सभी अनुभव: ग्राहक अनुभव को बेहतर बनाने के लिए भावना विश्लेषण का उपयोग करना

आपकी नज़र आपके मैकबुक एयर के ऊपरी दाएँ कोने पर जाती है। दोपहर के चार बजे हैं. केवल एक घंटा और काम करना है और फिर आप घर जाकर गेम ऑफ थ्रोन्स के नवीनतम एपिसोड को देखने के लिए स्वतंत्र हैं। आपको लगता होगा कि अधिकांश लोग इसके बारे में बहुत अच्छा महसूस करेंगे। लेकिन यह ट्विटर पर अमेरिकी आबादी के हिस्से के लिए सच नहीं है। इन श्रमिकों के लिए दोपहर के चार बजे कार्यदिवस का सबसे दुखद हिस्सा होता है.

यह निष्कर्ष नॉर्थईस्टर्न और हार्वर्ड विश्वविद्यालयों के पांच शोधकर्ताओं की एक टीम द्वारा निकाला गया था, जिन्होंने सितंबर 300 से अगस्त 2006 तक 2009 मिलियन ट्वीट्स का अध्ययन किया था। 140-वर्ण के लाखों पाठों का अध्ययन करना - जो पांच व्यक्तियों के लिए एक भयानक काम की तरह लगता है। और उन्हें लिखने वाले व्यक्ति की मनोदशा का निर्धारण करना - कृत्रिम बुद्धिमत्ता की मदद से संभव हुआ। 

प्रत्येक ट्वीट के स्वर को एक एल्गोरिदम द्वारा वर्गीकृत किया गया था जो इसकी सामग्री को ANEW (अंग्रेजी शब्द के लिए प्रभावशाली मानदंड) शब्द सूची के साथ मेल खाता था और एक स्कोर उत्पन्न करता था जो निर्धारित करता था कि यह सकारात्मक या नकारात्मक था। वहां से, शोधकर्ता ट्वीट के पीछे लोगों की भावनाओं को स्थापित करने में सक्षम थे और वे सुबह से शाम तक कैसे विकसित हुए। 

इसके पीछे की तकनीक को भावना विश्लेषण कहा जाता है, और इसके अनुप्रयोग यह पहचानने से परे हैं कि दिन भर में लोगों का मूड कैसे बदलता है। 

भावनात्मक रूप से बुद्धिमान मशीनें

भावना विश्लेषण, या डेटा माइनिंग, कृत्रिम बुद्धि के भीतर एक क्षेत्र है जो यह निर्धारित करने के लिए एल्गोरिदम का उपयोग करता है कि लिखित संदेश का स्वर सकारात्मक, नकारात्मक या तटस्थ है या नहीं। यह वाक्यों, माइक्रोब्लॉग्स (140 या उससे कम अक्षरों के छोटे संदेश, जैसे फेसबुक पोस्ट के ट्वीट्स) या यहां तक ​​कि संपूर्ण दस्तावेजों के माध्यम से जाता है और उस व्यक्ति की भावना, दृष्टिकोण या राय को स्थापित करता है जिसने उन्हें किसी विशिष्ट विषय, उत्पाद या ब्रांड के प्रति लिखा है। 

यह भावना विश्लेषण का मूल संस्करण है। अन्य, अधिक जटिल एल्गोरिदम यह निर्धारित करने का प्रयास करते हैं कि वह राय कितनी मजबूत है। वे सकारात्मक या नकारात्मक शब्दों को महत्व देते हैं और एक अंक लेकर आते हैं जो -1 से +1 तक होता है और परिणाम का उपयोग वाक्य की भावना को दर्शाने के लिए करते हैं। 

लेकिन मशीनें वास्तव में हमारी भावनाओं को कैसे पढ़ती हैं?

