مقياس المشاعر

خطوات الاستخدام

أدخل عدد الإشارات الإيجابية (positiveMentions): هذا هو عدد المنشورات أو التغريدات أو التعليقات التي تحمل مشاعر إيجابية تجاه علامتك التجارية أو موضوعك. يتم حساب ذلك عادةً باستخدام أدوات تحليل المشاعر التي تصنف النصوص حسب الكلمات المفتاحية أو التعلم الآلي. كلما زاد هذا الرقم، زادت المشاعر الإيجابية.

أدخل عدد الإشارات السلبية (negativeMentions): هذا هو عدد الإشارات ذات المشاعر السلبية. قد تشمل الشكاوى أو الانتقادات أو التعليقات الغاضبة. من المهم تتبعها لتقييم المخاطر وتحسين الخدمة.

أدخل إجمالي الإشارات (totalMentions): إجمالي عدد الإشارات التي تم تحليلها، بما في ذلك الإيجابية والسلبية والمحايدة. قد يكون هذا الرقم مساوياً لمجموع الإيجابية والسلبية فقط إذا تم تجاهل المحايدة، ولكن من الأفضل إدراج جميع الإشارات لضمان الدقة.

الأسئلة الشائعة

درجة المشاعر (Sentiment Score) هي مقياس نسبي يعتمد على تحليل النصوص وتصنيفها إلى إيجابية وسلبية ومحايدة، ويتم حسابها بقسمة الفرق بين الإيجابية والسلبية على الإجمالي. أما صافي نقاط الترويج (NPS) فهو مقياس لولاء العملاء يعتمد على سؤال واحد: 'ما مدى احتمالية أن توصي بمنتجنا لصديق؟' على مقياس 0-10. درجة المشاعر أكثر تفصيلاً وتلتقط المشاعر من كميات ضخمة من البيانات غير المهيكلة، بينما NPS يعتمد على استبيانات مباشرة. يمكن استخدامهما معاً: درجة المشاعر لتحليل المحادثات الواسعة، وNPS لقياس ولاء العينة التمثيلية. على سبيل المثال، قد يكون لديك درجة مشاعر إيجابية عالية ولكن NPS منخفض إذا كان العملاء راضين لكنهم لا يوصون بك بسبب أسعارك المرتفعة. لذا فهما متكاملان.

المعادلة الأساسية (positiveMentions - negativeMentions) / totalMentions تعتمد على إجمالي الإشارات. إذا قمت بتضمين المحايدة، فإن ذلك يقلل من حساسية النتيجة لأن المحايدة تزيد المقام دون التأثير على البسط. لكن من الأفضل إدراجها لأنها تعطي صورة أوضح لسياق المحادثة. على سبيل المثال، إذا كان لديك 100 إيجابية و100 سلبية و800 محايدة، فستكون النتيجة 0%، مما يعكس توازناً ضعيفاً لكن مع غلبة المحايدة. إذا استبعدت المحايدة (totalMentions = 200)، فستكون النتيجة 0% أيضاً لكن بنفس المعنى. في المقابل، إذا كان لديك 400 إيجابية و100 سلبية و500 محايدة، فمع المحايدة: (300/1000)*100=30%، وبدونها: (300/500)*100=60%. الفرق كبير. لذا ننصح بإدراج المحايدة للحصول على تقييم واقعي لأن المحايدة تمثل جزءاً كبيراً من الجمهور الذي لم يتخذ موقفاً بعد.

هناك عدة عوامل: أولاً، دقة تصنيف المشاعر. إذا كانت أداة التحليل غير دقيقة (مثلاً، تعتبر السخرية إيجابية)، فستكون النتائج خاطئة. ثانياً، اختيار العينة: إذا كانت الإشارات غير ممثلة للمجتمع الكلي (مثلاً، تحليل tweets فقط دون منصات أخرى)، فقد تكون النتيجة متحيزة. ثالثاً، تجاهل السياق: نفس الكلمة قد تحمل مشاعر مختلفة حسب السياق (مثلاً، 'مريض' قد تعني إعجاباً في العامية المصرية). رابعاً، التقلبات الزمنية: قد تكون المشاعر عابرة بسبب حدث معين (مثل إعلان نجم)، لذا يفضل تحليل الاتجاه على مدى زمني. خامساً، عدم تمييز المشاعر القوية عن الضعيفة: النتيجة المتوسطة قد تخفي توزيعاً غير متساوٍ. لتخفيف ذلك، استخدم أدوات تحسين المشاعر مثل Lexicons متعددة اللغات، ودمج تحليل المشاعر مع تحليل النبرة (Intensity). كما ينصح بتقسيم البيانات حسب المنصة أو الفترة الزمنية للحصول على رؤى أعمق.

مقياس المشاعر

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أمثلة محسوبة

الأسئلة الشائعة

أدخل القيم

خطوات الاستخدام

1مثال 1: حملة إطلاق منتج جديد. قامت شركة بإطلاق هاتف ذكي جديد وحللت 5000 تغريدة. كانت 3200 منها إيجابية، و800 سلبية، والباقي محايد. احسب درجة المشاعر.

2مثال 2: أزمة علاقات عامة. بعد حادثة تسرب بيانات، قامت شركة بتحليل 12000 إشارة على وسائل التواصل. كانت 2000 إيجابية، و7000 سلبية، و3000 محايدة. احسب درجة المشاعر وقدم توصيات.

أمثلة محسوبة

الأسئلة الشائعة