Twitter se může pochlubit 330 miliony aktivních uživatelů měsíčně, což podnikům umožňuje oslovit široké publikum a spojit se se zákazníky bez zprostředkovatelů. Na druhou stranu, existuje tolik informací, že je pro značky těžké rychle odhalit negativní sociální zmínky, které by mohly poškodit jejich podnikání.

proto se analýza sentimentu, která zahrnuje sledování emocí v konverzacích na platformách sociálních médií, stala klíčovou strategií marketingu sociálních médií.

analyzujte sentimenty na Twitteru v reálném čase

poslech toho, jak se zákazníci cítí na Twitteru, umožňuje společnostem porozumět jejich publiku, udržet si přehled o tom, co se říká o jejich značce a jejich konkurentech, a objevovat nové trendy v oboru.

v této příručce se dozvíte, jak můžete pomocí nástrojů pro analýzu sentimentu poslouchat své zákazníky na Twitteru, a postupujte podle našeho návodu, jak provádět analýzu sentimentu v několika jednoduchých krocích.

  • Co Je Analýza Sentimentu?
  • jak to udělat Twitter Sentiment analýza: Tutorial
  • Twitter Sentiment Analýza Případy Použití

Co Je Sentiment Analýza?

analýza sentimentu je automatizovaný proces identifikace a klasifikace subjektivních informací v textových datech. Může to být názor, úsudek nebo pocit konkrétního tématu nebo funkce produktu.

nejběžnějším typem analýzy sentimentu je „detekce polarity“ a zahrnuje klasifikaci výroků jako pozitivních, negativních nebo neutrálních. Model analýzy sentimentu polarity, například, automaticky označí tento tweet jako pozitivní:

 Twitter komentář příklad ukazující sentiment: "Láska novou funkci zabezpečení".

Test s vlastním textem

výsledky

TagConfidence
Positive98.9%

analýza sentimentu používá zpracování přirozeného jazyka (NLP) k pochopení lidského jazyka a strojové učení k automatickému poskytování přesných výsledků.

Připojte nástroje pro analýzu sentimentu přímo k vašim sociálním platformám, abyste mohli sledovat své tweety, jak a kdy přijdou, 24/7, a získejte aktuální informace z vašich sociálních zmínek.

jak provést analýzu sentimentu na datech Twitter

provedení analýzy sentimentu na datech Twitter zahrnuje pět kroků:

  1. Shromážděte relevantní data Twitteru
  2. vyčistěte svá data pomocí technik předběžného zpracování
  3. Vytvořte model strojového učení pro analýzu sentimentu
  4. analyzujte svá data na Twitteru pomocí modelu analýzy sentimentu
  5. vizualizujte výsledky své analýzy sentimentu na Twitteru

v této části vysvětlíme každou z těchto fází a poskytneme nástroje pro kodéry i kodéry, abyste mohli začít s analýzou sentimentu hned.

Shromážděte data Twitteru

je důležité, aby vaše data Twitteru byla reprezentativní pro to, co se snažíte zjistit, protože je budete používat:

  • trénujte svůj model analýzy sentimentu
  • otestujte, jak si váš model vede na datech Twitteru

měli byste také zvážit typ tweetů, které chcete analyzovat:

  • aktuální Tweety: užitečné pro sledování klíčových slov nebo hashtagů v reálném čase.

  • historické Tweety: užitečné pro porovnání sentimentů v různých obdobích.

nyní se pravděpodobně ptáte, jak extrahovat data z Twitteru, pokud ji ještě nemáte uloženou v helpdesku nebo v souboru aplikace Excel. Existují různé způsoby, jak to udělat. Podívejme se blíže na některé z možností:

Vytvořte Zap v Zapier

Zapier je platforma, která umožňuje různým týmům (marketing, HR, zákaznická podpora, produkt atd.) Je to vynikající pro netechnické uživatele, protože pro shromažďování tweetů nemusíte psát jediný řádek kódu.

