Bewertung von 30.000 gesammelten Bewertungen, die niemand liest
Die Datensammlung von Bewertungen war erfolgreich, aber oft gibt es Probleme bei der Nutzung. Obwohl es gelungen ist, Bewertungen automatisch von verschiedenen Kanälen zu sammeln, gibt es niemanden, der die Texte liest, die sich monatlich in Tausenden bis Zehntausenden ansammeln. Letztendlich bleibt es dabei, dass die Verantwortlichen gelegentlich einige Seiten mit den neuesten Bewertungen überfliegen.
Bewertungen sind das Feedback (VOC), das Kunden mit Geld und Zeit hinterlassen haben. Das Problem liegt in der Menge. Wenn die Menge so groß ist, dass sie von Menschen nicht vollständig gelesen werden kann, sollte die Aufgabe des Lesens an Maschinen übertragen werden, während Menschen sich um Interpretation und Bewertung kümmern sollten. Dieser Artikel fasst die Methode zusammen, wie man AI-Analyse auf gesammelte Bewertungsdaten anwendet.
Wo sind sie verstreut: Karten der Bewertungskanäle
VOC ist nicht an einem Ort versammelt. Je nach Produkt und Branche müssen verschiedene Kanäle betrachtet werden.
| Kanal | Enthaltene VOC | Hauptsächlich betrachtende Organisation |
|---|---|---|
| E-Commerce-Bewertungen (Coupang, Naver, etc.) | Produktqualität, Lieferung, Zufriedenheit im Vergleich zum Preis | Marke, Hersteller, Einkäufer |
| App Store, Play Store | App-Qualität, Reaktion auf Updates, Fehler | Service- und App-Betrieb |
| Google Maps, Places | Laden-Erlebnis, Kundenansprache, Hygiene | Offline-Ladenbetrieb |
| Internationale Plattformen (Amazon, etc.) | Reaktionen nach Ländern, Vergleich mit lokalen Wettbewerbsprodukten | Globales Geschäft |
| SNS, Community, Blogs | Freiwillige Erwähnungen, viral, Verbreitung von Beschwerden | Marketing, PR |
Je mehr Kanäle, desto schneller stößt man an die Grenzen der manuellen Arbeit. Insbesondere bei internationalen Bewertungen, die auch Sprachbarrieren beinhalten, besteht die Gefahr, dass gesammelte Daten ungenutzt bleiben, da niemand sie liest.
Die Struktur ist einfach: Fügen Sie Analyse-Spalten zu jeder Bewertung hinzu
Für die AI-Analyse ist kein separates komplexes System erforderlich. Es handelt sich um eine Struktur, bei der für jede gesammelte Bewertung ein Analyseergebnis hinzugefügt wird.
Beispiel für AI-Analyse-Daten
{
"channel": "앱스토어(일본)",
"review_body": "アップデート後、起動が遅くなった気がします...",
"translated": "업데이트 후에 실행이 느려진 것 같습니다...",
"sentiment": "Negative",
"keywords": ["업데이트", "실행 속도"],
"categories": [
{"category": "성능", "subcategory": "앱 구동", "type": "Negative"}
]
}
Nachdem die Bewertung als Rohdaten vorliegt, werden Übersetzung, Stimmung, Schlüsselwörter und Kategorien hinzugefügt, sodass der Empfänger direkt mit Filtern und Aggregation beginnen kann, anstatt den Text zu lesen.
Analyse-Elemente der KI
| Analyse-Element | Funktion | Verwendung |
|---|---|---|
| Stimmungsanalyse | Unterscheidung zwischen positiv/negativ/neutrale Stimmung | Verfolgung des Anteils negativer Bewertungen nach Kanal und Zeitraum, Erkennung von plötzlichen Anstiegen |
| Kategorisierung | Tagging von Themen wie Qualität, Lieferung, Preis, Kundenservice usw. | Identifizierung von Bereichen, in denen sich Beschwerden häufen, Festlegung von Verbesserungsprioritäten |
| Schlüsselwortextraktion | Extrahierung häufig erwähnter Ausdrücke | Früherkennung neuer Probleme |
| Übersetzung | Übersetzung von mehrsprachigen Bewertungen ins Koreanische | Vergleich von VOCs aus verschiedenen Ländern auf einem Bildschirm |
Die Genauigkeit hängt nicht vom Modell, sondern vom Betrieb ab
Auch wenn dasselbe KI-Modell verwendet wird, variiert die Qualität der Analyse je nach Team. Da das Modell selbst mittlerweile von jedem verwendet werden kann, entstehen Qualitätsunterschiede an drei Punkten außerhalb des Modells. Hashscraper hat Erfahrung in der Analyse von VOCs aus verschiedenen Branchen gesammelt.
