感情スコアがブランド戦略をどのように改善するか

星評価やネットプロモータースコア (NPS) などの従来の方法は、顧客満足度を定量化するよく知られた方法です。しかし、これは顧客心理に関しては氷山の一角にすぎません。

などの先進技術感情分析ソーシャルメディアのコメント、アンケートの回答、レビューなどの定性的なデータを分析することで、数値的な指標を超えることができます。センチメントスコアを計算するこのアプローチにより、顧客の意見をより微妙に理解し、商品やブランド戦略を改善するための北極星が得られます。

センチメントスコアとは何か、センチメントスコアの計算の進歩、Sprout でのその方法について詳しく説明します。

感情スコアとは何ですか?

センチメントスコアは、顧客のフィードバックやソーシャルメディアの視聴などの定性データで表現されるセンチメントや感情を定量化します。これはセンチメント分析のプロセスを通じて計算され、-1 から 1 の範囲内で測定されます。マイナス 1 は最も高いネガティブなセンチメントを示し、0 は中立的なセンチメントを示し、+1 は最も高いポジティブなセンチメントを示します。

感情スコアは、ブランドに対する市場の意見が肯定的、否定的、または中立的であるかどうかを示します。データをさらに分析することで、顧客サービス、マーケティングコンテンツ、製品、アフターサービスなどのビジネスのさまざまな側面をどのように改善して、ブランドロイヤリティとビジネスの成長を確実に育成できるかを詳細に検討できます。

顧客感情を理解するための従来のアプローチ

従来のアプローチは、顧客感情分析主に定量的な指標に依存してきました。これらには次のものが含まれます。

バイラリティ

バイラリティとは、コンテンツやキャンペーンが受け取った「いいね！」、共有、コメントなどのソーシャルメディアエンゲージメントの総数を指します。バイラリティは伝統的に、ブランド、キャンペーン、マーケティングコンテンツがターゲットユーザーや一般大衆の共感を呼んでいるかを示す指標として使用されてきました。顧客の好みを全体的に把握できるため、情報に基づいたマーケティング上の意思決定を行い、それに応じて戦略を変更できます。

星評価

星評価は顧客の感情を理解するための一般的な方法であり、製品やサービスを評価するためにブランドによって広く使用されています。星評価は通常、1 つ星から 5 つ星の範囲内で提供され、1 は顧客満足度が最も低く、5 は最高レベルを示します。星の評価には、評価に追加のコンテキストを追加するコメントが含まれる場合もあります。

NPS

NPS 顧客満足度と、そのブランドを家族や友人に勧める顧客の傾向を測定するために使用される定量的な指標です。評価が高いほど、顧客ロイヤルティが高くなります。 NPS 評価は多くの場合 0 から 10 のスケールで表され、0 が最低の評価、10 が最高の評価を示します。

ラッキーナンバー9数秘術

星による評価やバイラリティとは異なり、NPS 指標は多くの場合、評価に基づいて顧客を 3 つのカテゴリに分類します。

プロモーター (8 ～ 10): これらは、口コミやレビュー、ソーシャルメディアのコメントを通じてブランドを積極的に宣伝する幸せな顧客です。
パッシブ (7-8): これらの顧客は満足していますが、製品やサービスを宣伝する可能性は低いです。
批判者 (6-0): これらの顧客は非常に不満を抱いており、否定的なレビューを投稿する可能性が最も高く、他の人がそのブランドを検討するのを思いとどまる可能性があります。

顧客満足度スコア (CSAT)

CSAT ブランドの製品またはサービスに対する顧客の満足度を測定するために使用される方法です。 CSAT スコアは、顧客が提供する平均評価を測定することによって計算されます。 CSAT スケールはさまざまです。たとえば、1 ～ 10 の範囲で 10 が最高、または 1 ～ 5 で 5 が最高の顧客満足度になります。

