Veicot mārketinga kampaņu noskaņojuma analīzi, var padziļināt jebkuru kampaņu, analizējot precīzas klientu emocijas, viedokļus un attieksmi. Tomēr daudzas no tās sniegtajām atziņām var būt subjektīvas un viegli kļūdaini interpretējamas. Tāpēc šeit aprakstīts, kā to darīt pareizi, kādus rīkus izmantot un kā apkopot noskaņojumu.

Kas ir klientu noskaņojuma analīze?

Klientu noskaņojums ir klientu viedokļu par zīmolu, pakalpojumu vai produktu kopums. Klientu noskaņojums ietver viedokļus, attieksmi, emocijas un mutvārdu izteikumus par uzņēmumu, ko var izmantot, lai informētu par turpmāko uzņēmējdarbību un stratēģiju. Lai apkopotu klientu noskaņojumu, t. i., iegūtu būtisku informāciju par to, ko klienti saka par zīmolu vai produktu, ir jāizprot tekstu emocionālais tonis. Būtībā svarīgs ir viedokļu saturs un konteksts.

Klientu noskaņojuma analīzes priekšrocības ir šādas:

• Palīdz apkopot informāciju, kas var palīdzēt veikt uzlabojumus un uzlabot klientu apmierinātību.
• Uzrauga klientu viedokļu avotus, lai labāk pārvaldītu zīmola reputāciju.
• Apkopo, kas cilvēkiem patīk par jūsu uzņēmumu un zīmolu, un, pamatojoties uz to, uzlabo attiecības ar klientiem.
• Izstrādā sistēmu, lai izprastu jūsu uzņēmuma stiprās un vājās puses salīdzinājumā ar konkurentiem (ko var papildināt, izmantojot konkurentu analīze).
• Mārketinga darbību efektivitātes mērīšana.
• Izveidojot noderīgu struktūru, lai izprastu klientu noskaņojumu un uzvedību, uzņēmumi var labāk izprast savu auditoriju un to, kā potenciāli apkalpot tos, kas nav to pašreizējā auditorija.

Noskaņojuma analīzes veidi

Ir 5 noskaņojuma analīzes veidi.

• Smalkgraudaina noskaņojuma analīze
• Emociju noteikšana
• Uz aspektiem balstīta noskaņojuma analīze
• Daudzvalodu noskaņojuma analīze
• Uz nodomu balstīta noskaņojuma analīze

Smalkgraudaina noskaņojuma analīze

Smalkāku noskaņojuma analīze izmanto plašāku klientu noskaņojuma iespēju klāstu, nevis tikai parasto 3 punktu skalu (pozitīvs, neitrāls un negatīvs). Tā var būt 5 punktu skala (ļoti pozitīvs, pozitīvs, neitrāls, negatīvs vai ļoti negatīvs) vai 1-5 zvaigžņu skala. To var redzēt produktu atsauksmēs un vērtēšanas vietnēs, kas var būt lielisks avots daudziem uzņēmumiem.

Šāda veida noskaņojums var piedāvāt plašāku dziļumu un, kombinējot ar citiem datu punktiem, var ļaut veikt padziļinātu analīzi. Piemēram, izmantojot vecuma, dzimuma un citus demogrāfiskos datus, jūs varat sadalīt entuziasma līmeni dažādos segmentos.

Emociju noteikšana

Tā vietā, lai novērtētu kvalitātes skaitlisko rādītāju, jūs varat jautāt, kādas emocijas izraisa zīmols vai produkts. To sauc arī par uz leksikonu balstītu noskaņojuma analīzes metodi. Tās galvenais uzdevums ir palīdzēt veidot labāku emocionālo izpratni par uzņēmumu un tā produktiem. Tas var būt īpaši noderīgi, lai izprastu ietekmi, ko rada zīmola stāsti un mārketinga ziņojumus.

