Recomendados
Recomendados
Más contenido relacionado
Similar a Defensa memoria UAI Sentiment Analysis
Similar a Defensa memoria UAI Sentiment Analysis (20)
Último
Último (20)
Defensa memoria UAI Sentiment Analysis
- 1. Sentiment Analysis enTwitter Javier Correa A. Valentina Poblete C. Alumnos JorgeVillalón Profesor Guía Aplicación de para el análisis de redes sociales en Bond. Propuesta de memoria para optar alTítulo de Ingeniero Civil Industrial Enero 2015
- 2. Consultoría – Medios sociales – Comercio electrónico – Medios online – Marketing de contenidos 2 “Resolver los desafíos del negocio de los clientes, utilizando estrategias digitales integrales”. Holanda 100 - Providencia
- 3. Basados en algunas estadísticas 92% de los consumidores da mayor importancia a los comentarios y opiniones de la gente cercana que a la información de otros medios. 90% de los clientes reconoce que un comentario positivo influye en la elección del producto. 3 Fuente:
- 4. Según una encuesta realizada por Deloitte Decisiones estratégicas Empresas de Prestación de servicios y Retail Incrementar la reputación de la marca Generar marketing “boca a boca” Crear ventajas competitivas Fuente:
- 5. Redes sociales más utilizadas Fuente: 96% 66% 56% 34% 31% Facebook Youtube Twitter Google + Linkedin
- 6. Actividades realizadas por los usuarios… Fuente: 66% 58% 52% 39% 37% 34% Ver que hacen sus contactos Ver videos, música Enviar mensajes Publicar contenidos Chatear Comentar la actualidad
- 7. Según la Fucqua School of Business de la Universidad de Duke 15% de las empresas tiene las herramientas necesarias para medir el impacto de las redes sociales en su negocio 100% de aumento de inversión en temas de social media como herramienta de comunicación en los próximos cinco años 66% de crecimiento en la inversión de tecnologías de análisis de información 7 Fuente:
- 8. Considerando que las opiniones están cargadas de sentimiento.
- 10. Hablando de costos… $840.000 Mensual $3.375.000 Mensual $4.215.000 Mensual Inversión en la herramienta: $48.000.000 Recuperada en 1 AÑO Analistas Información
- 11. VALOR Ventaja CompetitivaNecesidad Informaciónen Tiempo REAL DISMINUCIÓN DE COSTOS
- 12. VALOR Comprender al cliente Tendencias Información en tiempo REAL Visualización Detección de problemas
- 13. Objetivo Desarrollar una herramienta de extracción y clasificación de comentarios deTwitter asociados a una marca o producto específico, determinando si el comentario tiene orientación positiva, neutra o negativa 13
- 14. Sentiment Analysis “ El servicio de movistar es muy bueno, me encanta”. Servicio movistar muy bueno encanta 𝑽 𝟏 = (𝒔𝒆𝒓𝒗𝒊𝒄𝒊𝒐, 𝒎𝒐𝒗𝒊𝒔𝒕𝒂𝒓, 𝒎𝒖𝒚_𝒃𝒖𝒆𝒏𝒐, 𝒆𝒏𝒄𝒂𝒏𝒕𝒂)
- 16. Algoritmo Naive Bayes 𝐶 𝑚𝑎𝑝 = 𝐴𝑟𝑔𝑐𝜖𝐶 𝑀𝑎𝑥 𝑃 𝐶 ∙ ෑ 1≤𝑘≤𝑛 𝑃 𝑤1, … , 𝑤 𝑛|𝐶 𝐶 𝑚𝑎𝑝 = 𝐴𝑟𝑔 𝑐𝜖𝐶 𝑀𝑎𝑥 𝑃 𝐶| 𝑤1, … , 𝑤 𝑛 Criterio de Máximo Posteriori Probabilidad que sea un comentario negativo o positivo Probabilidad que dado una palabra W sea un comentario positivo o negativo
- 17. " Prefiero Movistar, es mejor que peor" Algoritmo Naive Bayes Palabra Polaridad Prefiero Positivo Mejor Positivo Peor Negativo Cmap(positivo)=P(positivo)* P(prefiero | positivo)*P(mejor | positivo)*P(peor | positivo) = 0,0213 Cmap(negativo)= P(negativo)*P(prefiero | negativo)*P(mejor | negativo)*P(peor | negativo) = 0,0104 Cmap(positivo)=0,0213 > Cmap(negativo)= 0,0104 POSITIVO
- 18. Metodología CRISP-DM Comprensión del negocio Comprensión de los datos Preparación de los datos Modelado Evaluación Implantación Datos
