Archivo de categorías: Áreas de Aplicación

Áreas de aplicación

Invocando a la API de Análisis de Sentimiento de MeaningCloud desde la Onesait Platform de Minsait

La Onesait Platform de Minsait es una Plataforma IoT & Big Data pensada para facilitar y acelerar la construcción de nuevos sistemas y soluciones digitales y así lograr la transformación y disrupción de los negocios.

Minsait ha publicado un post sobre el procedimiento para invocar una API externa desde el motor de flujos integrado de Onesait Platform (antes conocida como Sofia2).

MeaningCloud integrated with Minsait Onesait Platform

El post titulado ¿CÓMO INVOCAR A UN API REST EXTERNA DESDE EL MOTOR DE FLUJOS SOFIA2? utiliza como ejemplo la integración de API de Análisis del Sentimiento de MeaningCloud.

El artículo ilustra uno de los puntos fuertes de MeaningCloud: lo fácil que es integrar sus APIs en cualquier sistema o proceso.

Captura de un interfaz de sofia2. Conexión con la API de Sentimiento de MeaningCloud

 

 

 


Voz del Cliente en Comercio: más allá del precio

Vector background of empty supermarket at morning, lines with merchandise. Place for retail, mall interior with fridges, stands and shelves. Grocery store, shop with signboard and pointer inside.

El precio ya no es lo primero que un cliente ve en los supermercados. Escuchar la voz del cliente para identificar las fortalezas y debilidades de cualquier negocio es fundamental cuando se aplican técnicas de retención eficientes. Y esto es especialmente palpable en el sector del comercio (consumo o retail).

Continuar leyendo


Respondiendo a bulos sobre medicamentos mediante Text Analytics

El pasado fin de semana estuvimos divirtiéndonos en el IV Hackathon de Salud con nuestros amigos del Grupo HULAT de la Universidad Carlos III de Madrid y del equipo que Text Mining for Life Sciences del Barcelona Supercomputer Center. En concreto tomábamos parte del reto de Sandoz #medicamentossinbulos, aplicando tecnología de text analytics al proceso de identificación y respuesta a bulos sobre medicamentos.

Un ejemplo de un caso de bulo puede ser este:

Ejemplo de bulo

Ejemplo de bulo

Podemos distinguir distintos tipos de bulos:

  • Describir una falsedad como si fuese una verdad, como en el ejemplo de arriba
  • Afirmaciones no probadas científicamente
  • Indicaciones o efectos adversos no relacionados con el fármaco en cuestión

La propuesta de valor que definimos durante el hackathon es:

Propuesta de Valor

Propuesta de Valor

 

El principal objetivo de nuestra solución es proporcionar información veraz, rápidamente, para reaccionar a un posible bulo. Esto incluye procesar fuentes externas de confianza, como la web de la Agencia Española del Medicamento o del Ministerio de Salud, entre otros, para, de forma inmediata, localizar datos fiables sobre un fármaco o una enfermedad.

Un caso de uso de este sistema se centra en profesionales de la salud: supongamos un paciente que está preguntando a su médico sobre una noticia que ha leído alertando contra el uso de una medicación que el paciente está consumiendo. Si en ese momento el profesional sanitario dispone de información sólida sobre esa noticia, puede responder al paciente referenciando a esas fuentes externas. Por ejemplo, el médico podría decir ‘la Agencia Española del Medicamento no ha publicado ninguna alerta sobre ese medicamento’ .

Durante el hackathon, preparamos una demostración en la que un bot, @trolabot, identificaba posibles bulos en una conversación de Telegram y proporcionaba a los interlocutores enlaces a contenidos veraces que permitían refutar el posible bulo.

Una herramienta de este estilo es también de utilidad para profesionales de la comunicación en el mundo de la salud, tanto influencers como agencias de comunicación.

El primer paso para identificar estos bulos pasa por saber que se menciona un medicamento a través de técnicas de reconocimiento de entidades. Esta tarea no es sencilla dada la dificultad para escribir esos nombres, como es el caso de la fenilpropanolamina. En general, el lenguaje de salud es muy particular, más complejo que el lenguaje común. Basta leer un informe de una consulta médica para darse cuenta. Por ello, para hacer un tratamiento automático de ese lenguaje es necesario contar con herramientas de text analytics capaces de adaptarse a ese lenguaje, incluyendo recursos léxicos y semánticos específicos del dominio, como pueden ser SNOMED, CIE (ICD en sus siglas en inglés), MedDRA, entre muchos otros. Como no podía ser de otra forma, estos recursos han sido preparados por profesionales de la medicina.

