你的工作就是倾听和分析吗社交媒体关于你的产品、品牌或服务的信息和直接的客户反馈?你是否在领导企业的杠杆计划消费者产生内容为了发现关于你的业务的有意义的见解?

有效的倾听和洞察分析使您不仅可以跟踪数量，还可以通过复杂的消费者互动渠道网络跟踪在线对话的含义。

了解客户对话的最常见方法之一是在品牌对话的定义范围内(例如，论坛、社区和社交网络)跟踪关键词的存在。

尽管该方法突出显示了使用单个关键字的文本，但它无法自动评估主题、主题或情绪的评论。

尽管如此，许多公司已经将关键字系统作为帮助筛选社交网络上大量消费者生成内容的第一步。这些公司通常会雇人手动阅读、分类、总结和报告关键字搜索结果，成本相当高，而且准确性也有问题。

基于关键词的在线客户倾听:充满偏见和主观性

在大量非结构化内容中选择和跟踪单个关键词是一个充满偏见和主观性的过程。

通过结合个人经验和研究，业务用户可以组合一组单词，如果包含在文本记录中，这些单词可以指示类别或情感(即“含义”)。比方说，一位留存分析师通过设置“取消”、“离开”和“转换”这些词的搜索或组合来跟踪客户流失。这种方法可能会返回误报，并错过许多不包含指定组合的记录。

此外，这种方法没有提供任何有关客户不满意或处于风险中的原因的信息。为了获得这些见解，分析人员必须手动读取所有标记的消息。

人们表示流失风险的方式可能包括数百甚至数千个单词和短语组合。此外，仅仅因为消息文本中包含“取消”一词并不一定表明存在人员流失风险。

例如，有人可以说，“我不得不取消我的信用卡，因为我把它弄丢了。你能打电话给我，让我更改一下我的账单信息吗?”这样的消息将包含在上面的示例中，即使客户不想取消服务。

在情感分析方面，基于关键字的解决方案类似地基于积极和消极词汇库执行标记功能。这些“一刀切”的库提供了最低水平的准确性，因为客户在帖子中表达积极或消极情绪的方式有太多的变化。

基于关键字的监控系统的价值类似于网络搜索或网络剪报。，在一个通用的、预定义的媒体网站范围内跟踪品牌被提及的情况，以在尽可能广泛的范围内获得总体的数量和嗡嗡声。

这些信息对公司高层指标和一般公共关系跟踪很有帮助。然而，阅读标记的内容——并分析其主题和情绪——所需的努力是重要的，而且它经常伴随着人类的主观性和疲劳，从而导致最终见解的退化。

人们很少以同样的方式阅读、解释和分类内容，他们是出了名的不一致，并且没有动力从这样一个单调的过程中传递见解。因此，大多数利用关键字监控解决方案进行详细分析的尝试都是有缺陷的。

自然语言处理:一种更准确的听力方法

如果基于关键字的监控系统听起来不适合您，请考虑基于自然语言处理(NLP)的客户倾听解决方案。

NLP是一种科学方法，它使软件能够发现作者的意图并将其与几乎无限的单词和短语集相匹配。基于nlp的听力系统为单词和短语分配权重，而不是简单的“精确匹配”关键字逻辑。

在人员流失风险的例子中，单词“取消”很可能会产生强大的权重，并成为人员流失风险的良好指标;然而，与它一起出现的其他单词也会被分配一个权重，所有这些都将用于逐字记录的主题/情感类别的真实或虚假评分。

基于nlp的处理还依赖于机器学习，即为系统提供每个感兴趣类别的“真实”文本示例。然后，系统会“弹出”用户从未想过要输入的搜索词，但这些词在示例中以统计频率出现。

这种方法有助于消除偏见，产生更小比例的误报，还提高了召回率(一个类别的真实信息的数量)。

您可能想知道机器如何自动创建与各个类别对应的扩展加权单词列表和关联。

当给定一个小样本(几百个)时，人类将以比任何机器更高的准确度对消息进行分类。然而，当你给人类10万条信息进行分类时，人类会感到疲劳，从而大大降低了准确性。

新的客户倾听解决方案已经建立起来，利用人类分类的一小部分样本，然后利用这个样本并使用机器学习对其余部分进行分类。

这种使用人类训练机器的混合方法产生的分类比简单的关键字搜索更准确(最大限度地减少误报)，也能找到更多的提及(最大限度地提高召回率)。

基于nlp的文本分类方法使业务用户能够创建以主题为中心的类别，而不是一组关键字。情感、忠诚和流失风险等类别并没有被简化为代表性单词的集合，而是被简化为一组权重和统计上重要的单词线索，这些线索表明了一个主题领域。

基于nlp的系统比基于关键字的系统性能更好。它们的优势是相当大的，而且这种优势不仅适用于几个类别;它几乎适用于所有类别。

当然，关键词也有它的位置。例如，跟踪不包含主题的类别(例如，竞争对手名称，产品名称等)最好由简单的关键字处理。但是，为了准确地对消息的主题进行分类，以帮助进行趋势和根本原因分析，基于nlp的解决方案是可行的。