Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Ευφυές σύστημα ανάλυσης συναισθημάτων με χρήση πολυκριτήριας και ποιοτικής συγκριτικής ανάλυσης

Kyriakidis Anastasios

Πλήρης Εγγραφή

---

Περίληψη

Στο σημερινό δυναμικό και ανταγωνιστικό περιβάλλον της αγοράς, η κατανόηση και η ενίσχυση της ικανοποίησης των πελατών είναι απαραίτητη για την επιτυχία κάθε επιχείρησης. Οι προτιμήσεις και οι απόψεις των πελατών εκφράζονται πλέον όλο και περισσότερο μέσω διαδικτυακών κριτικών (online customer reviews) που περιλαμβάνουν συνδυασμό ποσοτικών δεδομένων (αριθμητικές αξιολογήσεις – ratings) και ποιοτικών (σχόλια – comments), δημιουργώντας την ανάγκη για πιο εξελιγμένες και δυναμικές προσεγγίσεις στην ανάλυση ανατροφοδότησης. Οι παραδοσιακές μέθοδοι ανάλυσης ικανοποίησης πελατών, που συχνά βασίζονται αποκλειστικά σε ποσοτικά δεδομένα έρευνας, υπολείπονται στην αποτύπωση της πολυπλοκότητας και της ποικιλομορφίας των σύγχρονων εμπειριών των πελατών. Η παρούσα διατριβή προτείνει ένα Ευφυές Σύστημα Ανάλυσης πέντε βημάτων για την αντιμετώπιση αυτού του φαινομένου, ενσωματώνοντας προηγμένες αναλυτικές τεχνικές όπως Ανάλυση Συναισθήματος βάσει χαρακτηριστικών (Aspect based Sentiment Analysis – ABSA), Πολυκριτήρια Ανάλυση Ικανοποίησης με ενσωμάτωση συναισθήματος (MUSAsent), Ανάλυση Γνώμης (Opinion Analysis – OA) και Ποιοτική συγκριτική ανάλυση με χρήση ασαφών συνόλων (fsQCA) για να αναπτύξει μια ολοκληρωμένη και προσαρμόσιμη μέθοδο για την ανάλυση της ανατροφοδότησης πελατων. Τα μεθοδολογικά βήματα που περιλαμβάνονται στο εν λόγω σύστημα είναι τα εξής:Βήμα 1 – Η προ-επεξεργασία των δεδομένων σε μορφή κειμένου διασφαλίζει ότι ο όγκος των ακατέργαστων/αδόμητων δεδομένων που βρίσκονται σε διαδικτυακές κριτικές πελατών, είναι κατάλληλα προετοιμασμένος και έτοιμος για ανάλυση. Κάποιες από τις βασικές δραστηριότητες σε αυτή τη φάση είναι οι παρακάτω:1. Καθαρισμός δεδομένων: Αφαίρεση θορύβου, άσχετων πληροφοριών και διπλότυπου περιεχομένου από κριτικές πελατών. 2. Tokenisation: Διαχωρισμός κειμένου σε μεμονωμένες οντότητες (λέξεις ή φράσεις) για ευκολότερη ανάλυση.3. Λημματοποίηση (Lemmatisation): Μετατροπή λέξεων στις ρίζες τους, επιτρέποντας την τυποποίηση σε όλο το σύνολο δεδομένων.Με την εκτέλεση αυτών των εργασιών, τα δεδομένα σε μορφή κειμένου δομούνται και απλοποιούνται, θέτοντας τις βάσεις για την εφαρμογή πιο προηγμένων αναλυτικών τεχνικών στη συνέχεια.Βήμα 2 – Η ανάλυση συναισθήματος βάσει χαρακτηριστικών (Aspect-based Sentiment Analysis -ABSA) αποτελεί ένα κρίσιμο στοιχείο του συστήματος, που επιτρέπει τη λεπτομερή ανάλυση των σχολίων των πελατών. Αντί να γενικεύει τα συναισθήματα ανά σχόλιο, η ABSA εστιάζει σε συγκεκριμένα χαρακτηριστικά των προϊόντων ή υπηρεσιών (π.χ. ποιότητα, τιμή, εξυπηρέτηση πελατών), προσδιορίζοντας το συναίσθημα που σχετίζεται με καθένα από αυτά. Στο προτεινόμενο σύστημα εφαρμόζεται μια νέα προσέγγιση, που είναι η εξής:1. Εξαγωγή χαρακτηριστικών: Χρησιμοποιώντας μεγάλα γλωσσικά μοντέλα (Large Language Models – LLM), η μέθοδος εξάγει τα χαρακτηριστικά που αφορούν συγκεκριμένα προϊόντα ή υπηρεσίες που αναφέρουν οι πελάτες στις κριτικές τους. 2. Ταξινόμηση κριτικών: Η μέθοδος ταξινομεί προτάσεις ή τμήματα κριτικών με βάση το σχετικό χαρακτηριστικό. Αυτή η ταξινόμηση είναι απαραίτητη για τον προσδιορισμό συναισθημάτων που σχετίζονται με συγκεκριμένα χαρακτηριστικά.3. Πίνακας συναισθημάτων: Το αποτέλεσμα της μεθόδου είναι ένας δομημένος Πίνακας Συναισθημάτων (Sentiment Table) που εκχωρεί μια βαθμολογία συναισθημάτων σε κάθε χαρακτηριστικό που έχει εντοπιστεί, για κάθε κριτική πελάτη. Αυτός ο πίνακας παρέχει μια ολοκληρωμένη επισκόπηση των συναισθημάτων των πελατών σχετικά με διάφορα χαρακτηριστικά της υπό εξέτασης υπηρεσίας ή προϊόντος, δημιουργώντας μια χρήσιμη βάση δεδομένων για τα επακόλουθα βήματα.Βήμα 3 – Η μέθοδος MUSAsent αποτελεί μια νέα επέκταση της Πολυκριτήριας Ανάλυσης Ικανοποίησης (MUlticriteria Satisfaction Analysis – MUSA), κατάλληλα σχεδιασμένη για την ενσωμάτωση πληροφοριών από δεδομένα σε μορφή κειμένου, εκτός των αριθμητικών αξιολογήσεων ικανοποίησης πελατών. Συγκεκριμένα, οι βαθμολογίες συναισθημάτων από τον Πίνακα Συναισθημάτων ενσωματώνονται στο μαθηματικό μοντέλο της MUSA, επιτρέποντας μια πολυδιάστατη ανάλυση. Βήμα 4 – Η Ανάλυση γνώμης (OA) βασίζεται στα αποτελέσματα των προηγούμενων βημάτων (ABSA και MUSAsent) για να κατασκευάσει, μεταξύ άλλων, δείκτες ανάλυσης ικανοποίησης πελατών βάσει συναισθήματος, διαγράμματα διπλής σημαντικότητας και διαγράμματα διακύμανσης ικανοποίησης πελατών ανά χαρακτηριστικό.Βήμα 5 – Το τελικό βήμα του συστήματος χρησιμοποιεί την Ποιοτική Συγκριτική Ανάλυση με χρήση ασαφών συνόλων (fsQCA) για να καθορίσει τις απαραίτητες και ικανές συνθήκες για την επίτευξη της ικανοποίησης των πελατών. Η fsQCA μετατρέπει ουσιαστικά τη γνώ

Διαθέσιμα αρχεία

Υπηρεσίες