Modellieren von Verbraucherfeedback mit Text-Mining-Funktionen in JMP® Pro (US 2018 109)Niveau: Mittelstufe
Shankang Qu, Statistiker, PepsiCo
Mumu Wang, leitender Wissenschaftler/Statistiker, PepsiCo
Ziel dieser Studie ist es, Kundenbewertungen und Kaufverhalten mithilfe einer überwachten Lernstimmungsanalyse auszuwerten. Die aus Verbraucherfeedback und Kommentaren zu Getränkeprodukten gesammelten wörtlichen Daten (dh Textdaten) werden in Kategorien wie Beschwerde, Lob und Vorschlag eingeteilt. Anhand der mit JMP Pro erstellten Text-Mining-Modelle haben wir die Machbarkeit einer hybriden Algorithmusimplementierung demonstriert, bei der handgefertigte Klassifikatoren mit empirischem Lernen aus den Daten kombiniert werden. Ein automatisiertes System verbindet die Algorithmen mit dem eingehenden, sprachlich aufgezeichneten Feedback mit dem kumulierten Wortlaut und klassifiziert das Dokument in eine der drei Kategorien. Die Algorithmen passen sich als Reaktion auf neue Daten und Erfahrungen an, um die Vorhersagequalität im Laufe der Zeit zu verbessern. Unsere Servicemitarbeiter haben 7.507 Dokumente von Verbrauchern manuell über Telefon, E-Mail, soziale Medien, Chat und E-Commerce codiert. In dieser Präsentation zeigen wir, wie man Text-Mining-Modelle mithilfe von Ansätzen wie neuronalen Netzen erstellt. In der Verwirrungsmatrix erreichten wir eine Fehlklassifizierungsrate von 6 % im Training und 11 % in der Validierung. Etwas höhere Raten wurden durch die Verwendung von Bootstrap-Forest- und nominalen Logistikmodellen erzielt. Beim Vergleich der Modellierungsergebnisse und der ursprünglichen Codierung im Wortlaut stellten wir auch einige Probleme bei der Dateneingabe fest. Die Modelle wurden darauf trainiert, Dokumente zu erfassen, die von Menschen falsch klassifiziert wurden.
AusbrechenPrädiktive ModellierungBetreff: Modellierung von Verbraucherfeedback mit Text-Mining-Funktionen in JMP® Pro (US 2018 109)Hallo, ich habe mich gefragt, ob Sie einen kleinen „Datenausschnitt“ bereitstellen könnten, damit ich sicherstellen kann, dass ich Ihren Prozess verstehe. Es schaut toll aus.Danke, Jim Grayson (Hull College, Augusta University)
