Текстовая аналитика – интеллектуальный инструмент будущего.
Обратная связь от потребителей давно стала важнейшим инструментом для создания конкурентных преимуществ среди наиболее успешных компаний. Звонки в колл-центр, комментарии в блогах и на форумах, статусы в соцсетях, обращения через сайт – все это генерирует огромный объем информации.
Но используется ли в должной мере потенциал накопленных данных?Традиционно под аналитикой понимается обработка так называемых структурированных данных: это всевозможные числа, приведенные в единый формат и легко поддающиеся автоматизированному анализу. И если такие данные компании собирают и обрабатывают достаточно давно и на постоянной основе, то на неструктурированную информацию (данные о поведении клиентов в сети Интернет, переведенные в текст аудиозаписи из колл-центра и пр.) довольно долго практически не обращали внимания. Считалось, что анализ этих данных - процесс слишком долгий и сложный, чтобы быть рентабельным. Целый пласт ценнейшей информации выпадал из анализа, а значит, и понимания.
Революция свершилась с появлением промышленных платформ для углубленного анализа неструктурированной текстовой информации. Такие системы позволяют, например, банкам в автоматическим режиме анализировать поведение потенциального заемщика в Интернете для оценки его кредитоспособности. Госструктурам автоматизированный анализ жалоб из колл-центров и на городских порталах позволяет в буквальном смысле услышать глас народа, что дает возможность оперативно реагировать на неполадки в работе городской и социальной инфраструктуры. Сотовым операторам обработка данных из колл-центров помогает управлять оттоком абонентов, увеличивать продажи услуг и оперативно реагировать на проблемы продуктовой линейки. Примеров можно приводить много, суть же одна – использование текстовой аналитики становится ключевым конкурентным преимуществом для тех отраслей, где организации работают с большим количеством клиентов.
Современные аналитические решения позволяют взглянуть на неструктурированный текст с самых разных позиций. Например, интеллектуальный статистический анализ легко выявляет самые обсуждаемые темы в потоке текстовых данных или находит смысловые дубликаты сообщений. В то же время, углубленный семантический разбор позволяет выделить из текста главные персоны и события, оценить эмоциональную окраску мнений аудитории по отношению к заданной теме, а также отследить эволюцию мнений во времени. Что немаловажно, все эти процессы потенциально могут идти в режиме реального времени.
Конечно же, инструменты текстовой аналитики не работают в вакууме: чтобы они приносили бизнесу максимальную отдачу, требуется разнообразная текстовая информация о поведении клиентов. Если накопленных внутри компании данных недостаточно, на рынке достаточно организаций, специализирующихся на сборе текстовой информации о поведении пользователей в сети Интернет или данных из социальных сетей. Также существует ряд компаний, предлагающих услуги по переводу в текст речевой информации из колл-центров и видеозаписей.
Получив и обработав текстовую информацию, бизнес, как правило, применяет результаты для решения одной из четырех глобальных задач. Первая из них - обогащение информации по клиентам за счет использования внешних и внутренних источников текстовых данных, что позволяет, например, увеличить степень персонализации в маркетинговых кампаниях или повысить точность оценки рисков, связанных с клиентом.
Вторая - это мониторинг интернета с целью изучения мнения целевой аудитории о бренде и его продуктах. Наиболее дальновидные компании идут дальше и наблюдают не только за собой, но и за конкурентами. Это буквально позволяет им учиться на чужих ошибках с минимальными затратами.
Третья задача - анализ жалоб и обращений клиентов с целью мониторинга работы собственных операционных подразделений и повышения лояльности за счет лучшего сервиса.
И, наконец, четвертая задача – организация «Google-style» поиска по массивам разнородных документов в разных форматах и с разной структурой. Такой поиск жизненно необходим при решении широкого круга задач, и лишь как пример можно привести бизнес-процессы расследования инцидентов при борьбе с мошенничеством и выявления новых мошеннических схем в банках и страховых кампаниях. Решение этих задач неизменно связано с изысканием наиболее релевантных документов по подозрительному клиенту в корпоративных хранилищах и обобщением полученной информации
Эффект от использования дополнительной текстовой информации объясняется просто: текстовая аналитика увеличивает точность принятых решений, так как традиционные структурированные данные, как правило, не отражают ни иррациональных характеристик, ни устремлений потребителей. Например, по текстовым данным профиля клиента из социальных сетей легко понять склад его характера и наиболее важные жизненные интересы. В то же время, об этих важных чертах можно лишь косвенно судить по частоте и месте использования кредитной карты или по количеству отправленных за неделю СМС-сообщений.
К примеру, по нашему опытув России, в банковской сфере включение в процесс моделирования дополнительных текстовых данных о поведении клиента в сети Интернет за некоторое время до подачи заявки на кредит позволяет повысить точность моделей кредитного скоринга сразу на 20%. А в одном из российских банков к вопросу подошли даже шире и планируют использовать текстовую аналитику для определения… характера клиента. Выявленные черты личности должников будут использоваться для группировки по складу характера, причем для каждой группы разрабатывается своя стратегия коммуникации. Ожидается, что такой подход не только увеличит экономическую отдачу от работы коллекторского центра банка, но и позволит раньше распознать потенциально безнадежных заемщиков.
Еще одна сфера, где пригодилась текстовая аналитика - построение ценовых моделей недвижимости для нужд городского планирования. Объявления с сайтов о продаже квартир состоят как из структурированной части (площадь, этаж), так и из дополнительных чрезвычайно информативных комментариев от риэлторов. Учет скрытых в комментариях характеристик объектов наряду с их структурированным описанием позволяет построить максимально точные аналитические модели для расчета справедливых цен на жилье и офисные помещения. Используя эти модели, городские администрации могут спланировать застройку очередного района оптимально, то есть таким образом, чтобы сбалансировать максимизацию прибыли для городского бюджета и удовлетворенность жителей инфраструктурой.
Можно получить ощутимый эффект от огромных массивов текстовой информации в госсекторе за счет анализа потока жалоб и обращений граждан через интернет-форумы и контактные центры госструктур.
Анализ текстовой информации открывает новые возможности как для компаний, так и для потребителей их услуг. Учитывая информацию об особенностях интересов людей и недавних/ожидаемых событиях из их жизни, бизнес сможет выстроить индивидуальную стратегию коммуникации с каждым из них получить более надежных и лояльных клиентов. Потребители же, предоставляя о себе дополнительную информацию, гарантированно получат более выгодные, персонализированные предложения. В конечном счете, текстовая аналитика позволит сделать мир более удобным и комфортным для всех – бизнеса, государства и отдельного человека.
Автор: Степан Ванин, эксперт по аналитическим решениям SAS Россия/СНГ
Фото Shutterstock
Свежие комментарии