Twitter beschikt over 330 miljoen actieve gebruikers per maand, waardoor bedrijven een breed publiek kunnen bereiken en verbinding kunnen maken met klanten zonder tussenpersonen. Aan de keerzijde, er is zo veel informatie dat het moeilijk is voor merken om snel te detecteren negatieve sociale vermeldingen die hun bedrijf zou kunnen schaden.
daarom is sentimentanalyse, waarbij emoties in gesprekken op sociale mediaplatforms worden gemonitord, uitgegroeid tot een belangrijke strategie in social media marketing.
door te luisteren naar hoe klanten zich op Twitter voelen, kunnen bedrijven hun doelgroep begrijpen, op de hoogte blijven van wat er over hun merk en hun concurrenten wordt gezegd en nieuwe trends in de sector ontdekken.
in deze handleiding leest u hoe u tools voor sentimentanalyse kunt gebruiken om te luisteren naar uw klanten op Twitter en volgt u onze tutorial over het uitvoeren van sentimentanalyse in slechts een paar eenvoudige stappen.
- Wat Is Sentimentanalyse?
- Twitter-sentimentanalyse uitvoeren: Tutorial
- Twitter Sentiment Analysis Use Cases
Wat Is Sentiment Analyse?Sentimentanalyse is het geautomatiseerde proces van het identificeren en classificeren van subjectieve informatie in tekstgegevens. Dit kan een mening, een oordeel, of een gevoel over een bepaald onderwerp of product functie.
de meest voorkomende vorm van sentimentanalyse is “polariteitsdetectie” en omvat het classificeren van verklaringen als positief, negatief of neutraal. Een polariteit sentiment analysemodel, bijvoorbeeld, markeert deze tweet automatisch als positief:
Test met je eigen tekst
resultaten
Sentiment analysis maakt gebruik van Natural Language Processing (NLP) om de menselijke taal te begrijpen, en machine learning om automatisch nauwkeurige resultaten te leveren.
verbind tools voor sentimentanalyse rechtstreeks met uw sociale platforms , zodat u uw tweets 24/7 kunt volgen wanneer en wanneer ze binnenkomen en actuele inzichten kunt krijgen uit uw sociale vermeldingen.
sentimentanalyse uitvoeren op uw Twitter-gegevens
sentimentanalyse uitvoeren op Twitter-gegevens omvat vijf stappen:
- Verzamel relevante Twitter-gegevens
- maak uw gegevens schoon met behulp van voorbewerkingstechnieken
- Creëer een machine learning model voor sentimentanalyse
- Analyseer uw Twitter-gegevens met behulp van uw sentimentanalyse
- Visualiseer de resultaten van uw Twitter-sentimentanalyse
in deze sectie leggen we elk van deze fasen uit en bieden we hulpmiddelen voor zowel programmeurs als niet-programmeurs zodat u kunt beginnen met sentimentanalyse meteen.
Twitter-gegevens verzamelen
het is belangrijk dat uw Twitter-gegevens representatief zijn voor wat u probeert te achterhalen, omdat u ze gebruikt om:
- Train uw model voor sentimentanalyse
- Test hoe uw model presteert op Twitter-gegevens
u moet ook overwegen welk type tweets u wilt analyseren:
-
huidige Tweets: handig om trefwoorden of hashtags in real-time bij te houden.
-
Historische Tweets: handig om sentimenten over verschillende periodes te vergelijken.
nu vraagt u zich waarschijnlijk af hoe u gegevens uit Twitter kunt extraheren als u deze nog niet in uw helpdesk of in een Excel-bestand hebt opgeslagen. Er zijn verschillende manieren om dit te doen. Laten we eens een kijkje nemen op een aantal van de opties:
Maak een Zap in Zapier
Zapier is een platform dat verschillende teams (marketing, HR, Customer support, product, enz.) in staat stelt om de apps die ze gebruiken te verbinden, zodat ze kunnen samenwerken. Het is uitstekend voor niet-technische gebruikers, omdat je geen enkele regel code hoeft te schrijven om tweets te verzamelen.
om een geautomatiseerde workflow op Zapier (een Zap) aan te maken, kiest u gewoon een app als Trigger(dit is de app waar u gegevens uit haalt) en een andere app (of apps) Als actie (waar de gegevens worden verzonden).
stel dat u tweets wilt extraheren die uw merk in realtime vermelden. Je zou Zapier kunnen gebruiken om Twitter te verbinden met Google Spreadsheets en tweets te verzamelen zodra de Zap je merknaam in tweets detecteert:
ga een stap verder en verbind Zapier met MonkeyLearn om automatisch sentimentanalyse uit te voeren op uw inkomende Twitter-gegevens. Leer hoe u een Zap maakt voor sentimentanalyse met MonkeyLearn.
