Item request has been placed! ×
Item request cannot be made. ×
loading  Processing Request

Identificación de factores a mejorar para aumentar la recomendación, análisis de NPS para clientes neutros a partir de procesamiento de lenguaje natural ; Identification of factors to be improved to increase recommendation, NPS analysis for neutral customers based on natural language processing

Item request has been placed! ×
Item request cannot be made. ×
loading   Processing Request
اقرأ أكثر حفظ في قائمتي
  • معلومة اضافية
    • Contributors:
      Ospina Arango, Juan David
    • بيانات النشر:
      Universidad Nacional de Colombia
      Medellín - Minas - Maestría en Ingeniería - Analítica
      Departamento de la Computación y la Decisión
      Facultad de Minas
      Medellín, Colombia
      Universidad Nacional de Colombia - Sede Medellín
    • الموضوع:
      2022
    • نبذة مختصرة :
      ilustraciones, diagramas, tablas ; Este trabajo presenta una metodología para identificación de factores a mejorar para aumentar la intención de recomendación de los clientes de una entidad financiera. Se utilizaron 7.000 verbatims de los clientes clasificados como neutros en la encuesta net promoter score, que corresponden a la información de los años 2019, 2020 y 2021. Se realizó procesamiento de esta información para obtener un corpus estructurado que representa el contenido de todos los verbatims. Se aplicó análisis de sentimientos con el objetivo de analizar los sentimientos subyacentes en los verbatims de los clientes, el cual permitió concluir que en cada uno de los años analizados más de un 80% de los clientes tenían un sentimiento negativo asociado a su verbatim. Se entrenaron diferentes algoritmos con la intención de encontrar los temas más relevantes para los clientes, los modelos entrenados fueron, asignación latente de dirichlet, indexación semántica latente y factorización de matriz no negativa, los modelos fueron evaluados utilizando el enfoque de la maximización de la coherencia, combinado con juicio humano para validar los tópicos en el contexto del negocio. Entre los modelos entrenados el que mejores resultados arrojó fue la asignación latente de dirichlet, alcanzando la coherencia máxima para dos tópicos, los cuáles fueron caracterizados como costos y servicio en los canales de atención. Combinando el resultado del modelado de tópicos con el análisis de sentimientos, se descubrió que el sentimiento que predomina por parte de los clientes en los dos tópicos es negativo, y para algunos casos es positivo o neutro. (Texto tomado de la fuente) ; This paper presents a methodology for identifying factors to be improved in order to increase the recommendation intention of customers of a financial institution. We used 7,000 verbatims from customers classified as neutral in the net promoter score survey, corresponding to information from the years 2019, 2020 and 2021. This information was processed to ...
    • File Description:
      70 páginas; application/pdf
    • Relation:
      Athanasiou, V., & Maragoudakis, M. (2017). A novel, gradient boosting framework for sentiment analysis in languages where NLP resources are not plentiful: a case study for modern Greek. Algorithms, 10(1), 34.; Aziz, A. A., & Starkey, A. (2019). Predicting supervise machine learning performances for sentiment analysis using contextual-based approaches. IEEE Access, 8, 17722-17733.; Anderson, E. W., Fornell, C., & Lehmann, D. R. (1994). Customer satisfaction, market share, and profitability: Findings from Sweden. Journal of marketing, 58(3), 53-66.; Baviera, T. (2017). Técnicas para el análisis del sentimiento en Twitter: Aprendizaje Automático Supervisado y SentiStrength. Dígitos, 1(3), 33-50.; Bird S, Klein E, y Loper E, (2009), Natural Language Processing with Python, Estados Unidos de América, O’Reilly Medía.; Cheng, M., & Jin, X. (2019). What do Airbnb users care about? An analysis of online review comments. International Journal of Hospitality Management, 76, 58-70.; Chiruzzo, L., Rosá, A., & Etcheverry, M. (2020). Análisis de Sentimiento para Tweets en Español: Algunos Experimentos con Foco en los Tweets Neutros. Procesamiento del lenguaje natural, (64), 109-116.; De la Torre, J., & del Consuelo, M. (2017). Nuevas técnicas de minería de textos: Aplicaciones (Doctoral dissertation, Universidad de Granada).; Feng, L., & Wei, W. (2020). A Combined Method of r-NPS and t-NPS Evaluations for Identification of Negative Triggers of Detractors’ Experience. Sustainability, 12(4), 1652.; Fernández, J., Boldrini, E., Gómez, J. M., & Martínez-Barco, P. (2011). Análisis de Sentimientos y Minería de Opiniones: el corpus EmotiBlog. Procesamiento del lenguaje natural, 47, 