Chcete-li vytvořit automatizovaný pracovní postup na Zapier (Zap), stačí vybrat jednu aplikaci jako spouštěč(bude to aplikace, ze které budete extrahovat data) a další aplikaci (nebo aplikace) jako akci (kde budou data odeslána).

řekněme, že chcete extrahovat tweety, které zmiňují vaši značku v reálném čase. Zapier můžete použít k připojení Twitteru k Tabulkám Google a shromažďování tweetů, jakmile Zap zjistí vaši značku v tweetech:

kroky k nastavení Twitteru jako spouštěcí aplikace při vytváření Zap.

jděte o krok dále a připojte Zapier s MonkeyLearn, abyste automaticky provedli analýzu sentimentu na příchozích datech Twitteru. Naučte se, jak vytvořit Zap pro analýzu sentimentu pomocí MonkeyLearn.

Připojte Twitter Data s IFTTT

IFTTT znamená „pokud to, pak to“. Stejně jako Zapier vám tento nástroj umožňuje připojit se k různým aplikacím, abyste mohli nastavit akci, pokud jsou splněna určitá kritéria. Použijte jej k získání dat Twitter s nulovými řádky kódu.

Sledujte data Twitteru pomocí exportu tweetu

Export tweetu umožňuje sledovat klíčové slovo, hashtag nebo účet v reálném čase nebo vyhledávat Historická data. Bezplatná verze má však omezení a doporučujeme upgradovat, abyste plně využili výhody platformy.

Stáhněte si svá Data pomocí Tweet Download

Tweet Download umožňuje stahovat tweety z vašeho vlastního účtu spolu s odpověďmi a zmínkami. To je užitečné zejména pro značky, které chtějí sledovat, který obsah funguje nejlépe s uživateli, jaké jsou hlavní věci, které uživatelé tvrdí o svém produktu atd.

použijte Twitter API

Twitter API umožňuje přístup a interakci s veřejnými daty Twitter.

pomocí rozhraní Twitter Streaming API se můžete připojit k datovým proudům Twitter a shromažďovat tweety obsahující klíčová slova, zmínky o značce a Hashtagy nebo sbírat tweety od konkrétních uživatelů.

použijte standardní vyhledávací API pro získání historických tweetů publikovaných až před 7 dny. Alternativy zahrnují historical search API (jako Historical PowerTrack a Full-Archive Search), které mohou sbírat tweety již od roku 2006.

Spojte se s Tweepy

Tweepyje snadno použitelná Knihovna Pythonu pro přístup k rozhraní Twitter API. Začněte s Tweepy s tímto tutoriálem nebo dicover další populární knihovny, které můžete použít s Twitter API:

  • Python: Twython, Python Twitter nástroje, python-twitter,
  • rubín: Twitter Ruby Gem
  • uzel: twit
  • PHP: twitter-api-php

připravte si Data

jakmile shromáždíte tweety, které potřebujete pro analýzu sentimentu, budete muset připravit svá data. Data sociálních médií jsou nestrukturovaná a je třeba je před použitím vyčistit, aby se vytvořil model analýzy sentimentu – kvalitní data povedou k přesnějším výsledkům.

předzpracování datové sady Twitter zahrnuje řadu úkolů, jako je odstranění všech typů irelevantních informací, jako jsou emodži, speciální znaky a další prázdná místa. Může také zahrnovat vylepšení formátu, odstranění duplicitních tweetů nebo tweetů, které jsou kratší než tři znaky.

podívejte se na tuto příručku, Jak připravit vaše data.

Vytvořte Twitter Sentiment Analysis Model

MonkeyLearn je platforma strojového učení, která usnadňuje vytváření a implementaci analýzy sentimentu. Můžete začít hned s jedním z předem vyškolených modelů analýzy sentimentu nebo si můžete vycvičit vlastní pomocí svých dat Twitter.

