Tekstanalyse: ga jij 100.000 opmerkingen van klanten doornemen?
Duizenden teksten met de hand doorspitten, op zoek naar patronen. Dat is een klus waar niemand blij van wordt. Toch hebben we open vragen nodig. Multiple choice-antwoorden zijn vaak containerbegrippen. Je dwingt klanten te categoriseren, ook als hun antwoord niet 100% in een categorie past. Dat vertroebelt het zicht op de werkelijke mening van de klant. Door klanten de ruimte te geven zelf teksten te schrijven vermijd je dit. De letterlijke teksten geven vaak meer en gedetailleerder inzicht in mogelijke verbeteringen.
Daarom zoeken we bij MarketResponse met slimme technieken naar de belangrijkste thema’s in deze teksten. We kijken welke woorden vaak voorkomen, maar ook welke woorden vaak samen voorkomen en welke woorden misschien hetzelfde betekenen.
Aan de hand van deze analyses bouwen we een set van regels (wij noemen dat een library) die de teksten indeelt in thema’s. Een groot deel van het zoeken naar belangrijke thema’s doen we met algoritmen en analyses, zoals Word2Vec en topic modeling, maar een deel is handwerk. Tekstanalyse, in het jargon Natural Language Processing (NLP), is al ver ontwikkeld, maar wat ons betreft nog niet ver genoeg om teksten volledig automatisch te kunnen duiden. De ontwikkeling van deze technieken loopt bovendien voor de Nederlandse taal altijd wat achter. Het merendeel wordt nu eenmaal eerst ontwikkeld en getraind voor Engelse teksten.
Context maakt het verschil
En dan is er nog een belangrijke factor: context. Wat we bedoelen met context? We geven een voorbeeld: analyseer je klantfeedback op een helpdesk, dan zou het woord ‘telefoon’ onder het thema ‘communicatie’ vallen. Maar werk je met teksten van een telecomprovider, dan is ‘telefoon’ deel van het product. Zo kunnen woorden of woordcombinaties in een andere context een compleet andere betekenis hebben. Algoritmen zien deze context (nog) niet. Die moeten we dus zelf toevoegen. Dit is dus het essentiële punt in het proces waar we algoritmen combineren met menselijk inzicht. Woordgebruik is nou eenmaal domein- en klantspecifiek. Een library op maat zorgt dus voor een sterke tekstanalyse.
Door toepassing van dit proces konden de medewerkers van Marktplaats.nl 15.000 enquête-antwoorden gemakkelijk en snel analyseren, op zoek naar verbeterpunten. Onze tooling stelde Marktplaats ook in staat om prioriteiten te stellen in de gevonden verbeteringen.
Voor Eneco gebruikten we tekstanalyse om een verandering in tevredenheid te kunnen duiden. Door de feedback van 2 periodes met elkaar te vergelijken vonden we opvallende onderwerpen en daardoor de oorzaken van de veranderde tevredenheid.
Voor PostNL zetten we tekstanalyse in om de root cause-analyse in hun huidige continue tevredenheidsonderzoek te valideren. Met de uitkomsten kan PostNL dit tevredenheidsonderzoek verder optimaliseren en de actiegerichtheid ervan verbeteren.