Agorapulse를 사용하여 고객이 실제로 귀하에 대해 어떻게 생각하는지 확인하는 방법

소비자의 50% 이상이 소셜 미디어 플랫폼을 사용하여 이전에 사용했거나 구매한 브랜드에 대한 견해와 의견을 표현합니다. 결국 감정 분석(또는 의견 마이닝)은 마음대로 사용할 수 있는 가장 유용한 분야 중 하나입니다.

소셜 미디어 감정 분석을 사용하여 사람들의 생각, 감정 및 의견을 차갑고 딱딱한 데이터로 변환하여 더 많이 해야 하는 것과 덜 해야 하는 것을 설정하는 데 사용할 수 있습니다. 그렇게 하면 소셜 미디어의 힘을 활용하여 비즈니스를 강화할 수 있습니다.

자동화된 감정 분석 도구를 사용하면 이 데이터를 수집, 정렬 및 분석하는 작업이 훨씬 빠르고 쉬워졌습니다. 손가락 하나 까딱하지 않고도 대중이 당신의 서비스나 제품에 대해 긍정적, 부정적, 중립적 느낌을 받는지 즉시 알 수 있습니다.

이러한 통찰력을 통해 비즈니스는 진정으로 민첩해질 수 있습니다. 시장의 느낌을 실시간으로 알면 신속한 결정을 내리고, 빠른 변화를 불러일으키고, 제품이나 서비스를 개선하고, 비즈니스가 고객의 마음과 마음을 그 어느 때보다 빠르고 효과적으로 얻을 수 있습니다.

근데 이거 다 아시죠? 감정 분석의 이점은 새로운 것이 아닙니다.

그러나 아마도 당신이 모르는 것은 Agorapulse를 사용하여 감정 분석을 수행하는 방법입니다.

"감정 분석"은 Agorapulse 기능으로 언급되지 않기 때문에 소셜 미디어 관리 플랫폼을 사용하여 정확한 감정 분석을 수행하고 소셜 미디어에서 사람들이 귀하에 대해 말하는 내용을 설정할 수 있다는 사실을 알고 놀랄 수 있습니다.

그러나 이 핵심 정보를 공개하기 전에 먼저 감정 분석의 주요 문제를 해결해야 합니다.

자동화된 감정 분석의 문제는 긍정적인 감정인지 부정적인 감정인지를 결정하는 것입니다.

예를 들어 다음과 같이 읽을 수 있습니다. 이것은 긍정적인 감정인가, 부정적인 감정인가?

첨부된 작은 수영장 사진을 보지 않고는 긍정적인 댓글이라고 생각하시겠죠? 자동 감정 분석 도구도 마찬가지입니다.

자동 감정 분석은 풍자, 아이러니, 속어, 문맥 또는 다른 방언을 인식하지 못하기 때문에 정확도 비율이 약 60%입니다. 이는 데이터를 왜곡하고 확장을 원하는 기업에 재앙을 초래하는 잘못된 해석으로 이어집니다.

이를 더 잘 이해하기 위해 자동화된 감정 분석이 작동하는 방식을 설정해 보겠습니다.

자동 감정 분석 작동 방식

자동화된 감정 분석은 NLP(자연어 처리) 및 ML(기계 학습) 알고리즘으로 구동됩니다. 기본적으로 봇 그룹은 트윗, 메시지, 댓글 또는 게시물을 가져와 콘텐츠를 청크로 나누고 미리 결정된 척도를 사용하여 각 청크에 감정 점수를 할당한 다음 해당 점수를 집계하여 전체 메시지가 양수, 음수 또는 중립입니다.

예를 들어, 누군가 트위터에 이렇게 말했습니다. “나는 어제 새 iPhone을 샀습니다. 나는 새로운 카메라에 정말 감동했다. 디스플레이는 실망스러웠지만 가격면에서 놀라울 정도로 이기기 어렵습니다.”

이것은 감정 봇이 수행하는 작업입니다.

• "정말 감동했습니다" = +4
• "디스플레이가 실망스러웠습니다." = -2
• "가격면에서 이길 수 없음" = +3

이를 통해 점수를 계산하고 전반적으로 메시지가 긍정적인 것으로 판단했습니다.

그러나 우리가 설정한 바와 같이 감정 분석이 항상 그렇게 간단하지는 않습니다.

Sony Spiderman-Universe를 배경으로 한 세 번째 영화인 Morbius에서 어떤 일이 일어났는지 생각해 보십시오. 처음 출시되었을 때 박스 오피스 스매쉬였으며 첫 주말에 1위에 올랐고 3,900만 달러를 벌어들였습니다. 그러나 일주일 후 티켓 판매가 74% 감소했습니다(슈퍼히어로 영화 사상 두 번째로 최악의 실적).

출시 후 소셜 미디어에서는 다음과 같은 트윗과 함께 활발한 활동이 있었습니다.

"나는 이것이 매우 훌륭하다고 들었습니다. 그래서 그들은 우리가 아직 그것을 다룰 수 없기 때문에 계속 뒤로 미루고 있어야 합니다. 왜냐하면 그것이 좋기 때문에 우리가 더 잘 처리할 준비를 하기 위해 종으로 진화하는 데 더 많은 시간이 필요하기 때문입니다. 이 좋은 영화.”

