Sentimentanalyse

Bei hohem Nachrichtenaufkommen ist es unrealistisch, jede Nachricht einzeln zu lesen, um die Stimmung zu erfassen. Ein Beam-Agent sendet eingehende Texte wie Bewertungen oder Tickets an MonkeyLearn, wendet das von Ihrem Team gewählte Sentiment-Modell an und trägt das Ergebnis in den Datensatz ein, damit negative Fälle schnell sichtbar werden. Eindeutig positive oder neutrale Ergebnisse werden automatisch gespeichert. Liegt der Wert nahe an der Grenze, mischt der Text Lob und Beschwerde, oder ist die Formulierung sarkastisch oder mehrdeutig, leitet der Agent den Fall an einen Mitarbeiter zur Bewertung weiter. So wird verhindert, dass ein verärgerter Kunde fälschlicherweise als zufrieden eingestuft und stillschweigend ignoriert wird.

Themenklassifizierung

Die manuelle Sortierung von Freitext-Feedback nach Themen kommt nicht hinterher. Ein Beam-Agent leitet jedes Textdokument an ein MonkeyLearn-Themenmodell weiter, wendet die von Ihrem Team definierten Kategorien an und kennzeichnet den Datensatz, sodass Berichterstattung und Weiterleitung genau wissen, worum es sich bei dem jeweiligen Element handelt. Eindeutige Klassifizierungen werden automatisch vorgenommen. Wenn ein Text mehrere Themen abdeckt, auf keine der definierten Kategorien passt oder das Modell eine geringe Konfidenz aufweist, hält der Agent den Text für eine manuelle Kategorisierung durch einen Mitarbeiter zurück. So bleibt Ihre Themenstruktur aussagekräftig und füllt sich nicht im Laufe der Zeit mit falsch zugeordneten Einträgen.

Schlüsselwort-Extraktion

Das manuelle Aufspüren der entscheidenden Begriffe in Tausenden von Dokumenten ist mühsam. Ein Beam-Agent speist Text in ein MonkeyLearn-Extraktionsmodell ein, wendet die von Ihrem Team festgelegten Regeln an und schreibt die extrahierten Schlüsselwörter oder Entitäten in den Datensatz, damit Suche und Analyse mit einer strukturierten Basis arbeiten können. Saubere Extraktionen werden automatisch gespeichert. Wenn die Ergebnisse fehlerhaft erscheinen, ein offensichtlicher Begriff fehlt oder ein Dokument für das Modell zu ungewöhnlich ist, markiert der Agent es zur Überprüfung durch einen Mitarbeiter, damit nachfolgende Analysen nicht auf unzuverlässigen Tags aufbauen.