Kundens röst Från text till agerbar information December, 2009 Gunilla Rudander Sales Engineer / Presale, SPSS an IBM company
Cable Com s story
Cable Com Tappade 19% av kunderna - minskades till 2% 2 enkla frågor Hur nöjd (1-10) Varför? Lägg på mer info Sätt poäng AGERA! Nästa plan...
Analysera bloggar/social media Med hjälp av text mining
Text Ungefär 80% av företagsdata är ostrukturerade text eller register: Email, call center anteckningar, Rapporter Web sidor, bloggar, 5
Vad är Text mining... Text Mining, 1.letar fram kunskap från ostrukturerad text 2.identifierar centrala begrepp och trender 3.används sedan till att ta bättre affärsbeslut inom företaget
Hur börjar man: Vad är ditt mål To the person who does not know where he wants to go there is no favorable wind. Seneca (4 B.C. 65 A.D.) Använd Web data som en extra informations-källa (men som kan ge avgörande resultat ) 7
Ex Hur upplevde du hotellvistelsen? Öppna svar: Sängarna var sköna Sängen var för hård Sängen var hård och skön Det var god frukost Skandal att de tog extra betalt för frukosten Simpel textanalys: Var: 4 svar Sängarna, sängen: 3 svar Frukost: 2 svar Hård: 2 svar Skön, sköna: 2 svar
Ex Hur upplevde du hotellvistelsen? Öppna svar: Sängarna var sköna Sängen var för hård Sängen var hård och skön Det var god frukost Skandal att de tog extra betalt för frukosten Modern textanalys: Positiva svar Sängarna sköna Säng hård och skön God frukost Negativa svar Säng för hård Skandal frukost
Sentiment Analysis: Om ett visst märke av nappflaska ( Baby bottles) 214 customers reviews, Rating: 1 to 5 stars
Sentiment Analysis Hundreds of customers reviews at a glance 11
Informationen och bruset ökar Produkt spridning TNS Media Intelligence has 2 milj varumärken i sin databas och växer med 700 per dag, över 10% per år På 90-talet, låg antalet varumärken på varuhyllorna på 15000 och har nu 3-dubblats till 45000 Data tillgång spridning 17,300 tidningar (8,400 år 1960) 13,000 radio stationer (4,400 år 1960) 82.4 TV kanaler per hem (5.7 år 1960) 3.3B mobiltelefonanv. via GPS & SNA Media spridning Online Matchmaking Alumni Networks Online Communities Networks Spridning Business Networks
Vad lyssnar konsumenten på? Source: Global Nielsen consumer report - Trust in Advertising - October 2007 (Base: 26,486 internet users in 47 markets from Europe, Asia Pacific, the Americas and the Middle East
Web discussion forum 14
Analyze Structured Data: Unravel Social Networks Who s in touch with who? How often? Which topics? Which boards? 15
Kundtrender: It is crucial for us to get an understanding of how our most loyal customers think and what they value most in their travel experience any data that helps us meet our loyal customers and attend to needs of future customers is worth its weight in gold. (Robin Korman, VP Starwood s Loyalty Marketing Program) The increasing importance of social media (consumer blogging and community boards) is changing how firms should measure marketing and PR effectiveness Consumer blogging and community boards are a rich data source allowing firms to gain unbiased/top of mind thoughts from consumers. Rebecca Gillan, Senior VP, Research & Guest Satisfaction, Starwood Hotels & Resorts Worldwide, Inc. 16
Företagsexempel Kundens röst vid resor Konsult Anderson Analytics
Upptäckter
Vad folk var mest missnöjda med (under 1) Satisfaction Index Verbatim Concepts Satisfaction Index Payment Process 0.74 Bathroom 0.82 Furniture 0.84 Lobby 0.87 Check out 0.89 Check in 0.90 Bed 0.93 Service 0.93 Food 0.95 Hotel/Property 1.00 Transportation 1.00
och nöjda med (över 1) Rate 1.00 Room 1.03 Pool 1.03 Restaurant/Bars 1.04 Balcony 1.04 Bedroom 1.05 Beverage 1.05 View 1.05 Renovations 1.07 Health club 1.08 Shopping 1.08 Resorts/Casino 1.09 Living Room 1.10 Promotion 1.10 Point 1.14 Breakfast 1.15 Spa 1.24
Konkurrensjämförelse
Fördelar med analys av web Upptäck problem och rykten tidigare Lär från forum: hitta nya marknadstrender Förfina dina marknadskampanjer, som du har online Komplementera med enkät och kunddata, för att få bättre insikt över kunden 27
Tack! Gunilla Rudander Sales Engineer +46 8 506 105 82 rudander@se.ibm.com
Steg 1 Datainsamling och förberedelse Hög kvalitet på data viktigt innan analys Web scraping ID knyter fera datakällor
Steg 2 text kodning och kategorisering
Steg 3 Text mining och visualisering Positiv/negativ Konkurrent jämförelse Longitudinella mönster
Use Text mining results to Improve Predictive Models 32