Poster tagget med ‘Text Analytics’


Reiselivsanalyse, sosiale medier: Vandrerne snakker mest om Møre og Romsdal

27 January 2011

Som tidligere nevnt på denne bloggen samarbeidet Telemarksforsking og eMind i evalueringen av Møre og Romsdals reiselivssatsing 2006-2010. Noen av hovedfunnene er:

- Møre og Romsdal er det norske fylket som oftest omtales i forbindelse med vandring.

hiking

- Nordland omtales mest når det prates om fiske. En interessant observasjon er at barnefamilier, camping og sommer omtales når man snakker om fiske.

fishing

- Nordland er vinneren når det gjelder padling. Samtidig prates det om sykling, dykking, fisking og vandring i forbindelse med padling.

paddling

Hele rapporten kan lastes ned fra Telemarksforsking. eMinds bidrag kan leses her, Kapittel 8 – Posisjon i sosiale medier.

Dag Petter Svendsen

Tags: , , , , , ,
Postet i Markedsføring i sosiale medier, Tekstanalyse, Trender i sosiale medier | 1 kommentar

NAV i sosiale medier: Folk klager over lang ventetid

27 May 2010

I går holdt jeg et foredrag for NAV i Larvik. Temaet var bl.a. hvordan få kunnskap om innbyggernes meninger om offentlige tjenester gjennom analyse av prat og diskusjoner i sosiale medier. Som et eksempel på hva som er mulig å påvise av prat om NAV gjorde jeg en rask datainnsamling og tekstanalyse i forkant av foredraget. Under vises resultatet:

Først trakk jeg ut noe over 3000 diskusjoner om NAV fra norske diskusjonsfora. Deretter oversatte jeg resultatene automatisk fra norsk til engelsk, for deretter å analysere tekstinnholdet med teknikker som “forstår” hva som sies i disse diskusjonene – men på engelsk, derfor oversettingen. Først påvises de ordene som forekommer oftest i diskusjonene (bruk zoom-funksjonen i nettleseren for å se alle detaljer i bildene under):

termer

De enkelte ordene blir klassifisert i ordgrupper som “positiv”, “negativ”, “kundesupport”, “oppfølging” og mye mer. Vi ser også hvor mange ganger ordene opptrer totalt i de underliggende diskusjonene, og hvor mange dokumenter som inneholder de forskjellige ordene. Forekomsten av “unknown”-gruppene skyldes at jeg rett og slett ikke brukte tid på å manuelt klassifisere ord som ikke automatisk ble identifisert, oversatt og klassifisert. Jeg laget ikke dette for å gjøre en fullverdig analyse av NAV i sosiale medier, men kort vise hvilke muligheter som ligger der. Jeg har ikke kontrollert datagrunnlaget for feil, og den automatiske oversettingen og klassifiseringen kan inneholde også feil.

Neste skritt er å undersøke om det finnes mønstre og sammenhenger mellom ordgruppene. Resultatet viser blant annet en kategori som identifiserer negativ omtale av NAVs service når det gjelder tilgjengelighet:

Kategorier

Dette er nyttig informasjon. Ennå mer nyttig ville det være om vi kunne vite hva som er problemet angående tilgjengelighet. La oss så gå litt videre i analysen for å avdekke dette. Nå påvises sammenhenger mellom ulike tema relatert til tilgjengelighet. Det sies imidlertid mye om NAV og tilgjengelighet, som vi ser under:

neg_service_tilgjengelighet_hele_nettverket

Vi kan ikke påvise interessante sammenhenger i analysen over – fordi vi må håndtere for mye informasjon – så vi må justere parameterne for å finne “nåla i høystakken”, altså det temaet som mest diskuteres i forbindelse med NAV og tilgjengelighet:

neg_service_tilgjengelighet_hele_nettverket_essens

Det som diskuteres oftest i forbindelse med NAV og tilgjengelighet dreier seg om ventetid. Nyttig innsikt. Likevel, kan vi få ennå mer informasjon ut av teksten vi analyserer? Eksempelet under viser at dette er mulig:

neg_pos_ventetid

Her ser vi enkeltordene som nevnes i forbindelse med problemet med tilgjengelighet (oversatt automatisk fra norsk til engelsk): Lang ventetid, klage over lang tid før man får svar, problemer med venteliste, kø…

Nyttige innsikter…

Dag Petter Svendsen

Tags: , , , ,
Postet i Tekstanalyse | 1 kommentar

ARCHIVE