AI analyseert communicatie op emotioneel niveau

De analyse van tekst op emotioneel niveau zorgt voor nieuwe inzichten. Ontdek hoe u sentimentanalyse in CRM kunt gebruiken.

Van chatbots tot zelfrijdende auto's, artificial intelligence is te vinden in veel gebieden van ons dagelijks leven. Toch hebben veel mensen vooroordelen over AI. Vaak wordt bekritiseerd dat kunstmatige intelligentie empathie mist. Dit artikel gaat daarom over het onderwerp emotionele intelligentie gerelateerd aan AI.

Inhoud

Wat is artificial intelligence?
Wat is natural language processing?
Gestructureerd versus Ongestructureerde gegevens
Deep learning zorgt voor nauwkeurigere resultaten
Sentimentanalyse in CRM
Conclusie: begrijp klanten beter met behulp van CRM-sentimentanalyse

Wat is artificial intelligence?

Artificial intelligence (AI) gaat over methoden waarmee machines een bepaald type taak kunnen uitvoeren: namelijk taken die - indien uitgevoerd door een mens - intelligentie vereisen. Deze taken omvatten ook het vermogen van taalverwerking of Natural Language Processing.

Wat is Natural language processing?

Natural language processing (NLP) - beschrijft het vermogen van kunstmatige intelligentie om taal op natuurlijke wijze te verwerken. NLP bestaat in wezen uit de volgende drie functies of verantwoordelijkheidsgebieden:

• begrip van de natuurlijke taal (spraak naar tekst)
• creëren van natuurlijke taal (tekst naar spraak)
• sentimentanalyse

NLP in het dagelijks leven

Velen gebruiken elke dag functies die alleen mogelijk zijn in deze vorm via NLP. Een populair voorbeeld hiervan is te vinden in digitale assistenten zoals Siri of Amazon's Echo Dot. Dankzij het vermogen om de natuurlijke taal te begrijpen, kunnen digitale assistenten het gesproken woord verwerken en begrijpen - ook al zijn het ongestructureerde gegevens.

Gestructureerd versus Ongestructureerde gegevens

Maar wat is precies het verschil tussen gestructureerde en ongestructureerde gegevens? Alle digitale gegevens kunnen in principe worden onderverdeeld in gestructureerde en ongestructureerde gegevens.

Wat zijn gestructureerde gegevens?

Gestructureerde gegevens zijn beschikbaar in een genormaliseerde vorm. Dit betekent dat ze eenvoudig kunnen worden opgeslagen in een rij- en kolomgeoriënteerde SQL-gebaseerde database. Ze hebben een vooraf gedefinieerd formaat waarin alle informatie kan worden geclassificeerd.

Wat zijn ongestructureerde gegevens?

Dit is niet het geval met ongestructureerde gegevens. Ze hebben een niet-genormaliseerde en dus niet-identificeerbare gegevensstructuur. Het is daarom moeilijk voor computerprogramma's om ongestructureerde gegevens te analyseren of te verwerken. Alleen het bestandstype is bekend, terwijl de ongestructureerde inhoud moeilijk te ontcijferen is door het systeem.

Mensen verwerken elke dag tonnen ongestructureerde gegevens. Dit zijn bijvoorbeeld teksten, het gesproken woord, audiobestanden of afbeeldingen.

AI en machine learning

Machine learning wordt gebruikt om kunstmatige intelligentie in staat te stellen ongestructureerde gegevens te begrijpen. Over het algemeen wordt kennis gegenereerd uit ervaring in het kader van machine learning. Het systeem leert dus van voorbeelden die het aan het einde van de leerfase kan generaliseren.

Op deze manier kan kunstmatige intelligentie ook leren natuurlijke taal te verwerken en de boodschap die het bevat te begrijpen. Het blijft echter de vraag hoe AI subjectief bepaalt - niet direct geformuleerde inhoud, zoals de stemming van een persoon.

Hoe werkt sentimentanalyse?

Aanbieders van dergelijke software vertrouwen meestal op twee basisstrategieën om AI-sentimentanalyse uit te voeren.