CSAT アンケートは、ブランド全体に対する顧客満足度を把握するために、取引後または定期的に送信できます。

感情スコアの計算における新たな進歩

従来の計算は、主要業績評価指標 (KPI) からの定量的指標に焦点を当てていました。しかし、ブランド感情を真に正確に把握するには、コメントやフィードバックに含まれる定性的なデータをミックスに追加する必要があります。研究は、ほとんどの企業が 80% ～ 100% の肯定的な星評価を獲得したとしても、これらの評価はビジネスの成功を反映していないことを示しています。これは、一般に人は実際の経験よりも高い肯定的な評価を与える傾向があるためです。これにより、肯定的な評価が大量に発生し、数値がより高い肯定的なスコアに偏ります。

機械学習 (ML) や AI タスクなど固有表現認識そして自然言語処理 (NLP) は、この課題を克服するのに役立ちます。これらは、顧客の感情をより状況に応じて理解するのに役立ち、タイムラインやキャンペーン全体にわたるブランド認知の盛衰の中で顧客の意見のパターンを見つけることができます。

センチメントマイニングの強度は、使用される方法によって異なります。主なものは次の 3 つです。

文書ベースの感情分析

このアプローチにより、文書内の否定的、肯定的、または中立的な感情を一般的に理解することができます。小規模で単純なデータセットに使用されます。

トピックベースの感情分析

この方法はより微妙であり、トピックごとにセンチメントをスコアリングします。 ML モデルは、データ内でよく発生するトピックとテーマを特定し、それらの感情を分析します。

このアプローチは、マーケティング担当者が顧客または一般大衆が自社のブランドについて何を好きか嫌いかを理解するのに役立ちます。したがって、レビュー、ソーシャルメディアのリスニング、またはカスタマーケアの電子メールやコメントから、関連性のある実用的な洞察を提供します。

アスペクトベースの感情分析

これはセンチメントマイニングに使用される最も高度な方法です。アスペクトベースの感情分析トピックをさらに細分化してトピック内の側面を特定して検索し、セマンティクスを適用して顧客感情のより完全な全体像を提供します。たとえば、フィードバックデータの「顧客サービス」に関するトピック分類から、「ルームサービス」、「バーアテンダント」、「レセプション」、「バレーパーキング」などの側面を識別できます。

この詳細な形式のセンチメント分析は、ブランドに何を改善する必要があるかを正確に指摘し、顧客満足度を向上させるために必要な戦略を提供します。

感情スコアの計算に使用されるデータ処理技術

で使用する感情スコアの計算 AIマーケティング大規模言語モデル (LLM) などの ML モデルによって自動的に実行される多くのデータ処理タスクに依存します。これらのタスクには次のものが含まれます。

トークン化

トークン化は、テキストを個々の単語に分割するプロセスです。すべての句読点が削除され、テキスト文字列が単語のブロックに取り除かれます。例えば：

[ 滞在は素晴らしかったですが、部屋が寒かったので、ホテルが空いているように見えたにもかかわらず、ホテルのスタッフがサーモスタットを調整するまで何時間も待たなければなりませんでした。フロントに電話して問い合わせようとしたところ、彼らはせっかちで失礼な態度をとった]

テキストの正規化

この段階では、重複するエントリはすべてデータから削除されるため、データに異常はありません。この場合、冗長性がないため、テキスト文字列は変更されません。

[ 滞在はよかったですが、部屋が寒かったので、ホテルは空いているように見えましたが、ホテルのスタッフがサーモスタットを調整するまで何時間も待たなければなりませんでした。フロントに電話して問い合わせようとしたとき、彼らはせっかちで失礼なようでした]

単語のステミング

単語ステミングとは、単語をそのルートに絞り込むプロセスを指します。この例では、単語「hours」と「seemed」が「hour」と「seem」に変換されます。

666の精神的な意味

[ 滞在はよかったですが、部屋が寒かったので待たなければなりませんでした時間ホテルの従業員がサーモスタットを調整できるようにするためです。 思われる 空の受付に電話して問い合わせようとしたとき、彼らはせっかちで失礼なようでした]

ストップワードの削除

余分な単語はすべて削除され、名前付きのエンティティと感情を表す単語だけが残ります。

[ 宿泊したのは ニース 私の 部屋が寒い そして私たちはそうしなければなりませんでした 待って のために時間のために ホテルのスタッフ サーモスタットを調整するには ホテル 空に見える受付彼らは尋ねるようだった せっかちで失礼]

