Archivo de categorías: API

Entradas sobre las API de MeaningCloud.

¿Qué es la voz del empleado (VoE)?

Voz del Empleado. Siluetas con burbujas que representan el diálogo

Conseguir empleados comprometidos se ha convertido en una prioridad  para muchas organizaciones en los sectores público y privado. Los programas de la Voz del Empleado (VoE) desempeñan un papel clave en esos esfuerzos, al permitir recolectar, administrar y actuar de manera sistemática sobre el feedback y las aportaciones de los empleados sobre una variedad de temas relevantes para la empresa.

La relación entre Engagement y Voz del Empleado es muy parecida  a la que existe entre la Voz del Cliente (VoC) y la Experiencia del Cliente. VoC proporciona las ideas que mejoran la experiencia del cliente. La Voz del Empleado tiene la misma función para el compromiso de los empleados. Ver: Voz del Empleado, Voz del Cliente y NPS

La Voz del Empleado recoge las necesidades, deseos, esperanzas y preferencias de todos los empleados dentro de una organización. La VoE toma en cuenta tanto las necesidades explícitas, tales como salarios, carrera profesional,  salud y jubilación, así como las necesidades tácitas que pueden incluir la satisfacción en el trabajo y el respeto de los compañeros de trabajo y de los supervisores.
Continuar leyendo


Grabación del webinar: ¿Cuándo usar las diferentes herramientas de Analítica de Texto?

El pasado día 7 de febrero presentamos nuestro webinar “Clasificación, extracción de topics, clustering… ¿Cuándo usar las diferentes herramientas de Analítica de Texto?”. Gracias a todos por vuestro interés.

En la sesión cubrimos la siguiente agenda:

  • Introducción a la analítica de texto.
  • ¿Qué escenarios de aplicación se pueden beneficiar más de la analítica de texto? Análisis de la conversación, visión de 360º, contenidos inteligentes, gestión del conocimiento, e-discovery, cumplimiento normativo… Beneficios y retos.
  • ¿Para qué sirven las diferentes funciones de la analítica de texto? Extracción de información, categorización, clustering, análisis de sentimiento, análisis morfosintáctico… Descripción, demostración y aplicaciones.
  • ¿Qué características debería poseer una herramienta de analítica de texto? ¿Es todo cuestión de precisión? ¿Cómo mejorar la calidad?
  • Un vistazo al roadmap de MeaningCloud.

IMPORTANTE: En este tutorial, puedes encontrar los datos que analizamos durante el webinar.

¿Interesado? A continuación tienes la presentación y la grabación del webinar.

(This webinar was also delivered in English. Please find the recording here.)
Continuar leyendo


Clasificación, extracción de topics, clustering… ¿Cuándo usar las diferentes herramientas de Analítica de Texto? (webinar)

Cómo sacar partido de la tecnología de analítica de texto para tu negocio

text analytics

La mayoría de la información útil para las organizaciones está “enterrada” en forma de texto no estructurado (documentos, interacciones en el contact center, conversaciones sociales…). La analítica de texto nos ayuda a estructurar esos datos y convertirlos en información útil. Pero ¿qué herramientas de analítica de texto son las más adecuadas en cada caso? ¿Cuándo debería utilizar extracción de información y cuándo categorización o clustering? ¿Qué aplicaciones se pueden beneficiar más de la analítica de texto? ¿Cuáles son los retos?

Regístrate en este webinar de MeaningCloud el martes 7 de febrero a las 17:00 h. (CET) y descubre respuestas a estas y otras preguntas, usando ejemplos prácticos.

ACTUALIZACIÓN: este webinar ya ha tenido lugar. Ver la grabación aquí.

(This webinar has been delivered in English too, see the recording here.)


El etiquetado automático IAB hace posible la publicidad semántica

Nuestra API de Text Classification soporta la taxonomía contextual estándar del IAB permitiendo etiquetar contenidos según ese modelo en grandes volúmenes y a gran velocidad y facilitando la participación en el nuevo ecosistema de publicidad online. El resultado es la impresión de anuncios en el contexto más adecuado, con un mayor rendimiento y protección de marca para los anunciantes.

Qué es la clasificación contextual de IAB y para qué sirve

La taxonomía contextual IAB QAG fue inicialmente desarrollada por el Interactive Advertising Bureau (IAB) como centro de su programa Quality Assurance Guidelines, que buscaba promover la seguridad de las marcas anunciantes, garantizando que sus anuncios no aparecían en un contexto de contenido inadecuado. El programa QAG incluía posibilidades de certificación para todo tipo de agentes en la cadena de valor de la publicidad digital, desde redes y exchanges publicitarios hasta publishers, supply side platforms (SSPs), demand side platforms (DSPs) y agency trading desks (ATDs).

Las Quality Assurance Guidelines sirven como un marco de autorregulación que garantiza a los anunciantes que sus marcas están seguras, aumenta el control de los anunciantes sobre la ubicación y el contexto de sus anuncios y ofrece transparencia al mercado estandarizando la información que fluye entre los agentes, al proporcionar un lenguaje claro y común que describe las características del inventario publicitario y de las transacciones a través de la cadena de valor.

Esencialmente la taxonomía contextual sirve para etiquetar contenidos y se compone de unos niveles 1 y 2 estándar -que especifican respectivamente la categoría general del contenido y una serie de subcategorías anidadas dentro de esa categoría principal- y de unos niveles 3 y siguientes que pueden ser definidos por cada organización. Las siguientes figuras presentan dichos niveles estándar.

