Machine Learning og Sociale Medier

De sociale medier som Twitter, Facebook, Instagram og andre vinder hastigt indpas i vores dagligdag, og det ser ud til at det kun vil accellerere for yngre generationer. Derfor oplever mange virksomheder at deres engagement i sociale medier bliver vigtigere og vigtigere.

For langt de fleste som analyserer sociale medier i forretningsøjemed foregår arbejdet i dag via enten et simpelt regneark eller ved rent personligt at være aktiv på medierne med at svare på spørgsmål og sende opdateringer ud.

At bruge machine learning teknikker til analyse af sociale medier er endnu noget som er begrænset til internt brug hos Google og Facebook - men der er blandt både forskere og andre store virksomheder flere som eksperimenterer med at gøre det mere alment udbredt.

Den mest almindelige teknik er automatisk at holde øje med hvilke emner der er kraftigt stigende i popularitet på de sociale medier. Det minder om "trends" panelet på twitter, men hvor twitter primært fokuserer på hashtags, kan man med machine learning teknikker automatisk udtrække ord og koncepter som er stigende i popularitet.

Hvad folk snakker om og hvad der er populært helt generelt er ikke lige interessant for alle virksomheder, men særligt nyhedsbureauer har stor glæde af disse teknikker.

De samme teknikker bruges faktisk også til algoritmisk at investere i aktierl. Hvis navnet på et firma pludseligt bliver talt meget om, så er der nok sket noget nyt og overraskende. Det eneste en investerings-robot yderligere har behov for at analysere er hvorvidt det er noget positivt eller negativt der er sket i forhold til den virksomhed og så skynde sig at handle på det inden andre på Wall Street opdager det.

Det at vurdere om der snakkes positivt eller negativt er en anden gren af machine learning kaldet "sentiment analysis". I sin basale form giver det bare et tal mellem -1 og +1, hvor +1 er meget positivt og -1 er meget negativt og 0 er neutralt. Man kan forestille sig det som at du får teksten for en anmeldelse af et produkt, og så skal du gætte hvor mange stjerner anmelderen giver produktet. Med sentiment analysis giver algoritmen et kvalificeret gæt ud fra hvilke ord og vendinger som bruges i teksten.

At køre sentiment analysis for kommentarerne på virksomhedens facebook-væg kan f.eks. være med til at sende en email til en ansvarlig hvis der detekteres en meget negativ kommentar. På den måde kan man reagere hurtigt og håndtere situationen inden en fjer bliver til 5 høns som man siger.

En udvidelse af sentiment analysis som der lige nu forskes i er "opinion mining". I Opinion mining udvider man til ikke bare at vurdere positivt eller negativt men også så vidt muligt at finde ud af hvem det er som har holdningen og hvem eller hvad den er rettet imod. Et eksempel er “Jonas siger harddisken larmer meget”, som med opinion mining ikke bare kan opdages som en negativ holdning men også er det er “Jonas” der har holdningen, at holdningen angår “harddisken” og at den negative vurdering er at den “larmer meget”.

I forhold til situationen hvor man vil have en email når der er negative kommentarer på de sociale medier, så giver opinion mining direkte den fordel at den ikke så nemt bliver forvirret. Sentiment analysis i sin basale form kan nemlig ikke kende forskel på om en negativt ladet kommentar er negativt ladet overfor virksomheden eller det er som reaktion på noget en anden bruger har skrevet.

Et andet områder hvor opinion mining vil blive brugt meget i fremtiden er situationen hvor store virksomheder har et verdenskendt brand de skal passe på. De vil meget gerne bruge opinion mining til at analysere data mange steder på internettet og opdage det hvis deres brand bliver brugt i uheldige sammenhænge. Til det formål er det helt nødvendigt kun at lave en indikation hvis en negativ holdning direkte handler om brandet, så man ikke drukner i data.

Endnu en mulighed er at IBM via deres Watson services tilbyder en særlig service kaldet Personality Insights. Det er en service hvor man kan få analyseret tekst som er skrevet af en bruger, for at få en slags vurdering af personligheds-profilen. Typisk er der behov en vis mængde af tekst for at det skal være præcist, men mange virksomheder har forums eller meget aktive sociale medier hvor der er kunder som er meget engagerede og derved over tid faktisk skriver meget text.

Hvad kan man så bruge personlighedsprofiler for sine kunder til? Typisk bruges det til at udarbejde mere analytiske personas for sine kunder. Ved at analysere et antal kunder og efterfølgende gruppere dem i grupper med samme profil, kan man måske opdage et kundesegment man ikke tidligere havde overvejet. Det kan også være at man kan bedre fokusere sit arbejde på at forbedre kundeoplevelsen for visse grupper der måske som helhed udviser frustrationer omkring virksomhedens produkter.

Som sagt er det stadigt lidt på forsknings-stadiet at bruge machine learning teknikker til at hjælpe virksomheder med at forstå og reagere på hvad der sker på de sociale medier. I takt med at informationsstrømmen bare stiger og stiger bliver det dog mere og mere nødvendigt at kunne automatisere noget af arbejdet som ansvarlig for virksomhedens sociale medier.

Hvis du gerne vil være på forkant med udviklingen, så kontakt mig for en nærmere analyse af mulighederne for netop din virksomhed.