Di antara sekian banyak teknik analisis teks yang tersedia di luar sana, analisis sentimen (sentiment analysis) adalah salah satu yang paling tepat dan akurat—sehingga banyak digunakan oleh perusahaan yang memiliki layanan social media monitoring. Namun, ada alternatif yang lebih baik untuk analisis sentimen tradisional yang kita semua tahu, dan ini disebut analisis sentimen berbasis aspek—yang juga digunakan Sonar dalam alat social media monitoring kita.
Juga dikenal sebagai analisis sentimen tingkat aspek, analisis sentimen berbasis fitur, atau analisis sentimen aspek, teknik ini memberikan keunggulan bagi bisnis dalam mempelajari lebih lanjut tentang apa yang benar-benar dibutuhkan pelanggan dengan menganalisis data umpan balik pelanggan mereka dengan mengelompokkannya menurut setiap aspek dan mengidentifikasi sentimen dikaitkan dengan masing-masing. Fakta bahwa pelanggan biasanya membicarakan lebih dari satu aspek layanan dalam percakapan media sosial adalah hal yang menyulitkan mesin untuk mengkategorikan sentimen sebenarnya di balik setiap kalimat.
Misalnya, ketika seorang pelanggan memposting ulasan mereka untuk restoran yang baru-baru ini mereka kunjungi, mereka biasanya tidak hanya menulis:
“Makanan di sini rasanya enak.”
Sebagai gantinya, mereka akan menulis ulasan lengkap tentang seluruh pengalaman mereka di sana, seperti:
“Saya benci karena harus mengantri LAMA SEKALI hanya untuk masuk. Namun, makanan di sini rasanya enak, dan itu membuat semua penantian itu sepadan!”
Dalam kalimat semacam ini, tidak akan pernah hanya ada satu sentimen untuk seluruh ulasan. Itulah mengapa analisis sentimen berbasis aspek digunakan untuk memahami konteks secara lebih mendalam dan membantu menemukan insight yang dapat ditindaklanjuti seperti apa yang dapat kami ambil dari ulasan pelanggan ini—dalam hal ini, menjaga kualitas makanan sambil memperbesar ruang sehingga lebih pelanggan bisa masuk tanpa menunggu terlalu lama.
Jadi, pada dasarnya analisis sentimen berbasis aspek (aspect-based sentiment analysis) mampu mengekstraksi dua hal: sentimen dan aspek. Sentimen seperti yang kita ketahui adalah nada positif, netral, atau negatif di balik pendapat pelanggan mengenai aspek tertentu. Di sisi lain, aspek adalah topik, kategori, atau fitur yang sedang dibicarakan oleh pelanggan.
Sederhananya, setelah memutuskan aspek mana yang akan dianalisis dari ulasan pelanggan, kami dapat mengkategorikan dan memberi label ulasan ini sesuai dengan aspek yang disebutkan dalam ulasan seperti yang terlihat pada tabel di bawah ini.
Studi Kasus: Yoiko Ramen 415 Restaurant (Blok M)
|
Ulasan Pelanggan |
Rasa |
Harga |
Suasana |
Pelayanan |
|
Ambience resto ini biasa aja, tetapi konsep Japanese-nya masih masuk. Overall, harga dan rasa dari menu yang saya pesan di sini kurang worth it. |
Negatif |
Negatif |
Netral |
|
|
Chicken Karage yang saya pesen enak banget, begitu pun dengan Goma Tonkotsu Ramen-nya. Suasananya berasa lagi makan di Jepang karena interiornya sangat mendukung. Sayangnya, pelayanannya kurang ramah. |
Positif |
Positif |
Negatif |
|
|
Enak sih Tonkotsu Ramen-nya, tapi yaudah biasa aja gitu. Kalo disuruh balik lagi kayaknya aku nggak mau. Menurutku ramen dan kuahnya kurang rich. |
Negatif |
|||
|
Soal rasa, nggak usah dibahas lagi. Tadi pesen Gyoza, Tonkotsu, dan Gila Ramen. All good as usual. Tapi, waiting time-nya parah. Makanan pertama baru keluar setelah nunggu 45 menit! |
Positif |
Negatif |
Beberapa sel yang dibiarkan kosong pada tabel di atas berarti pelanggan tidak menyebutkan atau membicarakan aspek tersebut dalam ulasan mereka. Kategorisasi semacam ini adalah kunci untuk mengekstrak insight paling penting dari ulasan pelanggan dan menentukan strategi selanjutnya yang benar-benar dapat membantu meningkatkan bisnis Anda.
Di blog kita berikutnya, kita akan membahas lebih banyak tentang mengapa analisis sentimen berbasis aspek lebih baik daripada yang konvensional. Jadi, pantau terus!
Jika Anda memiliki pertanyaan tentang cara kerja sentiment analysis berbasis aspek dataxet:sonar dan bagaimana kami dapat membantu perusahaan Anda tumbuh, jangan ragu untuk menghubungi kami.
