Modellazione del feedback dei consumatori con le funzioni di estrazione del testo in JMP® Pro (US 2018 109)Livello: Intermedio
Shankang Qu, statistico, PepsiCo
Mumu Wang, scienziato senior/statistico, PepsiCo
Questo studio ha lo scopo di valutare le recensioni dei clienti e il comportamento di acquisto utilizzando l'analisi del sentiment dell'apprendimento supervisionato. I dati letterali (ovvero i dati testuali) raccolti dal feedback e dai commenti dei consumatori sui prodotti per bevande sono classificati in categorie come reclamo, lode e suggerimento. Attraverso i modelli di text mining creati con JMP Pro, abbiamo dimostrato la fattibilità di un'implementazione di un algoritmo ibrido in cui i classificatori costruiti a mano sono combinati con l'apprendimento empirico dai dati. Un sistema automatizzato collegherà gli algoritmi al feedback registrato vocale in entrata con il verbatim cumulato e classificherà il documento in una delle tre categorie. Gli algoritmi si adattano in risposta a nuovi dati ed esperienze per migliorare la qualità delle previsioni nel tempo. I nostri collaboratori del servizio hanno codificato manualmente 7.507 documenti dei consumatori tramite telefono, e-mail, social media, chat ed e-commerce. In questa presentazione, mostreremo come costruire modelli di text mining utilizzando approcci come le reti neurali. Nella matrice di confusione, abbiamo raggiunto un tasso di classificazione errata del 6% nella formazione e dell'11% nella convalida. Tassi leggermente più alti sono stati ottenuti utilizzando la foresta bootstrap ei modelli logistici nominali. Confrontando alla lettera i risultati della modellazione e la codifica originale, abbiamo riscontrato anche alcuni problemi di immissione dei dati. I modelli sono stati addestrati per acquisire documenti che sono stati classificati erroneamente dagli esseri umani.
ScoppiareModellazione predittivaOggetto: Modellazione del feedback dei consumatori con le funzionalità di estrazione del testo in JMP® Pro (US 2018 109)Ciao, mi chiedevo se potessi fornire un piccolo "frammento di dati" in modo da poter essere sicuro di aver compreso il tuo processo. Sembra fantastico.Grazie, Jim Grayson (Hull College, Augusta University)
