천사 수를 찾으십시오
감정 점수가 브랜드 전략을 어떻게 향상시키는가
별 등급 및 NPS(순추천고객지수)와 같은 전통적인 방법은 고객 만족도를 측정하는 친숙한 방법입니다. 그러나 이것은 고객 감정에 관한 한 빙산의 일각에 불과합니다.
다음과 같은 고급 기술 감정 분석 소셜 미디어 댓글, 설문조사 응답, 리뷰 등 정성적 데이터를 분석하여 수치적 지표를 뛰어넘는 데 도움을 줍니다. 감정 점수를 계산하는 이러한 접근 방식을 통해 고객 의견에 대한 보다 미묘한 이해를 제공하고 제품 및 브랜드 전략을 개선하는 데 도움이 됩니다.
감정 점수가 무엇인지, 감정 점수 계산의 발전, Sprout에서 이를 수행하는 방법에 대해 알아보세요.
감정 점수란 무엇입니까?
감정 점수는 고객 피드백이나 소셜 미디어 청취와 같은 질적 데이터로 표현된 감정이나 감정을 수량화합니다. 감정 분석 과정을 통해 계산되며 -1 ~ 1 범위 내에서 측정됩니다. 부정적인 감정은 가장 부정적인 감정을 나타내며, 0은 중립적 감정을, +1은 가장 높은 긍정적 감정을 나타냅니다.
감정 점수는 브랜드에 대한 시장 의견이 긍정적인지, 부정적인지, 중립적인지 알려줍니다. 데이터를 추가로 분석하면 고객 서비스, 마케팅 콘텐츠, 제품, 애프터 서비스 등 비즈니스의 다양한 측면을 개선하여 브랜드 충성도를 높이고 비즈니스 성장을 도모할 수 있는 방법을 심층적으로 살펴볼 수 있습니다.
고객 정서를 이해하는 전통적인 접근 방식
전통적인 접근법은 고객 감정 분석 대부분 정량적 지표에 의존해 왔습니다. 여기에는 다음이 포함됩니다.
바이러스성
바이럴리티는 귀하의 콘텐츠나 캠페인이 받은 좋아요, 공유, 댓글 등 소셜 미디어 참여의 총 수를 나타냅니다. 바이럴리티는 전통적으로 브랜드, 캠페인 또는 마케팅 콘텐츠가 타겟 고객과 일반 대중의 공감을 얼마나 잘 이끌어내는지를 나타내는 지표로 사용되었습니다. 이는 고객 선호도에 대한 전반적인 시각을 제공하므로 정보에 입각한 마케팅 결정을 내리고 이에 따라 전략을 변경할 수 있습니다.
별점 매기기
별점은 고객 감정을 이해하는 데 널리 사용되는 방법이며 브랜드에서 제품이나 서비스를 평가하는 데 널리 사용됩니다. 별 등급은 일반적으로 별 1~5개 범위 내에서 제공되며, 1은 고객 만족도가 가장 낮고 5는 가장 높은 수준을 나타냅니다. 별표 평점에는 평점에 추가적인 맥락을 추가하는 설명도 포함되는 경우가 있습니다.
보고 9:11
NPS
NPS 고객 만족도와 가족, 친구에게 브랜드를 추천하려는 고객의 성향을 측정하는 데 사용되는 정량적 지표입니다. 등급이 높을수록 고객 충성도가 높아집니다. NPS 등급은 대개 0에서 10까지로 표시되며, 0은 가장 낮은 등급을 나타내고 10은 가장 높은 등급을 나타냅니다.
별점이나 입소문과 달리 NPS 측정항목은 평점을 기준으로 고객을 세 가지 범주로 그룹화하는 경우가 많습니다.
- 프로모터(8~10): 이들은 입소문, 리뷰 또는 소셜 미디어 댓글을 통해 브랜드를 적극적으로 홍보하는 행복한 고객입니다.
- 패시브(7-8): 이러한 고객은 만족하지만 제품이나 서비스를 홍보할 가능성이 없습니다.
- 비방하는 사람 (6-0): 이들은 매우 불만족스러운 고객으로서 부정적인 리뷰를 게시할 가능성이 높으며 다른 사람들이 브랜드를 고려하지 못하게 할 가능성이 높습니다.
고객 만족도 점수(CSAT)
CSAT 고객이 브랜드의 제품이나 서비스에 대해 얼마나 만족하는지를 측정하는 방법입니다. CSAT 점수는 고객이 제공하는 평균 평점을 측정하여 계산됩니다. CSAT 척도는 다양할 수 있습니다. 예를 들어 10이 가장 높거나 1과 5가 가장 높은 고객 만족도인 1~10 사이일 수 있습니다.
CSAT 설문조사는 거래 후 또는 정기적으로 전송되어 전반적인 브랜드에 대한 고객 만족도를 이해할 수 있습니다.
