Apa itu Analisis Teks?

Bisnis menggunakan analisis teks untuk mengekstraksi wawasan yang dapat ditindaklanjuti dari berbagai sumber data yang tidak terstruktur. Bisnis bergantung pada umpan balik dari sumber seperti email, media sosial, dan respons survei pelanggan untuk membantu membuat keputusan. Namun, volume teks yang sangat besar dari sumber tersebut dirasa terlalu banyak tanpa adanya perangkat lunak analitik teks.

Dengan analisis teks, Anda bisa mendapatkan informasi akurat dari sumber dengan lebih cepat. Proses tersebut sepenuhnya otomatis dan konsisten, dan menampilkan data yang dapat Anda tindak lanjuti. Contohnya, menggunakan perangkat lunak analisis teks memungkinkan Anda untuk segera mendeteksi sentimen negatif pada postingan media sosial sehingga Anda dapat bekerja untuk menyelesaikan masalah tersebut

Analisis sentimen

Analisis sentimen atau penambangan opini menggunakan metode analisis teks untuk memahami opini yang disampaikan dalam suatu teks. Anda dapat menggunakan analisis sentimen dari ulasan, blog, forum, dan media online lainnya untuk menentukan jika pelanggan Anda merasa senang dengan pembelian mereka. Analisis sentimen membantu Anda menemukan tren baru, melacak perubahan sentimen, dan mengatasi masalah Humas. Dengan menggunakan analisis sentimen dan mengidentifikasi kata kunci spesifik, Anda dapat melacak perubahan pada opini pelanggan dan mengidentifikasi akar masalah tersebut. 

Pengelolaan catatan

Analisis teks mengarah pada pengelolaan, kategorisasi, dan pencarian dokumen secara efisien. Ini mencakup mengotomatiskan pengelolaan catatan pasien, memantau penyebutan merek, dan mendeteksi penipuan asuransi. Contohnya, LexisNexis Legal & Professional menggunakan ekstraksi teks untuk mengidentifikasi catatan tertentu di antara 200 juta dokumen.

Personalisasi pengalaman pelanggan

Anda dapat menggunakan perangkat lunak analisis teks untuk memproses email, ulasan, obrolan, dan korespondensi berbasis teks lainnya. Dengan wawasan tentang preferensi, kebiasaan membeli, dan persepsi merek pelanggan secara keseluruhan, Anda dapat menyelaraskan pengalaman pribadi untuk segmen pelanggan yang berbeda. 

Perangkat lunak analisis teks menggunakan teknik umum berikut.

Klasifikasi teks

Dalam klasifikasi teks, perangkat lunak analisis teks mempelajari cara mengasosiasikan kata kunci tertentu dengan topik, maksud pengguna, atau sentimen khusus. Ini dilakukan menggunakan metode berikut: 

• Klasifikasi berbasis aturan menetapkan tanda pada teks berdasarkan aturan yang telah ditentukan untuk komponen semantik atau pola sintaksis.
• Sistem berbasis machine learning bekerja dengan melatih perangkat lunak analisis teks menggunakan contoh dan meningkatkan akurasi dalam menandai teks. Sistem ini menggunakan model linguistik seperti Naive Bayes, Support Vector Machines, dan Deep Learning untuk memproses data terstruktur, mengategorikan kata, dan mengembangkan pemahaman semantik di antara keduanya.

Contohnya, ulasan favorit sering kali berisi kata-kata seperti baik, cepat, dan bagus. Namun, ulasan negatif mungkin berisi kata-kata seperti tidak senang, lambat, dan buruk. Ilmuwan data melatih perangkat lunak analisis teks untuk mencari istilah khusus dan mengategorikan ulasan sebagai ulasan positif atau negatif. Dengan cara ini, tim pendukung pelanggan dapat dengan mudah memantau sentimen pelanggan dari ulasan tersebut.

Ekstraksi teks

Ekstraksi teks memindai teks dan menarik informasi kunci. Ekstraksi teks dapat mengidentifikasi kata kunci, atribut produk, nama merek, nama tempat, dan lainnya dalam suatu teks. Perangkat lunak ekstraksi menerapkan metode berikut:

• Ekspresi reguler (REGEX): Ini adalah deretan simbol yang berfungsi sebagai prasyarat hal-hal yang perlu diekstraksi.
• Bidang acak bersyarat (CRF): Ini adalah metode machine learning yang mengekstraksi teks dengan cara mengevaluasi pola atau frasa khusus. CRF ini lebih baik dan fleksibel daripada REGEX. 

Contohnya, Anda dapat menggunakan ekstraksi teks untuk memantau penyebutan merek di media sosial. Melacak setiap penyebutan merek Anda di media sosial secara manual adalah hal yang mustahil. Ekstraksi teks akan memberi tahu tentang penyebutan merek Anda secara waktu nyata. 

Pemodelan topik

Metode pemodelan topik mengidentifikasi dan mengelompokkan kata kunci terkait yang muncul pada teks tidak terstruktur ke dalam suatu topik atau tema. Metode ini dapat membaca beberapa dokumen teks dan mensortir ke dalam tema berdasarkan frekuensi berbagai kata dalam dokumen. Metode pemodelan topik memberikan konteks untuk analisis dokumen lebih lanjut.

Contohnya, Anda dapat menggunakan metode pemodelan topik untuk membaca arsip dokumen yang dipindai dan mengklasifikasi dokumen ke dalam tagihan, dokumen hukum, dan perjanjian pelanggan. Kemudian Anda dapat menjalankan berbagai metode analisis pada tagihan untuk memperoleh wawasan keuangan atau pada perjanjian pelanggan untuk memperoleh wawasan pelanggan.

