Analýza sentimentu představuje analytickou metodu, která využívá statistiku, zpracování přirozeného jazyka (NLP) a strojové učení (ML) pro zjištění emocionálního významu komunikace.
Co se dozvíte v článku
Společnosti ji využívají k vyhodnocení zpráv od zákazníků, interakcí s centrem volání, zákaznických zpráv, onl-ine recenzí, příspěvků na sociálních sítích a dalšího obsahu. Analýza sentimentu může sledovat změny v postojích směrem k firmám, produktům a službám nebo k individuálním vlastnostem těchto produktů či služeb.
Příklady analýzy
Jedním z nejvýznamnějších příkladů analýzy sentimentu na současném internetu je Hedonometer, projekt výpočetní laboratoře Univerzity ve Vermontu. Tato skupina analyzuje každý den více než 50 milionů anglických tweetů, což je asi desetina celkového provozu Twitteru, a počítá skóre tzv. denního štěstí.
Tento přístup je výpočetně poměrně jednoduchý. Laboratoř shromáždila sadu deseti tisíc běžně používaných slov a s využitím služby Amazon Mechanical Turk nechala lidi ohodnotit každé slovo skóre štěstí na stupnici od jedné do devíti.
Neutrální slova a slova, která silně závisejí na kontextu, se odfiltrovala a zbytek se sčítá a zprůměruje, aby se zjistilo denní skóre štěstí. Seznamy slov s příslušným hodnocením skóre jsou k dispozici na webových stránkách projektu v angličtině a v devíti dalších jazycích.
Využíváte už některé z inovativních metod šifrování?
Tento přístup se „seznamem slov“ je starým způsobem analýzy sentimentu, prohlašuje Hayley Sutherland, výzkumná analytička pro konverzační AI a inteligentní zjišťování znalostí ve společnosti IDC. „Může to však být skvělé pro opravdu velké sady textu,“ vysvětluje.
Hedonometer také používá jednoduchou stupnici typu pozitivní – negativní, která je nejběžnějším typem analýzy sentimentu.
A zatímco Hedonometer používá stupnici od jedné do devíti, jiné přístupy užívají tři hodnoty – pozitivní, negativní a neutrální – nebo procentuální skóre. Podrobnější přístupy také mohou detekovat další emoce, uvádí Sutherland. „Liší se to podle nástroje,“ vysvětluje. „Smutek, rozzlobení a rozrušení jsou jedněmi z nejběžnějších.“
Společnosti mohou využít tuto podrobnou verzi analýzy sentimentu ke zjišťování, zda jsou lidé frustrovaní nebo se cítí nepříjemně.
Dalším typem analýzy sentimentu je detekce úmyslu. „Dozvídáte se, co mají v úmyslu udělat,“ popisuje. „Například ve sféře prodeje – mají, nebo nemají zájem o koupi?“
Analýza sentimentu může udělat víc než jen se podívat na prostý text. „V některých případech se využívá analýza obličeje nebo hlasové signály,“ uvádí Sutherland. „Stále častěji vidíme společnosti, které se skutečně zaměřují na emocionálně zaměřenou AI. Například díky pochopení tónu hlasu navíc ke skutečně vysloveným slovům je snáze rozlišitelné, kdy jde o sarkasmus.“
Veřejné příklady analýzy sentimentu jsou četné. Americká administrativa používala před několika lety analýzu sentimentu k vyhodnocování veřejného mínění. Projekt Světové zdravotnické organizace (WHO) zaměřený na vakcíny zase využívá analýzu sentimentu jako součást svého výzkumu, a to při sledování sociálních sítí, zpráv, blogů, Wikipedie a dalších on-line platforem.
Google Cloud zase uveřejnil své řešení Intelligent Impact Solution, které zahrnuje komponentu analýzy sentimentu, aby mohly úřady lépe zaměřit své komunikační úsilí a porozumět měnícímu se přesvědčení a chování v souvislosti s očkováním nacovid-19.
„Pomáhá to různým státům informovat o své strategii ohledně očkování proti covidu,“ popisuje Sutherland.
