Twitter har 330 millioner månedlige aktive brukere, noe som gjør det mulig for bedrifter å nå et bredt publikum og koble seg til kunder uten mellommenn. På ulemper er det så mye informasjon at det er vanskelig for merkevarer å raskt oppdage negative sosiale nevner som kan skade deres virksomhet.

derfor har sentimentanalyse, som innebærer å overvåke følelser i samtaler på sosiale medieplattformer, blitt en sentral strategi i sosiale medier markedsføring.

 Analyser følelser På Twitter i sanntid

Ved Å Lytte til hvordan kunder føler Seg på Twitter, kan bedrifter forstå sitt publikum, holde seg oppdatert på hva som blir sagt om deres merkevare og deres konkurrenter, og oppdage nye trender i bransjen.

i denne veiledningen lærer du hvordan du kan bruke sentimentanalyseverktøy til å lytte til kundene Dine På Twitter, og følg veiledningen vår om hvordan du utfører sentimentanalyse i bare noen få enkle trinn.

  • Hva Er Sentimentanalyse?
  • Slik Gjør Du Twitter Sentimentanalyse: Tutorial
  • Twitter Sentiment Analyse Bruk Cases

Hva Er Sentiment Analyse?

Sentimentanalyse er den automatiserte prosessen med å identifisere og klassifisere subjektiv informasjon i tekstdata. Dette kan være en mening, en dom eller en følelse om et bestemt emne eller produktfunksjon.

den vanligste typen sentimentanalyse er polaritetsdeteksjon og innebærer å klassifisere utsagn som positive, negative eller nøytrale. En polaritet sentimentanalysemodell, for eksempel, merker automatisk denne tweeten som positiv:

 Twitter kommentar eksempel viser sentiment: "Elsker den nye sikkerhetsfunksjonen".

Test med egen tekst

Resultater

TagConfidence
Positive98.9%

Sentimentanalyse bruker Naturlig Språkbehandling (Nlp) for å gi mening om menneskelig språk, og maskinlæring for automatisk å levere nøyaktige resultater.

Koble sentimentanalyseverktøy direkte til dine sosiale plattformer , slik at du kan overvåke tweets når og når de kommer inn, 24/7, og få oppdatert innsikt fra dine sosiale nevner.

Slik Utfører Du Sentimentanalyse På Twitter-Dataene Dine

Å Utføre sentimentanalyse på Twitter-data innebærer fem trinn:

  1. Samle relevante Twitter-data
  2. Rengjør dataene dine ved hjelp av forbehandlingsteknikker
  3. Lag en sentimentanalyse maskinlæringsmodell
  4. Analyser Twitter-dataene dine ved hjelp av sentimentanalysemodellen
  5. Visualiser resultatene Av Twitter-sentimentanalysen

I denne delen vil vi forklare hvert av disse stadiene og gir verktøy for både kodere og ikke-kodere, slik at du kan Komme i gang med sentimentanalyse med en gang.

Samle Twitter-Data

Det er viktig At Twitter-dataene dine er representative for Det du prøver å finne ut, fordi du vil bruke Det til:

  • Tren din sentimentanalysemodell
  • Test hvordan modellen din utfører På Twitter data

Du bør også vurdere typen tweets du vil analysere:

  • Aktuelle Tweets: nyttig å spore søkeord eller hashtags i sanntid.

  • Historiske Tweets: nyttig å sammenligne følelser over ulike perioder.

Nå lurer du sikkert på hvordan du trekker ut data fra Twitter hvis du ikke allerede har det lagret i helpdesk eller I En Excel-fil. Det er forskjellige måter å gjøre dette på. La oss ta en nærmere titt på noen av alternativene:

Lag En Zap I Zapier

Zapier Er en plattform som gjør det mulig for ulike lag(markedsføring, HR, kundesupport, produkt osv.) Det er utmerket for ikke-tekniske brukere siden du ikke trenger å skrive en enkelt linje med kode for å samle tweets.

for å opprette en automatisert arbeidsflyt På Zapier (En Zap), velg bare en app som Utløser(dette vil være appen hvor du vil trekke ut data) og en annen app (eller apper) som Handlingen (hvor dataene vil bli sendt).

La oss si at du vil trekke ut tweets som nevner merkevaren din i sanntid. Du kan bruke Zapier å koble Twitter Med Google Ark og samle tweets så snart Zap oppdager merkenavnet i tweets:

Trinn for å sette Twitter som trigger app når du oppretter En Zap.

gå et skritt videre og koble Zapier Med MonkeyLearn til automatisk å utføre sentimentanalyse på innkommende Twitter-data. Lær hvordan du lager En Zap for sentimentanalyse med MonkeyLearn.

