Tekstanalyse i praksis

Tekstanalyse for kunde- og medarbeiderfeedback

Vi skal i denne artikkelen se litt på hvordan du kan bruke verktøyet for tekstanalyse i praksis. Se for deg følgende situasjon: Du har sendt ut en undersøkelse med fritekstspørsmål, og det er nå på tide å gå gjennom svarene for å prøve å samle inn handlingskraftig innsikt. Å gjøre dette er ressurskrevende, ineffektivt og vanskelig å utføre i stor skala. Det er her tekstanalyse for kunde- og medarbeiderfeedback kommer inn i bildet.

Ved hjelp av maskinlæring og AI, hjelper tekstanalyse deg å hente ut innsikt fra tusenvis av åpne tekstsvar på få sekunder. Her går vi gjennom hvordan tekstanalyse kan ta feedback fra kunder og medarbeidere til neste nivå. Og på den måten gjøre ukesvis med arbeid på få minutter.

Innhold

Hva er tekstanalyse?

Tekstanalyse (TA) er en AI-drevet del av Netigates eksisterende rapporteringsfunksjon. Og som gjennom av maskinlæring, gjør det mulig for verktøyet å forstå og analysere tekstdata raskere enn et menneske kan. Dette innebærer at tekstanalyse hjelper deg med å få maksimal verdi fra fritekstsvarene dine, uten den arbeidsbelastningen som følger med å analysere dataene manuelt.

TA bruker teknologi for naturlig språkbehandling til å sortere tusenvis av tekstsvar. Den kategoriserer dem, og finner mønstre på en konsekvent, objektiv og skalerbar måte. Tekstanalyse gjør i bunn og grunn grovarbeidet for deg. Den gir deg et klart bilde av hva kundene og medarbeiderne opplever – med deres egne ord. Til syvende og sist får du alt du trenger for å forstå de grunnleggende årsakene bak dine kvantitative feedbackdata.

Og det beste av alt? Alt dette skjer uten det tidkrevende arbeidet, samt de høye kostnadene som tidligere var forbundet med å håndtere store mengder ustrukturerte tekstsvar.

Ordliste for tekstanalyse

Forvirrer de tekniske begrepene bak tekstanalyse i praksis deg? Her er en liste over noen av de viktigste begrepene:

Artificial Intelligence (AI): AI (kunstig intelligens og KI på norsk) er vitenskapen om å lære maskiner å utføre kognitive oppgaver på samme måte som mennesker gjør. For eksempel læring, problemløsning og beslutningstaking.

Maskinlæring (ML): Dette er en gren av AI som innebærer å lære datamaskiner å lære og tilpasse seg, uten at mennesker trenger å gi dem instruksjoner hver gang. Maskinlæring ligger blant annet bak teknologier som selvkjørende biler, som raskt kan se forskjell på fotgjengere og veiskilt.

Bearbeiding av naturlig språk (på engelsk forkortet til NLP): En kombinasjon av lingvistikk, informatikk og kunstig intelligens (AI). Det handler om hvordan vi kan lære datamaskiner å forstå og analysere tekst og talespråk på samme måte som mennesker gjør.

Dybdelæring: Dette er en maskinlæringsteknikk som lærer datamaskiner å «lære ved hjelp av eksempler» – akkurat som mennesker gjør.

Ustrukturerte data: Dette viser til data som ikke følger et standardformat og er vanskeligere å kategorisere og sortere. Tekstsvar og bilder er et godt eksempel på denne typen data. Strukturerte data følger derimot en forhåndsdefinert struktur, noe som gjør dem enkle å sortere og håndtere (f.eks. telefonnumre og NPS (Net Promoter Score) poengsummer.

Hva er de viktigste elementene ved tekstanalyse i praksis?

Sentimentanalyse

Sentimentanalyse er en anvendelse av naturlig språkbehandling (NLP) som umiddelbart avslører sentimentet bak tekstsvar. Det er i hovedsak et utmerket verktøy for å hjelpe deg med å identifisere og forstå hva kundene og medarbeiderne dine føler om deg og organisasjonen. Sentimentanalysen ser på hvert fritekstsvar du mottar og tilordner en emosjonell merkelapp: «Positiv», «Negativ», «Nøytral» eller «Blandet».

Eksempel: Dersom du raskt kan identifisere negative opplevelser, vil du kunne fokusere bedre på forholdet til kundene og medarbeiderne. For eksempel vil sentimentanalyse være en utmerket måte for et customer success-team å raskt reagere på innkommende feedback fra kunder som er flagget som «negative».

Ekstrahering av nøkkelord

Ekstraksjonen av nøkkelord i Netigates tekstanalyse gjør at du kan forstå de sentrale begrepene i tekstsvarene uten å måtte lese dem helt på egen hånd. Den bruker en naturlig språkbehandling for å identifisere og trekke ut ord og uttrykk fra ustrukturerte data. Dette hjelper deg med å raskt oppdage trender og mønstre i tusenvis av åpne tekstsvar.