Sentimentanalyse met behulp van trefwoordscores

Een mogelijkheid is om bepaalde zoekwoorden een score te geven. Dienovereenkomstig krijgt het woord 'goed' bijvoorbeeld een positieve beoordeling, terwijl woorden als 'slecht' een negatieve beoordeling krijgen.

Op deze manier kan kunstmatige intelligentie meestal correct de toon identificeren waarop een eenvoudige boodschap is gebaseerd. Het wordt echter problematisch als een bericht geen van deze vooraf gedefinieerde zoekwoorden bevat. Bovendien zou ironie door de AI niet als zodanig worden herkend.
Voorbeeld: “Wauw, het product was al na drie dagen kapot. Goed gedaan, bedrijf X! ”In dit geval is het duidelijk een negatieve evaluatie van een product.

Desalniettemin zou ze de AI waarschijnlijk als positieve feedback classificeren vanwege de positieve beoordeling van de uitdrukking "goed werk".
Het wordt duidelijk dat afzonderlijke frasen correct kunnen worden geïnterpreteerd met behulp van deze methode, maar de hele context kan niet worden begrepen door de AI.

Sentimentanalyse met behulp van trefwoordscores

Een mogelijkheid is om bepaalde zoekwoorden een score te geven. Dienovereenkomstig krijgt het woord 'goed' bijvoorbeeld een positieve beoordeling, terwijl woorden als 'slecht' een negatieve beoordeling krijgen.

Op deze manier kan kunstmatige intelligentie meestal correct de toon identificeren waarop een eenvoudige boodschap is gebaseerd. Het wordt echter problematisch als een bericht geen van deze vooraf gedefinieerde zoekwoorden bevat. Bovendien zou ironie door de AI niet als zodanig worden herkend.

Voorbeeld: “Wauw, het product was al na drie dagen kapot. Goed gedaan, bedrijf X! ”In dit geval is het duidelijk een negatieve evaluatie van een product. Desalniettemin zou ze de AI waarschijnlijk als positieve feedback classificeren vanwege de positieve beoordeling van de uitdrukking "goed werk".

Het wordt duidelijk dat afzonderlijke zinnen correct kunnen worden geïnterpreteerd met behulp van deze methode, maar de hele context kan niet worden begrepen door de AI.

Sentimentanalyse met behulp van vooraf gedefinieerde categorieën

Om deze reden is er een tweede benadering, die meestal een hogere nauwkeurigheid biedt. Dit is gebaseerd op het idee dat een menselijke gebruiker eerst een bepaalde trainingsset met feedback categoriseert. Op basis van deze classificaties moet het algoritme vervolgens zelf toekomstige classificaties maken.

Sommige bedrijven doen het zelfs zonder technische ondersteuning op het gebied van stemmingsanalyse. Het is waar dat gemoedstoestanden in het algemeen beter kunnen worden gecategoriseerd door menselijke werknemers.

Dit betekent echter ook een overeenkomstige extra inspanning voor werknemers en een resulterende verhoogde middelenuitgave voor het bedrijf. Er moet dus een andere manier zijn om de nauwkeurigheid van technische sentimentanalyse te vergroten.

Deep learning zorgt voor nauwkeurigere resultaten

Deep learning modellen simuleren in wezen de cognitieve functies van het menselijk brein. In feite wordt een kunstmatig neuraal netwerk gebruikt voor deep learning. De structuur van dit netwerk is sterk gebaseerd op die van een menselijk zenuwstelsel.

Het kunstmatige neurale netwerk - of kortweg KNN - bestaat uit input- en outputneuronen en een groot aantal tussenlagen. Via deze tussenlagen kunnen inputneuronen steeds opnieuw worden gekoppeld aan outputneuronen.

De AI leert dus nieuwe relaties vergelijkbaar met mensen. Hoe meer kunstmatige intelligentiegegevens beschikbaar zijn om te leren, hoe preciezer de sfeer van een bericht kan worden bepaald.

