با پیشرفت ابزارهای اجتماعی، بسیاری از شرکت‌ها می‌توانند نظر مردم درباره خود را دنبال کنند. با این حال، آنچه شرکت‌ها در فضای مجازی مشاهده می‌کنند، با آنچه واقعاً مشتریان (و یا مشتریان بالقوه) می‌اندیشند و احساس می‌کنند، متفاوت است. این تفاوت‌ها سبب می‌شود که تحلیل داده های انسانی مشتریان بسیار اهمیت یابند. مشتریان شما از چه چیزی متنفرند، چه چیزی را دوست دارند و داده‌هایی از این دست.
برای مشاوره کامل با هدف رشد کسب و کارتان حتما با دپارتمان مارکتینگ نوین مارکتینگ تماس بگیرید مشاوره ما رایگان است.
بسیاری از ابزارهای پایش شبکه‌های اجتماعی به تنهایی قابل استفاده نیستند: آنها نمی‌توانند واکنش‌های پیچیده انسانی مانند طنز و شوخی را درک کنند. این رو تحلیل داده های انسانی با آنها بی‌فایده است.
از اینجا بخوانید : بازار هدف را چگونه تعریف کنیم: آموزش جستجوی مخاطب هدف
این ابزارها حتی در درک تصاویر ساکن و متحرک نیز مشکل دارند. همچنین این ابزارها در درک مخفف‌ها و اصطلاحات جدیدی زبان‌های گوناگون، که روز به روز رو به افزایش‌اند نیز ناتوانند.
فناوری‌ها می‌کوشند تا به جای بیان ساده‌ی نظرات مثبت و منفی درباره‌ی شرکت شما، تحلیل احساسی را بهبود ببخشند. ما می‌توانیم به ماشین‌ها شیوه‌ی درک احساسات اصلی خود (مثل ناراحتی، رنجیدن، عصبانیت و شادی) را بیاموزیم و این احساسات را برای درک نظرات مشتریان درباره‌ي یک نام تجاری خاص به کار ببریم. البته بدون ماشین ها هم می‌توان به داده کاوی برای تحلیل داده های انسانی پرداخت.
با این حال هنوز هم محدودیت‌هایی وجود دارد. بسیاری از روش‌های قابل استفاده، نیاز به ارائه «فرهنگ لغتی» برای پیشبرد و درک درست احساسات دارند. این تازه در زبان انگلیسی ست که این برنامه‌ها کم و بیش کار می‌کنند و در زبانی مانند فارسی که ابدا برنامه‌ای برای درک احساسات کاربر وجود ندارد.
به علاوه، برخی از روش‌ها نیز برای تحلیل داده های انسانی با مقیاس بزرگ قابل استفاده نیستند. شاید بهترین روش برای دستیابی به نتیجه‌ای درست، ارائه‌ی متنی «خوش رفتار» به ماشین باشد، متنی که در آن املای لغات به درستی رعایت شده باشد، دستور زبان آن درست باشد و در آن از اصطلاحات عامیانه استفاده نشده باشد.
مرحله‌ی بعدی برای تحلیل داده های انسانی ، استفاده از هوش مصنوعی برای ساخت ماشین‌هایی با چنین میزانی از پیچیدگی است. ماشینی که با آموزش خود، به جای استفاده از داده‌های ورودی توسط انسان، قابل همراهی با روند تکاملی سریع و پیچیده‌ی شبکه‌های اجتماعی باشد.
من با ست گریمز، مشاور تحلیلی داده‌های انسانی و بنیان‌گذار سمپوزیم تحلیل احساسی درباره وضعیت متن و تحلیل احساسی، و معنای آن برای بازاریابان گفتگو کردم.
