Исследователи из Университета Пенсильвании, Северо-Западного университета, Университета Мэриленда, Колумбийского университета и Университета Эмори опубликовали новую статью в Journal of Marketing, в которой представлен обзор автоматизированного текстового анализа и описано, как его можно использовать для генерации маркетинговые идеи.
Исследование, опубликованное в январском выпуске Journal of Marketing, называется «Объединение племен: использование текста для получения маркетинговой информации». Его авторами являются Джона Бергер, Эшли Хамфрис, Венди Мо, Одед Нетцер и Дэвид Швейдель..
Онлайн-обзоры, звонки в службу поддержки, пресс-релизы, новостные статьи, маркетинговые коммуникации и другие взаимодействия создают множество текстовых данных, которые компании могут анализировать для оптимизации услуг и разработки новых продуктов. По некоторым оценкам, 80-95 % всех бизнес-данных неструктурированы, причем большая часть из них - текст. Этот текст может дать критическую информацию о его создателях, включая личность людей, их отношения, их цели и то, как они демонстрируют ключевые отношения и поведение. Этот текст можно объединить, чтобы получить представление об организациях и социальных институтах и о том, как отношение меняется в зависимости от культурного контекста, демографии, групп и времени.
Бергер объясняет, что «оцифровка информации сделала огромное количество текстовых данных легкодоступными. Но сами по себе все эти данные - это просто данные. Чтобы данные были полезными, исследователи должны уметь извлекать лежащие в их основе понимание - измерять, отслеживать, понимать и интерпретировать причины и последствия поведения на рынке."
Но как маркетологи могут это сделать? Исследовательская группа объясняет, как исследователи и менеджеры могут использовать текст, чтобы лучше понять людей и организации, которые создают текст. В статье также исследуется, как содержание текста влияет на различную аудиторию. Например, то, как потребители могут повлиять на изменение своего поведения, или влияние брендов на решение проблем, поднятых потребителями, во многом зависит от содержания текста. Мо добавляет, что «автоматический анализ текста открывает черный ящик взаимодействий, позволяя исследователям напрямую получать доступ к тому, что говорится и как это говорится в рыночных коммуникациях».
Учитывая объем доступных текстовых данных, автоматические методы анализа текста имеют решающее значение, но с ними нужно обращаться осторожно. Исследователи должны избегать чрезмерной подгонки и взвешивать важность признаков, чтобы подобрать и использовать правильные предикторы из текста. Таким образом, в этой статье также представлен обзор методологий и показателей, используемых в анализе текста, а также набор рекомендаций и процедур для маркетологов и ученых-маркетологов. Понимание этих методов помогает нам понять, как текст используется и обрабатывается. Например, виртуальные помощники в настоящее время находятся под пристальным вниманием на предмет того, что люди прослушивают аудиозаписи. Однако этот процесс необходим для обучения машин, используемых для автоматического анализа текста.
Цель этой статьи - способствовать коллективному пониманию анализа текста и того, как его можно использовать для понимания. Исследователи и маркетологи могут использовать эту статью для создания рамок, разработки и распространения политик, а также для укрепления межфункционального сотрудничества с командами, работающими над проектами текстовой аналитики.