Analyser sentiment i tilbakemelding fra kunder (forhåndsversjon)

[Denne artikkelen inneholder dokumentasjon for forhåndsversjonen og kan bli endret.]

Sentimentanalyse gjør at du kan syntetisere kundesentiment og identifisere forretningsaspekter som forbedringsmuligheter. Denne funksjonen hjelper deg å forstå hva som fungerer bra, og hva som må endres. Den kan deg med forretningshandlinger som gir kunder opplevelser som gjør dem mer fornøyde og lojale.

Viktig

• Dette er forhåndsversjonsfunksjon.
• Evalueringsfunksjonalitet er ikke ment for produksjonsbruk og kan ha begrensninger. Disse funksjonene er tilgjengelige før en offisiell utgivelse, slik at kunder kan få tidlig tilgang og gi tilbakemeldinger.

Oversikt

Funksjonen for sentimentanalyse genererer to utledede innsikter per kunde-ID. En sentimentpoengsum (fra -5 til 5) og en liste over aktuelle forretningsaspekter (forretningsområder) som sammen bidrar til å tydeliggjøre tilbakemeldingen fra kundene.

Denne analysen hjelper deg med følgende:

• få en oversikt over kundesentimenter overfor et merke eller en organisasjon
• identifisere kunder med negativt sentiment for å fokusere kampanjene og engasjementene og optimalisere for høyere avkastning
• identifisere forretningsaspekter med problemer som kunder har påpekt
• segmentere kunder basert på sentiment for å kjøre tilpassede kampanjer med målrettet salg, markedsføring og kundestøtte
• optimalisere forretningsdrift ved å håndtere problemområder eller salgsmuligheter som kunder har nevnt
• gjenkjenne forretningsaspekter som gjør det bra, og belønne fornøyde kunder gjennom lojalitets- og tilbudsprogrammer

Modellen inneholder en liste over ord som påvirket modellens beslutning om å tilordne en bestemt sentimentpoengsum eller et bestemt forretningsaspekt til tilbakemeldingskommentarer.

Vi bruker to modeller for naturlig språkbehandling (NLP): Den første tilordner hver tilbakemeldingskommentar til en sentimentpoengsum. Den andre modellen knytter hver tilbakemelding til alle aktuelle forretningsaspekter. Modellene er opplært på offentlige data fra kilder på tvers av sosiale medier, detaljhandelsbransjen, restaurantbransjen, forbrukerprodukter og bilindustrien.

Forhåndsdefinerte forretningsaspekter som modellen knytter til tilbakemeldingsdata, omfatter følgende:

• Kontoadministrasjon
• Utsjekking og betaling
• Kundestøtte
• Henting i butikken
• Pakkelevering og -henting
• Forhåndsbestilling
• Pris
• Personvern og sikkerhet
• Kampanjer og belønninger
• Kvittering og garanti
• Returbytte og annullering
• Fullføringsnøyaktighet
• Nettsteds-/appkvalitet

Merk

Vi støtter for øyeblikket bare sentimentanalyse på engelsk tilbakemelding fra kunder. Vi kommer til å støtte flere språk senere. Hvis tilbakemelding på andre språk lastes opp, returnerer modellen likevel resultater. Disse resultatene er imidlertid ikke nøyaktige.

Forutsetning

• Minst Bidragsyter-tillatelser
• Enhetlig teksttilbakemeldingsdata. Vi anbefaler på det sterkeste at du konfigurerer tabellene for tilbakemeldingsdata som aktivitetstabeller av semantisk type (tilbakemeldingstype).
• Enhetlig kunde-ID (UCID) fra datasamling for å samsvare oppføringer for teksttilbakemeldingsdata med en enkeltkunde.
• Tilbakemeldings-ID
• Tidsstempel for tilbakemelding
• Tilbakemeldingstekst

Dynamics 365 Customer Insights - Data kan behandle opptil 10 millioner tilbakemeldingsoppføringer i én kjøring av modellen. Modellen kan analysere tilbakemeldingskommentarer på opptil 128 ord. Hvis en tilbakemeldingskommentar er lengre, tar analysen bare hensyn til de første 128 ordene.