감정 점수 계산의 새로운 발전
기존 계산은 핵심 성과 지표(KPI)의 정량적 지표에 중점을 둡니다. 하지만 브랜드 감성을 정말 정확하게 파악하려면 댓글과 피드백에서 찾은 질적 데이터를 믹스에 추가해야 합니다. 연구 이는 대부분의 기업이 80%에서 100% 사이의 긍정적인 별점을 받았더라도 이러한 등급이 사업의 성공을 반영하지 못했다는 것을 보여줍니다. 이는 사람들이 일반적으로 실제 경험보다 더 높은 긍정적인 평가를 내리는 경향이 있기 때문입니다. 이는 긍정적인 평가의 바다로 이어지며, 이는 더 높은 긍정적인 점수 쪽으로 숫자를 왜곡시킵니다.
머신러닝(ML) 및 AI 작업 명명된 개체 인식 그리고 자연어 처리 (NLP)은 이러한 문제를 극복하는 데 도움이 됩니다. 이를 통해 고객 감정을 보다 상황에 맞게 이해하고 타임라인과 캠페인 전반에 걸쳐 브랜드 인식의 쇠퇴와 흐름 내에서 고객 의견의 패턴을 찾을 수 있습니다.
10 10 천사 수
감정 마이닝 강도는 사용된 방법에 따라 다릅니다. 세 가지 주요 내용은 다음과 같습니다.
- 문서 기반 감정 분석
이 접근 방식을 사용하면 문서의 부정적, 긍정적 또는 중립적 감정에 대한 일반적인 이해를 얻을 수 있습니다. 작고 복잡하지 않은 데이터 세트에 사용됩니다.
- 주제 기반 감성 분석
이 방법은 주제별로 감정을 점수화하여 더욱 미묘합니다. ML 모델은 데이터에서 일반적으로 발생하는 주제와 테마를 식별한 다음 그 안에 있는 정서를 분석합니다.
이 접근 방식은 마케팅 담당자가 고객 또는 일반 대중이 브랜드에 대해 좋아하는 것과 싫어하는 것이 무엇인지 이해하는 데 도움이 됩니다. 따라서 리뷰, 소셜 미디어 청취 또는 고객 관리 이메일 및 의견을 통해 관련성이 있고 실행 가능한 통찰력을 제공합니다.
- 측면 기반 감성 분석
이는 감정 마이닝에 사용되는 가장 진보된 방법입니다. 측면 기반 감성 분석 주제를 더욱 세분화하여 주제 내의 측면을 식별하고 검색한 다음 의미론을 적용하여 고객 감정에 대한 보다 완전한 그림을 제공합니다. 예를 들어, 피드백 데이터의 '고객 서비스'에 대한 주제 분류에서 '룸 서비스', '바 승무원', '리셉션' 또는 '발렛 파킹'과 같은 측면을 식별할 수 있습니다.
이러한 세분화된 형태의 감정 분석은 브랜드에 개선이 필요한 부분을 정확히 찾아내고 고객 만족도를 높이는 데 필요한 전략을 알려줍니다.
감정 점수를 계산하는 데 사용되는 데이터 처리 기술
다음에 사용할 감정 점수 계산 AI 마케팅 LLM(대형 언어 모델)과 같은 ML 모델에서 자동으로 수행되는 많은 데이터 처리 작업에 따라 달라집니다. 이러한 작업에는 다음이 포함됩니다.
토큰화
토큰화는 텍스트를 개별 단어로 분리하는 프로세스입니다. 모든 문장 부호가 제거되고 텍스트 문자열이 단어 블록으로 제거됩니다. 예를 들어:
[ 숙박은 좋았지만 내 방은 추웠고 호텔이 비어 있는 것처럼 보임에도 불구하고 호텔 직원이 온도 조절 장치를 조정할 때까지 몇 시간을 기다려야 했습니다. 리셉션에 전화해서 문의하려고 했더니 참을성이 없고 무례한 것 같았어요.]
텍스트 정규화
이 단계에서는 모든 중복 항목이 데이터에서 제거되므로 데이터 이상이 없습니다. 이 경우 중복성이 없으므로 텍스트 문자열은 변경되지 않고 그대로 유지됩니다.
[ 숙박은 좋았지만 방이 추웠고 호텔이 비어 있는 것처럼 보였지만 호텔 직원이 온도 조절을 조정할 때까지 몇 시간을 기다려야 했습니다. 리셉션에 전화해서 문의하려고 하면 참을성이 없고 무례해 보였습니다. ]
단어 형태소 분석
단어 형태소 분석은 단어를 어근으로 줄이는 과정을 말합니다. 이 예에서는 'hours' 및 'seemed'라는 단어가 'hour' 및 'seem'으로 변환됩니다.
[ 숙박은 좋았지만 방이 추워서 기다려야 했어요 시간 호텔 직원이 온도 조절 장치를 조정하는 경우에도 불구하고 ~인 것 같다 비어있음 리셉션에 전화해서 문의하려고 했을 때 그들은 참을성이 없고 무례한 것 같았습니다.]
불용어 제거
불필요한 단어는 모두 제거하여 명명된 엔터티와 감정을 나타내는 단어만 유지합니다.
[ 숙박은 멋진 나의 방이 차갑다 그리고 우리는 그래야만 했어요 기다리다 ~을 위한 시간 위해 호텔 직원 온도 조절 장치를 조정하려고 해도 호텔 비어있는 것 같아 리셉션 문의하기 위해 그들은 보였다 참을성이 없고 무례하다]
이제 처리된 결과 텍스트는 다음과 같습니다. 좋은 방 추운 대기 시간 호텔 직원 리셉션 참을성 없음 무례함 ] .
각 단어는 부정성 또는 긍정성의 척도를 기준으로 ML 모델에서 수치적으로 상응하므로 처리된 데이터는 전체 감정 평균을 기준으로 점수를 제공합니다. Lexicon 방법을 사용하여 계산할 때 '좋은'이라는 단어에 긍정적인 경우 1점을 할당하고 '인내심이 없는'이라는 단어에는 -.05, 무례한 경우 -0.7을 할당하면 리뷰에 대한 결과 감정 점수는 -1이 됩니다. 부정적으로.
감정 점수 계산에 대한 기존 접근 방식
감정 점수를 계산하는 방법에는 여러 가지가 있으며, 가장 일반적인 방법은 1:1 비율을 사용하여 감정을 측정하는 Lexicon 방법입니다. 그러나 소셜 미디어 청취, 고객 리뷰 포럼 등 다양한 소스에서 수집된 복잡한 데이터의 경우 더 발전된 기술이 필요합니다. 다음은 이러한 방법론에 대한 분석입니다.
5555 영적 의미
단어 개수 방법
감정 점수를 계산하는 가장 간단한 방법은 위의 예와 같이 어휘집 또는 단어 개수 방법을 기반으로 합니다. 이 방법을 사용하면 부정적인 감정의 발생 횟수가 긍정적인 감정의 발생 횟수보다 줄어듭니다.
공식: # 부정적인 단어 – 긍정적인 단어 = 감정 점수
예: 1 – 2 = -1.
문장 길이에 따른 감성 점수 도출
이 방법에서는 부정적인 단어에서 긍정적인 단어의 수를 빼고 그 결과를 리뷰 문장의 총 단어 수로 나눕니다.
공식: # 부정적인 단어 – # 긍정적인 단어를 단어 수로 나눈 값 = 감정 점수
예: 1 – 2 / 42 = -0.0238095
이 시스템은 긴 리뷰와 댓글을 이해하는 데 자주 사용됩니다.
이 방법은 많은 양의 데이터를 분석하는 데 사용되므로 결과 점수가 긴 부분으로 나타날 수 있습니다. 대규모로 수행되면 감정 값을 비교하고 이해하는 것이 어려울 수 있습니다. 이 문제를 극복하기 위해 결과 점수에 단일 숫자를 곱하여 값이 더 커지므로 비교가 더 쉬워집니다.
긍정적인 단어 수와 부정적인 단어 수의 비율
이 방법론은 빅데이터의 감성 점수를 측정하는 데 가장 균형 잡힌 방법으로 간주됩니다. 전체 긍정적 단어 수를 전체 부정적 단어 수로 나눈 다음 1을 더합니다.
311 천사 수
공식: # 긍정적인 단어 / # 부정적인 단어 + 1 = 감정 점수
예: 1 / 2 + 1 = 0.33333
리뷰가 길어질수록 긍정적인 점수와 부정적인 점수의 개수가 늘어납니다. 이 접근 방식은 텍스트의 전체 길이를 표준화하므로 다양한 길이의 리뷰를 분석하는 데 특히 유용합니다. 이 방법에서는 감정 점수 1이 중립으로 설정됩니다.
Sprout에서 감정 점수를 계산하는 방법
Sprout의 감정 모델은 심층 신경망(NN), 특히 대규모 언어 모델을 사용합니다. LLM은 전체 텍스트 블록의 맥락을 고려하여 왼쪽에서 오른쪽으로, 오른쪽에서 왼쪽으로 단어를 읽는 방식으로 작동합니다. BERT(변압기의 양방향 인코더 표현) Google의 모델.
이미 레이블이 지정된 문서의 데이터 세트가 주어지면 LLM은 긍정 또는 부정 태그가 지정된 텍스트 블록에 기여한 단어, 구 및 단어/구문 순서를 자동으로 식별합니다. 그런 다음 텍스트 블록의 각 토큰에 가중치(숫자 값)를 할당합니다. 이러한 가중치를 계산하여 보이지 않는 새로운 텍스트에 대한 감정과 해당 텍스트가 긍정적일지, 부정적일지, 중립적일 확률을 결정합니다.
브랜드에 대한 감정 점수의 중요성
감정 점수는 브랜드, 제품 및 서비스의 다양한 측면을 정량화하고 평가하는 데 도움이 되며 마케팅, 제품 및 고객 관리 팀이 전략을 성공적인 궤도로 전환할 수 있는 방법에 대한 실행 가능한 통찰력을 제공합니다.
AI와 기계 학습 덕분에 추측을 없애고 몇 분 안에 브랜드 정서를 정확하게 파악할 수 있는 여러 도구가 있습니다. 이것들을보세요 감정 분석 도구 우리는 브랜드 전략을 재부팅할 수 있는 방법을 탐색하기 위해 선별했습니다.
친구들과 공유하십시오:
