¿Has dejado algún comentario o crítica de cómo te sentiste respecto a un producto o servicio?.
¿Tienes el hábito de revisar los comentarios que encuentres en línea, antes de comprar?.
Este tipo de información es tremendamente valiosa para uno, pero también para las empresas. Las empresas pueden profundizar en este tipo de datos con Análisis de Sentimiento con Machine Learning.
En Data Insights implementamos este tipo de análisis con un Dashboard en línea que permite a las empresas revisar con facilidad lo que se habla de su marca y productos.
Esto es lo que llamamos Brand Intelligence. Poder hacer seguimiento de la marca de manera rápida y objetiva con Machine Learning en lo que se refiere a análisis de textos y de esta forma no basarse en percepciones o comentarios aislados para la toma de decisiones.
Es trascendental para las empresas saber qué se habla de su marca y productos y de esta forma detectar pequeños problemas, que se pueden solucionar, antes que se agraven.
Para las empresas es esencial identificar lo que están haciendo bien a partir de los comentarios y lo más importante lograr comprender qué es lo que les interesa o les preocupa a sus clientes.
Machine Learning entrega la posibilidad de realizar Brand Intelligence de una forma muy práctica para que las empresas monitoreen las redes sociales y conocer lo que se dice de su marca y productos.
El uso de Machine Learning en Análisis de Sentimiento permite escalabilidad y automatización de los procesos. En lugar de tener que leer manualmente cada comentario sobre tu marca y productos en twitter por ejemplo, el algoritmo de machine learning puede analizar grandes cantidades de datos en tiempo real y proporcionar una visión general más precisa y completa de los sentimientos de los usuarios en un momento dado y más aún circunscrito a una zona específica.
La extracción de los tweets puede ser realizada de dos formas:
- 1. Search Tweets:
Podemos extraer tweets que se hayan escrito en el pasado, pero tiene un límite que nos permite la aplicación. Entiendo que son 18.000 tweets cada 15 minutos lo que la API permite. Además, podemos hacer que no considere los retweets.
La API nos entrega información con más de 90 variables, pero en este caso utilizaremos las que más nos interesan que son Screen Name, que corresponde al nombre del usuario de twitter, que es más bien su nickname, la ubicación del usuario y la descripción en lo que respecta a información del usuario, pero también seleccionaremos la información del tweet en sí y la información de los hashtags y url’s utilizados en el tweet.
- 2. Streaming Tweets:
La otra forma de extracción de los tweets corresponde a streaming tweets. Es muy similar a searching tweets, pero en este caso se define el tiempo en segundos de lo queremos extraer en tiempo real.
Extrae prácticamente las mismas columnas que en search tweets, que son 90 variables.
La diferencia es que se extraen los tweets de lo que está pasando en ese instante, en cambio bajo el otro método, extraemos tweets que fueron emitidos hace un día o más, dependiendo de la cantidad de tweets que hayamos extraído.
DASHBOARD ANÁLISIS DE SENTIMIENTO A PARTIR DE TWITTER
Twitter es una red social que tiene más de 500 millones de usuarios en el mundo y en Chile tiene más de 3 millones de usuarios, por lo que vale la pena conocer sus comentarios, pero de una forma aterrizada y bien analizada.
Desarrollamos una web app, que es un Dashboard de Análisis de Sentimiento, que permite a las empresas comprender qué se está hablando en Twitter de su marca y productos en tiempo real. El dashboard está integrado a la API de twitter, donde es posible trackear y monitorear de acuerdo a un hashtag o un tópico específico como puede ser tu marca, de manera de obtener un análisis más preciso, escalable y automatizado de los datos en tiempo real.
En el dashboard de Análisis de Sentimiento a partir de los comentarios de Twitter, corre en su backend algoritmos de machine learning que identifican automáticamente el sentimiento y entregan un score de los tweets. Estos algoritmos pueden aprender de forma autónoma a partir de grandes cantidades de datos y detectar patrones en los comentarios, lo que les permite mejorar la precisión y eficacia de la clasificación de sentimientos e indicar si está asociado a un comentario positivo, negativo o neutral.
Con este Dashboard las empresas son capaces de investigar cómo lo están haciendo hacia el mundo exterior. Con esto me refiero a saber qué se dice de su marca y productos en redes sociales, qué están diciendo de ellos, cómo sus clientes están interactuando con sus productos y cómo se comunican hacia otros clientes. Las empresas sabrán lo que se comenta de su marca y productos y si esos comentarios son positivos o negativos.
BÚSQUEDA POR HASHTAG
La búsqueda puede ser realizada a través de un hashtag o un tópico, como podemos ver en este caso, la búsqueda se realizó con el #nfl, además se definió que mostrara como máximo 715 tweets, circunscrito a la ciudad de New York con un rango ampliado de 46 millas a la redonda de New York.