Ať tak či onak, přihlaste se do MonkeyLearn a získejte přístup k předem vyškoleným modelům a staviteli modelů.

poté postupujte podle tohoto tutoriálu a proveďte analýzu sentimentu na svých datech Twitter.

Twitter Sentiment Analýza Tutorial

1. Vyberte typ modelu

přejděte na řídicí panel MonkeyLearn, poté klikněte na tlačítko v pravém rohu: „vytvořit model“ a poté zvolte „klasifikátor‘:

monkeylearn ' s sentiment analysis builder: vyberte model

2. Rozhodněte se, jaký typ klasifikace chcete provést

ze seznamu Typ klasifikátoru; klikněte na ‚analýza sentimentu‘:

monkeylearn

3. Import dat Twitter

data, která importujete, budou vaše tréninková data, která se používají k trénování vašeho modelu strojového učení. Nahrajte data Twitteru ze souboru CSV nebo Excel a poté vyberte sloupce, které chcete použít:

Model builder: krok k importu dat Twitter nahráním souboru Excel nebo CSV

Model builder: krok k výběru sloupce dat Twitter, které chcete analyzovat

5. Tag data Chcete-li trénovat svůj klasifikátor

nyní je čas trénovat svůj model analýzy sentimentu tím, že ručně označíte každý z tweetů jako pozitivní, negativní nebo neutrální na základě polarity stanoviska. Po označení prvních tweetů začne model vytvářet vlastní předpovědi. Můžete je opravit, pokud odpověď není správná:

 jak označit a trénovat svůj model analýzy sentimentu k detekci emocí v tweetech

6. Otestujte si svůj klasifikátor

jakmile jste vyškolili svůj model s několika příklady, můžete vložit své vlastní texty a zjistit, jak jej klasifikuje model analýzy sentimentu:

testování sentiment analyzer zjistit, zda kategorizuje tweety správně

MonkeyLearn poskytuje různé statistiky pro měření výkonu vašeho sentiment analýza klasifikátoru. Jedná se o přesnost, skóre F1, přesnost a odvolání. Můžete také najít cloud klíčových slov Twitter s nejčastějšími termíny pro každý sentiment.

pokud nejste schopni zobrazit všechny statistiky, může to znamenat, že musíte označit více dat. V tomto případě například model vyžaduje více tréninkových údajů pro kategorii negativní:

skóre sentimentu a výsledky, které vám ukážou, jak váš klasifikátor sentimentu provádí

mějte na paměti, že čím více údajů o školení označíte, tím přesnější bude váš klasifikátor. Dalším způsobem, jak zlepšit přesnost vašeho modelu, je zkontrolovat všechny falešně pozitivní a falešné negativy a znovu označit nesprávné. Zde je návod:

seznam tweetů a jejich odpovídající značky polarity

analyzujte svá data Twitter pro Sentiment

Nyní máte model analýzy sentimentu, který je připraven analyzovat tuny tweetů! Dalším krokem je integrace dat Twitteru, která chcete analyzovat, s modelem analýzy sentimentu, který jste právě vytvořili. Existují tři způsoby, jak to udělat s MonkeyLearn:

  • analýza šarží: Přejděte na „šarže“ a nahrajte soubor CSV nebo Excel s novými neviditelnými tweety. Klasifikátor zpracuje všechny tweety a poskytne nový soubor s výsledky analýzy sentimentu.
  • integrace: k dispozici je několik integrací, které můžete použít k analýze nových dat pomocí vašeho modelu analýzy sentimentu. Můžete například použít tabulky Google jako vstup pro vaše data nebo Zapier pro připojení dat Twitter k MonkeyLearn.

dostupné integrace: Zapier, Rapidminer, Google Sheets, Zendesk

  • MonkeyLearn ‚ s API: pokud víte, jak kódovat, můžete volat nástroje monkeylearn pro analýzu sentimentu v Pythonu (a dalších programovacích jazycích) a analyzovat nové tweety.

