ما المقصود بتحليل المشاعر؟

أصبح بإمكان الشركات الآن الوصول إلى بيانات أكثر عن عملائها من أي وقت مضى، ما يقدِّم فرصة وتحديًا في الوقت نفسه: تحليل الكم الهائل من البيانات النصية المتاحة واستخلاص رؤى ذات معنى لتوجيه قرارات أعمالها.

من رسائل البريد الإلكتروني والتغريدات إلى الردود على الاستبيانات عبر الإنترنت والمحادثات مع ممثلي خدمة العملاء والتقييمات، تبدو المصادر المتاحة لقياس مشاعر العملاء لا حصر لها. تساعد أنظمة تحليل المشاعر الشركات على فهم عملائها بشكل أفضل، وتقديم تجربة أقوى للعملاء وتحسين سمعة علامتها التجارية.

مع وجود طرق أكثر من أي وقت مضى تُتيح للأشخاص التعبير عن مشاعرهم عبر الإنترنت، تحتاج المؤسسات إلى أدوات قوية لمراقبة ما يقال عنها وعن منتجاتها وخدماتها في الوقت الفعلي تقريبًا. نظرًا لأن الشركات تتبنى تحليل المشاعر وتبدأ في استخدامه لتحليل المزيد من المحادثات والتفاعلات، سيصبح من الأسهل تحديد نقاط الاحتكاك مع العملاء في كل مرحلة من مراحل رحلة العميل.

تساعد أحدث أدوات تحليل المشاعر المدعومة بالذكاء الاصطناعي الشركات على تصفية التقييمات وصافي نقاط الترويج (NPS) للكشف عن التحيّز الشخصي والحصول على آراء أكثر موضوعية حول علامتها التجارية ومنتجاتها وخدماتها. على سبيل المثال، إذا عبّر العميل عن رأي سلبي مع رأي إيجابي في تقييم، فقد يقوم الشخص الذي يقيِّم المراجعة بوصفها سلبية قبل الوصول إلى الكلمات الإيجابية. يساعد تصنيف المشاعر المحسَّن بالذكاء الاصطناعي على فرز النص وتصنيفه بطريقة موضوعية، بحيث لا يحدث ذلك، وينعكس كِلا الشعورين.

يمكِّن تحليل المشاعر الشركات التي لديها كم هائل من البيانات غير المنظمة من تحليل واستخلاص رؤى مفيدة منها بسرعة وكفاءة. فمع كمية النصوص التي ينتجها العملاء عبر القنوات الرقمية، من السهل على الفِرَق البشرية أن تشعر بالإرهاق من كثرة المعلومات. تساعد أدوات تحليل مشاعر العملاء القوية والمعززة بالذكاء الاصطناعي والمستندة إلى السحابة المؤسسات على استخلاص ذكاء الأعمال من بيانات عملائها على نطاق واسع، دون استهلاك موارد غير ضرورية.

تحتاج الشركات الحديثة إلى الاستجابة بسرعة في الأزمات. الآراء التي يتم التعبير عنها في وسائل التواصل الاجتماعي، سواء أكانت صحيحة أم لا، يمكن أن تُدمّر سمعة العلامة التجارية التي استغرق بناؤها سنوات. تساعد أدوات تحليل المشاعر القوية والمعززة بالذكاء الاصطناعي المديرين التنفيذيين على مراقبة المشاعر العامة المحيطة بعلامتهم التجارية حتى يتمكنوا من اكتشاف المشكلات المحتملة ومعالجتها بسرعة.

يستخدم تحليل المشاعر تقنيات معالجة اللغة الطبيعية (NLP) والتعلم الآلي (ML) لتدريب برامج الكمبيوتر على تحليل النص وتفسيره بطريقة مماثلة للبشر. يستخدم البرنامج أحد نهجين: القائم على القواعد أو التعلم الآلي، أو مزيجًا منهما يُعرَف بالنهج الهجين. لكل نهج مزاياه وعيوبه؛ فبينما يوفر النهج القائم على القواعد نتائج في الوقت شبه الفعلي، فإن النهج المعتمد على التعلم الآلي أكثر قدرةً على التكيف وعادةً ما يتعامل مع السيناريوهات المعقدة بشكل أفضل.

في النهج القائم على القواعد، يتم تدريب البرامج على تصنيف كلمات رئيسية معينة في كتلة من النص بناءً على مجموعات من الكلمات أو المعاجم التي تَصِف نية المؤلف. على سبيل المثال، قد تتضمن الكلمات الواردة في المعجم الإيجابي كلمات مثل "ميسور التكلفة" و"سريع" و"جيد الصنع"، بينما قد تتضمن الكلمات الواردة في المعجم السلبي كلمات مثل "باهظ الثمن" و"بطيء" و"رديء الصنع". ثم يفحص البرنامج بعد ذلك المصنِّف للكلمات الموجودة في المعجم الإيجابي أو السلبي ويحسب إجمالي درجة المشاعر بناءً على حجم الكلمات المستخدمة ودرجة المشاعر لكل فئة.