Redaksi PII

Redaksi PII secara otomatis mendeteksi dan menghapus informasi pengenal pribadi (PII) seperti nama, alamat, atau nomor rekening dari suatu dokumen. Redaksi PII membantu melindungi privasi dan tunduk pada peraturan dan perundang-undangan setempat.

Contohnya, Anda dapat menganalisis tiket dukungan dan artikel pengetahuan untuk mendeteksi dan meredaksi PII sebelum Anda mengindeks dokumen dalam solusi pencarian. Setelah itu, solusi pencarian akan terbebas dari PII dalam dokumen.

Untuk menerapkan analisis teks, Anda harus mengikuti proses sistematis melalui empat tahap.

Tahap 1—Pengumpulan data

Dalam tahap ini, Anda mengumpulkan data teks dari sumber internal atau eksternal.

Data internal

Data internal adalah konten teks internal dalam bisnis Anda dan senantiasa tersedia—contohnya, email, obrolan, faktur, dan survei pegawai. 

Data eksternal

Anda dapat menemukan data eksternal dalam sumber seperti postingan media sosial, ulasan online, artikel berita, dan forum online. Data eksternal sulit diperoleh karena berada di luar kendali Anda. Anda mungkin memerlukan alat scraping web atau mengintegrasikan dengan solusi pihak ketiga untuk mengekstraksi data eksternal.

Tahap 2—Persiapan data

Persiapan data merupakan bagian penting dari analisis teks. Persiapan data melibatkan penstrukturan data teks mentah dalam format yang dapat diterima untuk analisis. Perangkat lunak analisis teks mengotomatiskan proses dan melibatkan metode umum pemrosesan bahasa alami (NLP) berikut. 

Tokenisasi 

Tokenisasi memisahkan teks mentah menjadi beberapa bagian yang secara semantik masuk akal. Contohnya, frasa analitik teks menguntungkan bisnis ditokenisasi ke dalam kata-kata teks, analitik, menguntungkan, dan bisnis.

Penandaan kelas kata

Penandaan kelas kata menetapkan tanda tata bahasa pada teks tertokenisasi. Misalnya, menerapkan tahap ini pada token yang telah disebutkan sebelumnya menghasikan teks: Kata benda; analitik: Kata benda; menguntungkan: Kata kerja; bisnis: Kata benda.

Penguraian

Penguraian menciptakan koneksi yang bermakna antara kata-kata tertokenisasi dengan tata bahasa Inggris. Penguraian membantu perangkat lunak analisis teks memvisualisasikan hubungan antar kata. 

Lematisasi 

Lematisasi adalah proses linguistik yang menyederhanakan kata ke dalam bentuk kamus, atau lema. Misalnya, bentuk kata memvisualisasikan dalam kamus adalah visualisasi.

Penghapusan kata henti

Kata henti adalah kata-kata yang hampir tidak memberikan konteks semantik pada kalimat, seperti dan, atau, dan untuk. Tergantung pada kasus penggunaan, perangkat lunak mungkin menghapusnya dari teks terstruktur. 

Tahap 3—Analisis teks

Analisis teks adalah bagian inti dari proses, tempat perangkat lunak analisis teks memproses teks dengan menggunakan metode yang berbeda. 

Klasifikasi teks

Klasifikasi adalah proses penetapan tanda pada data teks berdasarkan aturan atau sistem berbasis machine learning.

Ekstraksi teks

Ekstraksi mencakup identifikasi keberadaan kata kunci khusus dalam teks dan mengasosiasikannya dengan tanda. Perangkat lunak menggunakan metode seperti ekspresi reguler dan bidang acak bersyarat (CRF) untuk melakukannya.

Tahap 4—Visualisasi

Visualisasi adalah tentang mengubah hasil analisis teks ke dalam format yang mudah dipahami. Anda akan menemukan hasil analitik teks dalam grafik, bagan, dan tabel. Hasil visualisasi membantu Anda mengidentifikasi pola dan tren serta membangun rencana tindakan. Contohnya, seandainya produk Anda dikembalikan dalam jumlah besar, tetapi Anda kesulitan mencari penyebabnya. Dengan visualisasi, Anda mencari kata-kata seperti cacat, ukuran salah, atau tidak pas dalam umpan balik dan memtabulasikan ke dalam bagan. Kemudian Anda akan mengetahui masalah utama yang menjadi prioritas utama. 

Amazon Comprehend adalah layanan pemrosesan bahasa alami (NLP) yang menggunakan machine learning untuk mengungkap wawasan dan koneksi berharga dalam teks. Anda dapat menggunakannya untuk menyederhanakan alur kerja pemrosesan dokumen dengan secara otomatis mengklasifikasi dan mengekstraksi informasi dari alur kerja. Contohnya, Anda dapat menggunakan Amazon Comprehend untuk melakukan tugas berikut:

• Melakukan analisis sentimen pada tiket dukungan pelanggan, ulasan produk, umpan balik media sosial, dan banyak lagi. 
• Mengintegrasi Amazon Comprehend dengan Amazon Lex untuk mengembangkan chatbot percakapan yang cerdas.
• Mengekstraksi istilah medis dari dokumen dan mengidentifikasi hubungan antar istilah dengan Amazon Comprehend Medical.

Mulai dengan membuat akun AWS sekarang juga.