Eksempel: La oss se på ekstrahering av nøkkelord knyttet til Net Promoter Score. Ved å benytte et NPS verktøy, får du en perfekt beregning som gir en rask oversikt over hvor lojale (eller lite lojale!) kundene dine er til virksomheten. I seg selv gir den imidlertid bare en numerisk verdi.

Med programvare for tekstanalyse kan du bruke åpne tekstsvar for å forstå hvorfor kundene dine vurderer deg slik de gjør. Ved å stille et spørsmål som «Vennligst forklar årsaken til din vurdering», kan ekstrahering av nøkkelord fremheve hva kundene liker, og ikke liker. Dette betyr at du kan iverksette målrettede forbedringer som hjelper deg med å gjøre dine ‘NPS kritikere‘ til ‘NPS ambassadører’. Den samme logikken kan også brukes på kundeundersøkelser, samt beregningsmetoder som CSAT og CES.

Last ned den komplette guiden til NPS, CSAT og CES.

Emner

Emner er en komponent for dybdelæring som automatisk sorterer fritekstsvar i de emnekategoriene du definerer. Den fungerer ved å se på alle åpne tekstsvar du har samlet inn og bruke det mest passende emnet. Den velger det mest relevante emnet for hvert svar ved å se på de ekstraherte nøkkelordene.

Eksempel: Forestill deg at du håndterer kundefeedback på et hotell, og du ønsker å forstå det i forhold til konkrete deler av virksomheten. Hva må forbedres på rommene? Hva sier kundene om spaet?

Emner tar de ustrukturerte dataene, sorterer dem og fremhever eksempelvis hvilke forretningsområder som krever ressurser. Dette kan være nyttig dersom du for eksempel bare har budsjett til å fokusere på ett område om gangen og vil sikre at du bruker ressursene der de gjør mest nytte.

Hvordan kan tekstanalyse brukes til ulike målinger av Employee Experience og Customer Experience? Et av de mest verdifulle aspektene ved tekstanalyse er dens evne til å gi deg et helhetlig bilde av kundenes og medarbeidernes feedback. Det gir deg den kvalitative, detaljerte innsikt du trenger for å sette dine kvantitative data inn i en kontekst.

Målinger som CSAT og NPS er effektive fordi de resulterer i numerisk og kvantitativ innsikt som er enkel å samle inn, spore og sammenligne. Det de imidlertid mangler, er å gi deg årsakene til hvorfor kundene og medarbeiderne dine føler og opptrer som de gjør.

Hvorfor har NPS falt dette kvartalet? Hva må endres for å øke poengsummen på din eNPS? Hvorfor synes kundene at nettstedet ditt er vanskelig å bruke? Åpne tekstsvar er nøkkelen til å svare på disse forretningskritiske spørsmålene, og tekstanalyse kan i praksis hjelpe deg med å gjøre det i stor skala.

Textanalys för kund- och medarbetarundersökningar med Netigate.

Customer Satisfaction Score (CSAT)

Identifiser hvilke deler av produktet eller tjenesten kundene dine liker og hvilke de ikke liker.
Gjør målrettede, datadrevne forbedringer ved å lytte til kundenes individuelle stemmer.
Handle raskt på negative tilbakemeldinger om produktet/tjenesten for å unngå at det eskalerer.
Umiddelbar innsikt i hva tusenvis av kunder mener ved hjelp av emner og ekstrahering av nøkkelord.

Employee Net Promoter Score (eNPS)

Oppdag trender i det øyeblikket de oppstår.
Forstå hva som gjør en ‘kritiker’ til en ‘kritiker’.
Forstå hva som gjør ‘ambassadørene’ dine tilfredse og engasjerte.
Få innsikt i hva som kan gjøre dine passive medarbeidere til ambassadører for merkevaren.

Customer Effort Score (CES)

Få et innblikk i kundereisen med deres egne ord. Hva kan du forbedre?
Identifiser årsaker til frustrasjon for kundene dine.
Hvor er flaskehalsene i prosessene dine?
Finn og fjern hindringer raskt.
Reduser arbeidskrevende og negative opplevelser for kundene dine.

Hvorfor er det viktig å analysere åpne tekstsvar?

For å forstå verdien av tekstanalyse fullt ut, må vi minne oss selv på verdien av fritekstsvar.

Du ber kundene og medarbeiderne dine om å svare på et spørsmål i fritekst, og resultatet er et åpent tekstsvar. Det innebærer at de ikke er begrenset til å gi feedback ved å krysse av i en boks eller gi en tallkarakter. I stedet kan de dele kvalitative og detaljerte tilbakemeldinger som meninger, tanker og spesifikke forslag til forbedringer – med sine egne ord. Fordelene med denne typen feedback er blant annet følgende:

Oppdag det skjulte

Med åpne tekstsvar slipper du å gjette. Tekstsvar gir deg verdifull innsikt i nøyaktig hva kundene og medarbeiderne dine trenger for å forbli lojale mot virksomheten din.

