Desde ayer nuestra API de Análisis de Sentimiento está disponible, junto con otros cinco idiomas, en portugués. Esta ha sido una solicitud bastante frecuente por parte de nuestros amigos en países que hablan portugués.
Para vuestra referencia, en la siguiente tabla tenéis la cobertura actual de idiomas de MeaningCloud.
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
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:
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
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.)
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.
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.
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.
Con 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
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.
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.
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
Utilizando las APIs de MeaningCloud y en unos pocos días hemos desarrollado una herramienta de monitorización social acerca de un tema de gran actualidad: las próximas elecciones locales y autonómicas en España.
Con la gran expectación despertada por las próximas elecciones del 24 de mayo, han aparecido varias las iniciativas que tratan de analizar la conversación en medios sociales sobre las diversas opciones políticas.
Queremos hablaros de una que, si bien no va a ganar la medalla a la primera en llegar, sin duda va a ganarla a la más rápida (luego os explicamos esta aparente contradicción).
En MeaningCloud hemos desarrollado #TuitometroMadrid, una aplicación que permite analizar en tiempo real y de manera completa la conversación en Twitter alrededor de partidos y candidatos en la Comunidad y Ayuntamiento de Madrid.
#TuitometroMadrid permite monitorizar el buzz, la opinión y los términos y hashtags más relevantes alrededor de cada opción política y compararlas agregadamente.
¿Por qué decimos que es la más rápida? Porque además de ofrecer la información casi en tiempo real (y no como informes a posteriori) ha sido la de desarrollo más veloz: usando las API de MeaningCloud un ingeniero implementó todo el análisis semántico de los contenidos sociales en menos de un día.
Aparte de su utilidad como herramienta informativa, #TuitometroMadrid es una demostración de que las tecnologías de análisis semántico sirven para resolver problemas reales de manera sencilla y asequible.
¿Quieres incorporar el análisis semántico a tus aplicaciones de la manera más sencilla, personalizable y asequible? Usa gratuitamente MeaningCloud.
2024 © All Rights Reserved | Política de protección de datos | Condiciones de contratación | Data Processing Agreement MeaningCloud is a trademark by MeaningCloud LLC