snippet kódu API

Chcete-li se dozvědět, jak analyzovat data Twitter v Pythonu pomocí API MonkeyLearn, podívejte se na tuto příručku o provádění analýzy sentimentu v Pythonu

vizualizujte své výsledky

nástroje pro vizualizaci dat pomáhají vysvětlit výsledky analýzy sentimentu jednoduchým a efektivním způsobem.

podívejte se, jak MonkeyLearn Studio vizualizuje výsledky z analýzy sentimentu založené na aspektech na datech Twitteru. MonkeyLearn Studio je all-in-one analýza textu a vizualizace dat suite, představovat ready-made obchodní šablony.

proveďte analýzu sentimentu na datech Twitter ihned a filtrujte své výsledky v řídicím panelu MonkeyLearn, abyste mohli zdokonalovat negativní nebo pozitivní komentáře a rozhodovat na základě údajů na cestách.

monkeylearn Studio analytics dasboard zobrazující výsledky analýzy sentimentu založené na aspektech Twitter.

Mezi další populární nástroje pro vizualizaci dat patří:

  • Google Data Studio

tuto bezplatnou a jednoduchou platformu Google můžete použít k vytváření interaktivních sestav. K importu dat je k dispozici více než 100 zdrojů, včetně tabulek CSV, Excel a Google. Jakmile navrhnete vizuální zprávu, můžete ji sdílet s ostatními týmy nebo jednotlivci.

  • Looker

Jedná se o platformu pro analýzu obchodních dat vytvořenou pro správu všech druhů dat v různých oblastech společnosti. Můžete se spojit s různými databázemi a vytvářet grafy a datové tabulky. Naučte se, jak začít.

  • Tableau

definováno jako software business intelligence a analytics, Tableau vám umožňuje pracovat s velkým počtem zdrojů dat pro vytváření dynamických dashboardů a přesvědčivých vizualizací dat. Jedna z nejlepších věcí, o tablo je, že je velmi snadné použití a nevyžaduje žádné kódování dovednosti. Nabízí však různé typy produktů a některé z nich jsou zaměřeny na vývojáře.

Twitter Sentiment analýza případy použití

Twitter sentiment analýza poskytuje mnoho zajímavých příležitostí. Schopnost analyzovat tweety v reálném čase a určit sentiment, který je základem každé zprávy, přidává sledování sociálních médií nový rozměr.

zde jsou některé z nejběžnějších obchodních aplikací Twitter sentiment analysis.

monitorování sociálních médií

online pověst je jedním z nejcennějších aktiv pro značky. Špatná recenze na sociálních médiích může být pro společnost nákladná, pokud nebude zpracována efektivně a rychle.

Twitter sentiment analysis vám umožní sledovat, co se říká o vašem produktu nebo službě na sociálních médiích, a může vám pomoci odhalit rozzlobené zákazníky nebo negativní zmínky dříve, než se změní na velkou krizi.

současně může analýza sentimentu na Twitteru poskytnout zajímavé postřehy. Co mají zákazníci na vaší značce rádi? Jaké aspekty mají nejvíce negativní zmínky? Tento tweet například naznačuje, že rychlá doprava je pro tohoto zákazníka Amazonu jedním z nejcennějších aspektů:

 pozitivní tweet o Amazon Prime

analýza sentimentu založená na aspektech s Twitterem vám může ukázat, které aspekty vašeho podnikání je třeba zlepšit a co vás činí vyniknout mezi vašimi konkurenty.

zákaznický servis

Twitter se stal nezbytným kanálem pro zákaznický servis. Ve skutečnosti má rostoucí počet společností specifické týmy odpovědné za poskytování zákaznické podpory prostřednictvím této platformy sociálních médií. Rychlé odpovědi jsou klíčové, protože 60% zákazníků, kteří si stěžují na sociálních médiích, očekává odpověď do jedné hodiny.

