Scopri Il Tuo Numero Di Angelo
In che modo un punteggio relativo al sentiment migliora la strategia del tuo marchio
I metodi tradizionali come le valutazioni in stelle e i punteggi del promotore netto (NPS) sono metodi familiari per quantificare la soddisfazione del cliente. Ma questa è solo la punta dell’iceberg per quanto riguarda il sentiment dei clienti.
Tecnologie avanzate come analisi del sentimento aiutarti ad andare oltre le metriche numeriche analizzando dati qualitativi come commenti sui social media, risposte a sondaggi e recensioni. Questo approccio al calcolo del punteggio del sentiment ti offre una comprensione più sfumata dell'opinione dei clienti e una stella polare per migliorare le tue offerte e le strategie del marchio.
Continua a leggere per scoprire cos'è un punteggio del sentiment, i progressi nel calcolo dei punteggi del sentiment e come lo facciamo in Sprout.
Che cos'è un punteggio relativo al sentiment?
Un punteggio del sentiment quantifica il sentimento o l'emozione espressa in dati qualitativi come il feedback dei clienti o l'ascolto dei social media. Viene calcolato attraverso il processo di analisi del sentiment e misurato nell'intervallo compreso tra -1 e 1. Uno negativo indica il sentiment negativo più alto, 0 indica un sentiment neutro e +1 indica il sentiment positivo più alto.

I punteggi del sentiment ti informano se l'opinione del mercato sul tuo marchio è positiva, negativa o neutra. Un'ulteriore analisi dei dati ti offre uno sguardo approfondito su come puoi migliorare diversi aspetti della tua attività come il servizio clienti, i contenuti di marketing, i prodotti e il servizio post-vendita per assicurarti di coltivare la fedeltà al marchio e la crescita del business.
Approcci tradizionali per comprendere il sentiment dei clienti
Gli approcci tradizionali a analisi del sentiment del cliente si sono basati principalmente su parametri quantitativi. Questi includono:
Viralità
La viralità si riferisce al numero totale di interazioni sui social media, come Mi piace, condivisioni e commenti ricevuti dal tuo contenuto o dalla tua campagna. La viralità è tradizionalmente utilizzata come indicatore del grado di risonanza del tuo marchio, della tua campagna o dei tuoi contenuti di marketing presso il tuo pubblico target e il pubblico in generale. Fornisce una visione generale delle preferenze dei clienti in modo da poter prendere decisioni di marketing informate e modificare le proprie strategie di conseguenza.
Stelle
La valutazione in stelle è un metodo popolare per comprendere il sentimento dei clienti ed è ampiamente utilizzata dai marchi per valutare un prodotto o un servizio. Le valutazioni a stelle vengono generalmente fornite in un intervallo compreso tra 1 e 5 stelle, dove 1 indica il livello più basso di soddisfazione del cliente e 5 indica il livello più alto. A volte le valutazioni a stelle includono anche commenti che aggiungono ulteriore contesto alla valutazione.
47 bibbia significato
NPS
NPS è una metrica quantitativa utilizzata per misurare la soddisfazione del cliente e la propensione di un cliente a consigliare il marchio a familiari e amici. Più alto è il punteggio, maggiore è la fedeltà del cliente. Le valutazioni NPS sono spesso su una scala da 0 a 10, dove 0 indica la valutazione più bassa e 10 quella più alta.

A differenza delle valutazioni a stelle o della viralità, le metriche NPS spesso raggruppano i clienti in tre categorie in base alle loro valutazioni.
- Promotori (8–10): Si tratta di clienti soddisfatti che promuoveranno attivamente il marchio attraverso il passaparola, nelle recensioni o nei commenti sui social media.
- Passivi (7-8): Questi clienti sono soddisfatti ma non sono propensi a promuovere il prodotto o il servizio.
- Detrattori (6-0): Si tratta di clienti profondamente insoddisfatti che molto probabilmente pubblicheranno recensioni negative e probabilmente dissuaderanno altri dal prendere in considerazione il marchio.
Punteggio di soddisfazione del cliente (CSAT)
CSAT è un metodo utilizzato per misurare quanto i clienti sono soddisfatti dei prodotti o servizi di un marchio. I punteggi CSAT vengono calcolati misurando la valutazione media fornita dai clienti. Le scale CSAT possono variare, ad esempio possono essere comprese tra 1 e 10, dove 10 rappresenta il livello più alto, oppure 1 e 5, dove 5 rappresenta il livello più alto di soddisfazione del cliente.
I sondaggi CSAT possono essere inviati dopo una transazione o periodicamente per comprendere la soddisfazione del cliente nei confronti del marchio in generale.