Základní nástroje
Základní úroveň analýzy sentimentu zahrnuje buď statistiky, nebo strojové učení založené na algoritmech učení s učitelem (supervised) nebo kombinovaných – s učitelem a bez učitele (semi-supervised).
Stejně jako u Hedonometeru zahrnuje učení s učitelem lidi, kteří ohodnotí sadu dat. Při kombinovaném učení (semi-supervised) dochází ke kombinaci automatizovaného učení a k pravidelným kontrolám, aby se zajistila správná funkce algoritmu.
Hluboké učení je dalším prostředkem, kdy se dělá analýza sentimentu. „Hluboké učení využívá mnohovrstevnaté neuronové sítě, které jsou inspirované způsobem fungování lidského mozku,“ vysvětluje Sutherland z IDC.
Tato důmyslnější úroveň analýzy sentimentu může posuzovat celé věty, a dokonce i celé konverzace, určit emoce a je možné také využití k analýze hlasu a videa.
Všichni velcí cloudoví hráči nabízejí nástroje pro analýzu sentimentu, stejně jako hlavní dodavatelé platforem pro podporu zákazníků a marketing. Dodavatelé konverzační AI také zahrnují funkce analýzy sentimentu, zmiňuje Sutherland.
Společnosti se zájmem o analýzu sentimentu by se nejprve měly co nejvíce seznámit s nástroji a technologiemi, jež už využívají, prohlašuje Boris Evelson, viceprezident a analytik společnosti Forrester Research. „Mají už nástroj pro průzkum, který obsahuje analýzu sentimentu? Platformy pro správu názorů zákazníků mohou mít základní nebo celkem slušnou analýzu sentimentu.“
Existují také univerzální analytické nástroje s analýzou sentimentu, jako je např. IBM Watson Discovery a Micro Focus IDOL.
„Firmám doporučujeme, aby se s tím seznámily, protože obvykle potřebují analýzu sentimentu v rámci zpracování a těžby obsahu dokumentů nebo procesu zážitku zákazníků,“ uvádí Evelson.
Podpora umělé inteligence
Jen málo firem si vytváří své vlastní platformy pro analýzu sentimentu. Vyžaduje to rozsáhlé interní odborné znalosti a velké trénovací datové sady. Může se to však vyplatit společnostem, které mají velmi specifické požadavky nesplnitelné existujícími platformami.
V těchto případech organizace obvykle vytvoří své vlastní nástroje s využitím knihoven open source.
Mezi NLP knihovny schopné dělat analýzu sentimentu patří HuggingFace, SpaCy, Flair a AllenNLP. Navíc některé nástroje low-code také podporují analýzy sentimentu, např. PyCaret a Fast AI.
Pro hluboké učení lze analýzu sentimentu realizovat s transformačními modely jako BERT, XLNet a GPT3. GPT3 dokonce dokáže vykonávat analýzu sentimentu bez trénovacích dat.
Pište pro Computerworld
Máte dobré nápady, máte co říct? Chcete se podělit o své znalosti se čtenáři Computerworldu?
Je tu ideální příležitost. V redakci neustále hledáme externí autory, kteří rozšíří náš záběr. Nabízíme možnost publikací zajímavých článků nejen na webu, ale také v našem tištěném magazínu.
Pokud máte zájem, ozvěte se šéfredaktorovi na e-mail: radan.dolejs@iinfo.cz
Vytvoření vlastní platformy může společnosti poskytnout výhodu vůči konkurenci, popisuje Dan Simion, viceprezident pro AI a analytiku v konzultační firmě Capgemini.
„Tento trend vidíme na trhu ve velkých organizacích,“ prohlašuje. „Pokud si koupíte stejný předpřipravený nástroj jako váš konkurent, nezískáte tím vlastně žádnou konkurenční výhodu.“
Rozhraní API a datové sady
Nejběžnější přístup společností při vytváření vlastních platforem je získání funkcí analýzy sentimentu prostřednictvím rozhraní API. Všichni hlavní poskytovatelé cloudu tuto službu nabízejí – Amazon Comprehend, Azure Cognitive Services a Google Natural Language API, abychom jmenovali alespoň ty klíčové. Také IBM Watson nabízí rozhraní API.