Una vez que sabemos que un post, una noticia o un mensaje de whatsapp hablan sobre un fármaco, es necesario determinar si se trata de un bulo. Para ello podemos explotar el tipo de lenguaje que se suele emplear en estos mensajes, donde aparecen palabras o expresiones casi específicas como ‘sanación’o frases como ‘XXX previene enfermedades como YYY’, donde XXX sería el nombre de un fármaco e YYY el nombre de cualquier enfermedad grave para la que no hay cura o para la que el fármaco no está indicado. Hay que tener en cuenta que existen fuentes de información fiable que permiten saber para qué enfermedades y síntomas está indicado un fármaco y para cuáles no. En definitiva, estamos ante un problema de clasificación de textos para el que se puede construir un modelo de clasificación específico. Dado que no se dispone de ejemplos de bulos suficientes como para entrenar un modelo basado en machine learning el punto de partida sería un modelo basado en reglas, extraídas por lingüistas a partir de los casos de bulos conocidos. Con el tiempo, los bulos recogidos pueden alimentar una colección que pueda emplearse para entrenar un nuevo modelo.

En nuestra propuesta para el reto #medicamentossinbulos tiene como núcleo las tecnologías de text analytics descritas y se distinguen dos fases:

Fase de entrenamiento/diseño del modelo de clasificación de bulos

Fase de entrenamiento/diseño del modelo de clasificación de bulos

Esta es la fase de entrenamiento en la que se combina el proceso de reconocimiento de entidades con el de clasificación. En nuestro caso, como decíamos, no hay datos suficientes sobre bulos en medicamentos como para entrenar un modelo basado en machine learning así que se han desarrollado reglas similares a la que se muestra a continuación.

Ejemplo de regla de identificación de bulos

Ejemplo de regla de identificación de bulos ” ‘fármaco’ produce ‘síntoma/enfermedad”

 

Fase de predicción del sistema de identificación de bulos

Fase de predicción del sistema de identificación de bulos

En la fase 2 se aplican en tiempo real los modelos entrenados anteriormente sobre contenidos que pueden provenir de un sistema de monitorización de medios sociales como Twitter, blogs especializados, etc.

Aunque el premio del reto fue para otra gran idea relativa a la identificación segura de lotes de medicamentos retirados, pasamos un buen rato compartiendo experiencias y aprendiendo con los participantes y mentores del hackathon. ¡Veremos qué pasa el año que viene!

 


Caso de estudio: Voz del paciente en la industria farmacéutica

Las compañías farmacéuticas están extendiendo sus proyectos de Voz del Paciente a las redes sociales: comentarios en foros web, encuestas, Twitter, etc.

El objetivo de la prueba de concepto de esta compañía farmacéutica en España fue: “Recopilar y analizar cuantitativa y cualitativamente la voz del paciente desde los canales donde se expresa”, en redes sociales como foros web, Facebook, Twitter y otros sistemas.

Para la industria farmacéutica, es esencial escuchar y comprender los comentarios que sus clientes actuales y potenciales se expresan a través de todo tipo de medios y puntos de contacto.

Y los foros web reúnen millones de posts. Un foro web es un punto de encuentro para pacientes. Comparten apoyo, experiencias y sabiduría con compañeros, familiares y amigos.

Continuar leyendo


Contact center: 6 formas de aprovechar la analítica de texto y de voz

Contact center. Illustration

En los contact-center, la tecnología de análisis de texto brinda una oportunidad sin precedentes para convertir las interacciones de los clientes en oportunidades de negocio. Podemos mejorar la experiencia del cliente, aumentar las ventas, reducir la rotación de clientes y optimizar la eficiencia de los procesos.

Continuar leyendo


¿Estás escuchando la Voz del Cliente?

Voice of the Customer

«Tu cliente más insatisfecho es tu mayor fuente de inspiración». Bill Gates

En un mercado ampliamente digitalizado, abierto a todos y —sin duda— más vivo que hace apenas una década, identificar rápidamente las quejas y necesidades del cliente es clave para mantener la competitividad de una empresa en su sector. La democratización tecnológica ha dotado a los usuarios de capacidades y herramientas que convierten en una experiencia no solo el producto, sino también otros muchos aspectos. Si después de varios años de inversión y desarrollo, nuestro producto ha llegado a posicionarse entre los mejores en su segmento, ¿tiene sentido, por ejemplo, que un proceso de compra mal diseñado arruine el convencimiento de potenciales clientes de que merece la pena elegirnos?

Continuar leyendo


Farmacovigilancia: Escuchando la voz del paciente

Farmaco-vigilancia: Escuchando la voz del paciente.