Twitter-gegevens verbinden met IFTTT
IFTTT betekent ‘als dit, dan dat’. Net als Zapier, deze tool kunt u verbinding maken met verschillende apps, zodat u een actie kunt instellen wanneer bepaalde criteria is voldaan. Gebruik het om Twitter-gegevens te verkrijgen met nul regels code.
Volg Twitter-gegevens met Export Tweet
Export Tweet stelt u in staat om een trefwoord, hashtag of account in real-time te volgen, of te zoeken naar historische gegevens. Echter, de gratis versie heeft beperkingen en we raden upgraden om ten volle te profiteren van het platform.
download uw gegevens met Tweet Download
Tweet Download stelt u in staat om de tweets van uw eigen account te downloaden, samen met de antwoorden en vermeldingen. Dit is vooral handig voor merken die willen bijhouden welke inhoud het beste werkt met gebruikers, wat zijn de belangrijkste dingen die gebruikers beweren over hun product, enz.
gebruik de Twitter API
met de Twitter API kunt u openbare Twitter-gegevens openen en ermee communiceren.
gebruik de Twitter Streaming API om verbinding te maken met Twitter-gegevensstromen en tweets te verzamelen met trefwoorden, merkvermeldingen en hashtags, of tweets te verzamelen van specifieke gebruikers.
gebruik de standaard zoek-API om historische tweets te krijgen die tot 7 dagen geleden zijn gepubliceerd. Alternatieven zijn historische zoek-API ‘ s (zoals historische PowerTrack en Full-Archive Search), die tweets kunnen verzamelen vanaf 2006.
maak verbinding met Tweepy
Tweepy is een eenvoudig te gebruiken Python-bibliotheek voor toegang tot de Twitter-API. Aan de slag met Tweepy met deze tutorial of ontdek andere populaire bibliotheken die u kunt gebruiken met de Twitter API:
- Python: Twython, Python Twitter Tools, python-twitter,
- Ruby: Twitter Ruby Gem
- Node: twit
- PHP: twitter-api-php
bereid je gegevens voor
zodra je de tweets hebt verzameld die je nodig hebt voor je sentimentanalyse, moet je je gegevens voorbereiden. Social media data is ongestructureerd en moet worden schoongemaakt voordat u het gebruikt om een sentiment analyse model te trainen – goede kwaliteit gegevens zal leiden tot meer nauwkeurige resultaten.
het voorbewerken van een Twitter-dataset omvat een reeks taken zoals het verwijderen van alle soorten irrelevante informatie zoals emoji ‘ s, speciale tekens en extra lege spaties. Het kan ook gaan om het maken van verbeteringen in de indeling, verwijderen van dubbele tweets, of tweets die korter zijn dan drie tekens.
bekijk deze handleiding over het voorbereiden van uw gegevens.
Creëer een Twitter Sentiment analyse model
MonkeyLearn is een machine learning platform dat het gemakkelijk maakt om sentiment analyse te bouwen en te implementeren. Je kunt meteen aan de slag met een van de voorgetrainde modellen voor sentimentanalyse of je kunt je eigen modellen trainen met je Twitter-gegevens.
hoe dan ook, meld u aan bij MonkeyLearn om toegang te krijgen tot de voorgetrainde modellen en de modelbouwer.
volg deze tutorial om sentimentanalyse uit te voeren op je Twitter-gegevens.
Twitter Sentiment Analysis Tutorial
1. Kies een modeltype
Ga naar het MonkeyLearn dashboard, klik dan op de knop in de rechterhoek: ‘Create a model’, en kies vervolgens ‘Classifier’:
2. Bepaal welk type classificatie u wilt uitvoeren
uit de lijst van classificatietype; klik op ‘Sentiment analyse’:
3. Importeer uw Twitter-gegevens
de gegevens die u importeert zijn uw trainingsgegevens, die worden gebruikt om uw machine learning-model te trainen. Upload Twitter-gegevens uit een CSV-of Excel-bestand en selecteer vervolgens de kolommen die u wilt gebruiken:
5. Tag data om je classifier
te trainen nu is het tijd om je sentiment analyse model te trainen, door handmatig elke tweets te taggen als positief, negatief of neutraal, op basis van de polariteit van de mening. Na het taggen van de eerste tweets, zal het model beginnen met het maken van zijn eigen voorspellingen. U kunt ze corrigeren als het antwoord niet correct is:
6. Test uw classifier
nadat u uw model hebt getraind met een paar voorbeelden, kunt u uw eigen teksten plakken om te zien hoe het sentiment analyse model classificeert:
MonkeyLearn biedt verschillende statistieken om de prestaties van uw sentiment analyse classifier te meten. Dit zijn nauwkeurigheid, F1 score, precisie en recall. U kunt ook een Twitter keyword cloud met de meest voorkomende termen voor elk sentiment.