- 19. Comprensión del negocio Compren sión del negocio +10.000.000 Clientes Servicios móviles y fijos Banda Ancha Tv digital
- 20. Extracción de los datos Comprensi ón de los datos TwitteR
- 21. Extracción de los datos 21 Comprensi ón de los datos
- 22. Comprensión de los datos Problemas… Comprensi ón de los datos
- 23. Preparación de los datos Preparac ión de los datos 1ra Extracción Filtro: Idioma Español Comentarios en varios idiomas Fes possible el cap d'any tarragoní votant (és només UN CLICK) el projecte http://t.co/Du2gaGArSj #MovistarArtsyespa… I posted 9 photos on Facebook in thealbum"Gran Premio Movistar de Aragón 2015" http://t.co/WwtBDP6SuM
- 24. Preparación de los datos Preparac ión de los datos 2da Extracción Filtro: Eliminación de Retweets Retweets redundantes Tweet: Si tienes una emergencia comunícate desde tu Movistar al *911 #SeguridadVial RT @MaquinaDelAire: Si tienes una emergencia comunícate desde tu Movistar al *911 #SeguridadVial #LaMáquina
- 25. Preparación de los datos Preparac ión de los datos 3ra Extracción Filtro: Eliminación de palabras claves Palabras como “Chévere” , “Concierto”,etc. Guayaquil, la tercera ciudad con 4G LTE de Movistar: En sectores comoSamborondón(Guayas), la Alborada,Kenne... http://t.co/KoqnLvvzOC Libera tu lumia de Argentina (Personal, Claro o Movistar), mensaje alwhatsapp+5493764725434 Chama vieron que enVenezuela ya se va Movilnet y movistar, ese día será mi muerte por si no lo sabían
- 26. Preparación de los datos Preparac ión de los datos Limpieza Filtro: Eliminación de Stopwords y Puntuación Palabras y signos que no aportan al análisis. Maldita sea Movistar que no me deja mandar mensajes al extranjero Maldita movistar no deja mandar mensajes extranjero
- 30. Resultados 1er Modelo 658 94 308 404 143 513 0 100 200 300 400 500 600 700 Positivo Neutro Negativo Comentarios Modelo 1 Manual Precisión 46,98% Evaluación
- 32. Resultados 2do Modelo 492 71 497 404 143 513 0 100 200 300 400 500 600 Positivo Neutro Negativo Comentarios Modelo 2 Manual Precisión 60,94% Evaluación
- 33. Resultados 2do Modelo R e a l Predicción Precisión 60,94% Evaluación NEGATIVO NEUTRO POSITIVO NEGATIVO 365 36 112 513 NEUTRO 30 7 106 143 POSITIVO 102 28 274 404 497 71 492 1060
- 34. NEGATIVO NEUTRO POSITIVO NEGATIVO 365 36 112 NEUTRO 30 7 106 POSITIVO 102 28 274 Pasos a seguir… R e a l Predicción
- 35. Código Rstudio + Léxico + Plantilla Excel Implementación Implementa ción DESARROLLAR PRESENTAR
- 36. Implementación Implementa ción •Capacitaciones •Manual de utilización •Encargado: Analista con conocimientos en programación
- 37. Producto final
- 38. Conclusiones & Recomendaciones • Se entrega un producto con un precisión en la sentimentalización de un 61%, escalable y adaptable a las necesidades del usuario.(validado con el encargado de Bond) • El producto permite incrementar la cantidad de información analizada de 2.000 a 150.000 tweets al mes. • Se logra un ahorro inmediato en tiempo liberado de analista de 840.000 CLP al mes, y la utilización del código creado para generar una plataforma de análisis de datos de redes sociales tiene un ahorro potencial de 135 UF/mes, cuyo costo de inversión se recupera después de 12 meses. • Se recomienda ampliar dicho análisis a los comentarios que se puedan extraer de cualquier red social, como por ejemplo los comentarios del fun page de la marca en Facebook.
- 39. Sentiment Analysis enTwitter Aplicación de para el análisis de redes sociales en Bond.