Video: Understand Social Sentiment Toward Your Brand 2025
Social sentimentanalyse er let den mest overhypede af Hadoop bruger, som ikke bør være overraskende, da verden er konstant forbundet og den nuværende ekspressive befolkning. Denne brugstilfælde udnytter indhold fra fora, blogs og andre sociale medier til at udvikle en følelse af, hvad folk laver (for eksempel livshændelser) og hvordan de reagerer på verden omkring dem (stemning).
Eftersom tekstbaserede data ikke passer naturligt ind i en relationsdatabase, er Hadoop et praktisk sted at udforske og køre analytikere på disse data.
Sprog er svært at fortolke, selv for mennesker til tider - især hvis du læser tekst skrevet af mennesker i en social gruppe, der adskiller sig fra din egen. Denne gruppe mennesker kan tale dit sprog, men deres udtryk og stil er helt fremmede, så du har ingen idé om, om de taler om en god oplevelse eller en dårlig.
Hvis du f.eks. Hører ordet bomber i forbindelse med en film, kan det betyde, at filmen var dårlig (eller godt, hvis du er en del af den unge bevægelse, der fortolker "Det er da bombe" som et kompliment); selvfølgelig, hvis du er i sikkerhedsvirksomheden i flyselskabet, har ordet bombe en helt anden betydning. Pointeret er, at sproget bruges på mange forskellige måder og konstant udvikler sig.
Når du analyserer følelser på sociale medier, kan du vælge mellem flere tilgange. Den grundlæggende metode analyserer teksten teksten, uddrag strenge og anvender regler. I enkle situationer er denne tilgang rimelig. Men efterhånden som kravene udvikler sig og regler bliver mere komplekse, bliver manuelt kodende tekstuddragelser hurtigt ikke længere mulige ud fra kodenes vedligeholdelse, især til optimering af ydeevnen.
Grammatik- og reglerbaserede tilgange til tekstbehandling er beregningsdygtige, hvilket er en vigtig overvejelse ved store udvindinger i Hadoop. Jo mere involveret reglerne (som er uundgåeligt til komplekse formål som sentimentudvinding), jo mere behandling er der brug for.
Alternativt bliver en statistikbaseret tilgang mere og mere almindelig for sentimentanalyse. I stedet for manuelt at skrive komplekse regler kan du bruge de klassificeringsorienterede maskinlæringsmodeller i Apache Mahout. Fangsten her er, at du bliver nødt til at træne dine modeller med eksempler på positiv og negativ følelse. Jo mere træningsdata du giver (for eksempel tekst fra tweets og din klassifikation), jo mere præcise dine resultater.
Anvendelsessagen til social sentimentanalyse kan anvendes på tværs af en bred vifte af brancher. For eksempel overveje fødevaresikkerhed: At forsøge at forudsige eller identificere udbrud af fødevarebårne sygdomme så hurtigt som muligt er ekstremt vigtigt for sundhedsembedsmænd.
Følgende figur viser et Hadoop-forankret program, der indtager tweets ved hjælp af ekstraktionsmidler baseret på den potentielle sygdom: FLU eller FOOD POISONING.
Kan du se det genererede varmekort, der viser tweets geografiske placering? Et kendetegn ved data i en verden af store data er, at det meste er rumligt beriget: Det har lokalitetsoplysninger (og tidsmæssige attributter også). I dette tilfælde blev Twitter-profilen omvendt konstrueret ved at kigge op på den offentliggjorte placering.
Som det viser sig, har mange Twitter-konti geografiske placeringer som led i deres offentlige profiler (såvel som ansvarsfraskrivelser, der tydeligt siger, at deres tanker er deres egne i modsætning til at tale for deres arbejdsgivere).
Hvor god er en forudsigelsesmotor kan sociale medier være for udbruddet af influenza eller en fødevareforgiftning hændelse? Overvej de anonyme prøvedata, der vises. Du kan se, at sociale medier signalerer trumpet alle andre indikatorer for at forudsige et influenzaudbrud i et specifikt USA county i løbet af sensommeren og i begyndelsen af efteråret.
Dette eksempel viser en anden fordel, der skyldes at analysere sociale medier: Det giver dig en hidtil uset mulighed for at se på at tildele oplysninger i plakater 'profiler. Tildelt, hvad folk siger om sig selv i deres Twitter-profiler er ofte ufuldstændige (for eksempel er placeringskoden ikke udfyldt) eller ikke meningsfuld (lokalitetskoden kan sige cloud nine ).
Men du kan lære meget om mennesker over tid, baseret på hvad de siger. For eksempel kan en klient have tweeted (offentliggjort på Twitter) meddelelsen om fødslen af hendes baby, et Instagram billede af hendes seneste maleri eller en Facebook-postering, der siger at hun ikke kan tro Walter Whites adfærd i sidste nat Breaking Bad finale.
I dette allestedsnærværende eksempel kan din virksomhed udtrække en livshændelse, der fylder en familie (et nyt barn er en værdifuld opdatering til en personbaseret Master Data Management-profil), en hobby (maleri) og en interesseattribut (du elsker showet Breaking Bad ).
Ved at analysere sociale data på denne måde har du mulighed for at uddanne personlige attributter med oplysninger som hobbyer, fødselsdage, livshændelser, geografiske placeringer (land, stat og by for eksempel), arbejdsgiver, køn, ægteskab status og meget mere.
Antag i et øjeblik, at du er CIO for et flyselskab. Du kan bruge posteringer af glade eller vrede, hyppige rejsende, for ikke kun at fastslå sentiment, men også afrunde kundeprofiler til dit loyalitetsprogram ved hjælp af socialmedieinformation.
Forestil dig, hvor meget bedre du kan målrette potentielle kunder med de oplysninger, der lige blev delt - for eksempel en e-mail, der fortæller klienten, at sæson 5 af Breaking Bad nu er tilgængelig på flyets mediesystem eller meddeler at børn under 2 år flyver gratis.
Det er også et godt eksempel på, hvordan registreringssystemer (f.eks. Salgs- eller abonnementsdatabaser) kan opfylde systemer for engagement (f.eks. Supportkanaler). Selvom loyalitetsmedlemmernes indløsnings- og rejsehistorie er i en relationsdatabase, kan systemet med engagement opdatere poster (for eksempel en kolonne).