Para la industria farmacéutica, es esencial escuchar y comprender los comentarios que sus pacientes actuales y potenciales comunican a través de todo tipo de canales y puntos de contacto.

Si bien existe un protocolo para comunicar a las autoridades, de las reacciones adversas a medicamentos identificadas, solo se informa de un 5 a un 20% de ellas. Afortunadamente, las conversaciones sobre medicamentos, síntomas, afecciones y enfermedades pueden analizarse para aprender más sobre ellas. La inteligencia artificial contribuye de manera decisiva a monitorear los eventos adversos y comprender su impacto en cada fase del desarrollo.

Las narraciones de los pacientes sobre los medicamentos y sus efectos adversos en las redes sociales representan una fuente de datos adicional para el monitoreo de la seguridad de los productos farmacéuticos.

En MeaningCloud, hemos desarrollado una plataforma para automatizar el proceso de monitoreo de efectos adversos en las redes sociales.

Continuar leyendo


Predice el futuro con nuestro Pack de Análisis de Intención

New release¿A quién no le gustaría saber lo que van a hacer los clientes? Detectar si lo que desean es informarse, comprar, solicitar asistencia, quejarse, abandonarnos… y así poder ofrecerles un trato personalizado que optimice su experiencia.

Intenciones a lo largo de Viaje del Cliente

Nuestro nuevo Pack Vertical de Análisis de Intención permite identificar un conjunto de intenciones básicas dentro del viaje del cliente: Información, Asesoramiento, Compra, Soporte, Recomendación, Queja o Cancelación a partir de las expresiones en interacciones en el contact center, encuestas o conversaciones sociales.

Continuar leyendo


Grabación del webinar: Packs Verticales, VoC, VoE

Gracias a todos por vuestro interés en nuestro webinar “Packs Verticales MeaningCloud: la manera más rápida de sacar partido a la analítica de texto” que celebramos el pasado 19 de diciembre y donde explicamos cómo personalizar la analítica de texto con solo un clic y presentamos nuestros Packs para el análisis de la Voz del Cliente y la Voz del Empleado.

En la sesión cubrimos estos puntos:

  • Introducción a la analítica de texto y a MeaningCloud.
  • ¿Por qué Packs Verticales? Valor que aportan.
  • En qué consisten los Packs: modelos, APIs, integraciones.
  • Packs disponibles: Voz del Cliente, Voz del Empleado.
  • Caso práctico: análisis de la Voz del Cliente
  • Futuros desarrollos: roadmap de producto.

IMPORTANTE: este artículo es un tutorial basado en la demostración que realizamos y que incluye los datos a analizar y los resultados del análisis.

¿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


Acelera la rentabilidad de tu analítica de texto con nuestros Packs Verticales

En MeaningCloud hemos publicado nuestros primeros Packs Verticales.

Nuestro objetivo con ellos es proporcionaros el camino más rápido y de menor coste y riesgo para que rentabilicéis vuestras iniciativas de analítica de texto.

Modelos y diccionarios preelaborados

Habitualmente uno de los principales costes de los proyectos de analítica de texto reside en construir los modelos y diccionarios necesarios para adaptar las herramientas a cada escenario de aplicación y en MeaningCloud os lo hemos puesto siempre muy fácil gracias a las herramientas de personalización que incorpora el producto.

Pero para los que no disponen de los recursos para llevar a cabo esta adaptación, los Packs Verticales os la dan ya hecha para un conjunto de escenarios. Los Packs consisten en una serie de recursos preelaborados (diccionarios, modelos de categorización profunda, modelos de sentimiento) enfocados en una serie de escenarios habituales (análisis de la Voz del Cliente, de la Voz del Empleado, etc.) listos para su uso inmediato y que aportan una mejora en la precisión, cobertura y relevancia del análisis para esas aplicaciones.

Utilízalos desde nuestros complementos para Excel

Y para poneros más fácil el sacar partido de los Packs Verticales los hemos hecho accesibles a través de nuevos add-ins para Excel específicos, con soporte para las operaciones, modelos y análisis más útiles en cada vertical.

Si eres un responsable de Marketing  Soporte al Cliente o Recursos Humanos y tienes miles de comentarios de tus clientes o empleados para analizar regístrate en MeaningCloud, descárgate el correspondiente  add-in para Excel, pega tus verbatims en una hoja de cálculo, pulsa el botón pertinente de MeaningCloud y verás como tus comentarios se etiquetan automáticamente con categorías significativas para el análisis de la Voz del Cliente o del Empleado.
Continuar leyendo