„Rozhodující však je, jak dobrá tato rozhraní API jsou,“ upozorňuje Simion ze společnosti Capgemini. A pak jsou zde náklady, dodává.
„Naprosto každé rozhraní API stojí nějaké peníze,“ připomíná. „Musíte zajistit, aby bylo ekonomicky výhodné tato konkrétní rozhraní API využívat. Mohlo by to však být dobré řešení pro malé a středně velké firmy.“
Přístupy strojového učení a hlubokého učení pro analýzu sentimentu vyžadují obrovské datové sady pro trénink. Komerční a veřejně dostupné nástroje často mají k dispozici velké databáze, ale mají tendenci být velmi obecné, tedy nejsou zaměřené pro specializované obory.
Chcete dostávat do mailu týdenní přehled článků z Computerworldu? Objednejte si náš mailový servis a žádná důležitá informace vám neuteče. Objednat si lze také newsletter To hlavní, páteční souhrn nejdůležitějších článků ze všech našich serverů. Newslettery si můžete objednat na této stránce.
„Skutečně potřebujete miliardy slov a příkladů, aby vznikla schopnost správně určit sentiment,“ upozorňuje Bryan Richardson, manažer ve společnosti McKinsey&Co.
Největší organizace mohou nasbírat vše potřebné svými silami, pokud na to mají dostatek času. „Pro jednu společnost, maloobchod nebo banku je ale těžké získat dostatek dat od svých vlastních zákazníků, aby na základě nich bylo možné vytvořit model,“ prohlašuje.
Nyní podle něj však nástroje jako přenos učení (transfer learning) umožňují kalibraci modelů NLP pro velmi široké korpusy s miliardami záznamů a následně je použít pro jiné účely.
To znamená, že společnost s malým množstvím tréninkových dat specifických pro danou oblast může začít pracovat s komerčním nástrojem a přizpůsobit ho pro své vlastní potřeby.
Případy použití
Nejvýznamnějším případem použití analýzy sentimentu jsou centra volání, analýza komunikace se zákazníkem a přepisy hovorů.
Pokud se například negativní sentiment zvýší po vydání nového produktu, může to být včasná indikace, že něco není v pořádku, takže se na to společnost může podívat podrobněji a pochopit, jaké funkce způsobují problémy, nebo najmout více personálu pro řešení problémů.
Jak roste podpora zákazníků využívající webové videohovory, roste také rozsah trénovacích dat pro obraz.
Stejné druhy technologií používaných k analýze sentimentu v oblasti zážitku zákazníků lze také použít pro rozbor zážitku samotných zaměstnanců. Například konzultační gigant Genpact využívá analýzy sentimentu pro svých 100 tisíc pracovníků, uvádí Amaresh Tripathy, tamější globální lídr pro analytiku.
„Používáme nástroj AI, konverzačního chatbota,“ popisuje. „Než aby lidé z personálního oddělení kontaktovali každého a ptali se, jestli je vše v pořádku a zda se cítí dostatečně podporovaní, využívá se chatbot. Zaměstnanci si pak vyberou, zda chtějí mluvit s chatbotem, nebo nikoli.“
To může pomoci společnosti najít oblasti, kde mají zaměstnanci potíže nebo necítí dostatečnou podporu. „Hledáme okruhy, kde můžeme potenciálně pomoci,“ vysvětluje. „Mluvíme o všem potřebném. A ukazuje se, že je to velmi prospěšné, protože víme, jak lidem poskytovat podporu pro ně přínosným způsobem.“
Analýzu sentimentu lze také použít pro správu obchodní značky, tedy pomoci firmě pochopit, jak různé segmenty její zákaznické základny vnímají její produkty a jak marketingové zprávy na tyto klienty lépe zaměřit.