از اینجا بخوانید : پرسونای مشتری کاربردی: ۹ مورد ضروری
چرا بازاریان بایستی به موضوعی بپردازند که در حوزه علم داده‌ها(Data Science) است؟
احساسات منجر به رفتارها می‌شوند. تحلیل داده های انسانی برآمده از احساسات، موضوعاتی نظیر (و خصوصاً) احساسات ناخواسته‌ای که در رسانه‌های اجتماعی بیان می‌شوند. راه‌های تعامل میان مشتریان و خریداران با شرکت‌ها در ۱۰ سال اخیر چند برابر شده است. بنابراین مثل همیشه بزرگترین چالش، داده‌ها و پالایش آنها است. این موضوع بدان معنی است که نه تنها پلتفرم و منبع مورد استفاده ما اهمیت دارد، بلکه اطلاعات مورد استفاده نیز مهم‌اند.
بازاریان چگونه می‌تواند کار خود را آغاز کنند؟
ما کار را با یافتن آنچه برای سازمان اهمیت دارد شروع می‌کنیم، مهم نیست که داده‌های مورد بحث ما متنی باشد یا سایر انواع داده. چه چیزی بر حجم، سوددهی و سایر شاخص‌های کسب و کار شما اثرگذار است؟
آنچه واقعاً نظر من را به خودش جلب می‌کند و بایستی بازاریابان نیز آن را در نظر آورند، مواردی است که من آنها را سیگنال نامگذاری کرده‌ام.
یکی از این سیگنال‌های مهم در تحلیل داد‌های انسانی ، نیت یا قصد مخاطب است. نیت بسیار حیاتی است زیرا می‌تواند فعالیت‌ها را پیش‌بینی کند. برای مثال، «آیا این فرد به دنبال خرید محصولی شبیه به چیزی است که من می‌فروشم؟»، «آیا این فرد ناراحت است و به نوعی به دنبال جلب توجه است؟» و «آیا این فرد می‌خواهید بنا به دلیلی منطقی محصول را پس بدهد؟»
احساسات یکی از پایه‌های نیت است. اگر کسی ناراحت، غمگین یا عصبانی باشد، احساس او را می‌توان با استفاده از فناوری‌های تحلیل داده های انسانی برای تحلیل احساسات تعیین کرد.
از اینجا بخوانید : راهنمای آغاز استراتژی محتوایی برای بازاریابان
چگونه توانایی خود برای تحلیل داد های انسانی برای شناخت احساس و نیت بهبود ببخشیم؟
فناوری‌های زیادی در دسترس شما است. اما برخی از آنها هنوز خیلی دقیق و کاربردی نیستند. برای مثال، زمانی که از فناوری‌های تحلیل متنی استفاده می‌کنید، می‌توانید با استفاده از فهرستی ساده از کلمات کار را آغاز کنید. «خوب» به معنی نظر مثبت و «بد» به معنی نظر منفی است. اما به همین‌ها بسنده نکنید. شما حداقل به درکی متوسط از زبان نیازمند هستید، مثلاً توانایی تفسیر «خوب نیست» به عنوان بد.
بسیاری از ابزارها با محتوا چالش دارند. یکی از مثال‌هایی که من بارها و بارها با آن روبرو شده‌ام «نازک» است، توصیفی که برای کسب و کارهای الکترونیکی خوب است اما برای دیوار هتل خوب نیست. برای انجام تحلیل احساسی درست، نیاز به پالایش کردن داده‌ها دارید. شما به شخصی‌سازی موارد برای کسب و کارها و زمینه‌های کاری مشخص نیازمندید.
متأسفانه بازار پر است از ابزارهایی که ادعای توانایی تحلیل داده های انسانی را دارند اما بسیار خام و غیرکاربردی هستند. حتی با پالایش کردن (مثل توانایی مدیریت عبارات منفی‌ساز و محتوای احساسی)، روشی که فقط نظرات مثبت و منفی را بررسی کند، کمک چندانی به شما نخواهد کرد.
