calculamos as pontuações de sentimento no Sprout
O modelo de sentimento do Sprout usa redes neurais profundas (NNs) e, em particular, grandes modelos de linguagem. Os LLMs funcionam considerando o contexto de todo o bloco de texto, lendo as palavras da esquerda para a direita e da direita para a esquerda usando o Representações de codificador bidirecional de transformadores (BERT) modelos do Google.
Dado um conjunto de dados de documentos já rotulados, um LLM identifica automaticamente as palavras, frases e a ordem palavra/frase que contribuíram para que um bloco de texto fosse marcado como positivo ou negativo. Em seguida, atribui um peso (valor numérico) a cada token em um bloco de texto. Com esses pesos calculados, determinamos o sentimento para um texto novo e não visto e a probabilidade de ser positivo, negativo ou neutro.
A importância da pontuação de sentimento para as marcas
As pontuações de sentimento ajudam você a quantificar e avaliar diferentes aspectos de sua marca, produto e serviços, fornecendo às equipes de marketing, produto e atendimento ao cliente insights práticos sobre como exatamente elas podem direcionar suas estratégias em direção a uma trajetória de sucesso.
Graças à IA e ao aprendizado de máquina, existem várias ferramentas que eliminam suposições e fornecem uma imagem precisa do sentimento da sua marca em poucos minutos. Dê uma olhada nestes ferramentas de análise de sentimento fizemos uma curadoria para explorar como você pode reiniciar sua estratégia de marca.
Compartilhe Com Os Seus Amigos:
