| Abstract : | Υπάρχουν πολλοί τρόποι να αποκτηθούν σχόλια πελατών, αλλά έτσι προκύπτει ανάγκη αποτελεσματικού τρόπου χρήσης τους. Εδώ παρουσιάζεται το πρόβλημα της πιθανής ύπαρξης μεγάλου όγκου δεδομένων, καθιστώντας αδύνατη τη χειροκίνητη επεξεργασία και μελέτη τους, ώστε να φτάσει σε ορθές επιχειρηματικές αποφάσεις. Το Voice of Customer Analytics στοχεύει να λύσει ακριβώς αυτό. Με τη χρήση τεχνικών μηχανικής μάθησης είναι δυνατό να απλοποιηθούν και να κατανοηθούν μεγάλος όγκος δεδομένων και να γίνει εξαγωγή γνώσης μέσα από αυτά. Τα δεδομένα που θα χρησιμοποιηθούν μπορεί να έχουν διάφορες μορφές. Μπορούν να είναι βαθμολογίες σε κάποιο ερωτηματολόγιο ή γραπτές κριτικές ή ακόμα και ηχογραφημένες κλήσεις και μηνύματα. Στην περίπτωσή μας, τα δεδομένα ήταν κριτικές για μία εταιρεία λιανικού εμπορίου και ηλεκτρονικού λιανικού εμπορίου από διάφορες ιστοσελίδες. Η συλλογή τους έγινε με χρήση της γλώσσας προγραμματισμού Python και της βιβλιοθήκης Selenium. Δεν συλλέχθηκαν αναγνωριστικά χρηστών που σχετίζονται με τους ιστότοπους, επομένως δεν γίνεται να αναγνωριστεί κάποιος από τους χρήστες που έγραψαν τις κριτικές μέσω αυτών.Το επόμενο βήμα ήταν η ανάλυση των δεδομένων προκειμένου να αναγνωριστούν τα συναισθήματα και οι σκέψεις των καταναλωτών σχετικά με τη συγκεκριμένη επιχείρηση λιανικού εμπορίου και την εμπειρία τους με αυτή. Για να επιτευχθεί αυτό, η μετάφραση των σχολίων στα αγγλικά βοήθησε πολύ, γιατί μετέτρεψε τα δεδομένα από πολύγλωσσα σε μονόγλωσσα. Έπειτα, η μαθηματική απεικόνιση των προτάσεων των κριτικών επέτρεψε την εύρεση των πιο τυπικών θεμάτων για τα οποία μιλάει ο κόσμος να γίνει με μέθοδο βασισμένη σε γράφο. Η ανάλυση έδωσε χρήσιμες πληροφορίες ως προς το ποια τμήματα της επιχειρησιακής δραστηριότητας της εταιρείας «Πλαίσιο» αφήνουν θετική εντύπωση στους πελάτες και ποια καταλήγουν σε παράπονα. Από επιχειρηματική άποψη, αυτό σημαίνει ότι η ανάλυση μπορεί να δείξει στην επιχείρηση ποια μέρη του τρόπου λειτουργίας της χρήζουν αλλαγών προκειμένου να προσελκύσουν περισσότερους πελάτες μέσω της καλής εμπειρίας που θα παρέχει δε αυτούς.
There are many ways to get customer feedback, but an efficient way to use it is needed. Here lies the problem of potentially having too much customer data, so that no human can manually process it, to make business decisions. This is a problem, that Voice of Customer Analytics tries to solve. By using machine learning techniques, it is possible to make sense of huge amounts of data and extract their information. The types of data used can be either scores in surveys or written reviews or even recorded voice calls and messages. In this case, the data used were reviews for a popular Greek retailing and e-tailing company from different websites. Data collection was done using python and its selenium package. We did not collect any website related user identifiers, so no review can be traced back to the user who wrote it. The next step was to analyze the data, in order to get peoples’ sentiment in regards to this retailing company and their experience with it. In achieving that, translating some of the comments to English helped a lot, because of going from a multilingual to a unilingual dataset. Following that, creating mathematical representations of the sentences of these reviews allowed us to find the most commonly talked affairs using a graph-based approach that resembled clustering. The analysis gave useful insights and statistics as to what parts of Plaisio’s business is leaving positive experiences to its customers and what parts result to many complains. This means that from a business standpoint, the analysis can show the company which parts of its operating model need to change in order to attract more customers through good customer experience.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.