SMM en blog om social media marketing    
  Social Media Marketing      
Sentiment analyse

Sentiment analyse - analyse af folks indstilling

 
Sentiment analyse bygger på en vurdering af om et udsagn er positivt, negativt eller neutralt. Sentiment betyder ifølge Gyldendals den store røde engelsk - dansk ordbog: indstilling. Altså bl.a. holdninger og følelser for eller imod et eller andet.
 
Sentiment analyser vurderer om en nævnelse, som f.eks. et tweet er positivt, neutralt eller negativt.
 
 
Tjek selv twitrratr.
 
Sentiment analyser benyttes i mange discipliner indenfor digital markedsføring. Reputation management, produktudvikling, kundetilfredshed, m.v. Sentiment analyser er en måde at måle mund til mund metoden som markedsføringskanal. Sentiment analyser vil i nogen grad afløse fokusgrupper og sentiment analyser vil også kunne supplere spørgeundersøgelser. Sentiment analyser spiller en ganske stor rolle i vores digitale dagligdag og er derfor et vigtigt emne at forstå.
 

Et eksempel: Reputation management

 
Search reputation management handler kort sagt om at påvirke søgemaskinernes resultater. Alternativt om at kunne påvirke de resultater der ligger bedst i søgemaskinerne. For at kunne praktisere search reputation management må man altså kende top 10, 20 eller 50 resultaterne for søgninger på de største søgemaskiner og kunne vurdere om disse er positivt, negativt eller neutralt stemt overfor et givent brand eller navn.
 
Social reputation management handler om at lytte til sociale medier som blogs, Facebook, fora, Twitter, etc. Da strømmen af meddelelser på sociale medier er real time og for kendte brands meget voluminøs, er det nødvendigt med overvågning af mentions (nævnelser) og real time sentiment analyser af disse nævnelser. Selvom søgninger i de fleste social monitoring tools kan præciseres, kan mængden af mentions være umulig at foretage manuelt.
 
Både search og social reputation management benytter sentiment analyser som grundlag for reaktioner, det er derfor nødvendigt at disse sentiment analyser er korrekte.
 
Uanset om der er tale om reputation management i search eller i social, strander automatiseringen på sentiment analyse, det er ikke muligt at automatisere vurderingen af om et udsagn er positivt, negativt eller neutralt.
 

Automatiseret sentiment analyse

 
Når der skal udledes følelsesmæssige, holdningsmæssige og indstillingsmæssige værdier ud af et tekst udsagn arbejdes der som udgangspunkt med polaritet, som kan beskrives som hvad der bliver sagt, og intensitet, som kan siges at være måden noget siges på.
 
Polaritet
 
Problemet med polaritet er at det ikke er muligt entydigt at vurdere om et udsagn er positivt, negativt eller neutralt.
 
"Bilen holder på parkeringspladsen" - neutralt
 
"Bilen er totalt fed!" - positivt
 
"Bilen er lige til huggeren" - negativt
 
"Bilen kører ikke" - godt? skidt? en konstatering?
 
"Bilen er bare det fedeste køb jeg har gjort" - sandt eller sarkastisk?
 
Intensitet
 
Problemet med intensitet er at tonen et udsagn fremsiges i, ikke fremgår af teksten. Vi kan ikke høre om udsagnet er sagt med vrede, glæde, ligegyldighed, eller anden indlagt betydning.
 
Kontekst
 
Et udsagn er formet af den kontekst det er fremsagt i, først og fremmest defineret af afsender og modtager.
 
Det er nødvendigt at kende afsenderen for at kunne vurdere den relative værdi af afsenderens budskab, hvis Bjarne er kendt for altid at brokke sig, vil brok fra Bjarne ikke vægte så tungt som brok fra Mette som ellers aldrig brokker sig, er blot et eksempel. Afsenderens troværdighed er en anden værdi som indgår i sentiment analyse og selvom der kan opsættes en række målbare kriterier for troværdighed, kan denne heller ikke vurderes automatisk.
 
Modtageren udgør også en væsentlig del af konteksten, og her findes kun statistiske data, som ikke kan bruges til meget.
 
De bedste automatiserede sentiment analyse værktøjer på markedet vurderer deres produkt til at være omkring 70 % korrekt. Selvom der hele tiden sker forbedringer vil der stadig være en kæmpe fejlmargen, som det er pt. er 30 % af de automatiserede sentiment analyser forkerte og der er ikke udsigt til at der findes afløsere for menneskelige vurderinger de næste mange år.
 

Metoder til sentiment analyser

 
Den enkleste metode til sentiment analyser er at have ordlister som hvert udsagn holdes op imod og vurderes ud fra.
 
Positive ord som god, fin, pæn, nydelig giver en positiv indstilling.
Negative ord som dårlig, slem, grim, rodet giver en negativ indstilling.
 
En tekst gennemgås for forekomster af disse positive og negative ord og der foretages en beregning af om indstillingen i teksten samlet set er positiv, negativ eller neutral. Dette kan faktisk give ganske gode resultater når der er tale om større tekster, men skal der analyseres på f.eks. Twitter, hvor en meddelelse består af max. 140 tegn, så duer det ikke.
 
Selv for mennesker er det ikke muligt at vurdere sentiment 100% korrekt.
 
Denne artikel er meget inspireret af kapitel 4 "Getting Emotional- Recognizing Sentiment" fra Jim Sternes super gode bog Social Media Metrics og jeg vil gerne citere en passage fra bogen hvor Seth Grimes fra konsuletfirmaet Alta Plana udtaler følgende:
 
"Sentiments are very different from conventional facts... 'Sinful' is a good thing when applied to chocolate cake".
 
Der arbejdes med systemer som kan lære, men indlæringen sker via mennesker og udviklingen går langsomt. Kunstig intelligens kan ikke implementeres da præmissen ikke er tilstede, automatisk sentiment analyse er ikke mulig.
 
Sentiment, eller indstilling, er resultatet af følelser som kærlighed, had eller sympati, holdninger er bl.a. præget af forældre, skole og venner og der ligger i det at have en indstilling til noget så mange indtryk, bevidste eller ubevidste, at sentiment analyser altid vil involvere rigtige mennesker.
 
Anbefalede artikler om sentiment analyse:
 
 
 
Eksempel på Sentiment Analyse i praksis (twittersentiment.com):
 
 
Jeg håber du har en indstilling til denne artikel og vil bidrage med en kommentar.
Bookmark and Share
Subscribe
SMM Facebook Page SMM på Twitter SMM på Linkedin SMM på Stumbleupon
SMM Blog Peter Ulstrup Hansen+ Antropolog, SEO og SMM konsulent, ROI orienteret, underviser på CBS, Reputation management konsulent.