Sentimentanalyse i CX-praksis

Fra sentiment til emnebunden sentiment

Simpel sentimentanalyse: "Dette svar er negativt."

Emnebunden sentimentanalyse: "Dette svar er negativt om emnet: Levering."

Den emnebundne tilgang er langt mere handlingsorienteret og er standarden i moderne VoC-programmer.

Vores erfaring er således, at den største gevinst ved sentimentanalyse ikke er automatisering. Det er hastighed. Du kan identificere et voksende problem i åbne svar uger før det viser sig i din NPS-score. Dermed giver det dig tid til at handle proaktivt.

Metoder for sentimentanalyse

Regelbaseret / Leksikalsk: Baseret på ord-lister (positive ord, negative ord). Hurtig og gennemsigtig, men dårlig til ironi og kontekst. Passer til simple, korte svar.

Machine learning-baseret: Trænet på annoterede teksteksempler. God til kontekstafhængig analyse, men kræver stor mængde træningsdata og løbende vedligeholdelse.

LLM-baseret (GPT, Claude m.fl.): Anvender store sprogmodeller via prompt engineering. Fremragende til dansk og til nuanceret, kontekstafhængig analyse. Skalerer godt og kræver ikke træningsdata.

Typiske anvendelsesområder

• Analyse af åbne NPS-svar: Hvad skriver Detractors vs. Promoters om?
• Monitoring af Trustpilot/Google-anmeldelser: Hvad er sentiment-trenden over tid?
• Support-ticket-triage: Prioriter kritiske henvendelser baseret på negativ sentiment
• Social media listening: Identificer negative omtaler, der kræver respons

Begrænsninger at kende

• Ironi og sarkasme misfortolkes hyppigt
• Korte svar (1-3 ord) er svære at klassificere præcist
• Branchespecifikke termer kan have anderledes sentiment-valens end i generelle tekster