1. Qualität der Eingabedaten
Der Startpunkt der Analyse sind die Eingabedaten. Selbst mit einem guten Modell führt das Vorhandensein von doppelten Bewertungen oder Daten, bei denen Kanal- und Produktzuordnungen nicht übereinstimmen, zu verzerrten Ergebnissen. Da wir einen Pipeline-Prozess von der Datensammlung bis zur Analyse haben, stellen wir sicher, dass gereinigte Daten in die Analyse einfließen.
2. Branchenspezifisches Klassifizierungssystem
Wenn die Kategorien zu breit sind ("Beschwerden über Qualität"), führt dies zu unklaren Ergebnissen, und wenn sie zu eng sind, wird die Klassifizierung instabil. Wie bei Problemen wie "Verzögerung" in der Kosmetik und "Verzögerung" in Apps müssen auch branchenspezifische Begriffe berücksichtigt werden. Daher entwerfen wir vor Beginn der Analyse gemeinsam mit den Verbesserungsteams des Kunden ein Klassifizierungssystem, das auf den betrieblichen Einheiten basiert. Da das Klassifizierungssystem auf Erfahrungen aus verschiedenen Branchen basiert, ist es schneller und stabiler als ein Neuanfang.
3. Überprüfungs- und Anpassungsschleife
Die Ergebnisse der KI-Klassifizierung werden nicht einfach geliefert. Die anfänglichen Ergebnisse werden von Menschen überprüft und bei Bedarf angepasst. Wenn während des Betriebs neue Beschwerdetypen auftauchen, werden Kategorien hinzugefügt und das System wird verbessert. Die Kriterien, wie z.B. die Behandlung einer kombinierten Bewertung wie "Die Lieferung war schnell, aber das Produkt war enttäuschend" als positive Lieferung und negative Qualität, werden ebenfalls in diesem Prozess festgelegt.
Der Unterschied zwischen einem einmaligen Analyse-Skript und einer betriebenen Analyse-Pipeline liegt hier. Jeder kann ansprechende Grafiken erstellen, aber eine Analyse, auf die man sich verlassen und für Entscheidungen nutzen kann, erfordert diese drei Punkte.
Mit der Analyse können solche Fragen beantwortet werden
- Ist der Anteil negativer Bewertungen in diesem Monat im Vergleich zum letzten Monat gestiegen? In welchem Kanal?
- Welche neuen Beschwerden sind nach der Einführung eines neuen Produkts entstanden?
- Wie unterscheiden sich die Reaktionen auf dasselbe Produkt in verschiedenen Ländern?
- Wo sind unsere Schwachstellen im Vergleich zu den Bewertungen der Wettbewerber?
Diese Fragen erfordern Aggregation und Vergleiche, die nicht durch einfaches Lesen der Originalbewertungen beantwortet werden können. Während jede einzelne Bewertung eine Geschichte ist, werden sie durch das Hinzufügen von Analyse-Spalten zu aggregierten Indikatoren.
Zusammenfassung
Der Engpass bei der VOC-Analyse liegt nicht in der Datensammlung, sondern im Lesen. Durch das Hinzufügen von Stimmungs-, Klassifizierungs- und Übersetzungsspalten zu den gesammelten Bewertungen können Menschen von der Lektüre zur Interpretation und Bewertung übergehen.
Hashscraper bietet Datensammlung und AI-Analyse in einer einzigen Pipeline an. Es ist möglich, die Analyse einfach auf die bereits gesammelten Daten aufzubauen, während das Sammelsystem unverändert bleibt. Wir sind für den Betrieb, die Wartung und das Monitoring der Crawler verantwortlich.
Empfohlene Artikel
- Vom Crawling-Datensatz zur Entscheidungsfindung
- Wie globale Beratungsunternehmen die Reaktionen auf ein Smartphone auf der ganzen Welt analysieren - Fallstudie zur integrierten Analyse von Bewertungen und VOC aus 7 Ländern
- Wie globale Marken die Bewertungen und Reaktionen auf Filialen in Dutzenden von Ländern auf einen Blick verwalten - Fallstudie zum integrierten Monitoring des Google Maps-Rufs
- Wie man durch Crawlen von E-Commerce-Bewertungen die Reaktionen auf eigene und Wettbewerbsprodukte analysiert
Jetzt starten
Wann haben Sie zuletzt alle gesammelten Bewertungen vollständig gelesen? Vom Sammeln bis zur AI-Analyse helfen wir Ihnen dabei, eine Struktur zu schaffen, in der Bewertungen zu Indikatoren werden.
