Niveau: Mittelstufe
Shankang Qu, Statistiker, PepsiCo
Mumu Wang, leitender Wissenschaftler/Statistiker, PepsiCo
Diese Studie untersucht Kundenbewertungen und Kaufverhalten mithilfe einer Sentimentanalyse mittels überwachtem Lernen. Die aus Kundenfeedback und Kommentaren zu Getränkeprodukten gesammelten Textdaten werden in Kategorien wie Beschwerde, Lob und Vorschlag eingeteilt. Mithilfe der mit JMP Pro erstellten Text-Mining-Modelle demonstrierten wir die Machbarkeit einer hybriden Algorithmusimplementierung, bei der manuell erstellte Klassifikatoren mit empirischem Lernen aus den Daten kombiniert werden. Ein automatisiertes System verknüpft die Algorithmen mit eingehendem Sprachfeedback und den gesammelten Textdaten und ordnet das Dokument einer der drei Kategorien zu. Die Algorithmen passen sich an neue Daten und Erfahrungen an, um die Vorhersagequalität kontinuierlich zu verbessern. Unsere Servicemitarbeiter kodierten 7.507 Dokumente von Kunden manuell per Telefon, E-Mail, Social Media, Chat und E-Commerce. In dieser Präsentation zeigen wir, wie Text-Mining-Modelle mithilfe von Ansätzen wie neuronalen Netzen erstellt werden. In der Konfusionsmatrix erreichten wir eine Fehlklassifizierungsrate von 6 % im Training und 11 % in der Validierung. Etwas höhere Raten wurden durch den Einsatz von Bootstrap-Forest- und nominalen Logistikmodellen erzielt. Beim Vergleich der Modellierungsergebnisse mit der ursprünglichen Codierung stellten wir auch einige Probleme bei der Dateneingabe fest. Die Modelle wurden darauf trainiert, Dokumente zu erfassen, die von Menschen falsch klassifiziert wurden.
