Sentiment Analysis คืออะไร อ่านคอมเมนต์อย่างไร | DeepSearch

Sentiment Analysis คืออะไร ทำไมคอมเมนต์เยอะไม่ได้แปลว่าคนชอบ

โพสต์หนึ่งมีคอมเมนต์หลักร้อย อาจดูเหมือนประสบความสำเร็จ แต่ถ้าข้อความส่วนใหญ่เป็นการถามซ้ำเพราะข้อมูลไม่ชัด หรือบ่นเรื่องบริการ ตัวเลขเดียวกันก็มีความหมายต่างออกไป

Sentiment Analysis คือการวิเคราะห์ท่าทีหรือความรู้สึกที่แสดงอยู่ในข้อความ โดยมักจัดเป็นเชิงบวก กลาง และลบ ช่วยสำรวจข้อมูลจำนวนมากก่อนเลือกอ่านรายละเอียด แต่ผลที่ได้ยังต้องอาศัยบริบทและการตรวจสอบจากคน

Sentiment ต่างจากประเด็นที่คนพูดถึงอย่างไร

ประเด็นบอกว่า “พูดเรื่องอะไร” ส่วน Sentiment บอกว่า “มีท่าทีอย่างไรต่อเรื่องนั้น” ตัวอย่าง “ส่งของเร็วมาก” เกี่ยวกับการจัดส่งและมีท่าทีบวก ส่วน “ส่งของช้ามาก” เป็นประเด็นเดียวกันแต่ท่าทีลบ

การดูสองมิตินี้ร่วมกันช่วยให้ทีมรู้ว่าควรส่งเรื่องไปที่ใด หากรู้เพียงว่ามีความคิดเห็นลบเพิ่มขึ้น แต่ไม่รู้ว่าเกี่ยวกับราคา สินค้า หรือบริการ ก็ยังเลือกการแก้ไขได้ยาก

ตัวอย่างความคิดเห็นบวก กลาง และลบ

ความคิดเห็นบวก เช่น “ใช้ง่ายกว่าที่คิด ประหยัดเวลาได้เยอะ” แสดงความพอใจต่อการใช้งาน ส่วน “เปิดบริการกี่โมงครับ” เป็นคำถามที่อาจจัดเป็นกลาง เพราะยังไม่แสดงท่าทีชัดเจน และ “ติดต่อหลายครั้งแล้วยังไม่มีใครตอบ” เป็นตัวอย่างท่าทีลบต่อบริการ

ตัวอย่างทั้งหมดเป็นข้อความสมมติ การจัดประเภทจริงขึ้นอยู่กับบริบทและเกณฑ์ที่ใช้ คำถามไม่ได้เป็นกลางเสมอ เช่น “ทำไมต้องรออีกแล้ว” อาจมีทั้งคำถามและความไม่พอใจ

ข้อความอย่าง “สินค้าดี แต่ส่งช้า” มีท่าทีต่างกันต่อสองประเด็น หากเครื่องมือให้คะแนนรวมเพียงค่าเดียว รายละเอียดบางส่วนอาจหายไป จึงควรกลับไปอ่านต้นฉบับหรือแยกวิเคราะห์รายประเด็นเมื่อทำได้

AI วิเคราะห์ความรู้สึกในคอมเมนต์อย่างไร

โดยทั่วไป ระบบใช้วิธีประมวลผลภาษาหรือโมเดลที่เรียนรู้รูปแบบข้อความ เพื่อประเมินท่าทีตามความสามารถของเครื่องมือนั้น บางระบบแยกสามกลุ่ม บางระบบมีคะแนนความเชื่อมั่นหรือรองรับท่าทีผสม

คะแนนความเชื่อมั่นสูงไม่ได้รับประกันว่าคำตอบจะถูกทุกครั้ง โดยเฉพาะเมื่อเจอภาษาที่ต่างจากข้อมูลที่ระบบเรียนรู้ หรือมีข้อมูลบริบทไม่พอ