„Je to obzvláště užitečné v oblasti vztahu s veřejností,“ prohlašuje Andy Thurai, viceprezident a analytik společnosti Constellation Research. „Chcete vědět co nejdříve, že někdo sděluje něco negativního, abyste mohli použít krizový management. Nebo když spustíte reklamní kampaň, můžete se dozvědět, zda se lidem vůbec líbí.“
Starý přístup spočíval v průzkumech a dny nebo týdny trvalo, než se data sesbírala a zanalyzovala. „Vypadá to však, že lidé vyjadřují své skutečné názory na Twitteru a na dalších místech a je škoda to nevyužít,“ dodává.
Příklad nasazení analýzy sentimentu: Podtržení důležitosti v přepisech
Většina platforem pro virtuální mítinky nabízí služby přepisu (transkripce). Ve skutečnosti je rozpoznávání řeči vestavěné do mnoha služeb nabízených společnostmi Microsoft a Google. Zoom také plánuje nabídnout živý přepis, ale zatím existují jen služby třetích stran jako např. Otter AI.
Počítačový přepis je ale jen chabou náhradou zápisu člověkem, protože je potřebný úsudek člověka k posouzení důležitosti, k odlišení prostého klábosení a k rozhodnutí o následujících krocích a k posouzení toho, kdo řekl která slova.
Jako řešení chce poskytovatel přepisů, společnost Pickle, využívat analýzu sentimentu. Její platforma užívá pro funkci přepisu AssemblyAI, rozhraní API pro převod řeči na text.
Přestože některé nástroje open source dokážou dělat analýzu sentimentu, mají tendenci se zaměřovat na identifikaci konkrétních klíčových slov, uvádí Birch Eve, výkonný ředitel společnosti Pickle. Z tohoto důvodu se společnost rozhodla vytvořit své modely strojového učení s analýzou sentimentu od základu.
Přístup firmy Pickle využívá model učení s učitelem (supervised) v kombinaci s klasifikačními algoritmy učení bez učitele (unsupervised).
Pro část s učitelem by lidé (zaměstnanci společnosti Pickle) ručně označili a klasifikovali části konverzací včetně rozlišení neformálního klábosení a důležité firemní diskuze. Také by označovali všechny části konverzace, které měly silné pozitivní či negativní emoce.
Protože se ale společnost rozrostla, přešla na platformu Scale AI za účelem dalšího označování a klasifikace. Sady tréninkových dat vzrostly na miliony konverzací, popisuje Eve, a první generace modelů měla podle typu analyzované konverzace úroveň přesnosti mezi 77 a 83 %.
„Děláme kontrolu kvality, při které se náhodně označí konverzace a zašlou se do fronty k manuálnímu zpracování – a tím ke kontrole modelu,“ popisuje. „Když něco nesedí, vrátíme se k modelu, zkontrolujeme nekonzistence a buď vyladíme data, nebo vypneme nějaké datové sady.“
Nyní se přesnost pohybuje mezi 93 a 94 %, tvrdí. Snížil se také počet variací, protože nyní se společnost zaměřuje na konverzace platformy Zoom. „Vyvolalo to větší konzistenci dat, protože většina konverzací na platformě Zoom probíhá podobným stylem,“ popisuje. „Bývá zde nějaké kratší povídání a následuje firemní jednání.“
Video ke kávě
Máte čas na rychlé a informativní video?
Klíčem k úspěchu projektů AI zahrnujících analýzu sentimentu je udržet soustředěnost, radí Eve. „Je vzrušující, když začnete dostávat data se stálou kvalitou a začnete přemýšlet o dalších možnostech, ale jsou tam i pasti, do kterých jsme se chytili,“ varuje.
„Nejlepší cestou k úspěchu je držet se při zemi a zaměřit se opravdu jen na sentiment.“
Příklad nasazení analýzy sentimentu: Využití recenzí produktu
Praxe analýzy sentimentu sahá až do doby před patnácti lety, popisuje John Dubois, ředitel společnosti Ernst&Young Technology Consulting. V tehdejší době se podle něj používal přístup „seznamu slov“, který jen sečetl výskyty konkrétních slov z konverzace, z příspěvku na sociálních sítích, novinového článku nebo z recenze produktu.
