Skrevet av Wanda Presthus, Høyskolelektor og doktorgradsstudent, Norges Informasjonsteknologiske Høgskole. Tidligere publisert på Biblogg.
Dette blogginnlegget beskriver to tilfeller av Business Intelligence (BI) og sentimentanalyse; norske flyselskaper under askekrisen og salg av kameraer på Amazon.
BI kan defineres på mange måter. Jeg velger denne for dette tilfellet: “BI er et paraplybegrep som dekker prosesser, applikasjoner, verktøy og teknikker for å støtte beslutningstaking”. Et eksempel på en slik BI teknikk er “sentimentanalyse”. En sentimentanalyse kan detektere folks stemning eller følelser til et spesifikt produkt eller en tjeneste ved å bruke store mengder tekstlige data. Disse data henter man ofte fra websider, hvor kunder har gitt tilbakemeldinger. Videre kan man benytte datamining, en annen BI teknikk for å søke etter mønstre i de dataene man har hentet ut. En sentimentanalyse skal avsløre positive eller negative tilbakemeldinger på produktet eller tjenesten (Turban et al. 2011).
SAS og Norwegian på Facebook under askekrisen i 2010
Den islandske vulkanen Eyafjallajökull lammet som kjent flytrafikken i april i 2010. Vi fikk begrep som “ å sitte askefast”, altså passasjerer som satt strandet på flyplasser verden rundt i flere dager. Telefonsentralene hos flyselskaper som SAS og Norwegian brøt raskt sammen, men passasjerer og flyselskap tok i bruk Facebook for å kommunisere. Hvordan var egentlig stemningen blant passasjerer som satt slitne og blakke på flyplasser? Hjemme ventet alt fra akkumulerte arbeidsoppgaver og noen hadde bil på Gardermoen Parkering hvor regningen ble større for hver dag. For å finne svar på dette, kan man utføre en sentimentanalyse av kommunikasjonen på Facebook. Utfordringen er hvordan man skal gjøre om data fra websider til data presentert som grafer, som i figuren under?
Min kollega og jeg ønsket å lage en slik sentimentanalyse sommeren 2010 (Presthus and Bygstad 2010). Første trinn var å hente ut data fra Facebooksidene til SAS og Norwegian. Dette ble gjort ved hjelp av programmeringskode i Ruby. Deretter benyttet vi manuell tekstmining, som er en teknikk for å se etter mønstre i store mengder tekstlige data. På forhånd hadde vi bestemt oss for å bruke “categorisation”, det vil si en form for tekstmining hvor man på forhånd har bestemt seg for kategorier. Våre kategorier var delt inn i positive og negative ord for hvert flyselskap. Resultatet vises til høyre i figuren over. Grafen avslører at stemningen var overveldende positiv, i den forstand at positive ord som “bra” og “fantaststisk” forekom mye oftere enn negative ord som “frustrasjon” og “kaos”. Vi tok også stikkprøver fra teksten, og fikk bekreftet at språkbruken var sivilisert, samt at passasjerer også tok seg tid til å takke for hjelpen de fikk.
Overraskende mønster? Grunnene kan være mange; dette var en unntakstilstand hvor passasjerene kanskje ikke forventet hjelp via sosiale media. Kanskje besinnet Facebookbrukere seg ved tanke på at flere kunne lese hva som ble skrevet. Det gjenstår å se hvordan stemningen vil bli hvis kommunikasjon via Facebook blir standard for flypassasjerer i en ny askekrise, men vi kan konkludere med at Facebook var velfungerende som en alternativ kommunikasjonskanal i askekrisen 2010.
Salg av kamera og video på Amazon.com
Hvorfor bør man følge med på hva kunder sier på Internett? Hvor stor effekt har kunders tilbakemeldinger? Et paper fra Archak et al. (2007) illustrerer effekten av positive og negative tilbakemeldinger. Forfatterne tok for seg salg av ulike kamera- og videotyper på Amazon, og analyserte salgstall opp mot kundenes tilbakemeldinger ved hjelp av data- og tekstmining. Hvilke mønstre kunne skjule seg bak til sammen 3545 tilbakemeldinger fra kunder som hadde kjøpt ulike kamera- og videotyper fra Amazon i løpet av 15 måneder? Første oppdagelse var at ord som gikk igjen var typisk “Great/Bad/Amazing”. Hvilken påvirkning hadde de ulike adjektivene på salget?
Ganske stor! Ikke overraskende, “Great” og “Good” førte til økt salg. Hvis en kameratype ble omtalt som “Bad”, førte dette til så dårlig salg at produktet forsvant fra sortimentet. Men det forundrer kanskje at adjektiver som “Decent” og “Nice” resulterte i dårligere salgstall. Ikke nok med det: “Best camera ever” skadet også salget. Archak, Ghose & Ipeirotis forklarer at “Decent” og “Nice” er for lunkent, og “Best camera ever” tror ikke kundene noe på. Denne forskningen viser for eksempel at folk er sensitive overfor begreper, og indikerer at selskaper bør være bevisste egen språkbruk i markedsføring. Hvis ikke kunder tror på andre kunders tilbakemelding om at det du selger er det beste produktet noensinne, vil de vel neppe tro på deg heller?
Ja! Mitt firma vil også gjøre sentimentanalyse! Eller?
Sentimentanalyse kan gi deg verdifull informasjon av alle de data som florerer der ute på nettet, og informasjon gir som kjent et mektig konkurransefortrinn. Alternativer er trauste spørreskjemaer eller intervjuer, som medfører at du må plage kunden. Når svarte du selv som kunde med glede og entusiasme på en spørreundersøkelse?
Her kommer medaljens bakside: tekstminingverktøy kan være dyre eller vanskelige å bruke. Paperet til Archak, Ghose & Ipeirotis er fullt av kompliserte algoritmer og har ligninger med tegn som får deg til å foretrekke egyptiske hieroglyfer. Men vent – det trenger ikke være så komplisert. Min kollega og jeg gjorde likeså godt jobben manuelt. Vi lot oss ikke skremme av at Facebooksidene inneholdt 60 000 forekomster av unike ord. Den menneskelige hjernen duger fortsatt. Vi brukte to timer på å kategorisere ordene, og så ordnet Excel grafene for oss. Ditt firma kan kanskje forsøke noen manuelle sentimentanalyser, og se an nytten?
I samsvar med Archak, Ghose and Iperiotis’ resultater konkluderer jeg med følgende: sentimentanalyse er ikke “det beste noensinne”, men det kan være et godt alternativ til tradisjonelle metoder for å finne ut hva kunden mener om dine produkter eller dine tjenester.
Referanser:
Archak, N., Ghose, A., and Ipeirotis, P. G. “Show me the money!: deriving the pricing power of product features by mining consumer reviews ” Presented at Proceedings of the 13th ACM SIGKDD international conference on Knowledge discovery and data mining. KDD ’0.7.
Presthus, W., and Bygstad, B. (2010). Facebook as agile CRM? A business intelligence analysis of the airline ash crisis.: NOKOBIT, Gjøvik. Tapir Akademisk Forlag.
Turban, E., Sharda, R., and Delen, D. (2011). Decision Support and Business Intelligence Systems: Prentice Hall.