Continuar leyendo


Un análisis de sentimiento totalmente a tu medida con nuestra nueva herramienta de personalización

La adaptación al dominio es lo que marca la diferencia entre un análisis de sentimiento bueno y uno excepcional. Hasta ahora las posibilidades de adaptar el análisis de sentimiento de MeaningCloud a tu contexto se cifraban en utilizar diccionarios personales -para crear nuevas entidades y conceptos que la API de Sentiment Analysis utilizara para realizar su análisis basado en aspectos- o en solicitar a nuestro departamento de Servicios Profesionales que desarrollara un modelo de sentimiento a tu medida.

Sentiment Models buttonCon la publicación de Sentiment Analysis 2.1 incorporamos una nueva herramienta de personalización orientada a la creación de modelos de sentimientos personales. Esta herramienta utiliza a fondo nuestra tecnología de Procesamiento del Lenguaje Natural para permitiros ser autónomos y desarrollar -sin necesidad de programar- potentes motores de análisis de sentimiento adaptados a vuestras necesidades.

Otras herramientas para personalizar el análisis de sentimiento disponibles en el mercado permiten esencialmente definir “bolsas de palabras” con polaridad positiva o negativa. Nuestras herramientas van mucho más allá y hacen posible

  • Definir el papel de una palabra como vector de polaridad (contenedor, negador, modificador), permitiendo usar lemas para incorporar fácilmente las variantes de cada palabra
  • Especificar casos particulares de la polaridad de una palabra, dependiendo del contexto en el que aparece o de la función morfosintáctica que desempeña en cada caso
  • Definir expresiones multipalabra como elementos prioritarios en la evaluación de polaridad
  • Gestionar el modo en que estos modelos personales de polaridad complementan o sustituyen a los diccionarios generales de cada idioma.

Continuar leyendo


Conoce tu audiencia con la beta de User Profiling

¿Te gustaría entender a los miembros de tu audiencia hasta el punto de determinar su situación y afinidades: sus circunstancias familiares y profesionales, su estilo de vida, los temas que le interesan? ¿Poder dividir esa audiencia en segmentos significativos y actuables? Si eres una empresa que vende productos, ¿poder descubrir y entender a tus clientes ideales y así optimizar tus actividades comerciales?

Nuestra tecnología de analítica de texto te permite ahora utilizar el contenido que los usuarios publican en medios sociales (sus perfiles declarados, sus conversaciones) para perfilar tu audiencia según atributos demográficos y psicográficos.

Continuar leyendo


Introducción al análisis de sentimientos (minería de opiniones)

En la última década, el análisis de sentimientos (SA, sentiment analysis), también conocido como minería de opiniones (opinion mining), ha despertado un creciente interés. Resulta un gran reto para las tecnologías del lenguaje, ya que obtener buenos resultados es mucho más difícil de lo que muchos creen. La tarea de clasificar automáticamente un texto escrito en un lenguaje natural en un sentimiento positivo o negativo, opinión o subjetividad (Pang and Lee, 2008), es a veces tan complicada que incluso es difícil poner de acuerdo a diferentes anotadores humanos sobre la clasificación a asignar a un texto dado. La interpretación personal de un individuo es diferente de la de los demás, y además se ve afectada por factores culturales y experiencias propias de cada persona. Y la tarea es aún más difícil cuanto más corto sea el texto, y peor escrito esté, como es el caso de los mensajes en redes sociales como Twitter o Facebook.

Continuar leyendo


Descubre insights inesperados con la nueva release de MeaningCloud

Acabamos de publicar una nueva release de MeaningCloud con algunas novedades que van a cambiar tu manera de hacer analítica de texto. Como complemento a las técnicas analíticas más habituales -que extraen información o clasifican un texto en función de diccionarios y categorías predefinidos- incorporamos técnicas de aprendizaje no supervisado que permiten explorar una serie de documentos para descubrir y extraer de ellos insights (temas, relaciones) no previstos.

En esta nueva release de MeaningCloud publicamos una API de Clustering de Texto que  permite descubrir la estructura implícita y los temas significativos que emergen de los contenidos de tus documentos, conversaciones sociales, etc. Esta API toma un conjunto de textos y los distribuye en grupos (clusters) en función de la similitud entre los contenidos de cada documento. El objetivo es que los documentos de un cluster sean muy parecidos entre sí y muy diferentes a los otros clusters.

El clustering es una tecnología utilizada tradicionalmente en el análisis de datos estructurados. Lo que tiene de particular nuestra API es que sus pipelines están optimizados para analizar texto no estructurado.

Text Clustering API

Continuar leyendo


¿Pueden los antidepresivos causar malformaciones en el feto?

Puede que no sea lo más común que en el blog de una empresa de tecnología de la información se hable de antidepresivos y embarazos, lo entendemos perfectamente. Pero en MeaningCloud hemos comprobado que los temas de salud tienen una fuerte repercusión en medios sociales y las empresas del sector, incluyendo las farmacéuticas, harían bien en tratar de entender la conversación que se genera alrededor. ¿Cómo? Mediante la tecnología de análisis de texto, como veremos a continuación.

Mirando los datos recogidos por nuestro prototipo para la monitorización de temas de salud en medios sociales nos sorprendimos del repentino incremento de menciones del término ‘embarazo’ el día 10 de julio. Para saber el porqué de este dato, acudimos a los tuits que hablaban sobre ese estado de buena esperanza. Resulta que ese mismo día se había publicado una noticia sobre un estudio aparecido en el British Medical Journal sobre los efectos nocivos que los antidepresivos pueden causar en el feto durante el embarazo.
Continuar leyendo