als u niet alle statistieken kunt zien, betekent dit dat u meer gegevens moet taggen. In dit geval vereist het model bijvoorbeeld meer trainingsgegevens voor de categorie negatief:
Houd er rekening mee dat hoe meer trainingsgegevens u tag, hoe nauwkeuriger uw classifier wordt. Een andere manier om de nauwkeurigheid van uw model te verbeteren is om alle valse positieven en valse negatieven te controleren en de onjuiste opnieuw te taggen. Hier is hoe:
analyseer je Twitter-gegevens op Sentiment
nu heb je een sentimentanalysemodel dat klaar is om tonnen tweets te analyseren! De volgende stap is om de Twitter-gegevens die u wilt analyseren te integreren met het sentiment analyse model dat u zojuist hebt gemaakt. Er zijn drie manieren om dit te doen met MonkeyLearn:
- Batch analyse: Ga naar ‘Batch’ en upload een CSV-of Excel-bestand met nieuwe, ongeziene tweets. De classifier verwerkt alle tweets en levert een nieuw bestand met de resultaten van de sentimentanalyse.
- integraties: er zijn verschillende integraties beschikbaar die u kunt gebruiken om nieuwe gegevens te analyseren met uw sentimentanalysemodel. U kunt bijvoorbeeld Google Spreadsheets gebruiken als invoer voor uw gegevens of Zapier om Twitter-gegevens te verbinden met MonkeyLearn.
- API van MonkeyLearn: als je weet hoe je moet programmeren, kun je MonkeyLearn ‘ s sentiment analyse tools bellen in Python (en andere programmeertalen) om nieuwe tweets te analyseren.
om te leren hoe u uw Twitter-gegevens in Python kunt analyseren met behulp van de API van MonkeyLearn, leest u deze handleiding over het uitvoeren van sentimentanalyse in Python
Visualiseer uw resultaten
hulpmiddelen voor gegevensvisualisatie helpen de resultaten van sentimentanalyse op een eenvoudige en effectieve manier uit te leggen.
bekijk hoe MonkeyLearn Studio de resultaten visualiseert van een aspectgebaseerde sentimentanalyse op Twitter-gegevens. MonkeyLearn Studio is een alles-in-één tekst analyse en data visualisatie suite, met kant-en-klare zakelijke sjablonen.
voer direct sentimentanalyse uit op uw Twitter-gegevens en filter uw resultaten in het dashboard van MonkeyLearn, zodat u negatieve of positieve opmerkingen kunt bijschaven en onderweg gegevensgebaseerde beslissingen kunt nemen.
andere populaire hulpmiddelen voor gegevensvisualisatie zijn::
- Google Data Studio
u kunt dit gratis en eenvoudige Google-platform gebruiken om interactieve rapporten te maken. Er zijn meer dan 100 bronnen beschikbaar om uw gegevens te importeren, waaronder CSV, Excel en Google Spreadsheets. Zodra u uw visuele rapport hebt ontworpen, kunt u het delen met andere teams of individuen.
- Looker
Dit is een business data analytics platform, gemaakt om alle soorten gegevens binnen de verschillende gebieden van een bedrijf te beheren. U kunt verbinding maken met verschillende databases en grafieken en gegevenstabellen maken. Leer hoe je aan de slag gaat.
- Tableau
gedefinieerd als business intelligence en analytics software, Tableau kunt u werken met een groot aantal gegevensbronnen om dynamische dashboards en boeiende data visualisaties te creëren. Een van de beste dingen over Tableau is dat is zeer eenvoudig te gebruiken en vereist geen codering vaardigheden. Echter, het biedt verschillende soorten producten en sommige van hen zijn gericht op ontwikkelaars.
Twitter-sentimentanalyse Use Cases
Twitter-sentimentanalyse biedt vele interessante mogelijkheden. De mogelijkheid om tweets in real-time te analyseren en het sentiment te bepalen dat aan elk bericht ten grondslag ligt, voegt een nieuwe dimensie toe aan social media monitoring.
hier zijn enkele van de meest voorkomende zakelijke toepassingen van Twitter sentiment analysis.
Social Media Monitoring
Online Reputatie is een van de kostbaarste activa voor merken. Een slechte beoordeling op sociale media kan kostbaar zijn voor een bedrijf als het niet effectief en snel behandeld.