“다들 조용히 했으면 좋겠다 #morbius #morbiussweep 이라는 명작 영화를 마음으로 준비하고 있어요”

“방금 모비우스를 봤습니다. 영화는 내 눈에 눈물을 가져다 주었다. 줄거리, 연기, 모든 것이 훌륭했습니다. 너무 좋아서 내 기준을 너무 웃겨서 중간에 극장을 나왔다. Sony는 스스로를 능가했습니다. 그것은 10년 중 가장 위대한 영화입니다!”

이제 당신과 나에게 이 트윗은 풍자와 아이러니로 가득 차 있습니다. 그러나 "놀라운", "매우 훌륭하다", "걸작"과 같은 단어로 감정 분석 봇에게 영화는 분명히 큰 성공을 거두었습니다! 결과? 제작자는 두 번째 릴리스를 진행하고 Morbius 3를 만들기로 결정했습니다.

"Morbius에서 가능한 가장 재미있는 결과는 다시 대규모로 실패하여 역설적인 밈의 또 다른 주기를 촉발하여 극장에서 또 다른 재발매를 일으키고 실패하는 등의 방식으로 진행된다는 것입니다. 나는 이것을 모르비우스 띠라고 부른다.”

이것은 잘못된 감정 분석의 좋은 예입니다.

따라서 감정 분석의 개념이 유용해 보이지만 현실은 때때로 매우 쓸모가 없을 수 있습니다. 감정 분석 후 결과를 정말 신뢰할 수 있습니까? 부정확한 감정 분석은 초콜릿 소방대원만큼 훌륭합니다.

감정 분석이 일상적인 작업 목록에 포함되지 않는다고 결정하기 전에 자동화된 도구를 사용하는 것보다 시간이 약 10% 더 많이 소요되지만 약 85% 더 정확한 감정 분석을 수행하는 대체 방법이 있습니다. 이는 추가 시간을 할애할 가치가 있음을 의미합니다.

정확한 감정 분석을 위해 Agorapulse를 사용하는 방법

인간이 수행하는 감정 분석의 평균 정확도 비율은 약 85%입니다. 이는 전용 감정 분석 도구를 사용할 때보다 25% 더 높습니다.

이제 저는 우리가 사용할 수 있는 기술을 피하고 힘든 데이터 입력과 스프레드시트로 돌아가 청중의 감정을 분석할 것을 제안하는 것이 아닙니다.

중간에 만나자고 합니다.

관점, 생각, 의견 등의 질적 데이터를 긍정적, 부정적 입장의 양적 데이터로 전환해야 한다는 아이디어입니다.

들어오는 모든 댓글, 게시물, 메시지 또는 트윗에 긍정적인 레이블과 부정적인 레이블을 할당하여 Agorapulse로 이를 수행할 수 있습니다. 그런 다음 모든 상호 작용에 레이블을 추가했기 때문에 긍정적인 감정과 부정적인 감정의 비율 분할을 볼 수 있습니다. 보고서 대시보드에서 찾을 수 있는 레이블 배포 보고서를 통해

단순하게 유지하고 레이블을 "긍정적" 또는 "부정적"으로 유지할 수 있습니다. 또는 보다 세부적인 분석을 위해 "Churn" 또는 "Super-fan"과 같은 특정 레이블을 만들고 상호 작용에 할당할 수 있습니다.

무슨 생각을 하는지 압니다. 들어오는 모든 상호 작용에 레이블을 추가하는 데 시간이 걸릴 수 있습니다. 그러나 이 접근 방식은 정확도를 높일 뿐만 아니라 부산물로 시장이 말하는 것을 직접 느낄 수 있습니다.

하지만 당신의 말을 듣습니다. 매일 수백 개의 댓글, 게시물, 메시지 및 트윗을 보고 레이블을 지정해야 한다면 중요하고 ROI가 높은 작업을 수행할 시간이 없습니다.

좋은 소식은 상호 작용에 감정 레이블을 할당하는 프로세스를 자동화하는 방법이 있다는 것입니다. 받은 편지함 도우미는 사용자가 만든 규칙 집합을 기반으로 받은 편지함으로 들어오는 모든 상호 작용에 사용자가 만든 레이블을 자동으로 할당합니다.

이메일 받은 편지함으로 할 수 있는 것과 같습니다. 받은 편지함 0을 달성하는 데 도움이 되도록 특정 이메일을 폴더로 자동 이동하는 규칙을 만들 수 있습니다. 같은 원리입니다.

따라서 모든 중요한 긍정적이고 부정적인 감정을 포착할 수 있는 구체적이고 세부적인 규칙 세트를 만드는 경우 레이블을 수동으로 할당하는 것처럼 정확도가 높지 않을 수 있지만 승자가 될 것입니다.

이 도움말 문서를 읽고 Agorapusle로 감정 분석을 설정하고 실행하는 방법에 대해 자세히 알아보세요.