Uz aspektiem balstīta noskaņojuma analīze

Uz aspektiem balstīta noskaņojuma analīze balstās uz konkrētiem produkta vai pakalpojuma aspektiem un to, kā klienti tos vērtē. Tā ir specifiskāka nekā vispārējs pārskats, ļaujot uzņēmumiem sīkāk salīdzināt, piemēram, specifikācijas un veiktspēju. Personālo datoru ražotājs varētu testēt atsevišķus aspektus, salīdzinot akumulatora darbības laiku, ekrāna izmērus vai pat klientu atbalstu, lai saprastu klientu noskaņojumu par katru aspektu.

Daudzvalodu sentimentu analīze

Daudzvalodu noskaņojuma analīze salīdzina tekstus vai saturu dažādās valodās. Tā var būt ļoti svarīga globālām lietojumprogrammām un globālāka zīmola veidošanai. Dažādu valodu aplūkošana var arī sniegt informāciju tirgotājiem par to, kā dažādas kultūras uztver viņu mārketinga ziņojumus.

Uz nodomu balstīta noskaņojuma analīze

Uz nodomu balstītā noskaņojuma analīze analizē teksta vai satura daļas nolūku. Tas var būt noderīgi, piemēram, lai noskaidrotu, kurā pārdošanas piltuves posmā atrodas klients pēc tā, kā viņš runā par produktu vai kādus jautājumus uzdod forumos.

Kā novērtēt klientu noskaņojumu?

Uzņēmumi bieži izmanto neto klientu noskaņojuma rādītāju, lai aprēķinātu, kāds ir patērētāju vispārējais viedoklis par tiem vai to produktiem. Šeit ir visvienkāršākā metode, kā to aprēķināt:

• Neto noskaņojums = ((# pozitīvo pieminējumu - # negatīvo pieminējumu) / kopējais pieminējumu skaits) × 100.

Formulā no negatīvajiem pieminējumiem tiek atņemti pozitīvie pieminējumi, pēc tam iegūtais rezultāts tiek dalīts ar kopējo pieminējumu skaitu un izteikts procentos. Klientu noskaņojuma rādītāji, piemēram, neto noskaņojuma rādītāji, var mērīt plašus jautājumus, piemēram, pozitīvus viedokļus par zīmolu, vai ļoti šaurus jautājumus, piemēram, kā klienti jūtas par konkrētu produkta funkciju.

Šeit ir daži citi svarīgi rādītāji:

Citi klientu noskaņojuma rādītāji

• Noskaņojuma precizitāte: Tas ir reālā laika analīzē pareizi identificēto noskaņojumu procentuālais īpatsvars. Tas var būt svarīgs, jo ļauj gūt ticamāku ieskatu sabiedrības viedoklī.
• Reakcijas laiks: Datu analīzei un ziņošanai nepieciešamais laiks, jo ātrāka reakcija ļauj savlaicīgi veikt korekcijas. Tas var palīdzēt uzlabot ziņojumus un pielāgot stratēģiju. To mēra sekundēs vai minūtēs uz vienu datu punktu.
• Apstrādāto datu apjoms: Tas ir sociālo mediju ierakstu vai komentāru skaits, kas apstrādāts stundā. Lielāki apjomi sniedz niansētāku priekšstatu par klientu noskaņojuma tendencēm. To mēra ziņās stundā.
• Sabiedriskās domas maiņa: Tas ir pozitīvā vai negatīvā noskaņojuma izmaiņu apmērs pēc jebkādām darbībām, kas to var ietekmēt reāllaikā. Tas var būt ērts veids, kā izmērīt reāllaika sentimenta ietekmētu kampaņu ietekmi. To izsaka kā sentimenta izmaiņas procentos.
• Iesaistīšanās līmeņa izmaiņas: Lietotāju iesaistes izmaiņas "patīk", koplietojumu un komentāru ziņā pēc noskaņojuma analīzes ieskatu piemērošanas. Augstāks iesaistīšanās līmenis norāda uz lielāku atbilstību un labāku atbilstību sabiedrības noskaņojumam.
• Sabiedrības uzticības indekss: Ar to mēra sabiedrības uzticēšanos uzņēmumiem vai zīmoliem, izmantojot reāllaika noskaņojuma analīzi. Tas ir ļoti svarīgi, lai pārbaudītu atsaucību un pārredzamību. Vislabāk to mēra ar aptaujām, ideālā gadījumā izmantojot 5 punktu zīmola uzticības skalas.