वहां भावना विश्लेषण के तीन मुख्य दृष्टिकोण: नियम-आधारित, स्वचालित और संकर। 

नियम-आधारित दृष्टिकोण पहले स्क्रिप्टिंग भाषा में नियमों के एक सेट को परिभाषित करके काम करते हैं जो हाथ में लिखित संदेश के स्वर की पहचान करते हैं। ये नियम विभिन्न प्रकार के इनपुट का उपयोग करते हैं जो क्लासिक प्राकृतिक भाषा प्रसंस्करण तकनीकों से लेकर अन्य संसाधनों जैसे शब्दकोश या विशिष्ट शब्दों की सूची तक होते हैं। व्यावहारिक रूप से, उदाहरण के लिए, शोधकर्ता सकारात्मक शब्दों की एक सूची और नकारात्मक शब्दों की एक सूची बनाएंगे। इसके बाद एल्गोरिदम लिखित संदेशों का विश्लेषण करेगा और उनकी सामग्री का सूचियों में मौजूद सामग्री से मिलान करेगा। यदि किसी संदेश में नकारात्मक शब्दों की तुलना में अधिक सकारात्मक शब्द हैं, तो उसका स्वर सकारात्मक माना जाता है और इसके विपरीत। अन्यथा, उन्हें तटस्थ माना जाता है। 

दूसरी ओर, स्वचालित दृष्टिकोण, हाथ से तैयार किए गए नियमों पर नहीं बल्कि मशीन सीखने की तकनीकों पर निर्भर करते हैं जो कहीं अधिक जटिल हैं। सीधे शब्दों में कहें तो, स्वचालित दृष्टिकोण कंप्यूटर को पर्याप्त उदाहरण या प्रशिक्षण उदाहरण दिखाकर प्रशिक्षित करने पर निर्भर करता है, कि वह स्वयं पैटर्न को पहचानना शुरू कर देगा और इनपुट को वांछित आउटपुट में बदलना सीख जाएगा। इस मामले में, कोई इनपुट के रूप में ट्वीट्स के एक सेट और उनकी संबंधित भावना का उपयोग कर सकता है और निम्नलिखित ट्वीट्स के प्रतिशत को देखकर एल्गोरिदम के प्रदर्शन को माप सकता है, जिसे यह प्रत्येक संभावित श्रेणी में सही ढंग से वर्गीकृत करेगा। 

अधिक सटीक परिणाम प्राप्त करने के लिए हाइब्रिड दृष्टिकोण दोनों दुनिया के सर्वश्रेष्ठ को जोड़ते हैं।

सेंटीमेंट विश्लेषण प्रारंभ में बाज़ार अनुसंधान के लिए विकसित किया गया था। इलिनोइस विश्वविद्यालय में कंप्यूटर विज्ञान के प्रोफेसर और इस विषय पर कई ग्रंथों के लेखक बिंग लियू बताते हैं यह 2000 के दशक के मध्य में उभरा, जब ऑनलाइन समीक्षाओं ने लोकप्रियता हासिल की, और कंपनियां यह समझने के लिए उन पर गौर करना चाहती थीं कि उनके ग्राहक क्या कह रहे हैं। भावना विश्लेषण से पहले, व्यवसायों को यह पता लगाने का एकमात्र तरीका था कि लोग किसी विशेष उत्पाद या सेवा पर कैसे प्रतिक्रिया दे रहे थे, फोकस समूहों को इकट्ठा करना या सर्वेक्षण भेजना था, जिससे उन्हें सांख्यिकीय रूप से महत्वपूर्ण संख्या में उत्तर एकत्र करने की कोई गारंटी नहीं थी।

फिर एल्गोरिदम आये और सब कुछ आसान बना दिया। वे कम समय में बड़ी मात्रा में डेटा का विश्लेषण कर सकते हैं और कंपनियों को उनकी राय लेने के लिए ग्राहकों तक पहुंचने की आवश्यकता नहीं होती है; वे बस वही लेते हैं जो वे स्वाभाविक रूप से ऑनलाइन साझा करते हैं।

अ डअता सोने की खान

उपभोक्ताओं के रूप में, हम अथाह मात्रा में ऑनलाइन लिखित डेटा तैयार करते हैं। हम ई-मेल भेजते हैं, संदेश बोर्डों पर विचारों का आदान-प्रदान करते हैं, अपने दोस्तों की दीवारों पर पोस्ट करते हैं और उनके इंस्टाग्राम फ़ोटो पर टिप्पणी करते हैं। हम तेजी से सोशल मीडिया पर अधिक समय बिताते हैं। 2017 में, वैश्विक इंटरनेट उपयोगकर्ताओं का दैनिक सोशल मीडिया उपयोग बढ़कर 135 मिनट प्रति दिन हो गया, मात्र 90 वर्ष पहले 5 मिनट से ऊपर। हम न केवल अपनी पसंद और नापसंद साझा करने के लिए फेसबुक, इंस्टाग्राम और अन्य चैनलों का सहारा लेते हैं, बल्कि विशिष्ट ब्रांडों या उत्पादों के बारे में अपनी राय भी व्यक्त करते हैं। 

ऑनलाइन समीक्षाओं, सोशल मीडिया पोस्ट और अन्य स्रोतों से एकत्र किया गया डेटा व्यवसायों के लिए बहुत अधिक मूल्य रखता है, क्योंकि भावना विश्लेषण के परिणामों का उपयोग कई अलग-अलग क्षेत्रों में सुधार के लिए किया जा सकता है। 
उदाहरण के लिए, विपणन प्रयासों के लिए, यह कंपनियों को यह ट्रैक करने की अनुमति देता है कि सोशल मीडिया पर विभिन्न घटनाओं या अभियानों पर प्रतिक्रियाएँ सकारात्मक, नकारात्मक या तटस्थ थीं, और अपने दर्शकों को बेहतर ढंग से पूरा करने के लिए अपनी रणनीति पर पुनर्विचार करें। यह प्रतिस्पर्धा के प्रति लोगों की भावनाओं को समझने, बाजार में प्रतिस्पर्धात्मक लाभ हासिल करने का प्रयास करने के लिए भी एक उपयोगी उपकरण है। 
भावना विश्लेषण हाल ही में मानव संसाधन और लोगों के संचालन में भी मददगार साबित हुआ है। कंपनियों को पसंद है फ्रोले ने एक डीपसेंस एआई विकसित किया है जो नौकरी आवेदकों से सार्वजनिक रूप से उपलब्ध सामाजिक डेटा लेता है और, परिणामों के आधार पर, भर्तीकर्ताओं को उनके व्यवहार संबंधी गुणों और व्यक्तित्व का आकलन करने की अनुमति मिलती है ताकि वे टीम के लिए उपयुक्त हों या नहीं। 

अन्य बड़ी कंपनियों ने इस तकनीक का उपयोग करना शुरू कर दिया है समझें कि उनके वर्तमान कर्मचारी कैसा महसूस करते हैं. उदाहरण के लिए, आईबीएम के पास कनेक्शंस नामक एक आंतरिक सोशल नेटवर्किंग प्लेटफॉर्म है, जिसके माध्यम से आईबीएम के सभी 380,000 कर्मचारी एक-दूसरे से संपर्क कर सकते हैं, राय पोस्ट कर सकते हैं और अन्य लोगों की साझा सामग्री पर टिप्पणी कर सकते हैं। आईबीएम ने इस प्लेटफ़ॉर्म को सोशल पल्स नामक एक आंतरिक रूप से विकसित भावना विश्लेषण टूल के साथ जोड़ा है, जो स्कैन करता है कि लोग क्या कह रहे हैं और कर्मचारी संतुष्टि में रुझानों और संभावित लाल झंडों की पहचान करता है। 

ग्राहकों के मन को पढ़ना

भावना विश्लेषण भी उतना ही उपयोगी और महत्वपूर्ण है ग्राहक अनुभव की निगरानी और सुधार करना. 

किसी ब्रांड के प्रति ग्राहकों की भावनाएं कई कारकों से प्रभावित हो सकती हैं। उत्पाद लॉन्च या परिवर्तन, मूल्य वृद्धि, वायरल अभियान और अन्य विपणन क्रियाएं, और ग्राहक सेवा की गुणवत्ता।

