გულნარა ჯანელიძე, ია აფციაური
თანამედროვე პერიოდში სწრაფად იზრდება მანქანური სწავლების შესაძლებლობები ადამიანების საქმიანობის ყველა სფეროში, მათ შორის, მარკეტინგი შეუძლებელია ტექსტური ინფორმაციის და გამოსახულებების გამოყენებისა და დამუშავების გარეშე. მანქანურმა სწავლებამ მნიშვნელოვნად შეამსუბუქა ვიზუალურ კონტენტთან მუშაობის პროცესი.
მსხვილი კომპანიები ცდილობენ თავიანთი პროდუქტების მიზანმიმართულობასა და პერსონალიზებას. ისინი ამას აკეთებენ ადამიანების ინტერესების გაანალიზებით და მათ მოსაზიდად შესაბამისი მიმართულებით. ეს არის ნაცადი მეთოდი, რომელიც ეხმარება ორგანიზაციებს კონკრეტული აუდიტორიის მოზიდვაში. იმისათვის, რომ მაქსიმალურად იქნას გამოყენებული ინვესტიციები, საჭიროა სწორი ორიენტაცია მყიდველზე. აუდიტორიის სურვილების გაანალიზების გარეშე ფაქტობრივად, ხდება გარისკვა მნიშვნელოვანი დანაკარგებით და მომხმარებელთა უნდობლობით. ნაშრომში მოცემულია კლასტერიზაციის ალგორითმის გამოყენება ტექსტში მსგავსებების გამოსავლენად. წარმოდგენილია კონტექსტზე დამოკიდებული ტექსტის ანალიზის პრობლემები, გრამატიკის საფუძველზე და ასევე, n-გრამებზე დაყრდნობით სახასიათო ნიშნების ამოღების საკითხები. განხილულია საკვანძო ფრაზების ამოღებისა და მთლიანი არსის გამოვლენის ამოცანები.
ნაშრომში წარმოდგენილია მარკეტინგის, კერძოდ გაყიდვების ამოცანებში კლასტერიზაციის ალგორითმების გამოყენების შესაძლებლობები, რომელიც საშუალებას იძლევა მსგავსი თვისების მქონე ადამიანები დაჯგუფდეს გარკვეული პროდუქციის მიმართ მათი ინტერესების მიხედვით. ამავდროულად კლასტერიზაციის ალგორითმი დააჯგუფებს პროდუქტებს, მომხმარებლების უკუკავშირის მიხედვით. შედეგად მიიღება სურათი თუ რამდენად მოთხოვნადია პროდუქტი, რაც შემდგომში გათვალისწინებული იქნება გაყიდვების გასაუმჯობესებლად. ამდენად გაყიდვების ამოცანებში კლიენტების უკუკავშირის ტექსტის დამუშავება შემდგომში მისი კონტენტ-ანალიზისთვის ძალიან ეფექტურია საქონლის შესახებ ინფორმაციის მიღებაში.
Ali, F., K. Kwak, and Y. Kim. 2016. Opinion mining based on fuzzy domain ontology and support vector machine: A proposal to automate online review classification. Applied Soft Computing 47:235–50. doi:10.1016/j.asoc.2016.06.003.
Bi, J., Y. Liu, Z. Fan, and E. Cambria. 2019. Modelling customer satisfaction from online reviews using ensemble neural network and effect-based Kano model. International Journal of Production Research 57(22):1–21.
How Machine Learning Transforms Customer Feedback Analysis URL: https://digitalon.ai/machine-learning-customer-feedback-analysis
Tripathy, A., A. Agrawal, and S. Rath. 2016. Classification of sentiment reviews using n-gram machine learning approach. Expert Systems with Applications 57:117–26. doi:10.1016/j.eswa.2016.03.028.
Wang, F., C. Li, J. Wang, J. Xu, and L. Li. 2015. A two-stage feature selection method for text categorization by using category correlation degree and latent semantic indexing. Journal of Shanghai Jiaotong University (Science) 20:44–50. doi:10.1007/s12204-015-1586-y.