Koble Twitter-Data MED IFTTT

IFTTT betyr ‘hvis dette, så det’. Som Zapier lar dette verktøyet deg koble til forskjellige apper, slik at du kan angi en handling når visse kriterier er oppfylt. Bruk Den til å skaffe Twitter-data med null linjer med kode.

Spor Twitter-Data Med Export Tweet

Eksporter Tweet lar deg spore et søkeord, hashtag eller konto i sanntid, eller søke etter historiske data. Den gratis versjonen har imidlertid begrensninger, og vi anbefaler å oppgradere for å dra full nytte av plattformen.

Last Ned Dataene dine Med Tweet Download

Tweet Download lar deg laste ned tweets fra din egen konto, sammen med svarene og omtalene. Dette er spesielt nyttig for merker som ønsker å spore hvilket innhold som fungerer best med brukere, hva er de viktigste tingene brukerne hevder om deres produkt, etc.

Bruk Twitter API

Twitter API lar deg få tilgang til og samhandle med offentlige Twitter-data.

Bruk Twitter Streaming API for å koble Til Twitter datastrømmer og samle tweets som inneholder søkeord, merke nevner, og hashtags, eller samle tweets fra bestemte brukere.

Bruk Standard Søk API for å få historiske tweets publisert opptil 7 dager siden. Alternativer inkluderer historiske Søk Apier (Som Historisk PowerTrack og Full-Arkiv Søk), som kan samle tweets fra så tidlig som 2006.

Koble Til Tweepy

Tweepy Er et Brukervennlig Python-bibliotek for tilgang Til Twitter API. Kom I gang Med Tweepy med denne opplæringen eller dicover andre populære biblioteker du kan bruke Med Twitter API:

  • Python: Twython, Python Twitter Verktøy, python-twitter,
  • Ruby: Twitter Ruby Perle
  • Node: twit
  • PHP: twitter-api-php

Forbered Dataene Dine

Når du har samlet tweets du trenger for sentimentanalysen, må du forberede dataene dine. Sosiale medier data er ustrukturert og må rengjøres før du bruker den til å trene en sentimentanalysemodell-data av god kvalitet vil føre til mer nøyaktige resultater.

Forbehandling Av Et Twitter-datasett innebærer en rekke oppgaver som å fjerne alle typer irrelevant informasjon som emojis, spesialtegn og ekstra mellomrom. Det kan også innebære å gjøre formatforbedringer, slette dupliserte tweets eller tweets som er kortere enn tre tegn.

Sjekk ut denne veiledningen om hvordan du klargjør dataene dine.

Lag En Twitter Sentiment Analysemodell

MonkeyLearn Er en maskinlæringsplattform som gjør det enkelt å bygge og implementere sentimentanalyse. Du kan komme i gang med en av de pre-trente sentimentanalysemodellene, eller du kan trene din Egen Ved Hjelp Av Twitter-dataene dine.

uansett, registrer Deg For MonkeyLearn for å få tilgang til pre-trente modeller og modellbyggeren.

følg denne veiledningen for å utføre sentimentanalyse på Twitter-dataene dine.

Twitter Sentiment Analyse Tutorial

1. Velg en modelltype

Gå Til MonkeyLearn-dashbordet, klikk deretter på knappen i høyre hjørne: ‘Opprett en modell’, og velg Deretter ‘Klassifiserer’:

MonkeyLearn ' s sentiment analysis bygger: velg en modell

2. Bestem hvilken type klassifisering du vil gjøre

Fra listen over klassifiseringstype; klikk på ‘Sentimentanalyse’:

MonkeyLearn ' s model builder: velg en fra sentimentanalyse, emneklassifisering og intensjonsklassifisering

3. Importer Twitter-dataene dine

dataene du importerer, blir treningsdataene dine, som brukes til å trene maskinlæringsmodellen din. Last Opp Twitter-data fra EN CSV-Eller Excel-Fil, og velg kolonnene du vil bruke:

Modell byggmester: trinnet for å importere Twitter-data ved å laste opp En Excel - eller CSV-fil

Modellbygger: trinnet for å velge kolonnen Med Twitter-data du vil analysere

5. Tag data for å trene klassifikatoren din

nå er Det på tide å trene sentimentanalysemodellen din ved å manuelt merke hver av tweets Som Positiv, Negativ eller Nøytral, basert på polariteten til meningen. Etter å ha merket de første tweets, vil modellen begynne å lage sine egne spådommer. Du kan rette dem hvis svaret ikke er riktig:

 hvordan merke og trene din sentimentanalysemodell for å oppdage følelser i tweets