Nuovi progressi nel calcolo del punteggio del sentiment
I calcoli tradizionali si concentrano su parametri quantitativi provenienti da indicatori chiave di prestazione (KPI). Ma per ottenere un quadro veramente accurato del sentiment del marchio, è necessario aggiungere al mix i dati qualitativi trovati nei commenti e nei feedback. Ricerca mostra che anche se la maggior parte delle aziende ha ricevuto valutazioni in stelle positive tra l'80% e il 100%, queste valutazioni non si riflettono sul successo dell'azienda. Questo perché le persone, in generale, tendono a dare valutazioni positive più elevate rispetto alla loro esperienza reale. Ciò porta a un mare di valutazioni positive, che distorcono il numero verso un punteggio positivo più alto.
Apprendimento automatico (ML) e attività di intelligenza artificiale come riconoscimento dell'entità denominata E elaborazione del linguaggio naturale (PNL) aiutano a superare questa sfida. Ti aiutano a comprendere il sentiment dei clienti in modo più contestuale, consentendoti di trovare modelli nelle opinioni dei clienti all'interno del flusso e riflusso della percezione del marchio attraverso sequenze temporali e campagne.
L’intensità del sentiment mining varia in base ai metodi utilizzati. I tre principali sono:
- Analisi del sentiment basata su documenti
Questo approccio fornisce una comprensione generale del sentimento negativo, positivo o neutro in un documento. Viene utilizzato per set di dati piccoli e semplici.
- Analisi del sentiment basata sull'argomento
Questo metodo è più sfumato e assegna un punteggio al sentiment per argomento. Il modello ML identifica argomenti e temi comunemente ricorrenti nei dati e quindi analizza il sentiment in essi contenuto.
numero 23 significato biblico
Questo approccio aiuta gli esperti di marketing a capire cosa piace e cosa non piace ai clienti, o al pubblico in generale, del loro marchio. Fornendo così approfondimenti pertinenti e utilizzabili da recensioni, ascolto sui social media o e-mail e commenti dell'assistenza clienti.
- Analisi del sentiment basata sugli aspetti
Questo è il metodo più avanzato utilizzato per il sentiment mining. Analisi del sentiment basata sugli aspetti suddivide ulteriormente gli argomenti per identificare e cercare aspetti al loro interno, quindi applica la semantica per fornire un quadro più completo del sentiment del cliente. Ad esempio, può identificare aspetti come “servizio in camera”, “addetto al bar”, “reception” o “parcheggiatore” da una classificazione tematica sul “servizio clienti” nei dati di feedback.
Questa forma granulare di analisi del sentiment individua esattamente ciò che i marchi devono migliorare e informa le strategie necessarie per aumentare la soddisfazione del cliente.
Tecniche di elaborazione dei dati utilizzate per calcolare i punteggi del sentiment
Calcolo di un punteggio di sentiment da utilizzare in Marketing dell’intelligenza artificiale dipende da molte attività di elaborazione dei dati eseguite automaticamente da un modello ML, come i modelli linguistici di grandi dimensioni (LLM). Questi compiti includono:
Tokenizzazione
La tokenizzazione è il processo di separazione del testo in singole parole. Tutta la punteggiatura viene rimossa e la stringa di testo viene ridotta a blocchi di parole. Per esempio:
[ Il soggiorno è stato piacevole ma la mia camera era fredda e abbiamo dovuto aspettare ore affinché il personale dell'hotel regolasse il termostato, anche se l'hotel sembrava vuoto. Quando abbiamo provato a chiamare la reception per chiedere informazioni, sembravano impazienti e scortesi]
Normalizzazione del testo
In questa fase, tutte le voci duplicate vengono rimosse dai dati, quindi non si verificano anomalie nei dati. In questo caso la stringa di testo rimane invariata poiché non esiste ridondanza.
[ Il soggiorno è stato piacevole ma la mia camera era fredda e abbiamo dovuto aspettare ore affinché il personale dell'hotel regolasse il termostato anche se l'hotel sembrava vuoto. Quando abbiamo provato a chiamare la reception per chiedere informazioni sembravano impazienti e scortesi]
Derivazione della parola
La radice delle parole si riferisce al processo di riduzione di una parola alla sua radice. In questo esempio, le parole “ore” e “sembrava” vengono convertite in “ora” e “sembrano”.
[ Il soggiorno è stato piacevole ma la mia camera era fredda e abbiamo dovuto aspettare ora affinché il personale dell'hotel possa regolare il termostato anche se l'hotel sembrare vuoto Quando abbiamo provato a chiamare la reception per chiedere informazioni sembravano impazienti e scortesi]
Rimozione delle stop-word
Tutte le parole superflue vengono eliminate, quindi vengono mantenute solo le entità nominate e le parole che denotano emozioni.