آیا تحلیل احساسی برای سازمان‌های بازاریابی بزرگ حیاتی است؟
قطعاً راهی ساده و ارزان برای ورود به این شیوه‌ی تحلیل داده های انسانی وجود دارد که نیازهای پایه و ابتدایی شما را برآورده می‌کند: ابزارهایی برای پایش رسانه‌های اجتماعی، تحلیل نظرسنجی‌ها، خدمات مشتریان (مثلاً مدیریت نوشته‌های ارسالی کاربران)، تجارب مشتریان (از طریق بررسی نقدهای آنلاین)، فرآیند خودکار ایمیل مارکتینگ و سایر نیازها. این فناوری‌ها بسیار کاربرپسند هستند و به عنوان خدمات در دسترس‌اند.
سؤال اصلی این است که داده‌ها چه چیزی به شما می‌گویند. در ابتدا شما باید از خود بپرسید که: آیا در اختیار داشتن این اطلاعات چیزی را به شما می‌گوید که در مدیریت و بهینه‌سازی و یا فرآیند کار کسب و کار شما کمک کننده است؟
مرحله‌ی بعدی چیست؟
گریمز به شرکت‌ها پیشنهاد می‌دهد که فناوری‌های پیشرو در زمینه‌ی تحلیل احساسی را بررسی کنید.
کاوش متن: فیسبوک، گوگل، لینکدین، پینترست و سایر رسانه‌های این چنینی، توانایی خود را در زمینه‌ی هوش مصنوعی و یادگیری ماشینی از طریق خرید ابزارها و استخدام افراد کلیدی افزایش داده‌اند. با اینکه بسیاری از فناوری‌های پیشرفته هنوز در مرحله‌ی دانشگاهی هستند، یا در آزمایشگاه‌های تحقیق و توسعه‌ی این شرکت‌ها مخفی‌اند، سایر شرکت‌ها آشکارا به دنبال استفاده از فناوری در تحلیل متن هستند. برخی از این شرکت‌ها عبارتنداز Digital Reasoning، Luminoso و AlchemyAPI.
تشخیص و تحلیل تصویر: تحلیل تصویر در حال حاضر می‌تواند به صورت خودکار نام تجاری درج شده در تصاویر را شناسایی کند. مثال‌هایی از شرکت‌هایی که این فناوری را توسعه می‌دهند و از این فناوری استفاده می‌کنند، عبارتند از VisualGraph (تحت مالکیت پینترست)، Curalate، Piqora (با نام جدید Pinfluencer) و gazeMetrix.
تحلیل احساسی در تصویر، صدا و ویدئو: این شرکت‌ها تحلیل صحبت و حالت صورت را با پژوهش‌هایی ساختاری (مثل آزمایش رسانه و تبلیغات، نظرسنجی یا پایش نقطه‌ی فروش، و بازخورد رویداد) بهبود بخشیده‌اند. اما با رشد این فناوری، استفاده‌ی کسب و کارها از این فناوری‌ها برای تحلیل صدا و تصاویر بی‌ساختار و ناخواسته‌ی موبایل‌ها و رسانه‌های اجتماعی نیز قابل تصور است:
- Affectiva از تحلیل احساسی وبکم برای تحقیقات تبلیغات و رسانه، شامل توسعه‌ی ابزارهای یکپارچه‌سازی پژوهش‌های احساسی در نرم افزارها استفاده کرده است.
- Emotient از تحلیل احساسی برای محیط های خرده فروشی، ارزیابی نشانه‌ها، نمایش‌ها و خدمات مشتری بهره برده است.
- EmoVu با کمک Eyeris سطح تعامل محتوای ویدئویی کوتاه و بلند را آزمایش کرده است.
- Beyond Verbal پژوهشی احساسی را بر مبنای صدای افراد در شرایط واقعی انجام داده است.
هرچند در فارسی به سختی می توان ابزاری برای تحلیل داده های انسانی متن‌های به کار رفته در شبکه های اجتماعی به دست آورد اما ابزار هایی که در تحلیل تصاویر کاربرد دارند می‌توانند گامی مؤثر برای شناخت احساسات مخاطبان بردارند. اگر در این باره تجربه‌ای دارید از طریق کامنتهای این پست با ما در میان بگذارید ما مشتاق شنیدن آنها هستیم.