6. Test klassifikatoren din

når du har trent modellen din med noen få eksempler, kan du lime inn dine egne tekster for å se hvordan sentimentanalysemodellen klassifiserer den:

testing sentiment analyzer for å se om det kategoriserer tweets riktig

MonkeyLearn gir ulike statistikker for å måle ytelsen til sentimentanalyse klassifikator. Disse er nøyaktighet, F1 score, presisjon og tilbakekalling. Du kan også finne En Twitter søkeord sky med de hyppigste vilkårene for hver følelse.

hvis du ikke kan se all statistikk, kan det bety at du må merke flere data. I dette tilfellet krever modellen for eksempel mer treningsdata For Kategorien Negativ:

sentiment score og resultater for å vise deg hvordan sentimentklassifiseringen din utfører

Husk at jo mer treningsdata du merker, desto mer nøyaktig blir klassifikatoren din. En annen måte å forbedre nøyaktigheten av modellen er å sjekke alle falske positiver og falske negativer og re-tag de feilaktige. Her er hvordan:

en liste over tweets og tilhørende polaritetskoder

Analyser Twitter-Dataene Dine For Følelser

Nå har du en sentimentanalysemodell som er klar til å analysere tonnevis av tweets! Det neste trinnet er å integrere Twitter-dataene du vil analysere med sentimentanalysemodellen du nettopp opprettet. Det er tre måter å gjøre Dette Med MonkeyLearn:

  • Batch Analyse: Gå til ‘Batch’ og laste opp EN CSV Eller En Excel-Fil med nye, usett tweets. Klassifikatoren vil behandle alle tweets og gi en ny fil med resultatene av sentimentanalysen.
  • Integrasjoner: Det finnes flere integrasjoner du kan bruke til å analysere nye data med sentimentanalysemodellen din. Du kan for Eksempel bruke Google Regneark som inndata for dataene dine eller Zapier for å koble Twitter-data til MonkeyLearn.

tilgjengelige integrasjoner: Zapier, Rapidminer, Google Sheets, Zendesk

  • Monkeylearns API: hvis Du vet hvordan du skal kode, kan Du ringe Monkeylearns sentimentanalyseverktøy I Python (og andre programmeringsspråk) for å analysere nye tweets.

API - kodebiten

for å lære hvordan du analyserer Twitter-dataene dine I Python ved Hjelp Av Monkeylearns API, sjekk ut denne veiledningen for å utføre sentimentanalyse I Python

Visualiser Resultatene Dine

datavisualiseringsverktøy bidrar til å forklare sentimentanalyseresultater på en enkel og effektiv måte.

Ta en titt på Hvordan MonkeyLearn Studio visualiserer resultater fra en aspektbasert sentimentanalyse på Twitter-data. MonkeyLearn Studio er en alt-i-ett tekstanalyse og datavisualisering suite, med ferdige forretnings maler.

Utfør sentimentanalyse på Twitter-dataene dine med en gang, og filtrer resultatene dine i Monkeylearns dashbord, slik at du kan finpusse på negative eller positive kommentarer og ta databaserte beslutninger når du er på farten.

 MonkeyLearn Studios analysetavle som viser resultatene av en aspektbasert Twitter-sentimentanalyse.

Andre populære datavisualiseringsverktøy inkluderer:

  • Google Data Studio

du kan bruke Denne gratis Og enkle Google-plattformen til å lage interaktive rapporter. Det er mer enn 100 kilder tilgjengelig for å importere dataene dine, inkludert CSV, Excel og Google Regneark. Når du har utformet den visuelle rapporten, kan du dele den med andre team eller enkeltpersoner.

  • Looker

dette er en forretningsdataanalyseplattform, opprettet for å administrere alle slags data innenfor de ulike områdene i et selskap. Du kan koble til forskjellige databaser og lage diagrammer og datatabeller. Lær hvordan du kommer i gang.

  • Tableau

Tableau Lar deg arbeide med et stort antall datakilder for å lage dynamiske dashbord og overbevisende datavisualiseringer. En av De beste tingene Med Tableau er at det er veldig enkelt å bruke og krever ingen kodingsferdigheter. Det tilbyr imidlertid ulike typer produkter, og noen av dem er rettet mot utviklere.

Twitter Sentiment Analyse Bruk Cases

Twitter sentiment analyse gir mange spennende muligheter. Å kunne analysere tweets i sanntid, og bestemme følelsen som ligger til grunn for hver melding, gir en ny dimensjon til overvåking av sosiale medier.

Her er noen av De vanligste forretningsapplikasjoner Av Twitter sentiment analyse.

Overvåking Av Sosiale Medier

online omdømme er en av de mest dyrebare eiendelene for merkevarer. En dårlig anmeldelse på sosiale medier kan være kostbart for et selskap hvis det ikke håndteres effektivt og raskt.