Kvalitative data møter kvantitative data

Feedback i fritekst tar dataene dine utover kvantitative beregninger som (e)NPS og CSAT. Åpne fritekstsvar, som inneholder subjektive synspunkter, idéer, følelser og opplevelser, er viktige for å sette kundenes og medarbeidernes numeriske data og atferdsmønstre inn i kontekst. Med andre ord gir dine kvalitative data en dypere og forretningskritisk forståelse av dine kvantitative data.

Slutt feedback-sirkelen med analyse av tekst

Når du vet nøyaktig hva kundene og medarbeiderne dine setter pris på – eller ikke setter pris på – kan du raskt iverksette målrettede tiltak for å svare på deres feedback.

Invester tid og ressurser på rett sted

Åpne fritekstsvar fra kunder og medarbeidere styrer organisasjonen din i riktig retning fra starten av. Tekstanalyse gjør i praksis det derfor mulig for deg å gi ledergrupper og beslutningstakere omfattende og samlet innsikt. Innsikt som bidrar til å informere strategisk planlegging og beslutningstaking.

Gå ikke glipp av vår guide om tekstanalyse i denne e-boken.

Forretningsmessig verdi av tekstanalyse i praksis

For bedrifter spiller tekstanalyse en viktig rolle i effektivisering, forbedring og skalering av feedbackprosesser. Det kan også endre deres evne til å forbedre kunde- og medarbeideropplevelsen. Spesifikke fordeler er blant annet:

Besparelser i administrasjonstid og kostnader: Arbeid som tidligere tok mye tid og ressurser, kan nå gjøres mye raskere. Dette frigjør derfor tid og penger til å fokusere på å gjøre faktiske forbedringer basert på data fra feedback du har innhentet.
Skalerbarhet: Tekstanalyse gjør det mulig å sortere gjennom og forstå tusenvis av tekstsvar på kort tid. Dette er en lett skalerbar løsning, i motsetning til prosessen med å manuelt sortere svarene i Excel.
Økt datadekning: Åpne tekstsvar er en gullgruve av verdifull og detaljert informasjon. Tidligere unngikk virksomheter dem fordi de var for vanskelige å sortere og bruke. Tekstanalyse sørger i praksis for at dette ikke lenger er tilfelle.
Raskere innsikt og handling: Med tekstanalyse er det ingen forsinkelse mellom mottak av feedback i tekstsvar og iverksetting av nødvendige tiltak. For eksempel kan klager fra kunder nå fanges opp og følges opp umiddelbart.
Forstå «hvorfor»: Åpne tekstsvar hjelper deg å sette numeriske data inn i en sammenheng. Dette betyr at du ikke bare forstår hva som skjer – men også hvorfor det skjer.
Prioriter investeringer i opplevelser: Fritekstsvar gir deg detaljert innsikt i hva kundene og medarbeiderne spør etter. Dette gjør at virksomheter kan slutte å gjette, og prioritere det som er viktig.

Begrensninger ved tekstanalyse og hvordan de kan omgås

På lik linje som all annen programvare, har verktøy for tekstanalyse også noen begrensninger. Mange av disse er imidlertid enkle å omgå, dersom du forbereder deg samtidig som du lager undersøkelsen.

Analyse av tekst fungerer best med svar av høy kvalitet

Tekstanalyse fungerer best når den har gode skriftlige svar å analysere. I vår artikkel om åpne spørsmål i spørreundersøkelser hjelper vi deg med å forstå fordelene med tekstspørsmål, samt hvordan du skriver effektive spørsmål. Kort sagt, vil et godt utformet spørsmål føre til høyere kvalitet på svarene. Her er noen tips til hvordan du får svar av høy kvalitet:

Unngå å stille lukkede spørsmål som respondentene kan besvare med «ja» eller «nei». Det gir ikke tekstanalysen noe å jobbe med.
Still «hva»-spørsmål som lar respondentene forklare tankene og meningene i detalj.
Netigate-plattformen lar deg velge størrelsen på svarområdet for åpne tekstsvar. Ekspertene våre har funnet ut at et større svarområde, kan føre til mer detaljerte svar.

«Kunder og medarbeidere må bruke mer tid på å skrive svarene sine»

Vi har alle vært der. Å besvare en spørreundersøkelse og nøle når det kom til å svare på et åpent spørsmål. Det kan ta tid å svare på dem, og krever mer ettertanke enn bare å krysse av i en avkrysningsboks. Følgende tips kan brukes for å oppmuntre medarbeidere og kunder til å svare:

Skriv en introduksjonstekst til undersøkelsen som forklarer hva tilbakemeldingene skal brukes til. Hvis kunder og medarbeidere føler at deres feedback vil bidra til positive endringer, vil de være mer villige til å gi den.
Ikke bruk for mange åpne tekstspørsmål i en undersøkelse. Dette kan bli overveldende for respondentene, og svarene vil avta etter hvert som undersøkelsen skrider frem. I stedet for å stille flere forskjellige spørsmål om det samme, kan du bruke sentimentanalyse for å hjelpe deg å sortere «negative» og «positive» svar. Du kan for eksempel spørre: «Fortell oss hva du syntes om produktet» i stedet for å stille to forskjellige spørsmål om hva de likte, og hva de ikke likte.