18 Δεκέμβριος 2017

Μεγιστοποιώντας την απόδοση των επιχειρήσεων με την ανάλυση κειμένου.

Τι είναι οι αναλύσεις κειμένου και πώς μπορείτε να τις χρησιμοποιήσετε;

Οι αλγόριθμοι πρόβλεψης επιτρέπουν την εξέταση των τεράστιων ποσοτήτων κειμένου για τις χρήσιμες μορφές και τάσεις, σε μια διαδικασία που είναι γνωστή ως «ανάλυση  κειμένου». Ενώ η ανάλυση των δομημένων πληροφοριών στα Big Data είναι ένας εύκολος τρόπος για να ανακαλύψετε μια μεγάλη ποικιλία πραγμάτων για την επιχείρησή σας, οι αναλύσεις κειμένου εντοπίζουν πολύ πιο λεπτές αποχρώσεις ιδεών. Μπορείτε να τις χρησιμοποιήσετε για να μάθετε πώς οι πελάτες σας αισθάνονται για σας, το προϊόν σας ή την υπηρεσία σας, και συχνά το πιο σημαντικό, να μάθετε γιατί αισθάνονται με αυτόν τον τρόπο.

Οι αναλύσεις κειμένου διαχειρίζονται αδόμητα κείμενα  σε τέτοια ποσότητα που ένα ανθρώπινο ον δεν θα μπορούσε να επεξεργαστεί - και εφαρμόζει τεχνικές Big Data σε αυτά. Κατά καιρούς έχει χρησιμοποιηθεί για διάφορους σκοπούς. Για παράδειγμα, δύο διδακτορικοί φοιτητές στο Λογοτεχνικό Εργαστήριο του Στάνφορντ χρησιμοποίησαν ολόκληρο το περιεχόμενο των 2.958 μυθιστορημάτων του 19ου αιώνα, αναλύοντας τα με εργαλεία Big Data. Έδειξαν μια σειρά από ιδέες για τον πραγματικό κόσμο εκείνη την εποχή, σημειώνοντας ότι οι λέξεις που περιγράφουν την δράση και τα μέρη του σώματος έγιναν πιο διαδεδομένα, όσο ο αιώνας προχωρούσε. Οι ερευνητές κατέληξαν στο συμπέρασμα ότι η αύξηση της αστικοποίησης κατά τη διάρκεια του 19ου αιώνα έφερε πιο κοντά τους πολίτες και έκανε τα σώματα των ανθρώπων και τις πράξεις τους πιο δύσκολο να αγνοηθούν.

Υπάρχουν επίσης μια σειρά από πρακτικές συνέπειες στις επιχειρήσεις από τις αναλύσεις κειμένου όπως η διαχείριση της εμπειρίας του πελάτη, η παρακολούθηση της μάρκας, η συμμόρφωση και η επιχειρηματική ευφυΐα που έχουν όλα βελτιωθεί με τη χρήση των αναλύσεων κειμένου. Μια πρόσφατη μελέτη της Allied Market Research διαπίστωσε ότι οι μικρέμποροι είναι οι μεγαλύτεροι χρήστες αυτών των τεχνικών και αντιπροσωπεύουν το ένα τρίτο της αγοράς. Αυτοί μπορούν να χρησιμοποιήσουν τις αναλύσεις κειμένου για να ψάξουν  τον αριθμό των βασικών φράσεων σε online κριτικές  που περιγράφουν ένα χαρακτηριστικό ή στοιχείο ενός καταστήματος, ή κοιτάζοντας τα tweets και τις δημοσιεύσεις στο Facebook προκειμένου να μετρηθεί το συναίσθημα για τα κοινωνικά μέσα μαζικής ενημέρωσης.

Ένα παράδειγμα ανάλυσης κειμένου που χρησιμοποιήθηκε και είχε μεγάλη επίδραση ήταν αυτό κατά τη διάρκεια των εκλογών στις ΗΠΑ. Ο Rayid Ghani, πρώην επικεφαλής - επιστήμονας στην Accenture Technology Labs, χρησιμοποίησε ως εργαλείο μια εφαρμογή ανάλυσης κειμένου, ενώ εργαζόταν για τον Μπαράκ Ομπάμα, σε ένα project γνωστό ως Dreamcatcher. Σε αυτό το project πάρθηκαν τα δικά του λόγια. Αυτά στη συνέχεια αναλύθηκαν για να ανακαλυφθεί τι ενδιέφερε τους ψηφοφόρους και γιατί, απομονώνοντάς τις λέξεις - κλειδιά και  χρησιμοποιώντας στατιστικά μοντέλα προκείμενου να βγει κάποιο νόημα από τους εκατομμύρια ψηφοφόρους.

Εξακολουθούν να υπάρχουν προφανή προβλήματα στις αναλύσεις κειμένου. Πολλές λέξεις έχουν διαφορετικές σημασίες σε διαφορετικούς πολιτισμούς. Για παράδειγμα, η λέξη «κακός» συνήθως θα χρησιμοποιούνταν για να εκφράσει ένα αρνητικό συναίσθημα. Ωστόσο, σε μερικούς πολιτισμούς το κακό σημαίνει το καλό, έτσι τα εργαλεία ανάλυσης κειμένου δεν μπορούν να καταλήξουν και συγχέουν ένα αρνητικό συναίσθημα με αυτό που είναι πραγματικά θετικό. Για  να λειτουργήσουν οι αναλύσεις κειμένου σωστά, πρέπει να υπάρχει ένας υψηλός βαθμός πολιτιστικού πλαισίου. Για να το κατανοήσει ένας υπολογιστής αυτό, πρέπει να του δώσουμε να καταλάβει τις προσωπικές εμπειρίες του κάθε ανθρώπου. Αυτό απαιτεί έναν τεράστιο πίνακα εννοιών, τον  οποίο πολλές επιχειρήσεις, όπως η IBM, προσπαθούν να οικοδομήσουν με τον Watson υπολογιστή τους.

Πηγή: theinnovationenterprise.com