باستخدام نهج التعلم الآلي (ML)، يتم استخدام خوارزمية للتدريب على برنامج لقياس المشاعر في كتلة نصية باستخدام الكلمات التي تظهر في النص بالإضافة إلى ترتيب ظهورها. يستخدم المطورون خوارزميات تحليل المشاعر لتعليم البرامج كيفية التعرُّف على المشاعر في النص على غرار الطريقة التي يفعل بها البشر. تستمر نماذج التعلم الآلي (ML) في "التعلم" من البيانات التي يتم إدخالها فيها، ومن هنا جاء اسم "التعلم الآلي". وفيما يلي بعض خوارزميات التصنيف الأكثر استخدامًا:

• الانحدار الخطي: خوارزمية إحصائية تَصِف قيمة (Y) بناءً على مجموعة من الميزات (X).
   

• Naive Bayes: خوارزمية تستخدم نظرية بايز لتصنيف الكلمات في كتلة من النص.
   

• آلات متجهات الدعم: خوارزمية تصنيف سريعة وفعَّالة تُستخدَم لحل مشكلات التصنيف المكونة من مجموعتين.
   

• التعلم العميق (DL): يُعرَف أيضًا باسم الشبكة العصبية الاصطناعية، والتعلم العميق هو تقنية متقدمة للتعلم الآلي تربط خوارزميات متعددة معًا لمحاكاة وظائف الدماغ البشري.

يجمع النهج الهجين لتحليل النصوص بين كلٍ من التعلم الآلي (ML) والقدرات القائمة على القواعد لتحسين الدقة والسرعة. وعلى الرغم من دقة هذا النهج، فإنه يتطلب موارد أكثر من النهجين الآخرين، مثل الوقت والقدرة التقنية.

بالإضافة إلى الأساليب المختلفة المستخدمة في بناء أدوات تحليل المشاعر، هناك أيضًا أنواع مختلفة من تحليل المشاعر التي تلجأ إليها المؤسسات وفقًا لاحتياجاتها. تعتمد الأنواع الثلاثة الأكثر شيوعًا من تحليل المشاعر -القائم على العاطفة والدقيق والقائم على الجوانب (ABSA)- جميعها على قدرة البرنامج الأساسي على قياس ما يُعرف بالقطبية، أي الشعور العام الذي ينقله النص.

بشكل عام، يمكن وصف قطبية النص بأنها إيجابية أو سلبية أو محايدة، ولكن من خلال تصنيف النص بشكل أكبر، على سبيل المثال تصنيفه إلى مجموعات فرعية مثل "إيجابية للغاية" أو "سلبية للغاية"، يمكن لبعض نماذج تحليل المشاعر تحديد المشاعر الأكثر دقة وتعقيدًا. تُعَد قطبية النص المقياس الأكثر استخدامًا لقياس العاطفة النصية ويعبِّر عنها البرنامج كتقييم عددي على مقياس من واحد إلى 100. ويمثِّل الصفر الشعور المحايد ويمثِّل 100 الشعور الأكثر تطرفًا.

فيما يلي الأنواع الثلاثة الأكثر استخدامًا لتحليل المشاعر:

تحليل المشاعر الدقيق أو المتدرج هو نوع من تحليل المشاعر الذي يقسِّم النص إلى مشاعر مختلفة ومستوى المشاعر التي يتم التعبير عنها. ثم يتم تقييم العاطفة على مقياس من صفر إلى 100، بطريقة مشابهة لكيفية استخدام مواقع المستهلكين لتقييم النجوم لقياس رضا العملاء.

يعمل تحليل المشاعر القائم على الجوانب (ABSA) على تضييق نطاق ما يتم فحصه في مجموعة من النصوص ليقتصر على جانب واحد من جوانب المنتج أو الخدمة أو تجربة العملاء التي تريد الشركة تحليلها.

على سبيل المثال، قد يستخدم تطبيق سفر اقتصادي تحليل المشاعر القائم على الجوانب (ABSA) لفهم مدى سهولة استخدام واجهة المستخدم الجديدة أو لتقييم فاعلية روبوت محادثة لخدمة العملاء. يمكن لتحليل المشاعر القائم على الجوانب (ABSA) أن يساعد المؤسسات على تكوين فهم أفضل لكيفية نجاح منتجاتها أو تقصيرها في تلبية توقعات العملاء.

يهدف تحليل المشاعر للكشف عن العواطف إلى فهم الحالة النفسية للشخص وراء النص، بما في ذلك مزاجه عند كتابته والنوايا التي كان يحملها. هذا النوع أكثر تعقيدًا من التحليل الدقيق أو ABSA، وعادةً ما يُستخدَم لفهم أعمق لدوافع الشخص أو حالته العاطفية. فبدلًا من استخدام الأقطاب، مثل الإيجابية أو السلبية أو المحايدة، يمكن للكشف العاطفي تحديد مشاعر معينة في نص ما مثل الإحباط واللامبالاة والقلق والصدمة.

