Pojawienie się mediów społecznościowych, ankiet online, formularzy opinii klienta i innych dokumentów elektronicznych oznacza, że możliwe jest już szybkie zbieranie ogromnych ilości danych dotyczących satysfakcji klienta.

Wyzwaniem dla firm jest fakt, iż odpowiedzi, komentarze i inne informacje zwrotne są zazwyczaj w postaci niestrukturalnej (e-maile, teksty, tweety, komentarze na Facebooku, opinie i tak dalej). Już w 2013r. oszacowano, że na całym świecie generowanych jest ponad 500 milionów tweetów dziennie, a jak podaje Facebook, we wrześniu 2016r codziennie było aktywnych na tym najpopularniejszym portalu społecznościowych 1,18 miliarda osób. Wynikiem tego jest ogromna ilość niestrukturalnych tekstów tylko w tych dwóch mediach.

Badacze, naukowcy i ludzie biznesu pytają: "W jaki sposób możemy zrozumieć, co zostało powiedziane we wszystkich tych danych?”. Ważne są dla nich te ukryte spostrzeżenia w niestrukturalnym tekście, ponieważ zawierają cenne informacje, które poddane prawidłowej analizie, mogą poprawić produkty i wyniki firmy.
Z tekstu niestrukturalnego można dowiedzieć się więcej o swoich klientach, znaleźć nowych odbiorców oferty, uzyskać lepszy wgląd w działania konkurencji i rynku oraz opracować nowe strategie dla przyszłego rozwoju.

Kodyfikacja tekstu, która jest tradycyjną metodą stosowaną do zrozumienia niestrukturalnych danych, jest w dalszym ciągu stosowana, ale jest coraz bardziej nieskuteczna z uwagi na wielkość i złożoność zbiorów tekstowych. W przeprowadzanych ankietach z pytaniami otwartymi wiąże się to z: przeczytaniem wszystkich odpowiedzi, by zrozumieć zakresu tematyki; tworzeniem książki kodów (codebook); czytaniem każdej odpowiedzi; ręcznym stosowaniem kodów dla każdej odpowiedzi; następnie przeprowadzenie analizy tych kodów. Próba kodyfikacji komentarzy lub analizy tych odpowiedzi z użyciem metod manualnych może prowadzić do utraty cennych spostrzeżeń, a przede wszystkim ciężkiej pracy z milionami wiadomości. Wykorzystanie narzędzi analitycznych tekstu znacznie przewyższa ww. metody.
Nie ma wątpliwości, że klucz do sukcesu leży w zdolności lepszego zrozumienia i działań będących odpowiedzią na potrzeby klientów. Znane na świecie firmy, takie jak Ford Motor Company, General Electric i Bank of America budowały swoje strategie przewagi konkurencyjnej na podstawie zebranych danych "głosu klienta" (VoC – Voice of Customer). Z kolei, firmy takie jak: JetBlue, Kimberly Clark, Goodyear zastosowały narzędzia do analizy tekstu, aby zrozumieć niestrukturalne zasoby danych.
Narzędzia te pomagają organizacjom zrozumieć preferencje klientów, ich postrzeganie i potrzeby, oferując możliwość szybkiego identyfikowania i wyodrębniania tematów, opinii i nastrojów, a następnie klasyfikują odpowiedzi zgodnie z ustalonymi wcześniej regułami. Oprogramowanie do analizy tekstu może łączyć dane niestrukturalne (np. opinie) oraz dane strukturalne (np. oceny) lub łączyć dane VoC z innymi danymi biznesowymi.

Dostępnych jest wiele różnych aplikacji informatycznych zawierających narzędzia do analizy tekstu.
Firma Provalis Research oferuje programy QDA Miner i WordStat for Stata (nagroda KMWorld’s 2015 Trend-Setting Product).
Narzędzia do analizy tekstu, choć przydatne do wykonywania kodowania jakościowego, nie tylko przeprowadzają statystykę słów lub generują histogramy częstości słów. Narzędzia te mogą być stosowane do zrozumienia w jaki sposób klienci łączą słowa (np. czy słowo „brudny” pojawi się obok lub w pobliżu słowa „łazienka”) w swoich komentarzach oraz określenia, czy jest negacją z pozoru pozytywnego komentarza.

Narzędzia te umożliwiają również powiązania wsteczne do konkretnych miejsc, czasu komentarza i innych danych strukturalnych (wiek, demografia, płeć, itd.) ujętych w odpowiedziach.
Jednak narzędzia są tylko częścią rozwiązania. Praktycy wymagają metodologicznego podejścia do analizy danych niestrukturalnych. Kroki te powinny obejmować:

1. Opracowanie hipotezy / cel analizy
2. Identyfikowanie danych i gromadzenie ich w odpowiednim zestawie danych
3. Przeprowadzenie wstępnej analizy tj. wykres bąbelkowy pokazujący częstotliwość występowania słowa, klasteryzację i słowa zbliżone
4. Rozważanie sporządzenia i stosowania słownika, słownika wyrazów bliskoznacznych, stemming’u i lematyzacji, aby uchwycić synonimy i podobne słowa. Mogą być one ponownie wykorzystane dla tego samego tematu
5. Analizę fraz i rzeczowników złożonych poprzez korelację słowa i rozpoznanie różnic pomiędzy niektórymi potencjalnie silnie skorelowanymi słowami i frazami autentycznymi. Na przykład 'air conditioner' musi być uznane jako rzeczownik złożony, podczas gdy "brudna łazienka" musi być traktowane jako dwa skorelowane słowa wymagające badania
6. Połączenie tych spostrzeżeń ze zmiennymi ilościowymi, takimi jak płeć, wiek, lokalizacja, ocena zadowolenia itp.

Firmy wykorzystują narzędzia do analizy tekstu w celu zwiększenia satysfakcji klienta, retencji klientów, zarządzania ryzykiem, kontroli jakości, oszczędności i efektywności.
Organizacje używają oprogramowania do analityki tekstu celem analizy małych i bardzo dużych ilości tekstu niestrukturalnego, pozyskiwanych w niemal dowolnym formacie. Narzędzia te są potrzebne ponieważ dane stały się zbyt duże i skomplikowane dla jednej osoby (lub nawet zespołów), która ręcznie bada, analizuje i interpretuje dane. Firmy i organizacje chcą szybkich i niezawodnych spostrzeżeń i informacji z niestrukturalnego tekstu.

Pełna treść artykułu:

https://provalisresearch.com/blog/creating-value-customer-comments-using-text-analytics/

Źródło:
Krikorian, R., 2013. New Tweets per second record, and how! [Online] https://blog.twitter.com/2013/new-tweets-per-second-record-and-how[Accessed 7 November 2016].
Facebook Inc., 2016. Company Information Statistics – 4 November 2016. [Online] http://newsroom.fb.com/company-info/ [Accessed 7 November 2016].
McKellar, H., 2015. KM World Trend-Setting Products of 2015. KM World, 1 September, 24(8).
Pullman, M., McGuire, K. & Cleveland, C., 2005. Let Me Count the Words: Quantifying Open- Ended Interactions with Guests. Cornell Hotel and Restaurant Administration Quarterly, 46(3), pp. 323-343.