De rol van tekst mining in customer journey mining

by Theo

De rol van tekst mining in customer journey mining

by Theo

by Theo

1.1 Inleiding

Afbeelding 1: Tekstmining

Tekst mining is een analysevorm waarbij waardevolle informatie uit grote hoeveelheden tekstmateriaal kan worden ontwaard. Tekst mining analyse wordt binnen diverse vakgebieden voor verschillende doeleinden toegepast. Underlined gebruikt tekst mining binnen customer journey mining om de informatie in open teksten gestructureerd te kunnen gebruiken binnen de customer journey en hier extra context aan toe te voegen.

Concreet betekent dit dat door tekst mining analyse, teksten kunnen worden gerubriceerd: deze categorieën zorgen ervoor dat je gericht in kunt zoomen op onderwerpen zonder direct de open teksten door te hoeven lopen. Op deze manier helpen de categorieën bij het herkennen van de aandachtspunten in de customer journey. Tekst mining kan hierbij op twee manieren worden toegepast:

1. De ‘wat’: de duiding (beter begrijpen waar een klantevent om gaat)
2. De ‘hoe’: de beleving

In de volgende paragraaf gaan we in op beide toepassingen. Daarnaast past Underlined tekst mining ook toe voor klanten om bestaande data aan te vullen of eventueel zelfs te corrigeren, bijvoorbeeld om de registratie van telefonische contacten in het callcenter te verbeteren.

1.2 Tekst mining voor twee doelen: ‘wat’ en ‘hoe’

Tekst mining als duiding
Tekst mining kan worden toegepast om een klantevent te duiden. Door middel van proces mining komt bijvoorbeeld naar voren dat er vaak wordt gebeld op een bepaald punt in de customer journey. Door tekst mining toe te passen op het vastleggen van de desbetreffende calls kan dieper (en vanuit meerdere invalshoeken) duiding worden gegeven aan gebeurtenissen. Bijvoorbeeld: betreft het specifieke klantgroepen of speelt er een bepaald probleem? Hiervoor zijn verschillende tekst mining technieken beschikbaar: key word spotting (supervised) vs. topic detection (unsupervised).

  • Key word spotting: op het moment dat je een beeld hebt van de informatie waar je naar op zoek bent kun je events op basis van deze kennis classificeren en op zoek gaan naar specifieke woorden of woordcombinaties (n-gram) om events in stappen in te delen.
  • Topic detection: hierbij laat je de data spreken en ontdek je welke woorden vaak in combinatie met elkaar worden gebruikt en vervolgens kan worden bekeken welke onderwerpen hierin verscholen zitten.

Beide technieken kunnen gekoppeld worden aan het vorige blog waarin we een top-down en bottom-up aanpak voor customer journey mining beschreven. Key word spotting past binnen een top-down aanpak (tekst mining om data te plotten, zoals mijlpalen conform een vooraf opgestelde procesplaat). Topic detection past weer binnen een bottom-up benadering (processen of klantvragen detecteren).

Tekst mining als beleving
Een andere toepassing van tekst mining richt zich op de beleving. Dit past Underlined met name toe bij user-generated content (zoals social media analyse of klantfeedback op verschillende kanalen).

1.3 Uitdagingen bij tekst mining analyse

Customer journey mining maakt gebruik van diverse databronnen (zie ook onze eerdere blog Databronnen en kanalen als input van journey mining’. Elk type data heeft zijn eigen toevoegingen aan customer journey mining maar ook zijn eigen uitdagingen.

Logging door medewerkers
Wanneer je op zoek bent naar de klantvraag, is de vastlegging van de telefonie in callcenters door de medewerkers soms een ‘handicap’; er heeft al interpretatie plaatsgevonden door de medewerker op de klantvraag en hierdoor tref je in de tekst de interpretatie (en niet de vraag zélf). Bovendien bevat deze vastlegging vaak ‘de taal van het bedrijf’: jargon en afkortingen komen hierin vaak voor. Dit moet op de juiste manier meegenomen worden door het tekst mining algoritme.

Afbeelding 2: Gebruik van sarcasme op Twitter

Social media
De uitdaging bij het gebruik van social media data is het gebruik van smileys en hashtags, welke op de juiste manier moeten worden meegenomen in de analyse. Daarnaast bevat social media data vaak ‘onvolledige zinnen’, zoals kreten. Hierdoor zijn de taaltechnische aspecten zoals het ontleden van de zin een uitdaging bij deze databron. Bovendien komt hier veel sarcasme in voor, wat je ook graag mee wilt nemen.

Overige uitdagingen
Andere lastige aspecten voor een tekst mining algoritme – specifiek voor key word spotting – zijn synoniemen of homoniemen. Een voorbeeld van een homoniem is een woord met een dubbele betekenis (zoals ‘bank’ waar je op kunt zitten of je geldzaken kunt regelen). Hierbij kun je context gebruiken om de juiste interpretatie te doen. Een lastiger voorbeeld is een woord dat verschillende typen data vertegenwoordigt: bijvoorbeeld ‘leek’, ‘heel’ of ‘loon’ zijn zowel plaatsnamen als bijvoeglijke/zelfstandige naamwoorden en werkwoorden.

Met andere woorden: om data te kunnen duiden door middel van tekst mining analyse is meer nodig dan het ‘zoeken’ van woorden in de tekst en tellingen op de gevonden woorden. Vaak gaat het om de context om de woorden heen (de zin, de alinea of nog meer) en om de overige (lees)tekens in de tekst.

1.4 Toekomst

Tekst mining is geen nieuwe techniek, maar is nog altijd erg populair. Door de huidige en toekomstige technologische ontwikkelingen is de verwachting dat dit voorlopig nog wel zo blijft. De integratie van ‘voice to tekst’ speelt hierbij een belangrijke rol: op het moment dat telefoongesprekken op worden genomen en medewerkers deze vastlegging niet meer handmatig doen, worden meer details opgeslagen en groeit de hoeveelheid te analyseren data. Bovendien kun je deze processen automatiseren, waardoor je het gesprek direct om kunt zetten naar waardevolle informatie. Een goede – en directe – analyse kan gesprekken direct goed categoriseren en dit kan helpen processen inzichtelijker en efficiënter te maken.

Hetzelfde geldt voor chatbots (geautomatiseerde gesprekspartner) die momenteel aan terrein winnen. Naast het voorzien van informatie, liggen hier ook kansen voor de analyse van sentiment en emotie. De huidige chatbots zijn prima in staat om praktische informatie te verschaffen, maar het emotionele aspect is nog onderontwikkeld. Daardoor is op dit moment de kracht van een chatbot dat hij weet wanneer hij zijn mond moet houden en een medewerker in moet schakelen. Ook bij deze analyse speelt tekst mining een grote rol en dat zal – naar verwachting voorlopig niet veranderen.

Wellicht ook interessant

[/vc_column_text]

[/vc_column][/vc_row]

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Top