تُجري المؤسسات تحليلات المشاعر لمجموعة متنوعة من الأسباب. وفيما يلي بعض حالات الاستخدام الأكثر شيوعًا.

رغم أن تحليل المشاعر والتقنيات التي يقوم عليها يشهدان نموًا سريعًا، فإنه لا يزال مجالًا حديثًا نسبيًا. ووفقًا لكتاب "Sentiment Analysis" للكاتب Liu Bing (2020)، فإن هذا المصطلح لم يُستخدم على نطاق واسع إلا منذ عام 2003^.1 لا يزال هناك الكثير لنتعلمه ونحسِّنه، وإليك بعض العيوب والتحديات الأكثر شيوعًا.

يُعَد السياق عنصرًا أساسيًا لفهم المشاعر المعبَّر عنها في نص معين، وغالبًا ما يكون سببًا في ارتكاب أدوات تحليل المشاعر للأخطاء. في استطلاع رأي العملاء، على سبيل المثال، قد يعطي العميل إجابتين عن السؤال "ما الذي أعجبك في التطبيق؟". قد تكون الإجابة الأولى هي "الوظيفة" والثانية "تجربة المستخدم". إذا كان السؤال الذي يتم طرحه مختلفًا، على سبيل المثال، "ما الذي لم يعجبك في تطبيقنا؟" فإنه يغيّر معنى إجابة العميل دون تغيير الكلمات نفسها. لتصحيح هذه المشكلة، يجب إعطاء الخوارزمية السياق الأصلي للسؤال الذي كان العميل يرد عليه، وهو أسلوب يستغرق وقتًا طويلًا يُعرَف باسم المعالجة المسبقة أو اللاحقة.

بغض النظر عن مستوى أو مدى تدريبه، يواجه البرنامج صعوبة في تحديد السخرية والتهكم بشكل صحيح في هيكل النص. يحدث هذا غالبًا؛ لأنه عندما يكون الشخص ساخرًا أو يستخدم التهكم، يُعبِّر عن ذلك من خلال نبرة صوته أو تعابير وجهه، ولا يوجد فرق واضح في الكلمات التي يستخدمها. على سبيل المثال، عند تحليل العبارة: "رائع، تذكرة موقف بقيمة ألف دولار أخرى - بالضبط ما أحتاجه"، من المحتمل أن تخطئ أداة تحليل المشاعر في تحديد طبيعة العاطفة المعبَّر عنها وتصنفها على أنها إيجابية بسبب استخدام كلمة "رائع".

النفي هو استخدام كلمة سلبية للتعبير عن عكس المعنى في الجملة. على سبيل المثال، انظر إلى الجملة: "لن أقول إن هذه الأحذية رخيصة". ما يُعبّر عنه هنا هو أن الأحذية ربما كانت غالية، أو على الأقل ذات سعر متوسط، لكن أداة تحليل المشاعر من المحتمل أن تفوِّت هذه الدقة.

غالبًا ما تربك اللغة الاصطلاحية، مثل استخدام عبارات إنجليزية شائعة مثل "Let’s not beat around the bush" أو "Break a leg"، أدوات تحليل المشاعر والخوارزميات القائمة على التعلم الآلي التي تعتمد عليها. عندما تُستخدم عبارات اللغة البشرية مثل تلك السابقة على وسائل التواصل الاجتماعي أو في مراجعات المنتجات، فإن أدوات تحليل المشاعر إما أن تحددها بشكل خاطئ -فمثلًا قد تُفسَّر عبارة "break a leg" التي تعني حظًا موفقًا على أنها شيء مؤلم أو حزين- وإما أن تتجاهلها تمامًا.

المؤسسات التي تريد استخدام تحليل المشاعر لفهم عملائها بشكل أفضل أمامها خياران: شراء أداة جاهزة أو تطوير أداة خاصة بها.

عادةً ما تستخدم الشركات التي تختار تطوير أداتها الخاصة مكتبة مفتوحة المصدر بلغة برمجة شائعة مثل Python أو Java. وتُعَد هذه المكتبات مفيدة؛ لأن مجتمعاتها غنية بخبرات علوم البيانات. مع ذلك، ستحتاج المؤسسات التي تريد اتِّباع هذا النهج إلى استثمار كبير في توظيف فريق من المهندسين وعلماء البيانات.

يتطلب الحصول على أداة تحليل المشاعر كخدمة (SaaS) استثمارًا أوليًا أقل، ويسمح للشركات باستخدام نموذج تعلُّم آلي مدرَّب مسبقًا بدلًا من إنشاء نموذج من الصفر. يمكن تشغيل أدوات تحليل المشاعر كخدمة (SaaS) بخطوات بسيطة جدًا، وهي خيار مناسب للشركات التي ليست مستعدة بعد للاستثمار اللازم لتطوير أداتها الخاصة.