179-187.; Fernández, J., Gutiérrez, Y., Gómez, J. M., Martínez-Barco, P., Montoyo, A., Munoz, R. (2013). Sentiment analysis of spanish tweets using a ranking algorithm and skipgrams.; Fisher, N. I., & Kordupleski, R. E. (2018). What is Wrong with Net Promoter Score. arXiv preprint arXiv:1806.10452.; Fodeh, S. J., Al-Garadi, M., Elsankary, O., Perrone, J., Becker, W., & Sarker, A. (2020). Utilizing a multi-class classification approach to detect therapeutic and recreational misuse of opioids on Twitter. Computers in Biology and Medicine, 104132.; Gelbukh, A. (2010). Procesamiento de lenguaje natural y sus aplicaciones. Komputer Sapiens, 1, 6-11.; Henríquez, C., Pla, F., Hurtado, L. F., & Guzmán, J. (2017). Análisis de sentimientos a nivel de aspecto usando ontologías y aprendizaje automático. Procesamiento del Lenguaje Natural, (59), 49-56.; Hernández, M. B., & Gómez, J. M. (2013). Aplicaciones de procesamiento de lenguaje natural. Revista Politécnica, 32; Korenius, T., Laurikkala, J., Järvelin, K., & Juhola, M. (2004, November). Stemming and lemmatization in the clustering of finnish text documents. In Proceedings of the thirteenth ACM international conference on Information and knowledge management (pp. 625-633).; Kumar, S., & Zymbler, M. (2019). A machine learning approach to analyze customer satisfaction from airline tweets. Journal of Big Data, 6(1), 1-16.; Mandal, P. C. (2014). Net promoter score: a conceptual analysis. International Journal of Management Concepts and Philosophy, 8(4), 209-219.; Mariñelarena-Dondena, L., Errecalde, M. L., & Solano, A. C. (2017). Extracción de conocimiento con técnicas de minería de textos aplicadas a la psicología. Revista Argentina de Ciencias del Comportamiento, 9(2), 65-76.; Mariñelarena-Dondena, L., Ferretti, E., Maragoudakis, M., Sapino, M., & Errecalde, M. L. (2017). Predicting depression: a comparative study of machine learning approaches based on language usage. Cuadernos de Neuropsicología/Panamerican Journal of Neuropsychology, 11(3).; Medina-Merodio, J. A., Pablos-Heredero, C. D., Jiménez-Rodríguez, M. L., Marcos-Ortega, L. D., Barchino-Plata, R., Rodríguez-García, D., & Gómez-Aguado, D. (2014). Analysis of customer satisfaction using surveys with open questions. Dyna, 81(188), 92-99.; Melnic, E. L. (2016). Techniques for measuring customers' satisfaction in Banks. Bulletin of the Transilvania University of Brasov. Economic Sciences. Series V, 9(1), 23.; Mesa Reyes, J. G. (2016). Procesamiento de lenguaje natural y su aplicación en servicios de hostelería.; Moorthi, Y. L. R., & Mohan, B. C. (2017). Brand value proposition for bank customers in India. International Journal of Bank Marketing.; Mousavi, S. M., & Amiri Aghdaie, S. F. (2021). Identifying the Constructive Elements of “Value Proposition” and their Impact on Customers’ Satisfaction using Sentiment Analysis based on Text Mining. Journal of Business Management, 12(4), 1092-1116.; Mu, R., Zheng, Y., Zhang, K., & Zhang, Y. (2021). Research on Customer Satisfaction Based on Multidimensional Analysis. International Journal of Computational Intelligence Systems, 14(1), 605-616.; Muktafin, E. H. (2021). Sentiments analysis of customer satisfaction in public services using K-nearest neighbors algorithm and natural language processing approach. Telkomnika, 19(1), 146-154.; Nazari, M., Shah Hosseini, M. A., & Tabatabaie Kalejahi, S. V. (2014). Impact of price perception factors on customer and price acceptance (Case study: MTN Irancell Company). Journal of Business Management, 6(3), 647-664.; Paredes-Valverde, M. A., Colomo-Palacios, R., Salas-Zárate, M. D. P., & Valencia-García, R. (2017). Sentiment analysis in Spanish for improvement of products and services: a deep learning approach. Scientific Programming, 2017.; Park, J. (2020). Framework for sentiment-driven evaluation of customer satisfaction with cosmetics brands. IEEE Access, 8, 98526-98538.; Park, M., McDonald, D., & Cha, M. (2013, June). Perception differences between the depressed and non-depressed users in twitter. In Proceedings of the International AAAI Conference on Web and Social Media (Vol. 7, No. 1).; Pérez, D., Alfonseca, E., Rodriguez, P., Gliozzo, A., Strapparava, C., & Magnini, B. (2005). About the effects of combining latent semantic analysis with natural language processing techniques for free-text assessment. Revista signos, 38(59), 325-343.; Reichheld, Frederick F. (diciembre 2003). “One Number You Need to Grow”. Harvard Business Review.; Riaz, S., Fatima, M., Kamran, M., & Nisar, M. W. (2019). Opinion mining on large scale data using sentiment analysis and k-means clustering. Cluster Computing, 22(3), 7149-7164.; Sun, S., Luo, C., & Chen, J. (2017). A review of natural language processing techniques