センチメント分析から企業が学べること
仕事帰りの女性が、土壇場で破談になった顧客との契約のことを考えながら通りを歩いているとします。そこへ突然、子どもが近づいてきて花束を渡します。女性は微笑みながら「今日の私にちょうど必要だったのはこれね！」と言います。では、同じ女性が仕事帰りにその失敗した契約のことを考えている最中、突然ポールにぶつかってけがをしてしまった場面を想像してみてください。彼女は「今日の私にちょうど必要だったのはこれよ！」と叫びます。どちらの場面でも同じ文を口にしていますが、文脈によってセンチメントは変わります。2つ目のケースでは、追加情報によってその口調が皮肉であることが示されています。こうした感情的文脈の変化を、ソーシャルメディアのレビューやコメントから解析したテキストで調べることで、企業やブランドに関する洞察を導き出すのがセンチメント分析です。ユーザーの隠れた本音や感情を見抜く力は、消費者向けブランドにとって大きな金鉱になり得ます。では、センチメント分析がどのように機能し、どのように企業を支援しているのかを、さらに深く見ていきましょう。
センチメント分析とは？
私たちは、データを土台として機能する Web 2.0 の時代に生きています。あらゆるツイート、コメント、リアクション、投稿がデータセットです。センチメント分析[1]はテキストマイニングの一分野であり、自然言語処理アルゴリズムと機械学習を用いてテキストを分析し、社会的な感情や情緒がポジティブ・ネガティブ・ニュートラルのいずれに当たるかを判断します。特にネガティブなセンチメントが見られる場合に、企業がブランドや事業戦略を先回りして監視することを可能にします。
センチメント分析では、消費者がブランドと関わる多様な方法を考慮します。たとえば、極性（ポジティブ、ネガティブ、ニュートラル）、感情（うれしい、悲しい、怒っている、など）、意図（興味がある、興味がない）、そしてアスペクトベース分析（製品の特定部分に関するレビューかどうかを判断するための分類器を追加する分析）です。代表的なセンチメント分析の問いとしては、次のようなものがあります。
- このレビューはポジティブですか、それともネガティブですか？
- このメール返信から見て、顧客は満足していますか、それとも不満を感じていますか？
- この広告キャンペーンの公開に対して、人々はツイートやコメントでどのように反応していますか？
- あるコミュニティの市長に対する態度は、選挙以来どのように変化しましたか？
しかし、人間は複雑な存在であり、意見の表し方も複雑です。通常は怒りを伝える「bad」や「kill」のような言葉でさえ（例: your app is so bad, it's killing my battery）、ポジティブな感情を表すこともあります（例: the app's concept is badass, you guys are killing it）。このような例は、ユーザーの意見を正確に検出するうえで課題となります。時には、人間同士でさえ特定の表現のトーンについて意見が分かれることがあります。それでも、この技術は急速に発展しています。では、センチメント分析で使われる機械学習モデルを見てみましょう。
センチメント分析を支える技術
ルールベース分析:
ルールベース分析では、人間が作成したルールを使って主観性や極性を識別します。ルールは、「good」「best」「beautiful」といった肯定的な語と、「bad」「worst」「ugly」といった否定的な語に基づいて意見を分類する、といったものまでさまざまです。しかしこの方法では、人間が使う複雑な含意を考慮できないことが少なくありません。
自動分析:
自動分析は、センチメントを分類するために機械学習アルゴリズムに依存します。以下は MonkeyLearn のセンチメント分析モデル[2]の概要です。
どれが最終版？ 運に任せてみましょう。
まず、モデルは特定のテキストを対応する出力に結び付けられるよう訓練されます。次に、入力テキストは bag-of-words[3] または bag-of-n-grams[4] のアプローチに基づく特徴ベクトルへと変換されます。その特徴ベクトルの組が ML アルゴリズムに入力され、モデルが生成されます。データがシステムに投入されると、Naïve Bayes[5]、Linear Regression[6]、Support Vector Machines[7]、J48[8]、BFTree[9]、OneR[10]、RandomForest[11] といったさまざまなアルゴリズムに基づいて分類されます。（利用できる高度なモデル[12]は他にもあります。）
センチメント分析のユースケース
どれが最終版？ 運に任せてみましょう。
ソーシャルメディアとブランドセンチメント分析
センチメント分析は、消費者向けブランドがブランド認知を追跡し、パターンやトレンドを見つけ、インフルエンサーを監視し、さまざまなプラットフォームのセンチメントに基づく洞察を得て、認知を管理し予測するのに役立ちます。KFC はセンチメント分析を活用してマーケティング戦略を変更し、ポップカルチャーの引用やミームを取り入れることで売上を向上させました。
競合分析
ブランドは、ニュース記事、インフルエンサー戦略、ユーザー生成コンテンツ、全体的な認知を通じて競合他社に関する情報を収集し、リアルタイムの結果を得て、自社のビジネスインテリジェンスの空白を埋めています。Apple は競合分析を活用して、デザインやプライバシーの問題といった顧客のペインポイントを特定し、既存の製品ラインを改善しました。
製品分析
企業は製品分析にセンチメント分析を活用し、ブランドキーワード、顧客ニーズ、セグメント化されたオーディエンスのフィードバックを追うことで、最小実用製品を形作り、オーディエンスがブランドをどう認識するかを改善します。Google Chrome はセンチメント分析を使って、製品の特定の側面（UI、セキュリティ、拡張機能、テーマ）や推奨事項に関する洞察を得ています。
顧客の声分析
センチメント分析は、ターゲットオーディエンスのセグメント、その要望や期待、さらに直接的・間接的な顧客フィードバックを調べることで、顧客の声を捉えます。TripAdvisor はアスペクトベースのアプローチを用いて、ユーザーのニーズやサービス改善のために何ができるかについて価値ある知見を抽出しています。
カスタマーサポートのフィードバック分析
カスタマーサポートのフィードバック分析は、応答時間、効果、やり取りの質といった観点から、サービスに対する全体的な反応を理解することで得られます。これにより、ブランドはワークフローを管理し、チケットの優先順位を付け、問い合わせに対応しやすくなります。
まとめ
センチメント分析はまだ成長の途上にありますが、研究者たちはすでに、意図分析や文脈的セマンティック検索（CSS）といった、より高度な形態のセンチメント分析に目を向け始めています。意図分析はセンチメントとあわせてオーディエンスの意図も分析し、CSS は特定のキーワードだけでなくテキストの文脈的な意味に焦点を当てます。技術が進歩するにつれて、企業はその活用が倫理的であることを確保し、悪意ある活動[13]に手を染めないようにしなければなりません。私たちの感情や意図がブランド戦略を形作る様子に、今後も驚かされ続けることでしょう。
References
- Optimization of sentiment analysis using machine learning classifiers
- Sentiment Analysis: A Definitive Guide
- A Gentle Introduction to the Bag-of-Words Model
- Bag-of-n-grams
- Naive Bayes Classifiers
- ML | Linear Regression
- Support Vector Machine — Introduction to Machine Learning Algorithms
- J48 Classification (C4.5 Algorithm) in a Nutshell
- Class BFTree
- OneR
- Understanding Random Forest
- Using machine learning for sentiment analysis: a deep dive
- Facebook reveals news feed experiment to control emotions