KHcode | 用户体验研究之文本分析利器

发布时间:2022/02/22 00:00      浏览:14204
作者:
来源:用户研究社

如果只有少量文本(一般反馈量低于500条)时,尚且还可通过人工对文本进行归纳分析。


但当面对成千上万的文本量时,苦不堪言不说,分析效率也低。


而词云分析呢,只能让你注意到那些频率较高的关键词,极有可能错过一些有价值的用户洞察。


因此,你需要更高级、更高效的文本分析方法,来深层次地挖掘用户诉求和原因。


说到更高级的文本分析方法,你可能就首先联想到了NLP技术,这种需要通过编程才能搞定的方法。


今天这篇文章,就为你介绍一种无需编程就能从容完成文本分析的方法,并通过一个案例「电商平台满意度调研」来详细展开。


案例:电商平台满意度调研-开放题分析


在开展分析之前,我们首先需要确定分析目的,本案例重点围绕意见反馈的分类、重点问题的识别、体验变化的监控这三个目的开展分析。


  • 意见反馈分类:用户具体反馈哪些类型的问题,各类型的比重,确定造成满意度低的主要原因。
  • 重点问题识别:不同满意度的人群的关注点分别是什么,如何提升他们的满意度。
  • 体验变化监控:上一周期的问题是否得到解决,本周期是否有新的问题显现。

文本分析工具:KHcoder


基于上述分析目的,分析过程分为三个阶段。


阶段一  文本探索


反馈问题分析,即用户反馈的内容包含哪些方面


第1步:进行词频统计


通过词频分析的角度来看,高频词能直观展现用户的主要关注点。


在本案例中,前25个词覆盖了78.6%的文本内容,高频词包括"商品"、"质量"、"客服"、"价格"、"销售"、"物流"。




第2步:构建词共现网络


通过构建词共现网络,能够帮助我们弄清楚词汇之间的关联关系,即哪些词汇是在一句话中一起出现。


在本案例中,通过词共现网络(如下图)可以发现,词汇之间形成了7个不同颜色的子群,每个子群都包含了特征词汇。


每个子群所代表的意义一目了然,通过直线与虚线来表达子群之间的影响关系与路径。


哪怕面对一个较为陌生的行业,我们也可以通过词共现网络快速掌握用户体验的核心维度。


第3步:LDA主题模型


文档是比词汇更高的抽象维度,LDA主题模型基于每个反馈文本进行聚类,以无监督的方式将大量的文本内容分成若干个类别。


在本案例中,所有文本被分为8大主题(如下图),主题的数量需要人为设置并通过经验来进行主题的概括。


虽然可能还不够准确,但能让我们更进一步了解文本所表达的主要内容。


阶段二  文本分类


基于文本探索并结合业务经验,对用户反馈进行多标签文本分类


第1步:多标签文本分类


多标签文本分类指的是基于以上词汇维度与文档维度的文本探索研究,并结合实际的业务经验与需要,最终确定一级体验指标。


在本案例中,将商品、客服、社群、物流、APP、活动这6项确定为一级指标,然后需要人工分别抽取各类文本(大约20个)打标签,后续通过文本分类算法进行模型训练并预测其余文本所属类别。


每个文本进行了准确的分类后,真正实现通过文本反馈来度量各维度的用户体验,还可将6大体验维度的声量(文本条数)与用户等级、用户满意度进行交叉分析,从而得出不同用户类型重点关注的体验维度,并进行针对性的体验提升。


第2步:监控变化趋势


通过定期监控文本反馈的变化趋势,可及时将异常表现反馈至相关部门进行调整。


如下图,可发现8月至11月期间,用户对于物流和客服反馈占比不断攀升,需要重点关注并分析原因。


阶段三 原因分析


各维度声量突然变化的主要原因




在本案例中,为了明确物流与客服反馈问题占比突然增多的原因,基于业务经验对6项一级指标(商品、物流、客服、APP、活动、社群)进行二级指标的构建。


从而发现11月份用户对于物流维度的不满,主要是因为物流发货、派送、运输、包装等问题导致。


对于客服的不满,主要是响应速度、专业性、处理态度等问题造成。


而商品质量是造成物流和客服问题的关键所在(反馈提升近100%)。


为了进一步定位具体商品,对有关商品质量、物流、客服的反馈文本进行词共现网络构建,分析得出商品根源在于水果生鲜,且从10月开始就出现问题。


由于水果本身品质不稳定,运输过程中容易损坏,引发的大量质量问题需要寻找客服解决,大规模客诉又造成客服无法及时响应和处理(因此响应速度、专业性、处理态度反馈声量上升)。

小结


文本分析,首先需要从词汇、文档、主题三个层面不断深入探索,大致弄清楚用户主要表达的内容类型。


然后在此基础上对文本进行更细致的分类,分类的维度最好能结合前期的探索与业务经验确定。


最后进行量化分析、体验趋势变化分析,也可以进一步结合不同细分客群找到相应的体验抓手。


本案例中整个文本分析过程通过KHcode完成,不涉及复杂编程,适合产品、运营、用研、设计等非技术岗位的小伙伴快速上手。


后续将补充「新能源汽车车主需求挖掘」、「雪球股票评论分析」等案例,为大家讲解更详细的软件使用方法。

© 2011~2015 3 北京勺海市场调查有限责任公司 | 京ICP备09041035号-2

电话:北京总部010-58696306,上海OFFICE:021-52285671    总部地址:中国北京朝阳区东三环中路建外SOHO18号楼1506室   技术支持:混沌鸿蒙