Merk

Det er bare én tilbakemeldingstabell som kan konfigureres. Hvis det finnes flere tilbakemeldingstabeller, kan du kombinere dem i Power Query før datainntak begynner.

Konfigurere en sentimentanalyse

1. Gå til Innsikt>Prediksjoner.

2. Velg Bruk modell på flisen Kundesentimentanalyse (forhåndsversjon) i Opprett-fanen.

3. Velg Kom i gang.

4. Gi analysen et Navn, og oppgi Navn på utdatatabell for forretningsaspekt og Navn på utdatatabell for sentimentpoengsum.

5. Velg Neste.

6. Velg Legg til data for Kundetilbakemelding.

7. Velg den semantiske aktivitetstypen Tilbakemelding som inneholder tilbakemeldingsdataene. Hvis aktiviteten ikke er konfigurert, velger du her og oppretter den.

   

8. Velg aktivitetene du vil bruke for denne sentimentanalysen, og velg deretter Neste.

9. Tilordne attributtene i dataene til modellattributtene.

10. Velg Lagre.

11. Velg Neste. Trinnet Se gjennom og kjør viser et sammendrag av konfigurasjonen og lar deg gjøre endringer før du oppretter analysen.

12. Velg Rediger i et av trinnene for å se gjennom og gjøre endringer.

13. Hvis du er fornøyd med valgene, velger du Lagre og kjør for å begynne å kjøre modellen. Velg Ferdig. Fanen Mine prediksjoner vises mens prediksjon opprettes. Det kan ta flere timer før prosessen er fullført, avhengig av mengden data som brukes i forutsigelsen.

Tips

Det finnes statuser for oppgaver og prosesser. De fleste prosesser avhenger av andre oppstrømsprosesser, for eksempel datakilder og oppdatering av dataprofilering.

Velg statusen for å åpne Fremdriftsdetaljer-ruten og vise fremgangen for oppgaver. Hvis du vil avbryte jobben, velger du Avbryt jobb nederst i ruten.

Under hver oppgave kan du velge Se detaljer for mer fremdriftsinformasjon, for eksempel behandlingstid, siste behandlingsdato og eventuelle relevante feil og advarsler som er tilknyttet oppgaven eller prosessen. Velg Vis systemstatus nederst i panelet for å vise andre prosesser i systemet.

Vis analyseresultater

1. Gå til Innsikt>Prediksjoner.

2. I fanen Mine prediksjoner velger du prediksjonen du vil vise.

Det finnes to faner med resultater.

Sammendrag-fanen

Det er fire hoveddeler med data på resultatsiden.

• Gjennomsnittlig sentimentpoengsum: Sentimentpoengsummer hjelper deg å forstå det generelle sentimentet for alle kunder.

  • Negativ (-5 > 2)
  • Nøytral (-1 > 1)
  • Positiv (2 > 5)

  

• Distribusjon av kunder etter sentimentpoengsum: Kunder kategoriseres i negative, nøytrale og positive grupper basert på sentimentpoengsummene. Hold musepekeren over stolpene i histogrammet for å vise antall kunder og gjennomsnittlig sentimentpoengsum i hver gruppe. Disse dataene kan hjelpe deg å opprette kundesegmenter basert på sentimentpoengsummene deres.

  

• Gjennomsnittlig sentimentpoengsum over tid: Kundesentimentet kan endres over tid. Vi viser trender i kundenes sentimenter i tidsrommet dataene dine er i. Denne visningen hjelper deg å måle virkningen av sesongbaserte kampanjer, produktlanseringer eller andre tidsbundne inngrep i kundesentimentet. Se diagrammet ved å velge interesseåret på rullegardinmenyen.