Twitter sentiment analysis stelt u in staat om bij te houden wat er wordt gezegd over uw product of dienst op sociale media, en kan u helpen boze klanten of negatieve vermeldingen op te sporen voordat ze veranderen in een grote crisis.
tegelijkertijd kan Twitter-sentimentanalyse interessante inzichten opleveren. Wat houden klanten van uw merk? Welke aspecten krijgen de meest negatieve vermeldingen? Deze tweet, bijvoorbeeld, geeft aan dat snelle verzending is een van de meest gewaardeerde aspecten voor deze Amazon klant:
Aspectgebaseerde sentimentanalyse met Twitter kan u laten zien welke aspecten van uw bedrijf moeten worden verbeterd en wat maakt u opvallen onder uw concurrenten.
klantenservice
Twitter is een essentieel kanaal voor klantenservice geworden. In feite, een groeiend aantal bedrijven hebben specifieke teams die verantwoordelijk zijn voor het leveren van customer support via Dit social media platform. Snelle antwoorden zijn belangrijk omdat 60% van de klanten die klagen op sociale media verwachten een reactie binnen een uur.
maar hoe kunt u de prestaties van uw klantenondersteuning op Twitter evalueren? Twitter sentiment analysis kunt u bijhouden en analyseren van alle interacties tussen uw merk en uw klanten. Dit kan zeer nuttig zijn om de klanttevredenheid te analyseren op basis van het type feedback dat u ontvangt.
deze tweet toont bijvoorbeeld een teleurgestelde klant na een interactie met het klantenserviceteam van Southwest Airlines:
marktonderzoek
Twitter is een belangrijke bron van inzicht voor de consument. In feite gebruiken mensen het om allerlei gevoelens, observaties, overtuigingen en meningen over een verscheidenheid aan onderwerpen uit te drukken.
u kunt Twitter sentiment analysis gebruiken om specifieke zoekwoorden en onderwerpen bij te houden om trends en interesses van klanten te detecteren. Begrijpen wat dingen potentiële klanten willen, wat hun gedrag zijn, en hoe dit verandert in de tijd is essentieel als u van plan bent om een nieuw product te lanceren.
hier is een voorbeeld van hoe de sentimentanalyse van Twitter werd gebruikt om 4.000 tweets met halal food te monitoren. Deze informatie stelde onderzoekers in staat om verschillende motivaties voor halal-voedselconsumptie te identificeren en hun markt in verschillende soorten consumenten te segmenteren.
Twitter-sentimentanalyse kan u ook helpen uw concurrentie een stap voor te blijven. Door het identificeren van concurrenten’ pijnpunten, u kunt zich richten op deze gebieden bij het bevorderen van uw bedrijf.
Brand Monitoring
of u nu een nieuwe functie op uw platform lanceert, een herontwerp van de site of een nieuwe marketingcampagne, u kunt de reacties van klanten op Twitter volgen. Het nemen van actie en het maken van wijzigingen of verbeteringen in real-time zal helpen behoud van de loyaliteit van de klant.
politieke campagnes
een groot deel van het Twittergesprek draait om nieuws en politiek. Dat maakt het een uitstekende plek om de publieke opinie te meten, vooral tijdens verkiezingscampagnes. Twitter Sentiment analyse kan interessante inzichten bieden over hoe mensen zich voelen over een specifieke kandidaat (en je zou zelfs het sentiment in de loop van de tijd kunnen volgen om te zien hoe het evolueert).Tijdens de Amerikaanse verkiezingen van 2016 hebben we met MonkeyLearn de polariteit van Twitter-vermeldingen met betrekking tot Donald Trump en Hillary Clinton geanalyseerd. Ten eerste konden we gedurende een bepaalde periode het aantal positieve en negatieve vermeldingen voor elke kandidaat tellen. Deze grafiek toont de tweets van Trump op basis van sentiment:
in tegenstelling hiermee toont de volgende grafiek het aantal positieve, negatieve en neutrale vermeldingen voor Hillary Clinton:
een ander relevant inzicht bestond uit het analyseren van de tweets op specifieke data, bijvoorbeeld op de dag van het presidentiële debat en het observeren van negatieve of positieve reacties, evenals de belangrijkste trefwoorden die tijdens die dag werden genoemd.
aan de slag met Twitter Sentiment Analysis
Sentiment analysis helpt u de emoties van uw klanten op Twitter in de gaten te houden en te begrijpen hoe ze zich voelen. Het voegt een extra laag toe aan de traditionele statistieken die worden gebruikt om de prestaties van merken op sociale media te analyseren en biedt bedrijven krachtige mogelijkheden.
Ja, u kunt gegevens handmatig sorteren op sentiment, maar wat gebeurt er als uw gegevens beginnen te groeien? Sentiment analyse met machine learning is eenvoudig, snel en schaalbaar, en kan consistente resultaten met een hoog niveau van nauwkeurigheid.
met een machine learning platform zoals MonkeyLearn, is het eenvoudig om te beginnen met Twitter sentiment analysis. Neem vandaag nog contact met ons op en vraag een gepersonaliseerde demo aan bij een van onze experts