उदाहरण के लिए, कंपनियां उत्पाद या सेवा समीक्षाओं के माध्यम से जाने के लिए भावना विश्लेषण का सहारा ले सकती हैं, और उनमें से प्रत्येक को एक अंक दे सकती हैं, जिससे ग्राहक सेवा एजेंट सबसे पहले सबसे नकारात्मक राय वाले ग्राहकों तक पहुंच सकते हैं और खराब स्थिति को कम करने का प्रयास कर सकते हैं। जल्द से जल्द। जहां तक ​​अधिक सकारात्मक स्कोर वाली समीक्षाओं का सवाल है, इससे कंपनियों को यह समझने में मदद मिलती है कि कौन से कार्य आगे चलकर एक बेंचमार्क के रूप में ग्राहकों में सकारात्मक भावनाएं पैदा करते हैं। 

यही सिद्धांत इनबाउंड टिकटों पर भी लागू किया जा सकता है। भावना विश्लेषण एल्गोरिदम ईमेल के स्वर के आधार पर तत्काल टिकटों को क्रमबद्ध करने में सक्षम हैं. इस तरह, एजेंट अपना ध्यान सबसे निराश या असंतुष्ट ग्राहकों की ओर आकर्षित कर सकते हैं, बिना उनके प्रत्येक टिकट को देखे बिना मैन्युअल रूप से उनकी प्राथमिकता का आकलन करने के लिए। 

प्रबंधकों के लिए, यह सहायता टीम के साथ ग्राहकों की समग्र संतुष्टि को मापने के लिए एक उपयोगी उपकरण है। परिणाम किसी एजेंट के साथ विशिष्ट बातचीत के बाद अनुरोधित फीडबैक पर आधारित नहीं होते हैं, बल्कि कम दखल देने वाली और अधिक ईमानदार राय पर आधारित होते हैं जो ग्राहक ऑनलाइन कहीं टाइप करते हैं क्योंकि उन्हें ऐसा लगता है। यह ग्राहक प्रतिक्रिया की एक अतिरिक्त परत के रूप में आंतरिक प्रदर्शन समीक्षाओं को पूरक कर सकता है, जिससे प्रबंधक बेहतर काम करने वाले इंटरैक्शन की स्पष्ट समझ प्राप्त कर सकते हैं और प्रक्रियाओं को बेहतर बनाने के लिए उन अंतर्दृष्टि का उपयोग कर सकते हैं। 

लेकिन तकनीक अभी पूरी तरह सटीक नहीं है. क्या यह भाषा पर आधारित है, जो सकारात्मक और नकारात्मक शब्दों की सूची जितनी काली और सफ़ेद नहीं है। दोनों का उपयोग ठीक उसी विपरीत स्वर को इंगित करने के लिए किया जा सकता है जिसे कोई आमतौर पर उनके साथ जोड़ता है। उदाहरण के लिए, देरी से डिलीवरी पर टिप्पणी करने के लिए, मैं कह सकता हूं: “अमेज़ॅन ने मेरा ऑर्डर समय पर डिलीवर नहीं किया है। शानदार!" "शानदार" शब्द का आमतौर पर सकारात्मक अर्थ होता है, लेकिन, इस मामले में, इसका उपयोग असंतोषजनक सेवा पर टिप्पणी करने के लिए किया जा रहा है। 

हालाँकि कुछ AI कंपनियाँ पहले से ही हैं व्यंग्य को पहचानने के लिए प्रशिक्षण एल्गोरिदम, बहुत अधिक चर हैं, जैसे कि संदर्भ या यहां तक ​​कि कुछ भाषाओं की जटिलताएं जो मशीनों के लिए बातचीत के निहित स्वर को सही ढंग से समझना कठिन बना देती हैं। 

बहरहाल, मानवीय भावनाओं को समझने में मशीनें लगातार बेहतर हो रही हैं। भावना विश्लेषण में अभी भी सुधार की बहुत गुंजाइश है, लेकिन शोध चेहरे के स्कैन जैसे अन्य भावना पढ़ने वाले टूल में निवेश कर रहे हैं। कौन जानता है, शायद कुछ वर्षों में हमारे पास कार्यदिवस के सबसे कम उत्पादक घंटों पर एक रिपोर्ट होगी जो इस पर आधारित होगी कि हमारे कंप्यूटर ने कितनी बार जम्हाई के लिए हमारे चेहरे को स्कैन किया। 

स्रोत: https://unbabel.com/blog/sentiment-analyse-improve-customer-experience/