ทำไมภาษาไทยจึงต้องอ่านบริบทเพิ่ม

คำประชดเป็นตัวอย่างสำคัญ เช่น “เร็วมาก รอมาอาทิตย์เดียวเอง” มีคำบวกอยู่ในข้อความ แต่ท่าทีจริงอาจเป็นการบ่น IBM อธิบายว่าการตีความคำประชดและการเสียดสีเป็นข้อท้าทายของการวิเคราะห์ข้อความ [1]

อีกกรณีคือคำสั้นอย่าง “แรงมาก” ซึ่งอาจชมประสิทธิภาพ บ่นราคา หรือแสดงความตกใจ รวมถึงการอ้างคำพูดของคนอื่น อีโมจิ และคำเฉพาะกลุ่ม การอ่านโพสต์ที่คอมเมนต์นั้นตอบอยู่จะช่วยลดการตีความผิด

วิธีอ่านผล Sentiment ให้เกิดประโยชน์

เริ่มจากขอบเขตและจำนวนข้อมูล

ระบุว่าเก็บจากโพสต์ใด ช่วงไหน มีข้อความที่วิเคราะห์ได้กี่รายการ และมีข้อความที่จัดประเภทไม่ได้หรือไม่ หากเปรียบเทียบสองเพจ ต้องใช้กติกาเดียวกัน

ดูสัดส่วนคู่กับจำนวนจริง

ลบ 50% จาก 10 ข้อความ กับลบ 50% จาก 1,000 ข้อความ ไม่ใช่สถานการณ์เดียวกัน ตัวเลขจำนวนน้อยเปลี่ยนสัดส่วนได้ง่าย และไม่ควรใช้แทนความเห็นของลูกค้าทั้งหมด

ตัวอย่างสมมติ ช่วงหนึ่งมีความคิดเห็นที่นำมาวิเคราะห์ 200 ข้อความ แบ่งเป็นบวก 90 กลาง 70 และลบ 40 สัดส่วนลบคือ 20% แต่ยังต้องอ่านว่า 40 ข้อความมาจากกี่คน เกี่ยวกับเรื่องเดียวกันหรือไม่ และมีผลกระทบแค่ไหน

อ่านตัวอย่างจากทุกกลุ่ม

ตรวจทั้งบวก กลาง และลบ เพื่อดูว่าระบบใช้เกณฑ์สอดคล้องกับงานหรือไม่ หากทีมแก้ผลวิเคราะห์ ควรบันทึกเกณฑ์และใช้ซ้ำอย่างสม่ำเสมอ

เชื่อมกับสิ่งที่ต้องทำ

ถ้าข้อความลบเกี่ยวกับการตอบแชต ให้ทีมบริการตรวจสอบ หากเป็นคำถามเกี่ยวกับวิธีใช้ ให้ทีมคอนเทนต์และผลิตภัณฑ์ช่วยกันปรับข้อมูล พร้อมกำหนดผู้รับผิดชอบและติดตามผล

สิ่งที่ไม่ควรสรุปจาก Sentiment

Sentiment ของข้อความไม่ใช่ผลสำรวจความพึงพอใจของลูกค้าทุกคน และไม่ได้ยืนยันตัวตน ความเป็นลูกค้า หรือแรงจูงใจของผู้เขียน นอกจากนี้ ความเห็นลบต่อประเด็นในข่าวอาจไม่ได้เป็นความเห็นลบต่อเพจที่เผยแพร่ข่าวนั้น

อย่าใช้ป้ายกำกับลบตัดสินว่าข้อความนั้นไม่มีประโยชน์ เพราะข้อร้องเรียนที่มีรายละเอียดอาจเป็นข้อมูลสำคัญที่สุดในการแก้บริการ ส่วนคอมเมนต์บวกจำนวนมากก็ไม่ได้พิสูจน์ว่าขายสินค้าได้มากขึ้น

ใช้ DeepSearch สำรวจผลตอบรับของโพสต์

DeepSearch ช่วยสำรวจ Sentiment ของความคิดเห็นและประเด็นที่คนพูดถึง เพื่อเลือกอ่านรายละเอียดต่อ เริ่มจากโพสต์หนึ่งชุด แล้วดูว่าท่าทีแต่ละกลุ่มเกี่ยวกับเรื่องอะไร ก่อนนำข้อค้นพบไปวางแผนงาน

แชร์บทความนี้

คัดลอกลิงก์FacebookLINEX