for opinion mining systems. Information fusion, 36, 10-25.; Tao, Y., Zhang, F., Shi, C., & Chen, Y. (2019). Social media data-based sentiment analysis of tourists’ air quality perceptions. Sustainability, 11(18), 5070.; Tarnowska, K. A., & Ras, Z. (2021). NLP-Based Customer Loyalty Improvement Recommender System (CLIRS2). Big Data and Cognitive Computing, 5(1), 4.; Vallez, M., & Pedraza, R. (2007). El Procesamiento del Lenguaje Natural en la Recuperación de Información Textual y áreas afines. Hipertext. net.; Villagra, A., Guzmán, A., Pandolfi, D., & Leguizamón, G. (2009). Análisis de medidas no-supervisadas de calidad en clusters obtenidos por K-means y Particle Swarm Optimization. Ciencia y Tecnología.; Wijngaards, I., Burger, M., & van Exel, J. (2020). Correction: The promise of open survey questions—The validation of text-based job satisfaction measures. Plos one, 15(7), e0236900.; Zainuddin, N., & Selamat, A. (2014, September). Sentiment analysis using support vector machine. In 2014 international conference on computer, communications, and control technology (I4CT) (pp. 333-337). IEEE.; Customer.guru - Net Promoter Score for E-Shops and SaaS [En línea] https://customer.guru/ [último acceso: 22 Febrero 2022]; J. Chuang, CD Manning y J. Heer, Termite: Técnicas de visualización para evaluar modelos de temas textuales (2012), Departamento de Ciencias de la Computación de la Universidad de Stanford; J. Chang et al, Lectura de hojas de té: cómo los humanos interpretan los modelos temáticos (2009), Sistemas de procesamiento de información neuronal; Robertson, A. M., & Willett, P. (1998). Applications of n‐grams in textual information systems. Journal of Documentation.; Welte, W. (1985). Lingüística moderna, terminología y bibliografía (Vol. 5). Gredos.; Risch, J. (2016). Detecting Twitter topics using latent Dirichlet allocation.; Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of machine Learning research, 3(Jan), 993-1022.; Hammoe, L. (2018). Detección de tópicos: utilizando el modelo LDA.; Venegas, V. (2003). Análisis Semántico Latente: una panorámica de su desarrollo. Revista signos, 36(53), 121-138.; Vásquez, A. C. (2017). Clasificación de textos informáticos mediante indexación semántica latente. Perfiles de Ingeniería, 13(13), 109-122.; Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788-791.; Velásquez García, L. E. (2021). Modelamiento de tópicos aplicados al estudio de ataques de Ingeniería social (Bachelor's thesis, Quito, 2021).; Yan, X., Guo, J., Lan, Y., & Cheng, X. (2013, May). A biterm topic model for short texts. In Proceedings of the 22nd international conference on World Wide Web (pp. 1445-1456).; Hamzeian, D. (2021). Using Machine Learning Algorithms for Finding the Topics of COVID-19 Open Research Dataset Automatically (Master's thesis, University of Waterloo).; Mimno, D., Wallach, H., Talley, E., Leenders, M., & McCallum, A. (2011, July). Optimizing semantic coherence in topic models. In Proceedings of the 2011 conference on empirical methods in natural language processing (pp. 262-272).; Newman, D., Chemudugunta, C., & Smyth, P. (2006, August). Statistical entity-topic models. InProceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 680-686).; Ipsos [En línea] https://www.ipsos.com/es-es/nosotros [último acceso: 22 Febrero 2022]; Sentiment-analysis-spanish. (2021, February 4). [En linea] https://pypi.org/project/sentiment-analysis-spanish/ [último acceso: 22 Febrero 2022]; Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends® in information retrieval, 2(1–2), 1-135.; Saura, J. R., Reyes-Menendez, A., & Palos-Sanchez, P. (2019). Are black Friday deals worth it? Mining Twitter users’ sentiment and behavior response. Journal of Open Innovation: Technology, Market, and Complexity, 5(3), 58.; Arango Pastrana, C. A., & Osorio Andrade, C. F. (2021). Aislamiento social obligatorio: un análisis de sentimientos mediante machine learning. Suma de Negocios, 12(26), 1-13.; Gensim: topic modelling for humans [En línea] https://radimrehurek.com/gensim/ [último acceso: 22 Febrero 2022]; scikit-learn: machine learning in Python — scikit-learn 1.0.2 documentation [En línea] https://scikit-learn.org/stable/ [último acceso: 22 Febrero 2022]; pyLDAvis — pyLDAvis 2.1.2 documentation [En línea] https://pyldavis.readthedocs.io/en/latest/readme.html [último acceso: 22 Febrero 2022]; https://repositorio.unal.edu.co/handle/unal/81608; Universidad Nacional de Colombia; Repositorio Institucional Universidad Nacional de Colombia; https://repositorio.unal.edu.co/
    • Rights:
      Atribución-NoComercial 4.0 Internacional ; http://creativecommons.org/licenses/by-nc/4.0/ ; info:eu-repo/semantics/openAccess
    • الرقم المعرف:
      edsbas.E3C3B8