Deep learning tekstanalyse - Een waardevolle tool voor feedback

Honderden teksten doorspitten, op zoek naar de rode draad in klantfeedback. Een tijdrovende klus wat vaak vooruit wordt geschoven. Toch is dit van belang. Je vraagt immers niet voor niets open feedback uit. Want waar meerkeuzevragen de lezer in een hokje duwt, kunnen ze bij open tekst vrij hun mening uiten. Waarmee je op jouw beurt weer betrouwbare feedback ontvangt en gerichte verbeteringen kunt doorvoeren.

Bij open feedback analyseren komt tekstanalyse goed van pas. Het brengt je orde in de chaos, bespaart je tijd en levert je snel resultaat. Klinkt als een gouden duo toch? We zullen je in dit artikel alles erover vertellen.

Natural Language Processing

Tekstanalyse is onderdeel van Natural Language Processing (NLP) en helpt je als organisatie open feedback te categoriseren. NLP is een tak van de kunstmatige intelligentie die computers helpt menselijke taal te begrijpen, te interpreteren en te manipuleren. NLP kun je voor veel verschillende doeleinden inzetten.

Er zijn veel toepassingen van NLP in ons dagelijks leven waar je misschien niet gelijk bij stil staat. Gesprekken met virtuele assistenten zoals Siri op je iPhone bijvoorbeeld. Middels spraakherkenning reageert Siri op jou wanneer je zijn of haar naam roept. De virtuele assistent is zo geprogrammeerd dat bepaalde woorden en zinnen triggeren om op te reageren! Naast dit voorbeeld vind je hieronder nog een paar voorbeelden:

• Een voicemail bericht dat je uitgetypt in jouw mailbox of telefoon kan lezen. Dit is een NLP toepassing wat spraak-naar-tekst conversie heet.

• Navigeer je wel eens op een website door een zoekbalk te gebruiken? Of op een bepaalde tag te klikken? Hiervoor wordt ook gefilterd door tekst heen middels een NLP-methode. Dit heet onderwerp modellering.

De bovengenoemde voorbeelden zijn relatief makkelijk instelbare functies. Wil je dieper de materie in? Dan komt bijvoorbeeld sentiment analyse of machinevertaling naar boven. Over sentiment analyse lees je later meer. 

Orde in een wirwar van data met tekstanalyse

Niets is zo complex en divers als de taal. Er worden nu zo'n 6000 verschillende talen gesproken op de wereld. Daarbij nog verschillende dialecten, accenten en schrijfstijlen. Kunnen computers hier orde in vinden? Met deep learning tekstanalyse is dit zeker mogelijk. Denk aan een organisatie die feedback uitvraagt over heel Europa. Het is bijna onmogelijk om alle feedback met aandacht te analyseren. Hierbij komt topic detection kijken. Eerst bepaal je in welke groepen je je reviews wilt indelen. Over welke producten of onderwerpen wordt veel feedback gegeven? Een elektronica winkel zal bijvoorbeeld willen weten hoe tevreden klanten zijn met hun nieuwe laptop, tablet of smartphone. Met de tooling van Insocial wordt dit gemakkelijk gelabeld en worden de reviews geclassificeerd naar onderwerp.

Je kunt data analyseren vanuit e-mails, surveys en bijvoorbeeld service transcripties. Het bespaart je een hoop uitzoekwerk, wat je weer kunt besteden aan zaken die niet door een computer kan worden opgepakt!

Aandacht voor emoties en meningen met sentiment analyse

Wanneer je emoties en stemmingen wilt opsporen, is naast tekstanalyse ook sentiment analyse belangrijk. Sentiment analyse onderzoekt de subjectieve informatie uit de teksten. Ze sporen woorden op waarin emoties, stemmingen en meningen worden geuit over een bepaald onderwerp of persoon. Sentiment analyse is ook een onderdeel van NLP. Wederom scant de computer verschillende soorten teksten op zoek naar patronen en deelt de verschillende soorten emoties in groepen. Onbewerkte tekst wordt geanalyseerd op positieve en negatieve uitingen. Onze modellen zijn vooraf getraind en voor geselecteerde talen wordt een review binnen no-time geanalyseerd op en beoordeeld! 

Aspect based analysis

Om alle open feedback met succes te analyseren en te beoordelen zul je gebruikmaken van topic detection en sentiment analyse. Dit heet 'aspect based analysis'. Waar tekstanalyse praktisch teksten en zinnen scant en dit groepeert, zoek je bij sentiment analyse woorden die een emotie of mening aanduiden. Hiermee kun je je feedback categoriseren in positief, neutraal en negatief. Op deze manier ga je trends herkennen en kun je in één oogopslag zien wie een klacht indienen en hoeveel respondenten zich positief uitspreken over jouw merk. Dus, bespaar tijd en geld en laat de computer het werk doen! 

1. 1. 1. Structureer gemakkelijk je data
      2. Herken tijdig negatieve feedback uit verschillende kanalen
      3. Kom erachter welke feedback vaak voorkomt
      4. Herken patronen
      5. Bespaar tijd, geld & werk
         
         

Ook aan de slag met tekstanalyse?