Op research-live.com publiceerde Ryan Callihan onlangs een artikel over mythes en misvattingen rond analyses van taal. NLP kan inzicht opleveren, maar te vaak verwarren we sentimentanalyse met inzicht. Een pleidooi voor combinatie van databronnen.
Een van de eerste, rudimentaire pogingen om tekstgegevens te analyseren, kreeg zijn beslag in zogenaamde ‘woordwolken’. Die halen woorden naar boven die het vaakst in een tekst voorkomen. Op dezelfde manier kwam sentimentanalyse naar voren als een manier om een beoordeling of puntenschaal uit tekst te destilleren. De analysewereld is nou eenmaal erg gehecht aan kwantitatieve manieren van denken. Dit heeft in ieder geval het voordeel dat het relatief eenvoudig te delen is met belanghebbenden.
Maar het gebied van natuurlijke taalverwerking (NLP) heeft de afgelopen jaren een aantal verschuivingen doorgemaakt. De wens om een kwantitatieve meting te halen uit kwalitatieve gegevens is er al lang, maar pas sinds kort is het uitvoerbaar.
In de kern is NLP het analyseren van ongestructureerde gegevens. Hoewel ‘natuurlijk’ menselijk ingrijpen kan impliceren, draait het om de geautomatiseerde analyse van taal zoals die op natuurlijke wijze wordt gesproken en geschreven. Dit kan op zijn beurt gedetailleerde inzichten opleveren. Als je bijvoorbeeld een bezorgservice bent, wil je weten of je klanten tevreden zijn; maar dat is een ruime vraag, niet gemakkelijk te beantwoorden met een cijfer of andere beoordeling. Is de communicatie misschien het struikelblok? De verpakking? Hoe verschillen bepaalde groepen van elkaar?
AI in het publieke domein
Tegenwoordig is AI – waar NLP deel van uitmaakt – meer dan ooit gangbaar, niet in de laatste plaats dankzij ChatGPT. Toch verloopt het geven van informatie en antwoorden via AI niet echt soepel. De interface kent zijn beperkingen. Je mist kritisch denkvermogen en je krijgt te maken met verkeerde informatie.
Zo gaat het ook met NLP. Het grootste probleem is dat er geen kennis van buiten in de technologie is ingebed. Als je bijvoorbeeld de recente piek in het praten over alcoholvrij bier in een context wilt plaatsen, zou je idealiter meer moeten weten over het abrupte besluit van Qatar om tijdens het WK alleen alcoholvrij in de stadions te verkopen.
Hoewel er altijd een hype is rond nieuwe technologieën, betekent het feit dat een technologie cool is, niet dat die voor elke taak is te gebruiken. Soms worden mensen enthousiast en willen ze complexe modellen maken met AI – gewoon omdat ze dat kunnen – maar over het algemeen is het verstandig om klein te beginnen en een specifiek doel voor ogen te houden.
Het is belangrijk om verder te kijken dan naar frequentie bij de analyse van taal, zeker in een tijd waarin de kosten van levensonderhoud en consumentengedrag zo sterk veranderen. Voorbeeld: als uw merk erg lijkt op andere merken in de markt, moet u ontdekken wat uniek is in wat u aanbiedt. Zo’n concurrentieanalyse vereist geavanceerde NLP – iets wat enorm kan helpen bij een effectieve merkpositionering.
Analytics
De afgelopen jaren is er een enorme verfijning in analytics ontstaan. Om die ontwikkeling vast te houden, is het belangrijk om te weten wat we willen bereiken. Geen enkele tool doet alles. Is je onderzoeksdoel om te bevestigen, te ontdekken of gewoon om een oogje in het zeil te houden en te controleren?
Technologieën als AI en NLP zijn geen magie, maar ze zijn vooral nuttig. De doelstellingen moeten de aanpak bepalen. Dat lukt beter als we gegevensbronnen combineren en gelaagd maken en als we verder gaan dan de basis: met behulp van automatisering het ‘waarom’ achter het ‘wat’ blootleggen.
Bron: research-live.com