Klientu noskaņojuma analīzes rīki

Ir vairāki rīki, kas palīdz veikt klientu noskaņojuma analīzi:

• Qualtrics: Qualtrics Text iQ ir noskaņojuma analīzes rīks ar NLP funkcijām, ar ko var analizēt nestrukturētus datus. Tie var apkopot datus no dažādiem avotiem, tostarp sociālajiem plašsaziņas līdzekļiem, aptaujām un klientu atbalsta mijiedarbības. Viena no lieliskām funkcijām ir automātiskā kategorizēšana, kas var sadalīt informāciju tēmās, lai atvieglotu klasifikāciju. Tā arī pati piešķir noskaņojuma punktus, tādējādi ievērojami atvieglojot kvantitatīvo darbu.
• Sprout Social: Sprout ir ne tikai standarta sociālo mediju analīzes platforma, bet arī klientu noskaņojuma analīzes mākslīgā intelekta programmas, kas var pārveidot neapstrādātus datus izmantojamā informācijā. Sprout Social ir fantastiska sociālo plašsaziņas līdzekļu analītikas apkopošanai visās platformās un kanālos. Tā var apkopot ziņas sociālajos tīklos, tiešsaistes atsauksmes un forumus. Tai ir daži ar mākslīgo intelektu darbināmi noskaņojuma rīki, viedās funkcijas un automatizācijas rīki.
• Chattermill: Vienota klientu izlūkošanas platforma, kas atgriezeniskās saites analīzei izmanto mākslīgo intelektu. Tā pārveido aptaujas, atsauksmes, atbalsta sarunas un cita veida komunikācijas ievaddatus par spēcīgām atziņām. Starpkanālu datu vākšana nodrošina vienotu zīmola noskaņojuma pārskatu vienā viegli pārskatāmā informācijas panelī.
• Buferis: Klasiskais daudzkanālu rīks, ko tradicionāli izmanto publicēšanai un plānošanai, piedāvā funkcijas, kas var palīdzēt veikt noskaņojuma analīzi. Iespēja atzīmēt noskaņojumu ziņojumos kā ‘negatīvu‘, ’jautājumu‘ vai ’pasūtījumu" palīdz zīmoliem šķirot sarunas. Tas ļauj labāk plānot atbildes un noteikt to prioritātes, kā arī kategorizēt informāciju.

LLM ir arī daudzi mākslīgā intelekta klientu noskaņojuma analīzes rīki, jo tie var uzreiz analizēt lielu teksta daļu. Lai gan ir daudzi mākslīgā intelekta rīki, teksta analīzei var lieliski noderēt bezmaksas programmatūra un standarta LLM. Citi mākslīgā intelekta rīki var būt derīgs risinājums, ja jūsu uzņēmumam ir nepieciešamas sarežģītākas funkcijas.

