0°

ChatGPT,能不能教我们做体验

  ChatGPT火了!小倍也和它聊了聊。

  关于客户体验管理怎么做,ChatGPT的回答里有提到产品和服务的改善、员工的参与、客户反馈的收集与处理。粗粗看来这个回答有些道理,只是还不够全面。

  这个如此厉害的东西到底是个什么?

  一个更厉害的自然语言生成式AI

  近期,人工智能实验室OpenAI推出了一款名为ChatGPT,一个对话形式交互的模型。短短5天,就吸引了百万+用户注册。

  ChatGPT被业内认为是,继2020年NLP(自然语言处理)预训练模型——GPT-3之后的“GPT-3.5”。

  网友们“玩心大发”,ChatGP也向大家展示了它强大的能力:回答问题、写小说、诗歌、写代码、甚至来上一段脱口秀。

  ChatGPT除了向我们展现出了它令人惊叹的应答能力,甚至还可以承认错误、质疑不正确的前提和拒绝不适当的请求。

  有人说:ChatGPT有可能颠覆谷歌等搜索引擎,开辟AI创作的新纪元。

  国盛证券区块链研究院在研报中也表示,ChatGPT或许在未来会改变我们获取信息、输出内容的方式。

  作为OpenAI的幕后老板之一的马斯克也推特上公开表达了对ChatGPT的力挺,他认为“我们离强大到危险的AI不远了。”

  那么,ChatGPT可以帮我写篇公众号的推文吗?小倍厚着脸皮问出了这个问题!

  我承认,这一刻我心动了。

  抱着学(tou)习(lan)的心态,我向ChatGPT提出了我的需求。

  是的,同样都是基于NLP智能文本分析,让我们看看更惊人的ChatGPT是如何看待以文本分析来挖掘网评、开放题中客户的真实态度。

  复杂的客户态度表达

  如何判定这是一条好评还是差评呢?

  ChatGPT告诉我们:要判定一条评论是好评还是差评,需要看评论内容以及评论人的态度。如果评论内容提到了具体的优点或者对产品有积极的评价,并且评论人的态度看起来乐观,那么这条评论很可能是好评。

  相反,如果评论内容提到了缺点或抱怨,并且评论人的态度看起来不满意,那么这条评论可能是差评。不过,这只是一种参考,最终的判定还需要根据具体的评论内容来进行。

  总结来看,想要判断一条评论背后客户的态度除了看打分,更多的是靠自己“品”客户评论中的语气。

  差评给品牌带来的伤害已经无需赘述,在大多数用户心中,中差评的权重要远高于好评。

  单纯依赖人力去“品”的客户的态度,在这个高速更迭的信息化时代已经无法满足企业的发展。

  举个例子

  小倍在选择周末聚餐的餐厅时,选定了几家作为备选,其中有一家在某点评网站上评分十分靠前,并且上榜特色菜的必吃榜。

  点开商家详情页,小倍草草看了一眼好评后,点开了差评,总结下来大家说的最多是:菜咸、贵和服务差。

  但是好评中的“瑕疵”商家注意到了吗?

  相较于差评,这家餐厅的好评数量更多,并且评分都在4星至5星之间,可以说是一个中等偏上的水平。可是小倍翻阅了一些好评,也发现了这些好评中也隐藏了一些共性的“瑕疵”——服务态度差、有一些菜品不入味。

  相较于差评的一目了然,好评中的“瑕疵”就显得有些像“大海捞针”,但是可以看出,即使是好评,也隐藏着门店最重要的问题之一:服务态度差。

  并且相较于一句差评中的一句“泄愤”的抱怨,好评中“口味不稳定”,对于餐厅的整改更加有实操的借鉴意义。

  无论是好评还是差评,我们都能从中挖掘到客户不同的情感态度,但是这部分内容往往是以非结构化数据的形式呈现,如果通过人工手动采集和分析,那必然会带来人力成本高、采集数量、范围有限、历史、竞品数据难以采等痛点。

  将非结构化数据变成可挖掘的数据资产

  正如ChatGPT给出的关于文本分析的解释:

  文本分析功能主要包括词云、情感分析、语义分析和文本挖掘等。词云可以帮助我们快速概括文本数据中的关键词,情感分析可以帮助我们了解文本数据中的情感趋势,语义分析可以帮助我们深入理解文本数据的含义,而文本挖掘则可以帮助我们从大量文本数据中提取有价值的信息。

  借助文本分析功能,利用自然语言处理(NLP)、机器学习等技术,可以帮助品牌理解复杂上下文中的概念,并解释语言的歧义以提取关键事实和关系。挖掘事实标签,下钻客户观点。

  以倍市得为例

  某国内龙头汽车集团通过倍市得客户体验管理系统,进行品牌调研、数据展示、用户形象刻画,提升品牌满意度,并且对用户进行分类,实现精准营销和差异化运营。

  其中非常重要的一环便是社媒舆情监测,通过无监督文本挖掘可以识别被掩埋在大量文本中的事实,关系和观点。

  这里就涉及到两个核心的能力:

  数据抓取覆盖程度

  目前倍市得在舆情数据采集上已经可覆盖全网90%以上的舆情信息,重点数据源分钟级更新数据,日均可采集过亿条数据、数据可回溯达6年以上。

  并且也可以及时批量获取客户在电商渠道对本品/竞品在产品、服务、市场等方面的评价内容,便于进行针对性整改优化,保持本品市场竞争力。

  抓取内容的数据分析能力

  倍市得借助计算机NLP智能文本分析能力,自动提炼话题分布及情感分类,让网络舆情采集频率快至半小时,采集后预警推送最快可至10分钟。并且可以结合企业组织架构分工,分层输出结果。

  将抓取到的这些信息提取后转换为结构化形式,企业就可以用来进一步分析和洞察数据。

  通过BI看板展示相关核心数据,舆情趋势、情感及渠道分布、用户主流观点、预警消息统计等核心信息即时感应、一目了然。

  基于知识图谱技术,实现多元化的关联因素分析,用来对核心问题的根本原因进行追溯。

  该车企通过对这些非结构化数据的挖掘,在保养权益话题中,客户的负面情感比例较高,其中怎么查看保养券、不累积积分、保养券不显示等关键词出现频率较高。

  这为集团的针对性整改带来了直接的参考依据。

  最后,我们来看看ChatGPT是如何回答这些问题。(仅供参考)

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论