Sentimentanalyse en de rol van deep learning

Uiteindelijk betekent dit dat de resultaten van een sentimentanalyse in de loop van de tijd steeds nauwkeuriger worden. De AI kan hele zinnen en ook complexe taalpatronen begrijpen. Ze kan zelfs omgaan met basisvormen van ironie en sarcasme.

Als de sentimentanalyse betrouwbare resultaten en evaluatie oplevert, wordt het een enorm waardevol hulpmiddel op het gebied van klantrelatiebeheer - kortweg CRM.

Sentimentanalyse in CRM

Sentimentanalyse kan op veel gebieden in de CRM-context worden gebruikt:

• product / service / service beoordelingen
• klantgesprekken
• sociale media (blogreacties, podcasts, Facebook-berichten, tweets, enz.).

Dit biedt tal van mogelijkheden voor het bedrijf om de sentimentanalyse winstgevend te gebruiken.

Sentimentanalyse in marketing

De sentimentanalyse kan bijvoorbeeld worden gebruikt om de bestaande marketingafdeling te ondersteunen. Als werknemers momenteel complexe handmatige sentimentanalyses uitvoeren, kunnen deze worden verlicht door kunstmatige intelligentie.

In marketing wordt sentimentanalyse voornamelijk gebruikt in de sociale media-omgeving. De term sociale media verwijst niet alleen naar 'conventionele' sociale netwerken zoals Facebook, maar bijvoorbeeld ook naar beoordelingen in online winkels of inzendingen op overeenkomstige forums.

Technische sentimentanalyses kunnen de gegevens van talloze bijdragen snel evalueren en patronen en relaties herkennen. Op deze manier kunnen bedrijven snel identificeren wanneer er een probleem is met een specifiek product en dienovereenkomstig reageren.

Dit is vooral belangrijk in tijden waarin sociale netwerken het dagelijkse leven van veel mensen domineren. Slechte feedback verspreidt zich binnen enkele seconden over sociale media naar de andere kant van de wereld. Als het bedrijf de negatieve feedback tijdig identificeert, kan het onmiddellijk ingrijpen.

Sentimentanalyse in klantenservice

Ook op het gebied van klantenservice kan een overeenkomstige sentimentanalyse helpen om op tijd te reageren. Het kan helpen om bijzonder ontevreden gebruikers te identificeren.

Een bepaalde prioriteit kan plaatsvinden op basis van de resultaten van de sentimentanalyse. Dit betekent dat medewerkers van de klantenservice eerst weten aan welke klant speciale aandacht moet worden besteed.

Sentimentanalyse: opportunitybeheer en PR

Op AI gebaseerde sentimentanalyses in CRM helpen bedrijven om hun klanten of hun gemeenschap beter te begrijpen. Adequaat begrip van de klant is de basis van elk succesvol bedrijf.

Als een bedrijf weet wat potentiële klanten willen en niet willen, kan het dienovereenkomstig reageren met nieuwe producten en zo een concurrentievoordeel behalen.

Het is ook uiterst relevant op het gebied van PR en perswerk om een overeenkomstig begrip van het publiek te hebben. Alleen op deze manier kunnen bedrijven voorkomen dat ze de verkeerde toon raken. In tijden van digitale transformatie kan dit snel fatale gevolgen hebben voor de reputatie van een merk.

Conclusie: klanten beter begrijpen met behulp van CRM-sentimentanalyse

Op AI gebaseerde CRM-systemen bieden volledig nieuwe kansen voor bedrijven. Vaardigheden zoals machine learning en NLP maken kunstmatige intelligentie tot een belangrijk onderdeel van het klantrelatiebeheer van een bedrijf.

Met behulp van sentimentanalyse is het mogelijk om overeenkomstige trends en ontwikkelingen in een vroeg stadium te identificeren. Enerzijds brengt dit doorslaggevende voordelen op het gebied van kansenbeheer met zich mee. Aan de andere kant kunnen bedrijven snel reageren op negatieve feedback om niet in diskrediet te komen.