Informācijas un klientu atsauksmju vākšana analīzei

Ja meklējat, kā apstrādāt datus, piedāvājam dažas vienkāršas metodes:

• Teksta analīze: Te var noderēt mākslīgā intelekta programmas. Klientu atsauksmju, sociālo plašsaziņas līdzekļu ierakstu un aptauju atbilžu apkopošana un apkopošana parasti ir labākais veids, kā to izdarīt. Analizējiet atslēgvārdu modeļus un izmantojiet kontekstuālo analīzi, lai noteiktu, kā klienti vērtē uzņēmumu un/vai zīmolu. Ja jums ir iespējas, varat arī paši izveidot klientu atsauksmju veidlapu, lai apkopotu padziļinātu informāciju.
• Runas analītika: Mākslīgā intelekta rīki palīdz analizēt balss ierakstus, sniedzot daudz iespēju, kas iepriekšējās tehnoloģiju paaudzēs nebūtu bijušas iespējamas. Tos var izmantot klientu apkalpošanas zvanos, pārdošanas sarunās un virtuālo asistentu mijiedarbībā. Tie var labi uztvert arī toni, stresa līmeni un balss signālus, lai gan pašreizējie modeļi var atšķirties kvalitātes ziņā. Ir svarīgi izpētīt emocionālos stāvokļus un pierakstīt tos. Šīs atziņas var sniegt plašu materiālu turpmākajām apmācībām emocionāli inteliģentā mārketinga ziņojumos un informēšanā. Tas var būt arī fantastiski noderēt, lai atkārtotu par klientu apkalpošanas procesiem un pieņemtu pamatotākus lēmumus saziņā ar klientiem.
• Sejas atpazīšana: Emocionālo reakciju novērtēšanā var palīdzēt arī sejas izteiksmes novērošana video mijiedarbībā. Šo tehnoloģiju arvien biežāk izmanto klientu pieredzes izpētē un produktu testēšanā. Uzņēmumi var reāllaikā novērtēt reakciju uz reklāmu, produktu demonstrējumiem un pārdošanas piedāvājumiem.
• Sociālā klausīšanās: Tiešsaistes sarunu monitorings sociālajos medijos, forumos un ziņu vietnēs sniedz pietiekami daudz materiālu. Tas var būt lielisks sabiedrības uztveres rādītājs, kas ļauj apzināt zīmolu vai produktu un proaktīvi risināt ar to saistītās problēmas. Sociālās klausīšanās rīki, piemēram, Sprout Social un Chattermill, var izveidot struktūru, lai nepārtraukti analizētu noskaņojuma izmaiņas un tām sekotu.

Novirzes, no kurām jāizvairās, veicot noskaņojuma analīzi

Klientu noskaņojuma dati var būt maldinoši, ja tos pienācīgi neanalizējat. Daudzi uzņēmumi nesaskata mežu koku vietā un dodas nepazīstamā apvidū bez atbilstošas informācijas par teritoriju.

• Datu avota novērtējums: Vienmēr paturiet prātā datu izcelsmi un kontekstu, kādā tie iegūti. Piemēram, apmeklējot subredītu ar sarkastisku vai komisku saturu, var iegūt sliktus datus vai vismaz mainīt noskaņojuma virzienu.
• Algoritmu pārredzamība: Algoritmi var izplūdināt konkrēta satura kontekstu. Piemēram, visvairāk izplatītais viedoklis tiešsaistē var būt naidīgākais vai uzmanību piesaistošākais, taču tas var neatspoguļot vairākuma viedokli. Tas ir saistīts ar ekspozīcijas aizspriedumiem, kad saskarsme ar noteiktām lietām var likt domāt, ka tās ir izplatītākas, nekā patiesībā ir.
• Lingvistiskā neskaidrība: Galvenā problēma ir valodas neskaidrība, jo vārdiem var būt dažādas nozīmes atkarībā no konteksta. Tas var novest pie nepareizas noskaņojuma interpretācijas un apgrūtināt analīzi.
• Kultūras aizspriedumi: Kultūras atšķirības var būt šķērslis noskaņojuma analīzei, ja noskaņojuma izpausmes dažādās demogrāfiskajās grupās atšķiras. Šī neobjektivitāte var izpausties kā attieksme pret dažādām valstīm vai valodām ar nekonsekventiem vai nepiemērojamiem standartiem, vai pat starp vecuma grupām un subkultūrām.