Using Polarity Classification Model to Assess Customer Attitudes: the Case of Russian E-Commerce Companies on Twitter

Abstract

На российском рынке электронной коммерции идёт борьба за клиентов между локальными компаниями и международными игроками. Компании на этом рынке проявляют заинтересованность во внедрении инструментов больших данных для более глубокого анализа существующих данных своих клиентов, чтобы получить понимание их мнений относительно компании и её продуктов. Знание отношения клиентов к определённым аспектам работы компании позволяет усилить маркетинговую деятельность и извлечь дополнительную ценность. Такой инструмент, как определение тональности, позволяет получить знания о настроениях и значении отношений клиентов из неструктурированных текстовых данных из социальных сетей. Целью исследования является создание и апробация модели определения тональности твитов, позволяющей менеджерам российских компаний рынка электронной коммерции извлекать из сгенерированного пользователями контента дополнительные знания об отношении клиентов к исследуемым компаниям. В качестве исследуемых компаний были выбраны несколько российских игроков рынка электронной коммерции (Wildberries, Citilink, M.Video, Lamoda, Sportmaster). Проведено сравнение существующих современных моделей определения тональности твитов с точки зрения их эффективности и аккуратности (построенные на машинном обучении модели оказались наиболее точными). На основе теоретического обзора были созданы первоначальные модели определения тональности, которые были сопоставлены с существующими сервисами для классификации полярности русского языка. Наконец, улучшенная модель была применена к реальному тестированию набора данных (твиты с косвенным упоминанием исследуемых компаний), и были обсуждены возможные управленческие приложения полученных в формате "Аспект-Тональность" знаний для исследуемых компаний.

Russian E-Commerce companies fight with international players for customers and are interested in implementing Big Data tools for more advanced analysis of existing data upon their customers to get more profound understanding of their attitudes. Knowledge of Customers’ Attitudes allows these companies to enhance their digital activities and obtain additional value. Polarity Classification allows obtaining knowledge upon sentiment and meaning of Customers’ Attitudes from unstructured textual data in Social Networking Sites. The research goal of the thesis was to create and test Polarity Classification model, which allows managers of Russian E-Commerce companies to extract additional knowledge about Customers’ Attitudes towards their companies from User-Generated Content. To achieve this goal, several Russian E-Commerce companies were selected as baseline examples (Wildberries, Citilink, M.Video, Lamoda, Sportmaster). Existing state-of-the-art Polarity Classification models were compared in terms of their performance (Machine Learning based models were the most efficient ones). Initial Polarity Classification models based on theoretical review were created and compared with existing services for Polarity Classification of Russian language (initial models showed higher accuracy). Finally, created model was applied to real-world testing tweet dataset (with indirect mentions of researched companies) and possible managerial applications of obtained ‘Topic-Sentiment’ knowledge for researched companies were discussed.