| Περίληψη: | Οι απόψεις των καταναλωτών αποτελούσαν πάντα σημαντικό κόμματί για τις επιχειρήσεις όσον αφορά τον τομέα του μάρκετινγκ και της διάθεσης των προϊόντων τους. Παράλληλα λοιπόν με την ανάπτυξη του ίντερνετ και της απεριόριστης διάθεσης δεδομένων ειδικά από τα μέσα κοινωνικής δικτύωσης, οι επιχειρήσεις το θεώρησαν σαν ευκαιρία ώστε να μπορέσουν να αντιληφθούν τι σκέφτονται οι καταναλωτές για τα προϊόντα που διαθέτουν. Η αξιολόγηση ενός προϊόντος ή μιας υπηρεσίας αποτελεί αναπόσπαστο κομμάτι της αγοραστικής διαδικασίας από την οποία περνάει ο καταναλωτής. Πόσο μάλλον όταν εμπλέκεται στην διαμοιραζόμενη οικονομία που οι καταναλωτές δεν μπορούν να έρθουν σε επαφή με την υπηρεσία που θα χρησιμοποιήσουν. Στην διαμοιραζόμενη οικονομία ανήκουν επιχειρήσεις όπως η Airbnb και η Uber που πραγματοποιούν κυρίως «αγοραπωλησίες μέσω διαδικτύου». Η Ανάλυση Συναισθήματος παρουσιάζει ιδιαίτερο μεγάλο ενδιαφέρον καθώς ο στόχος της είναι η αυτόματη αναγνώριση της γνώμης που εκφράζεται μέσα από τις δημοσιεύσεις των χρηστών στα κοινωνικά δίκτυα για κάποιο θέμα ενδιαφέροντος αλλά και η ταξινόμηση αυτής της γνώμης ως θετικής, αρνητικής ή ουδέτερης.
Στόχος της παρούσας διπλωματικής εργασίας είναι να γίνει εφικτή η εφαρμογή της ανάλυσης συναισθήματος με την δημιουργία δύο μοντέλων : SVM και Naïve Bayes. Τα δεδομένα έχουν συλλεχθεί από το Twitter και αφορούν αξιολογήσεις χρηστών για την εταιρεία Airbnb. Τα δεδομένα κατηγοριοποιούνται σε τρεις κατηγορίες : θετικό, αρνητικό, ουδέτερο. O κύριος σκοπός είναι να δούμε ποιο μοντέλο επεξεργάζεται καλύτερα τα δεδομένα και έχει μεγαλύτερη ακρίβεια καθώς και νa αναγνωρίσουμε την άποψη των καταναλωτών.
Τα αποτελέσματα μας έδειξαν ότι υπερισχύει η θετική γνώμη των καταναλωτών και η υπάρχει εμπιστοσύνη ανάμεσα στου καταναλωτές και την Airbnb. Το επίπεδο εμπιστοσύνης που δείχνουν οι καταναλωτές σε προϊόντα και υπηρεσίες ενός brand πρέπει να είναι πάντα θετικό, ειδικά στην περίπτωση που η επιχείρηση διαθέτει τα προϊόντα της αποκλειστικά μέσω διαδικτύου. Τέλος, όσον αφορά τους αλγορίθμους τα δεδομένα μας έδειξαν ότι ο Naive Bayes επεξεργάζεται καλύτερα τα δεδομένα και έχει υψηλότερη αξιοπιστία από τις Μηχανές Διανυσμάτων Υποστήριξης(SVM).
|
|---|