結果として処理されたテキストは次のようになります。[ 素敵な部屋寒い待ち時間ホテルのスタッフレセプションせっかち失礼 】。

各単語には、ネガティブまたはポジティブのスケールに基づいて ML モデル内で同等の数値が存在するため、処理されたデータにより、合計感情平均に基づいたスコアが得られます。 Lexicon メソッドを使用して計算すると、「いいですね」という単語に肯定的なスコア 1 が割り当てられ、「せっかち」という単語に -.05 と失礼な -0.7 が割り当てられた場合、レビューの最終的な感情スコアは -1 となり、これは次の結果と同等になります。ネガティブに。

感情スコアを計算するための従来のアプローチ

センチメントスコアを計算するには複数の方法がありますが、最も一般的なのは、1:1 の比率を使用してセンチメントを測定する Lexicon メソッドです。ただし、ソーシャルメディアのリスニングや顧客レビューフォーラムなどの複数のソースから収集された複雑なデータの場合は、より高度なテクニックが必要になります。以下に、これらの方法論の内訳を示します。

文字数カウント方法

センチメントスコアを計算する最も簡単な方法は、上記の例のように、辞書または単語カウントの方法に基づきます。この方法では、ネガティブな感情の発生数がポジティブな感情の発生数よりも減ります。

式：ネガティブな単語の数 – ポジティブな単語 = 感情スコア

例: 1 – 2 = -1。

文の長さから感情スコアを推定する

この方法では、否定的な単語から肯定的な単語の数を引き、その結果をレビュー文の総単語数で割ります。

計算式: ネガティブな単語の数 – ポジティブな単語の数を単語数で割った値 = 感情スコア

例: 1 – 2 / 42 = -0.0238095

111愛の意味

このシステムは、長いレビューやコメントを理解するためによく使用されます。

この方法は大量のデータを分析するために使用されるため、結果として得られるスコアが長い端数になる可能性があります。これを大規模に行うと、センチメント値の比較と理解が困難になる可能性があります。この課題を克服するために、結果のスコアに単数の桁を乗算して値を大きくし、比較を容易にします。

肯定的な単語数と否定的な単語数の比率

この方法は、ビッグデータのセンチメントスコアを測定するのに最もバランスが取れていると考えられています。肯定的な単語の合計数を否定的な単語の合計数で割ってから 1 を加えます。

計算式: ポジティブな単語数 / ネガティブな単語数 + 1 = 感情スコア

例: 1 / 2 + 1 = 0.33333

レビューが長ければ長いほど、肯定的なスコアと否定的なスコアの数が多くなります。このアプローチはテキストの全長を正規化するため、さまざまな長さのレビューを分析する場合に特に役立ちます。この方法では、感情スコア 1 が中立として設定されます。

Sprout での感情スコアの計算方法

Sprout のセンチメントモデルは、ディープニューラルネットワーク (NN)、特に大規模な言語モデルを使用します。 LLM は、テキストブロック全体のコンテキストを考慮し、トランスフォーマーからの双方向エンコーダー表現 (BERT) Google のモデル。

すでにラベル付けされた文書のデータセットが与えられると、LLM は、ポジティブまたはネガティブとしてタグ付けされたテキストのブロックに寄与した単語、フレーズ、および単語/フレーズの順序を自動的に識別します。次に、テキストブロック内の各トークンに重み (数値) を割り当てます。これらの重みを計算して、新しい未見のテキストに対するセンチメントと、それがポジティブ、ネガティブ、またはニュートラルである確率を決定します。

ブランドにとってセンチメントスコアの重要性

センチメントスコアは、ブランド、製品、サービスのさまざまな側面を定量化して評価するのに役立ち、マーケティング、製品、カスタマーケアチームに戦略を成功軌道に向けて正確に方向転換する方法について実用的な洞察を与えます。

AI と機械学習のおかげで、推測を排除し、数分以内にブランド感情を正確に把握できるツールが複数あります。これらを見てください感情分析ツールブランド戦略を再起動する方法を探るために厳選しました。

友達と共有してください:

天使の数を見つけてください