Fra vage til presise inntrykk: En ny metode for å måle merkevarens omdømme i media

For at virksomheten skal få et helhetlig bilde er det viktig å forstå mer enn bare den generelle merkevareholdningen i medieovervåkningen. Vi må også se på hvordan ulike aktører som virksomheter eller personer blir omtalt. 

Med hjelp av kunstig intelligens kan entitetsbasert sentimentanalyse gi en mer detaljert vurdering. Denne metoden gjør det mulig å ikke bare vurdere om omtalen er positiv, nøytral eller negativ for merkevaren din, men også for å finne ut hvordan hver enkelt aktør omtales.   

 

Hvorfor entitetsbasert sentimentanalyse gir dypere innsikt i medieomtalen 

    1. Detaljert innsikt for målrettet beslutningstaking
      Entitetsbasert sentimentanalyse bryter ned sentimentet på nivået til hver enkelt aktør, i stedet for å gi en gjennomsnittlig vurdering for hele artikkelen. For eksempel i en artikkel som omtaler to virksomheter, virksomhet A og virksomhet B, kan en generell sentimentanalyse vurdere artikkelen som «nøytral» ettersom den inneholder både positive og negative synspunkter. Entitetsbasert sentimentanalyse vil derimot kunne avdekke at virksomhet A omtales positivt, mens virksomhet B oppfattes negativt. Denne detaljen er avgjørende for virksomheter, investorer eller interessenter som trenger å forstå hvordan hver enkelt aktør oppfattes. 
    2. Mer nøyaktig håndtering av blandet sentiment
      Nyhetsartikler inneholder ofte blandede oppfatninger, hvor ulike aktører vurderes fra forskjellige perspektiver. En artikkel kan for eksempel hedre en virksomhets innovasjon samtidig som den kritiserer virksomhetens miljøpåvirkning. Generell sentimentanalyse vil ofte ha problemer med å håndtere denne kompleksiteten og kan kategorisere hele artikkelen som «nøytral» eller feilaktig som «positiv» eller «negativ». Entitetsbasert sentimentanalyse kan derimot skille mellom den positive holdningen til virksomhetens innovasjon og den negative holdningen til miljøpraksisene. Denne nøyaktigheten sikrer at virksomheten får presise innsikter uten at viktige detaljer går tapt.
    3. Gjør det mulig å reagere raskt på omdømmepåvirkninger 
      For virksomheter som trenger å følge med på omtalen av sin egen merkevare og/eller konkurrenter i mediene, gir entitetsbasert sentimentanalyse muligheten til å følge dette detaljert over tid. For eksempel kan en virksomhet se hvordan merkevarens oppfatning endres etter ulike hendelser, som en ny reklamekampanje eller negativ nyhet. De kan også sammenligne eget omdømme med konkurrenter når det gjelder spesifikke områder, som kundeservice eller bærekraft. Denne tilnærmingen er spesielt nyttig for omdømmehåndtering, ettersom virksomheten får muligheten til å reagere raskt på endringer i hvordan de blir oppfattet, og tilpasse strategiene sine basert på endringer i merkevareoppfatning og innsikt om konkurrenter.
    4. Gir støtte for mer strategisk beslutningstaking  
      Entitetsbasert sentimentanalyse gir muligheter for mer avansert analyse av informasjon ved å se på meninger fra flere forskjellige vinkler. For eksempel kan virksomheten følge med på hvordan meninger varierer etter aktør (som virksomhet eller person), tema (miljø, politikk og så videre), geografisk område eller tid.  Denne type innsikt kan støtte strategisk beslutningstaking på tvers av avdelinger. Markedsføringsavdelingen kan for eksempel fokusere på å forbedre deler av merkevaren som får positiv omtale, mens PR-teamet kan rette innsatsen mot områder som er mindre positive.
    5. Tilpasset virkelige behov og bruksområder
      Entitetsbasert sentimentanalyse imøtekommer behovene til virksomheter som ønsker å forstå den offentlige oppfatningen av merkevaren eller andre interesseområder. For eksempel kan investorer være interessert i hvordan mediene vurderer en virksomhets økonomiske prestasjoner, uavhengig av miljøpåvirkningen. På samme måte kan juridiske eller regulerende team ønske å vite hva som blir sagt om virksomhetens i bestemte områder eller om spesifikke temaer som for eksempel etikk. Entitetsbasert sentimentanalyse gir mulighet for denne typen spesifikke innsikter og er derfor et nyttig verktøy for grundige analyser. 

Hvordan fungerer det?

KI-modellen er trent på store mengder tekst på fire nordiske språk: svensk, norsk, dansk og finsk. Over tid lærer modellen mønstre og blir bedre til å forstå hvilke ord eller uttrykk som indikerer positiv eller negativ omtale for spesifikke aktører. For eksempel lærer den at uttrykk som «varer lenge» eller «god ytelse» vanligvis er positive, mens «for dyrt» eller «dårlig kvalitet» er negative. 

 

For at modellen skal fungere optimalt må medieovervåkningen tilpasses etter hva som er viktig for dere å måle. Snakk med en av våre eksperter for optimal bruk av tjenesten.  

 

 

 

Bli kjent med Retrievers KI-tjenester

For kommunikatører og ledere

Les mer