ale jak můžete vyhodnotit výkon vaší zákaznické podpory na Twitteru? Twitter sentiment analysis umožňuje sledovat a analyzovat všechny interakce mezi vaší značkou a vašimi zákazníky. To může být velmi užitečné pro analýzu spokojenosti zákazníků na základě typu zpětné vazby, kterou obdržíte.

tento tweet například ukazuje zklamaného zákazníka po interakci s týmem zákaznické podpory Southwest Airlines:

negativní tweet o SouthWest Airlines

průzkum trhu

Twitter je hlavním zdrojem spotřebitelského vhledu. Ve skutečnosti ji lidé používají k vyjádření nejrůznějších pocitů, pozorování, přesvědčení a názorů na různá témata.

pomocí analýzy sentimentu Twitter můžete sledovat konkrétní klíčová slova a témata pro detekci trendů a zájmů zákazníků. Pochopení toho, co se potenciálním zákazníkům líbí, jaké jsou jejich chování a jak se to v průběhu času mění, je nezbytné, pokud plánujete uvést na trh nový produkt.

zde je příklad toho, jak byla analýza sentimentu Twitter použita ke sledování 4 000 tweetů, které zmiňovaly halal jídlo. Tyto informace umožnily vědcům identifikovat různé motivace pro spotřebu halal potravin a rozdělit svůj trh na různé typy spotřebitelů.

Twitter sentiment analýza může také pomoci zůstat o krok napřed před konkurencí. Identifikací bolestivých bodů konkurentů se můžete při propagaci svého podnikání zaměřit na tyto oblasti.

monitorování značky

ať už spouštíte novou funkci na své platformě, redesign webu nebo novou marketingovou kampaň, možná budete chtít sledovat reakce zákazníků na Twitteru. Přijetí opatření a provádění změn nebo vylepšení v reálném čase pomůže udržet loajalitu zákazníků.

 Tweet o nové značce MailChimp

politické kampaně

obrovská část konverzace na Twitteru se točí kolem zpráv a politiky. To z něj dělá vynikající místo pro měření veřejného mínění, zejména během volebních kampaní. Twitter Sentiment analýza může poskytnout zajímavé poznatky o tom, jak se lidé cítí o konkrétním kandidátovi (a můžete dokonce sledovat sentiment v průběhu času vidět, jak se vyvíjí).

během voleb v USA 2016 jsme provedli analýzu sentimentu Twitteru pomocí MonkeyLearn k analýze polarity zmínek o Twitteru týkajících se Donalda Trumpa a Hillary Clintonové. Nejprve jsme byli schopni spočítat počet kladných a záporných zmínek pro každého kandidáta za určitou dobu. Tento graf ukazuje Trumpovy tweety na základě sentimentu:

Trump tweet count by sentiment

naproti tomu následující graf ukazuje počet pozitivních, negativních a neutrálních zmínek pro Hillary Clintonovou:

 Clinton tweet count by sentiment

Další relevantní pohled spočíval v analýze tweetů v konkrétních termínech, například v den prezidentské debaty a pozorování negativních nebo pozitivních reakcí, jakož i hlavních klíčových slov uvedených během tohoto dne.

Začínáme s Twitter Sentiment Analysis

Sentiment analysis vám pomůže sledovat své zákazníky emoce na Twitteru a pochopit, jak se cítí. Přidává další vrstvu k tradičním metrikám používaným k analýze výkonu značek na sociálních médiích a poskytuje podnikům silné příležitosti.

Ano, můžete třídit data podle sentimentu ručně, ale co se stane, když vaše data začnou růst? Analýza sentimentu pomocí strojového učení je jednoduchá, rychlá a škálovatelná a může poskytovat konzistentní výsledky s vysokou úrovní přesnosti.

s platformou strojového učení, jako je MonkeyLearn, je snadné začít s analýzou sentimentu na Twitteru. Kontaktujte nás ještě dnes a vyžádejte si osobní demo od jednoho z našich odborníků

Napsat komentář

Vaše e-mailová adresa nebude zveřejněna.