„Výsledkem bylo pozitivní, či negativní hodnocení,“ popisuje. Od té doby se to ale dost změnilo. Strojové učení organizacím pomáhá lépe zjistit sentiment skrytý za těmito slovy.
Jednou velmi úrodnou oblastí, kde modely strojového učení pro analýzu sentimentu mají velký dopad, jsou recenze produktů, protože recenze může být velmi pozitivní či velmi negativní, a přitom nemusí obsahovat slova jako „skvělý“ či „strašný“ nebo se mohou taková slova například použít sarkastickým způsobem.
Jako příklad si vezměme tuto recenzi: „Opravdu jsem si myslela, že tyto šaty budou fantastické. Obrázky byly krásné a balení, ve kterém dorazily, bylo prostě dokonalé. Potom jsem si je oblékla a vypadala jsem jako žirafa. Ale aspoň můj pes na nich rád spí a vidět svého pejska šťastně spát mne činí šťastnou.“
V této recenzi je mnoho pozitivních slov, ale přiřazené hodnocení hvězdičkami je nízké. Hodnocení jsou v důsledku skóre sentimentu – to, co si zákazník myslí o produktu celkově. Jak systémy strojového učení čtou a porovnávají miliony recenzí s hodnoceními, která dávají kupující, zlepšuje se jejich chápání skutečných emocí skrytých za slovy.
Dubois nedávno pracoval na projektu pro domácí automobilovou společnost, který zahrnoval analýzu sentimentu souvisejícího s určitými prvky aut výrobců automobilů. Zákazníkům se například mohl líbit držák kávy u jednoho modelu, ale nelíbil se mu u verze konkurentů nebo se mu líbily interiéry u konkurentů více než u klienta.
Analýza sentimentu umožnila této společnosti přesně zjistit, co se zákazníkům líbí na jejich produktech a kde zaostávají za svou konkurencí. Tato analýza se poté stala podkladem pro lepší reklamu.
„Když se pohybujeme v prostředí nákupu a hodnocení automobilů, je vhodné pracovat s reklamou využívající znalost vlastních silných stránek a slabin ostatních,“ popisuje Dubois.
„Udělali jsme to pro jarní, letní a podzimní prodejní akce a viděli jsme 15% zvýšení míry prokliku a čtyř- až šestiprocentní zvýšení konverze, tedy proměny zájemce v kupujícího,“ popisuje. „Je potřeba si uvědomit, že čtyři proccenta jsou v oblasti automobilů skutečně velmi významný výsledek.“
Pro takto specializovaná řešení se částečně používá AI pro analýzu sentimentu. Společnosti však mohou získat z analýzy sentimentu ještě větší hodnotu – může to být strategická zbraň, pokud se překročí rámec oddělení.
„Mohou to používat obchodníci k aktualizaci seznamu produktů,“ popisuje. „Lze to využít v oblasti podpory prodeje k aktualizaci architektury informací na webu. A může se to také využít pro výzkum a vývoj.“
Jakmile se technologie osvědčí, mohou ji lídři IT použít pro další firemní účely a může se začít využívat jako součást holistické firemní strategie.
Computerworld si můžete objednat i jako klasický časopis. Je jediným odborným měsíčníkem na českém a slovenském trhu zaměreným na profesionály v oblasti informačních a komunikačních technologií (ICT). Díky silnému zázemí přináší aktuální zpravodajství, analýzy, komentáře a přehledy nejnovejších technologií dříve a na vyšší odborné úrovni, než ostatní periodika na tuzemském trhu.
Obsah Computerworldu je určen odborníkům a manažerům z firem a institucí, kteří se podílejí na rozhodovacím procesu při nákupu ICT technologií. Jednotlivá čísla si můžete objednat i v digitální podobě.
PŘEDPLATNÉ
ČLÁNKY DO MAILU