BÚSQUEDA POR MARCA
En este caso la búsqueda fue realizada para Coca Cola, por lo que utilizamos @cocacola, para que se extrajera un máximo de 752 tweets, circunscrito a la ciudad de Pittsburgh con un radio ampliado de 600 millas.
Esta es la forma que el área de marketing de tu empresa puede utilizar el dashboard y para eso cuenta con varias secciones de análisis según los parámetros que se definieron previamente.
SECCIONES DE ANÁLISIS DEL DASHBOARD:
- 1. Sentiment Polarity
Cada punto que se puede observar corresponde a un tweet y se ubica en el score asignado al sentimiento. La línea azul es la que muestra una tendencia de los tweets captados, por lo que podemos visualizar si estos se encuentran sobre el 0, es decir, tienden a ser positivos, o bajo el 0, si tienden a ser negativos.
Además, al posicionarnos sobre cada punto que corresponde a un tweet, podemos ver el nombre de la persona que escribió el tweet y leer su comentario para comprender por qué fue asignado como positivo o negativo.
Los tweets que sobrepasan las líneas rojas, correspondería a comentarios considerados como outliers. De esta forma la empresa es capaz de comprender con mayor objetividad lo que las personas están hablando, de manera de estar seguros que no están haciendo nada grave que esté molestando a sus clientes.
- 2. Tweet Proximity
Para la extracción de tweets, uno debe definir la ciudad donde serán extraídos los tweets, ya que es bastante probable que no nos interesen los tweets de otras partes del mundo, sino solamente los circunscritos a los lugares donde se encuentren los clientes de la empresa. Por lo tanto, la empresa podrá realizar este análisis de forma geográfica.
Además debemos definir el área ampliada de extracción de tweets a la redonda de la ciudad elegida. Esto se realiza con geocoding coordinates.
- 3. Sentiment World Cloud
A través de estos Word Cloud separados entre positivos y negativos, podemos ver cuáles son las palabras que obtuvieron la mayor frecuencia dentro de los tweets extraídos. De esta forma, podemos visualizar de manera clara y concisa las palabras y términos más comunes que se asocian a tu marca y productos.
Estos gráficos pueden proporcionar información valiosa a la empresa, sobre las características más y menos valoradas de los productos o servicios, lo que puede ayudar a la empresa a tomar decisiones más informadas sobre cómo mejorar. Además, pueden ayudar a identificar temas recurrentes en los comentarios, ya sean positivos o negativos, lo que puede ser especialmente útil para mejorar la reputación de la marca y aumentar la satisfacción del cliente.
BENEFICIOS DE DASHBOARD DE ANÁLISIS DE SENTIMIENTO EN TIEMPO REAL
Este dashboard interactivo permite al área de marketing hacer Brand Intelligence utilizando Data Science de una manera sencilla y en forma automatizada, para así tomar decisiones informadas.
- 1. Monitorización en tiempo real:
El área comercial podrá monitorear lo que se dice de su marca y productos en Twitter en tiempo real, para responder rápidamente a cualquier problema o crítica que consideren deban intervenir. Es decir, les permite actuar de forma oportuna.
- 2. Clasificación del Sentimiento:
Identificación automática con Machine Learning de los comentarios sobre la marca o productos en positivos, negativos o neutrales. Esto permite una comprensión más rápida y profunda de cómo se percibe la marca y cómo los clientes se comunican entre ellos, respecto a la interacción de los productos o servicios de la empresa.
- 3. Identificación de Tendencias:
Identificar tendencias emergentes de los tweets en forma oportuna, permite a las empresas ajustar su estrategia de marketing y ventas en función de las necesidades del mercado.
- 4. Análisis Geográfico:
Al poder acotar el Análisis de Sentimiento a una determinada ciudad y una cierta cantidad de kilómetros a la redonda, la empresa puede comprender mejor cómo su marca es percibida en diferentes áreas geográficas y así ajustar la estrategia de acuerdo a necesidades específicas.
En conclusión, el uso de Machine Learning en Análisis de Sentimiento a partir de Twitter, es crucial para aquellas empresas que desean realizar Brand Intelligence de manera efectiva y eficiente. Permite un análisis preciso, escalable y automatizado de los datos en tiempo real, para que el área de marketing y ventas tome decisiones más informadas y en forma oportuna que mejoren su reputación de marca y satisfacción del cliente.
Si necesitas contar con esta herramienta de Brand Intelligence en tu empresa, con el objetivo de conocer lo que tus clientes dicen de tu marca, escríbenos a contacto@datainsights.cl. Siempre estamos dispuestos a aclarar tus dudas y ayudarte a comprender cómo otras empresas han logrado superar desafíos comerciales similares.