  

• Sentiment på tvers av forretningsaspekter: Gjennomsnittlig sentiment på tvers av forretningsaspekter hjelper deg å finne ut hvilke aspekter ved virksomheten kunder allerede er fornøyd med, eller som krever mer oppmerksomhet. Tilbakemeldingsoppføringer som ikke passer under noen av de støttede forretningsaspektene, kategoriseres under Andre. Sorter dataene ved å velge en kolonne.

  

  Velg navnet på et forretningsaspekt for å se hvordan det identifiseres av modellen:

  • Innflytelsesrike ord: De mest populære ordene som påvirket identifiseringen til modellen for kunstig intelligens av et forretningsaspekt i tilbakemelding fra kunder. Vis støtende ord: Lar deg ta med støtende ord fra de opprinnelige tilbakemeldingsdataene fra kundene, i listen. Dette er som standard deaktivert. Maskering av støtende ord er basert på en modell for kunstig intelligens, og alle støtende ord blir kanskje ikke oppdaget. Hvis du oppdager et støtende ord som ikke ble filtrert som forventet, gir du oss beskjed.

    

  • Tilbakemeldingseksempler: Faktiske tilbakemeldingsoppføringer i dataene. Ordene fargekodes i henhold til hvordan de påvirker identifiseringen av et forretningsaspekt.

Analysefanen Innflytelsesrike ord

Det er tre deler med mer informasjon som forklarer hvordan sentimentmodellen fungerer.

• Populære ord som bidrar til positivt sentiment: De mest populære ordene som påvirket identifiseringen til modellen for kunstig intelligens av positivt sentiment i tilbakemelding fra kunder.

• Populære ord som bidrar til negativt sentiment: De mest populære ordene som påvirket identifiseringen til modellen for kunstig intelligens av negativt sentiment i tilbakemelding fra kunder.

• Tilbakemeldingseksempler: Faktiske tilbakemeldingsoppføringer, én med et negativt sentiment og én med et positivt sentiment. Ord i tilbakemeldingsoppføringene utheves i henhold til bidraget deres til den tilordnede sentimentpoengsummen. Ord som bidrar til en positiv sentimentpoengsum, utheves i grønt. Ord som bidrar til en negativ poengsum, utheves i rødt. Velg Vis mer for å laste inn flere tilbakemeldingseksempler.

  

Vis støtende ord: Lar deg ta med støtende ord fra de opprinnelige tilbakemeldingsdataene fra kundene, i listen. Dette er som standard deaktivert. Maskering av støtende ord er basert på en modell for kunstig intelligens, og alle støtende ord blir kanskje ikke oppdaget. Hvis du oppdager et støtende ord som ikke ble filtrert som forventet, gir du oss beskjed.

Handle basert på analyseresultater

For å opprette nye kundesegmenter fra resultatsiden for sentimentanalyse velger du Opprett segmenter øverst på resultatsiden for modellen.

Mulig skjevhet

Det kan finnes mulig skjevhet i dataene du bruker til å forutsi kundesentiment, som i alle funksjoner som bruker prediktiv kunstig intelligens. Hvis du for eksempel bare samler inn tilbakemelding digitalt, kan du gå glipp av tilbakemelding fra kunder som hovedsakelig gjør forretninger med deg personlig, og påvirker resultatet av funksjonen.

Siden denne funksjonen bruker automatiserte metoder til å evaluere data og lage prediksjoner basert på disse dataene, kan den derfor brukes som en metode for profilering, slik denne termen er definert i personvernlover og -forskrifter. Din bruk av denne funksjonen til å behandle data kan være underlagt disse lovene eller forskriftene. Du har ansvaret for å sikre at bruken din av Customer Insights - Data, inkludert sentimentanalyse, er i samsvar med alle gjeldende lover og forskrifter, inkludert lover knyttet til personvern, personopplysninger, biometriske data, databeskyttelse og konfidensialitet i kommunikasjon.