Twitter sentimentanalyse lar deg holde oversikt over hva som blir sagt om produktet eller tjenesten din på sosiale medier, og kan hjelpe deg med å oppdage sint kunder eller negative nevner før de blir til en stor krise.

Samtidig Kan Twitter sentimentanalyse gi interessant innsikt. Hva liker kundene med merkevaren din? Hvilke aspekter får de mest negative nevnene? Denne tweeten indikerer for eksempel at fast shipping er en av de mest verdsatte aspektene for Denne Amazon-kunden:

 Positiv tweet Om Amazon Prime

Aspektbasert sentimentanalyse med Twitter kan vise deg hvilke aspekter av virksomheten din som må forbedres og hva som gjør at Du skiller deg ut blant konkurrentene dine.

Kundeservice

Twitter har blitt en viktig kanal for kundeservice. Faktisk har et økende antall selskaper spesifikke lag med ansvar for å levere kundestøtte via denne sosiale medieplattformen. Raske svar er nøkkelen siden 60% av kundene som klager på sosiale medier forventer et svar innen en time.

men hvordan kan du evaluere ytelsen til kundesupporten Din På Twitter? Twitter sentiment analysis lar deg spore og analysere alle interaksjoner mellom din merkevare og dine kunder. Dette kan være svært nyttig for å analysere kundetilfredshet basert på typen tilbakemelding du mottar.

denne tweeten viser for eksempel en skuffet kunde etter en interaksjon med Southwest Airlines kundesupportteam:

Negativ tweet Om SouthWest Airlines

Markedsundersøkelser

Twitter er en viktig kilde til forbrukerinnsikt. Faktisk bruker folk det til å uttrykke alle slags følelser, observasjoner, tro og meninger om en rekke emner.

Du kan bruke Twitter sentimentanalyse til å spore bestemte søkeord og emner for å oppdage kundetrender og interesser. Forstå hva ting potensielle kunder liker, hva deres atferd er, og hvordan dette endres over tid er viktig hvis du planlegger å lansere et nytt produkt.

Her er et eksempel på Hvordan Twitter sentimentanalyse ble brukt til å overvåke 4000 tweets som nevnte halalmat. Denne informasjonen tillot forskere å identifisere ulike motivasjoner for halal matforbruk og segmentere markedet i ulike typer forbrukere.

Twitter sentimentanalyse kan også hjelpe deg å holde deg ett skritt foran konkurrentene. Ved å identifisere konkurrenters smertepunkter, kan du fokusere på disse områdene når du markedsfører virksomheten din.

Merkevareovervåking

enten du lanserer en ny funksjon på plattformen din, et nettstedredesign eller en ny markedsføringskampanje, vil du kanskje spore kundereaksjoner På Twitter. Å handle og gjøre endringer eller forbedringer i sanntid vil bidra til å opprettholde kundelojalitet.

Tweet Om Mailchimps nye merkevarebygging

Politiske Kampanjer

en stor del Av Twitter-samtalen dreier seg om nyheter og politikk. Det gjør det til et utmerket sted å måle den offentlige mening, spesielt under valgkampanjer. Twitter Sentimentanalyse kan gi interessant innsikt i hvordan folk føler om en bestemt kandidat (og du kan til og med spore følelser over tid for å se hvordan det utvikler seg).

under VALGET I USA 2016 utførte Vi Twitter sentimentanalyse ved Hjelp Av MonkeyLearn for å analysere polariteten Til Twitter-nevner relatert Til Donald Trump og Hillary Clinton. Først, vi var i stand til å telle antall positive og negative nevner for hver kandidat i en periode. Denne grafen viser Trumps tweets basert på følelser:

Trump tweet count by sentiment

i kontrast viser følgende graf antall positive, negative og nøytrale nevner For Hillary Clinton:

Clinton tweet count by sentiment

En annen relevant innsikt besto av å analysere tweets på bestemte datoer, for eksempel på dagen for presidentdebatten og observere negative eller positive reaksjoner, samt de viktigste søkeordene nevnt i løpet av den dagen.

Kom I Gang Med Twitter Sentimentanalyse

Sentimentanalyse hjelper deg med å overvåke kundenes følelser På Twitter og forstå hvordan de føler. Det legger et ekstra lag til de tradisjonelle beregningene som brukes til å analysere ytelsen til merkevarer på sosiale medier, og gir bedrifter kraftige muligheter.

ja, du kan sortere data etter sentiment manuelt, men hva skjer når dataene begynner å vokse? Sentimentanalyse med maskinlæring er enkel, rask og skalerbar, og kan gi konsistente resultater med høy nøyaktighet.

med en maskinlæringsplattform som MonkeyLearn, er Det enkelt å komme i gang Med Twitter sentimentanalyse. Kontakt oss i dag og be om en personlig demo fra en av våre eksperter

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert.