Community Spring Cleaning week is here! Join your fellow Maveryx in digging through your old posts and marking comments on them as solved. Learn more here!

Casos de uso - Português

Intelligence Suite na prática: análise de sentimento de texto em 3 dias

ThalitaC
Alteryx Alumni (Retired)
Created
FullColor_1024x1024_300dpi.jpg

Visão geral do caso de uso

A Priscila Castro utiliza o Alteryx há seis anos e quando ela decidiu abrir sua própria empresa há quatro meses, a Visual Science, ela resolveu empreender com ajuda do Alteryx Designer para oferecer soluções em business intelligence e business analytics. Recentemente, a Visual Science fez a aquisição do módulo do Alteryx Intelligence Suite, o objetivo foi ganhar produtividade e escalar a criação rápida de modelos preditivos com aprendizado de máquina, sem precisar de códigos ou executar estatísticas complexas. Neste caso de uso, ela conta como criou um projeto teste de análise de sentimento de texto em apenas três dias. O projeto foi realizado para uma empresa de site de reclamações, que tinha o desejo de “identificar emoções” na rica massa de dados que possuem, a fim de compreender mais a fundo a dor do consumidor e melhorar o serviço de atendimento final da empresa citada na reclamação.

 
Descreva o problema ou desafio empresarial que você precisou solucionar

A Visual Science através de seus sócios, traz na bagagem mais de 10 anos de experiência em diferentes soluções de otimização de processos e gestão, utilizando business intelligence e business analytics para empresas de pequeno, médio e grande porte em diversos setores da economia. Com foco na gestão viva e visual, eles criam análises customizadas com base nos dados do cliente, para que a tomada de decisão se torne uma experiência.

 

Uma empresa que possui um site popular de reclamações, estava preocupada não só com o fechamento da reclamação, mas sim em compreender a experiência do consumidor da abertura até a finalização de uma reclamação. Neste processo da abertura ao fechamento leva um tempo até o desfecho, e existem algumas etapas que eles gostariam de entender, desde o cadastro até a resposta da empresa e a intermediação, caso necessário. Nesse meio tempo, existem várias conversas que são registradas em campos de textos, e a análise de sentimento de texto ajuda a identificar como o consumidor se sentiu durante todo esse processo, além de outros dados analisados em conjunto, como tempo de resposta, duração da reclamação, horários, dias da semana, períodos específicos como black friday, faixa etária, segmento, tipo dispositivo, volume de reclamações, entre outros.

 

O site funciona da seguinte maneira: o consumidor faz um cadastro e abre uma reclamação contra alguma empresa que tem o direito de se defender e de resolver o problema.

 

Descreva sua solução funcional

A solução criada pela Visual Science foi desenvolver um dashboard que além de conter diversos dados, inclui a análise de sentimento de texto que foi realizada utilizando e configurando o algoritmo do Intelligence suite, de modo a identificar emoções e sentimentos dos consumidores que até então eram subjetivos.

 

1. Autenticação via token de acesso + API

O primeiro passo, foi conectar com a API e gerar o token de acesso. Com o token de acesso, foi só chamar a API inserir o token e fazer o download do JSON e organizar os dados.  “Se eu fosse fazer em programação esse processo ia demorar uma vida. Em programação ia ter que fazer um monte de linha de código, mas com Alteryx eu fiz em 10 minutos. Eu trouxe a URL para o fluxo com o token e baixei o JSON, fiz o download, delimitei os pontos” afirma Priscila Castro.

 Resultado no Alteryx retornando o tokenResultado no Alteryx retornando o token
Autenticação da API via token e download do JSON com as informaçõesAutenticação da API via token e download do JSON com as informações
2. Mineração + Tradução

A API trouxe muitos dados, mais de 2.800 campos entre métricas e dimensões, por isso foi necessária uma mineração e limpeza. Especialmente os campos de textos que para cada ID, estavam separados por eventos, então foi necessário realizar um trabalho mais aprofundado para concatenar estes textos, sempre levando em consideração o momento de cada registro. Depois da mineração dos dados, como o algoritmo de análise de sentimento entende somente textos em inglês, foi necessário realizar a tradução simultânea, utilizando uma ferramenta que utiliza o tradutor Bing da Microsoft disponível na Alteryx Gallery.

App de tradução do AzureApp de tradução do Azure

3. Análise de sentimento

Quando a pessoa abre uma reclamação no site, ela escreve um texto livre explicando o problema e depois da resposta da empresa, ela diz se o caso foi resolvido ou não, e pode ainda escrever um texto final ou não. Como a intenção era entender os sentimentos na entrada e na saída, os textos foram divididos em fluxos diferentes para cada reclamação. Antes de rodar o algoritmo, utilizando a ferramenta de pré-processamento de texto, os campos de textos foram transformados em letras minúsculas e houve a exclusão das principais stopwords.

4.png

  • Consideração do consumidor no texto de entrada

Foi utilizado o algoritmo de análise de sentimento para medir a valência (se positiva ou negativa) e a magnitude (quão positiva ou negativa) da emoção no texto para encontrar o nível de sentimento em três níveis: de documento, sentença e característica.

Este gráfico feito no Tableau mostra, ao longo de um período, a análise do texto de abertura, e conseguimos comprovar o funcionamento do algoritmo, que mostra como se mantém bem negativo o sentimento dos consumidores, mas por outro lado ele melhora com tempo, a análise pode ser aprofundada ao clicar no gráfico para entender o real motivo.Este gráfico feito no Tableau mostra, ao longo de um período, a análise do texto de abertura, e conseguimos comprovar o funcionamento do algoritmo, que mostra como se mantém bem negativo o sentimento dos consumidores, mas por outro lado ele melhora com tempo, a análise pode ser aprofundada ao clicar no gráfico para entender o real motivo.

  • Consideração do consumidor no texto de saída

Utilizando o mesmo algoritmo da entrada, mas em fluxos diferentes, foi realizada a análise que mostra os textos de encerramento das reclamações.

Aqui, ao longo de um período está a análise do texto de encerramento, e conseguimos comprovar mais uma vez o funcionamento do algoritmo, que mostra como o sentimento de saída dos consumidores fica mais positivo. Conseguimos identificar também, um pico negativo, o que é muito importante pois isso significa consumidores com sentimentos negativos ainda.Aqui, ao longo de um período está a análise do texto de encerramento, e conseguimos comprovar mais uma vez o funcionamento do algoritmo, que mostra como o sentimento de saída dos consumidores fica mais positivo. Conseguimos identificar também, um pico negativo, o que é muito importante pois isso significa consumidores com sentimentos negativos ainda.

O gráfico de apresentação final mostra as análises de saída e entrada das reclamações, com a média de sentimento de saída em relação ao período selecionado. Os textos de saída, são considerados mais importantes pois expressam o sentimento final do consumidor, ao lado ficou o gráfico de entrada de reclamações, que também é importante pois quanto mais negativo o percentual, mais indica um problema maior de entrada em um certo período.

 

7.png

 

  • Identificação de palavras top mais

Foi criada uma análise específica para categorizar os modelos e identificar as palavras mais faladas, além de sua saliência e relevância. O output mostra as palavras mais relevantes em todo o banco de dados.

 

8.png

 

4. Junção e Dashboard

Nessa etapa, foi feita a união de todos os fluxos das informações gerais e dos sentimentos de abertura e fechamento referente a cada reclamação, foi plugada uma saída Hyper para o Tableau, para dar sequência no desenvolvimento do dashboard para visualização. O mais interessante é que ao clicar no gráfico de sentimentos, o dashboard filtra e traz somente as informações daquele momento. Isso ajuda muito na análise das reclamações por segmentação de dados.

Dashboard no Tableau com resultados da análise de sentimentoDashboard no Tableau com resultados da análise de sentimento

Descreva os benefícios que você obteve

O site de reclamações usará o dashboard de análise de sentimento para oferecer um serviço de consultoria para as empresas citadas nas reclamações, com o objetivo de identificar a causa das reclamações e melhorar o serviço. “Sem o Alteryx Intelligence Suite não seria possível fazer essa análise de sentimento tão rápida e tão completa. Essa solução permite que os gestores tomem ações imediatas e consigam filtrar problemas específicos.”

 

No futuro, a ideia é unir com a análise de textos de redes sociais, que está em crescimento constante, e hoje é um dos principais canais de comunicação que de forma imediata possibilita que o consumidor manifeste os seus sentimentos com relação a um produto ou marca específica.

 

Recursos relacionados
 
Comments
educeliaBR
Alteryx Alumni (Retired)

Amazing Use Case ! Thank you so much for sharing with us Priscila!

GNC
5 - Atom

Muito interessante! 

ricardoalves70
6 - Meteoroid

Caso TOP! Parabéns!

FláviaB
Alteryx Community Team
Alteryx Community Team

Incrível! 

carlosteixeira
15 - Aurora
15 - Aurora

Sensacional.... Essa é a ferramenta que sempre surpreende.

 

Parabéns Pessoal da Visual Science

 

Abraços

Contributors