استودیو راهکار

در ادامه‌ی پست تحلیل نظرات مشتریان در این مقاله به جمع‌آوری داده جهت تحلیل پرداخته شده است.

مقدمه:

برای این مقاله از یک دیتاست شبیه سازی شده جهت تحلیل نظرات مشتریان استفاده شده که در ادامه به صورت کامل مراحل جمع‌آوری آن توضیح داده شده است.

۱.مشخصات فایل شبیه‌سازی‌شده:

در دیتای شبیه‌سازی‌شده، هر نظر بر اساس الگوهای زبانی واقعی فارسی ساخته شده و واژه‌های مثبت و منفی به‌صورت متوازن در متن‌ها پخش شده‌اند؛ توزیع برچسب‌ها هم نزدیک به داده‌های واقعی نگه داشته شده، 548 نظر مثبت و 452 نظر منفی، تعداد رکوردها: 1000، ستون‌ها شامل متن نظر فارسی و برچسب احساس است.

بهتر است یک ستون شامل نام کاربری یا شماره تماس هم برای هر ردیف در فایل دیتا در نظر گرفته شود (هم می‌توان دستی با هر ثبت نظر آن را درج کرد و هم می‌توان از طریق اتصال به دیتابیس ثبت نظرات و نام کاربری را انجام داد).

برای این دیتاست، نمره‌دهی به‌صورت دوکلاسه انجام شده:

برچسب‌ها

• 1 = مثبت

  • نظرهایی مثل:

    • «خدمات عالی بود»

    • «خیلی راضی هستم»

    • «ارسال سریع و بسته‌بندی خوب بود»

• 0 = منفی

  • نظرهایی مثل:

    • «پشتیبانی افتضاح بود»

    • «محصول خراب رسید»

    • «خیلی ناراضی‌ام»

می‌توان به‌جای فقط 0 و 1، از مدل زیر استفاده کرد:

همچنین برای تحلیل احساسات، این امتیازها را می‌شود به سه کلاس یا دو کلاس تبدیل کرد:

• 1 و 2 → منفی

• 3 → خنثی

• 4 و 5 → مثبت

۲.نتایج فایل دیتای خام:

کشف نشت سود (Leakage): وقتی ۵۴۸ نظر مثبت است و ۴۵۲ نظر منفی، یعنی تقریباً نصف مشتری‌های ناراضی یا نیمه‌راضی هستند؛ در دنیای تجارت، جذب مشتری جدید ۵ برابر نگهداری مشتری فعلی هزینه دارد، بنابراین این فایل نشان می‌دهد که کدام مشتری‌ها (و چرا) در حال ترک کردن سازمان (سایت، فروشگاه و ...) هستند.

دسته‌بندی اتوماتیک برای پشتیبانی: می‌توان بر اساس ستون «احساس»، نظرات منفی (برچسب ۰) را فیلتر و مستقیم برای تیم پشتیبانی ارسال کرد تا قبل از اینکه مشتری در اینستاگرام یا توییتر بنویسد «از این سایت خرید نکنید»، با او تماس بگیرند و رضایت او را به دست آورند.

عارضه‌یابی سیستمی (Systemic Diagnosis): حتی بدون دانستن نام مشتری، وقتی مشاهده می‌شود که ۵۰۰ نفر از «تاخیر در ارسال» شکایت دارند، دیگر نیازی به شماره تلفن تک‌تک آن‌ها جهت کشف مشکل نیست؛ بنابراین می‌توان متوجه شد که گلوگاه (Bottleneck) بیزنس در بخش لجستیک است، پس بدون تماس با کسی، فرایند ارسال اصلاح می‌شود، یعنی «پیشگیری» برای مشتریان آینده، حتی اگر نتوان از مشتری قبلی دلجویی کرد.

تحلیل زمانی و دسته‌ای (Cohort Analysis): می‌توان بررسی کرد که نظرات منفی در چه بازه‌های زمانی یا برای چه دسته‌ای از محصولات ثبت شده‌اند، برای مثال اگر حجم نظرات منفی در هفته‌ی اول تیرماه ناگهان بالا رفته، باید چک شود که چه اتفاقی افتاده است.

شخصی‌سازی بر اساس «محصول» به جای «فرد»: اگر نمی‌توان به شخصِ ناراضی دسترسی داشت، باید محصولی که باعث نارضایتی شده را اصلاح کرد، برای مثال اگر در فایل دیتا نظرات منفی در مورد کلمه «کیفیت افتضاح» برای یک مدل خاص از مانتو یا ساعت است باید آن محصول را از ویترین سایت حذف کرد تا بیشتر از این به برند لطمه نزند.

جمع‌بندی: 

حتی بدون استفاده از کد پایتون و پردازش زبان طبیعی هم با جمع‌آوری دیتا می‌توان نظرات مشتری را تحلیل کرد و از نارضایتی بیشتر جلوگیری و برای افزایش رضایت مشتری اقدام نمود.

✍وجیهه واعظی نژاد