[ Il soggiorno è stato Carino Mio stanza fredda e dovevamo farlo Aspettare per ora per il personale dell'albergo per regolare il termostato anche se il Hotel sembrano vuoti Quando abbiamo provato a chiamare il ricezione sembravano chiedere informazioni impaziente e scortese]
Il testo elaborato risultante ora recita, [ bella camera ora di attesa fredda accoglienza del personale dell'hotel impaziente scortese ] .
Poiché ogni parola ha un equivalente numerico nel modello ML in base alla scala della sua negatività o positività, i dati elaborati forniscono un punteggio basato sulla media del sentiment totale. Quando calcolato utilizzando il metodo Lexicon, se alla parola 'carino' viene assegnato un punteggio pari a 1 per positivo, mentre a 'impaziente' viene assegnato -0,05 e scortese -0,7, il punteggio del sentiment risultante per la recensione sarebbe -1, che equivale a a negativo.
Approcci convenzionali per il calcolo dei punteggi del sentiment
Esistono diversi modi per calcolare un punteggio del sentiment, il più comune è il metodo Lexicon, che utilizza un rapporto 1:1 per misurare il sentiment. Tuttavia, quando si tratta di dati complessi raccolti da più fonti, come l’ascolto dei social media o i forum di recensioni dei clienti, sono necessarie tecniche più avanzate. Di seguito è riportata una ripartizione di queste metodologie.
Metodo di conteggio delle parole
Il modo più semplice per calcolare il punteggio del sentiment è basato sul lessico o sul metodo di conteggio delle parole, come nell'esempio sopra. In questo metodo, il numero di occorrenze di sentiment negativo viene ridotto dalle occorrenze positive.
Formula: # parole negative – parole positive = punteggio del sentimento
numerologia 7 significato
Esempio: 1 – 2 = -1.
Dedurre il punteggio del sentimento con la lunghezza della frase
In questo metodo sottraiamo il numero di parole positive da quelle negative e dividiamo il risultato per il numero totale di parole nella frase di revisione.
Formula: # parole negative – # parole positive divise per il numero di parole = punteggio del sentimento
Esempio: 1 – 2 / 42 = -0,0238095
Questo sistema viene spesso utilizzato per comprendere recensioni e commenti più lunghi.
Poiché questo metodo viene utilizzato per analizzare grandi quantità di dati, i punteggi risultanti possono essere costituiti da lunghe frazioni. Se eseguito su larga scala, ciò può comportare difficoltà nel confrontare e comprendere i valori del sentiment. Per superare questa sfida, i punteggi risultanti vengono moltiplicati per una cifra singolare in modo che i valori siano più grandi, facilitando così il confronto.
Rapporto tra il conteggio delle parole positive e negative
Questa metodologia è considerata la più equilibrata per misurare il sentiment score nei big data. Il numero totale di parole positive viene diviso per il numero totale di parole negative e quindi sommato per uno.
Formula: # parole positive / # parole negative + 1 = punteggio del sentimento
significato del numero 29
Esempio: 1/2 + 1 = 0,33333
Più lunga è la revisione, maggiore è il numero di punteggi positivi e negativi. Questo approccio normalizza la lunghezza totale del testo, rendendolo particolarmente utile nell'analisi di revisioni di varia lunghezza. In questo metodo, un punteggio di sentiment pari a 1 viene impostato come neutro.
Come calcoliamo i punteggi del sentiment in Sprout
Il modello del sentiment di Sprout utilizza reti neurali profonde (NN) e, in particolare, modelli linguistici di grandi dimensioni. Gli LLM funzionano considerando il contesto dell'intero blocco di testo, leggendo le parole da sinistra a destra e da destra a sinistra utilizzando il metodo Rappresentazioni degli encoder bidirezionali dai trasformatori (BERT) modelli di Google.
Dato un set di dati di documenti già etichettati, un LLM identifica automaticamente le parole, le frasi e l'ordinamento di parole/frasi che hanno contribuito a contrassegnare un blocco di testo come positivo o negativo. Assegna quindi un peso (valore numerico) a ciascun token in un blocco di testo. Con questi pesi calcolati, determiniamo il sentiment per il testo nuovo e mai visto e la probabilità che sia positivo, negativo o neutro.
L’importanza del punteggio del sentiment per i brand
I punteggi del sentiment ti aiutano a quantificare e valutare diversi aspetti del tuo marchio, prodotto e servizio, fornendo ai team di marketing, prodotto e assistenza clienti informazioni utili su come esattamente possono orientare le loro strategie verso una traiettoria di successo.
Grazie all'intelligenza artificiale e all'apprendimento automatico, esistono molteplici strumenti che eliminano le congetture e ti forniscono un quadro accurato del sentiment del tuo marchio in pochi minuti. Dai un'occhiata a questi strumenti di analisi del sentiment abbiamo curato di esplorare come riavviare la strategia del tuo marchio.
Condividi Con I Tuoi Amici: