يبرز دور تحليل البيانات النصية في الوقت الحالي بشكل كبير لأن الشّركات تتفاعل مع العملاء أكثر ممّا سبق، فيتولّد الكثير من المعلومات تجعلنا نكافح لمعرفة عملائنا، بالتّالي قد نفتقد رؤى هامة تبرز أهمية تحليل النَّص. كأن تتلقى كميات كبيرة من البيانات غير المنظمة على شكل رسائل البريد الإلكتروني، ومحادثات وسائل السوشيال ميديا. فقد تكون على دراية بالتحديات التي قد تأتي مع تحليلها فهي شاقة وغير دقيقة كما تستغرق وقتًا طويلاً، وباهظة الثمن فهي تحتاج موظفين إضافيين. على الجانب الآخر، تساعد عملية تحليل البيانات النصية الشركات على تحليل كميات كبيرة من البيانات النصية بشكل متّسق وقابل للتّطوير وغير متحيز، ليستخرج معلومات قيمة، تترك للشركات حرية التصرف بالاعتماد عليها. نلقي أدناه نظرة عامة على كيفية فهم وتحليل المحتوى النصي من مختلف المصادر وأبرز الأدوات المستخدمة.
مفهوم تحليل البيانات النصية
تحليل البيانات النصية هو أسلوب للتعلم الآلي يهدف إلى الاستخراج التلقائي للرؤى والأنماط والاتجاهات القيمة من البيانات النصية غير المنظمة أو شبه المنظمة. كالكلمات الرئيسية أو الأسماء أو معلومات عن الشركة من آلاف رسائل البريد الإلكتروني، أو تصنيفات ردود الاستبيان. بالاعتماد على المشاعر والموضوع يستخدم عند الحاجة إلى معالجة كميات كبيرة من البيانات المستندة إلى النصوص إذ يستغرق ذلك وقتًا طويلاً جدًا للموارد والوقت بحيث لا تستطيع تحليلها يدويًا من قبل البشر.
كأن تريد النظر في آخر ثلاث سنوات من تذاكر الدعم لمعرفة مخاوف العملاء الشائعة مع الوقت، أو تحليل 1000 استبيان للعملاء للحصول على تعليقات حول إطلاق المنتج الجديد هكذا تستخدم المؤسسات في مختلف الصناعات أساليب تحليل النص للحصول على فهم كمي ونوعي لمجموعات البيانات النصية الخاصة بها. كما تستخدم مع أدوات تصور البيانات لترجمة المعلومات بشكل أفضل إلى رؤى قابلة للتنفيذ لاتخاذ قرارات مستنيرة.
يهدف تحليل النص إلى استخلاص رؤى جيدة من النص أو الكلمات نفسها، كما يجيب على أسئلة كتكرار الكلمات، وطول الجملة، وجود الكلمات، أو عدم وجودها.
أهمية أدوات تحليل النص
- تسمح أدوات تحليل النص للشركات بتنظيم كميات كبيرة من المعلومات، كرسائل البريد الإلكتروني والمحادثات ووسائل السوشيال ميديا وتذاكر الدعم والمستندات، في غضون ثوانٍ ثم إعادة توجيه الموارد الإضافية إلى مهام أهمّ.
- تمتلئ الشركات بالمعلومات وقد تظهر تعليقات العملاء في أي مكان لكن يصعب مراقبتها، حيث يسمح تحليل النص باكتشاف الأمور مباشرةً أينما ظهرت على مدار الساعة.
- يسمح تدريب نماذج تحليل النص باكتشاف التعبيرات والمشاعر التي تشير ضمناً إلى السلبية أو الإلحاح، بحيث يسمح للشركات تلقائيًا الإبلاغ عن التغريدات والمراجعات ومقاطع الفيديو والتذاكر وغيرها ثمَّ اتخاذ الإجراءات اللازمة مباشرةً.
- يوفر تحليل النص بالذّكاء الاصطناعي معايير متسقة، في حين قد يرتكب البشر الأخطاء فكلّما كانت المهمة مملّة وتحتاج وقتًا طويلاً زادت الأخطاء. فعند تدريب نماذج تحليل النص تناسب احتياجاتك ومعاييرك، تصبح الخوارزميات قادرة على تحليل البيانات وفهمها وفرزها بدقّة أكبر ممّا يفعل البشر بكثير.
فهم كيفية عمل تحليل البيانات النصية
لفهم كيفية عمل تحليل البيانات النصية يجب فهم أساسيات التعلم الآلي، فعندما تريد أن يقوم برنامج تحليل النص بالمهام المطلوبة، عليك تعليم خوارزميات التعلم الآلي وكيفية تحليل النص وفهمه واستخلاص المعنى منه. فبوضع علامات على أمثلة النص يكون لدى الجهاز قدر كافي من الأمثلة للنص الموسوم للعمل معها، حيث تصبح الخوارزميات قادرة على البدء في التمييز وإنشاء ارتباطات بين أجزاء النص، وإجراء التنبؤات تلقائياً.
يشبه ذلك الطريقة التي يتعلم بها البشر كيفية التمييز بين المواضيع والأشياء والعواطف، فلو كان لدينا قضايا عاجلة ومنخفضة الأولوية للتعامل معها. نحن لا نعرف غريزيًا الفرق بينهما، بل نتعلم تدريجيًا من خلال ربط الإلحاح بتعبيرات معينة.
فلو أردت تحديد المشكلات العاجلة ستبحث عن تعبيرات بما يتضمّن: “الرجاء مساعدتي في أسرع وقت ممكن!” أو “عاجل: لا يمكن الدخول إلى المنصة، النظام معطل!!”. في حين إذا أردت تحديد المشكلات ذات الأولوية المنخفضة، تبحث عن تعبيرات أكثر إيجابية بما يتضمن: “شكرًا على المساعدة!” أو “نقدر ذلك حقاً” أو “الميزة الجديدة تعمل كالحلم”.
كيفية تحليل البيانات النصية
قد يكون تحليل البيانات النصية استكمال للذكاء الاصطناعي عبر مجموعة من النصوص بالاعتماد على النتائج التي تريدها. بحيث تستطيع تطبيقه على كل من المستندات الكاملة: الحصول على معلومات من مستند أو فقرة كاملة، كالشعور العام بمراجعة العميل.
الجمل المفردة: تحصل على معلومات من جمل محددة، كمشاعر أكثر تفصيلاً لكل جملة من مراجعة العميل.
الجمل الفرعية: تحصل على معلومات من التعبيرات الفرعية داخل الجملة، كالمشاعر الأساسية لكل وحدة رأي في مراجعة العميل.
مراحل تحليل البيانات النصية
بعد تقسيم البيانات النصية يمكن البدء بتحليلها باتبّاع الخطوات التالية:
جمع البيانات
تستطيع جمع بيانات حول علامتك التّجارية أو منتجك أو خدمتك من المصادر الدّاخلية والخارجية.
البيانات الداخلية
أي البيانات التي تتولد يوميا من رسائل البريد الإلكتروني والمحادثات والاستطلاعات واستعلامات العملاء وتذاكر دعم العملاء. كل ما عليك فعله هو تصديره من برنامجك أو نظامك الأساسي كملف CSV أو Excel، أو توصيل واجهة برمجة التطبيقات (API) لاسترداده مباشرة. من الأمثلة على البيانات الداخلية:
برنامج خدمة العملاء
أي البرنامج الذي تستخدمه للتواصل مع العملاء وإدارة استعلامات المستخدم والتعامل مع مشكلات دعم العملاء: Zendesk وFreshdesk وHelp Scout CRM: برنامج يتتبع التّفاعلات مع العملاء المحتملين، كما يشمل مختلف المجالات كدعم العملاء والمبيعات والتسويق. تعد Hubspot وSalesforce وPipedrive من أبرز الأمثلة على إدارة علاقات العملاء:
الدردشة
أي التطبيقات التي تتواصل مع أعضاء فريقك أو عملائك، كتطبيق Slack وHipchat وIntercom وDrift.
البريد الإلكتروني
رسائل البريد الإلكتروني هي الأكثر شعبية لإدارة المحادثات مع العملاء وأعضاء الفريق.
الاستطلاعات
تُستخدم لجمع تعليقات خدمة العملاء، أو تعليقات المنتج، أو لإجراء أبحاث السوق، ك Typeform، وGoogle Forms، وSurveyMonkey. NPS:أحد أكثر مقاييس تجربة العملاء شيوعًا حول العالم، تستخدمها عدة شركات لجمع وتحليل التعليقات من عملائها. منها: و Delighted وPromotor.io
وSatismeter.
قواعد البيانات
وهي مجموعة من المعلومات تستخدم نظام إدارة قواعد البيانات، من قواعد البيانات Postgres وMongoDB وMySQL.
تحليلات المنتج
التعليقات والمعلومات حول تفاعلات العميل مع منتجك أو خدمتك، إذ يجب فهم رحلة العميل لاتخاذ قرارات تعتمد على البيانات. من الأدوات التي تستخدم لمعالجة تحليلات المنتج: .ProductBoard وUserVoice
البيانات الخارجية
تدور حول علامتك التجارية أو منتجاتك على الويب، بحيث تستطيع استخدام أدوات استخراج الويب وواجهات برمجة التطبيقات ومجموعات البيانات المفتوحة. بهدف جمع البيانات الخارجية من وسائل السوشيال ميديا والتقارير الإخبارية والمراجعات عبر الإنترنت والمنتديات وغيرها، ثم تحليلها باستخدام نماذج التعلم الآلي.
أدوات تنقيب الويب المرئية
تستطيع إنشاء أداة استخراج الويب بدون خبرة في البرمجة، باستخدام بعض الأدوات مثل: ParseHub.e و .Dexi.io
أطر عمل استخلاص الويب
يمكن للمبرمجين المتمرسين الاستفادة من الأدوات، كأداة Scrapy في Python وWombat لإنشاء كاشطات مخصصة في Ruby.
واجهات برمجة التطبيقات
لدى Facebook وTwitter وInstagram، على سبيل المثال، واجهات برمجة التطبيقات الخاصة بها وتسمح لك باستخراج البيانات من منصاتها. تمتلك وسائل الإعلام الكبرى مثل New York Times أو The Guardian أيضًا واجهات برمجة التطبيقات الخاصة بها ويمكنك استخدامها للبحث في أرشيفها أو جمع تعليقات المستخدمين، من بين أشياء أخرى ك Saas.
التكامل
توفر أدوات كعمليات تكامل مع .MonkeyLearn مع الأدوات التي تستخدمها بحيث تستطيع الاتصال مباشرة بـ Twitter وGoogle Sheets وGmail وZendesk وSurveyMonkey وRapidminer وغيرها. ثم إجراء تحليل النص على بيانات Excel عن طريق تحميل ملف.
إعداد البيانات
حتى تستطيع تحليل النص باستخدام التعلم الآلي يجب تنظيمها، فالتحليل التلقائي للنص يستخدم عددًا من تقنيات معالجة اللغة الطبيعية (NLP).
الترميز
أي تقسيم سلسلة من الأحرف إلى أجزاء ذات معنى دلالي تستطيع تحليلها كالكلمات، والتخلص من الأجزاء التي لا معنى لها كالمسافات البيضاء. فلو أردنا ترميز السلسلة “تحليل النص ليس بهذه الصعوبة”:
(غير صحيح) = [“تحليل”، “نص”، “ليس n”، “غير ذلك”، “صعب.”]
(صحيح) = [“تحليل”، “نص”، “موجود”، “ليس”، “ذلك”، “صعب”، “.”]
بعد التعرف على الرموز المميزة، يجب تصنيفها، إذ تشير علامات تمييز جزء من الكلام إلى عملية تعيين فئة نحوية، كالاسم والفعل للرموز المميزة التي اكتشفت. من علامات PoS للرموز المميز للجملة السابقة:
“التحليل”: الفعل، “النص”: الاسم، “هو”: الفعل، “ليس”: ظرف، “ذلك”:ظرف، “الصعب”: ظرف، “.”: نقطة. نتيجة لوجود الرموز المميزة ونموذج اللغة يستطيع النظام إنشاء تمثيلات أعقد للنصوص التي سيحلّلها، فالتحليل هو عملية تحديد البنية تجزئة للنص.
تمثيلات التبعية والدوائر الانتخابية للجملة:
تحليل التبعية
تعرَّف قواعد التبعية بأنها قواعد نحوية تنشئ علاقات موجهة بين كلمات الجمل، فهو عملية استخدام قواعد التبيعة لتحديد البنية النحوية للجملة.
تحليل الدائرة الانتخابية
تمثل القواعد النحوية لبنية العبارة الدائرة هياكل نحوية عبر الاستفادة من العقد المجردة المرتبطة بالكلمات وغيرها من الفئات المجردة بالاعتماد على نوع القواعد والعلاقات غير الموجهة بينها. فهو عملية استخدام قواعد الدائرة الانتخابية لتحديد البنية النحوية للجملة.
الجذر والحذف
أي إزالة اللواحق والبادئات المرتبطة بالكلمة للحفاظ على قاعدتها المعجمية، المعروفة باسم الجذر أو الجذع أو شكل القاموس.
إزالة كلمة التوقف
لتوفير تحليل آلي أدق للنص، يجب إزالة كلمات التوقف التي توفر معلومات دلالية أقل أو لا تقدم أي معنى أبداً: و، أو،وغيرها.
بعد أن تعلمت كيفية استخراج البيانات النصية غير المنظمة وإعداد البيانات، كيف ستقوم بتحليلها؟
أساليب وتقنيات تحليل البيانات النصية
يوجد عدة تقنيّات أساسية متقدمة لتحليل البيانات النصية، تستخدم لمختلف الأغراض ومن تقنيات تحليل النص:
تصنيف النص
أي تعيين علامات أو فئات محددة مسبقًا لنص غير منظم، وهي أحد أكثر تقنيات معالجة اللغة الطبيعية فائدة لكونها متعددة الاستخدامات وتستطيع تنظيم مختلف أشكال النص وهيكلته وتصنيفه تقريبًا لتقديم بيانات ذات معنى وحل للمشكلات. بهدف تحليل المشاعر، ونمذجة الموضوع، واكتشاف اللغة، واكتشاف النوايا.
تحليل المشاعر
عادة يترك العملاء آرائهم بحرية حول الشركات والمنتجات في تفاعلات خدمة العملاء وفي الاستبيانات وعلى الإنترنت. يستخدم تحليل المشاعر خوارزميات التعلم الآلي القوية لقراءة وتصنيف قطبية الرأي تلقائيًا إما إيجابية وسلبية ومحايدة في مشاعر الكاتب وعواطفه، وحتى السياق والسخرية.
بحيث تصبح الشركات قادرة على الإبلاغ عن الشكاوى أو الطلبات العاجلة، حتّى تستطيع التعامل مباشرة لتجنب أزمة العلاقات العامة على وسائل السوشيال ميديا. كما تستطيع تقييم سمعة العلامة التجارية وإجراء أبحاث السوق للمساعدة في تحسين المنتجات عبر تعليقات العملاء.
تحليل الموضوع
أو كما يطلق عليه نمذجة الموضوع ينظم النص تلقائيًا حسب الموضوع، فلو كنت تستخدم فئات موضوعات، كالتسعير ودعم العملاء وسهولة الاستخدام، سيتم تصنيف تعليقات المنتج ضمن سهولة الاستخدام.
كشف النية
بهدف فهم السبب من تعليقات العملاء تلقائيًا هل هي شكوى؟ أم أن العميل يكتب بقصد شراء منتج؟ كما يمكن قراءة محادثات chatbot أو رسائل البريد الإلكتروني وتوجيهها إلى القسم أو الموظف المناسب تلقائياً.
فهرس أبجدي
يساعد التوافق في تحديد السياق وحالات الكلمات أو مجموعة من الكلمات ما يلي هو توافق كلمة “بسيط” في مجموعة من مراجعة التطبيقات
يمكن أن يمنحنا فهمًا سريعًا لكيفية استخدام المراجعين لهذه الكلمة. كما يمكن استخدامه أيضًا لفك غموض اللغة البشرية إلى حد ما، بالنَّظر إلى كيفية استخدام الكلمات في سياقات مختلفة، فضلاً عن القدرة على تحليل العبارات الأكثر تعقيدا ً.
توضيح معنى الكلمة
قد يكون للكلمة أكثر من معنى واحد، لذا يمثل توضيح معنى الكلمة تحديًا كبيرًا لمعالجة اللغة الطبيعية. خذ كلمة “النور” على سبيل المثال. هل يشير النص إلى الوزن أو اللون أو الجهاز الكهربائي؟ يمكن لتحليل النص الذكي مع توضيح معنى الكلمة التمييز بين الكلمات التي لها أكثر من معنى، ولكن فقط بعد تدريب النماذج على القيام بذلك.
التجمع
أي القدرة على فهم وتجميع كميات كبيرة من البيانات غير المنظمة، صحيح أنها أقل دقة من خوارزميات التصنيف لكنها أسرع في التنفيذ، باعتبارك لا تحتاج وضع علامات على الأمثلة لتدريب النماذج. فهي تستخرج المعلومات وتقوم بالتنبؤات دون استخدام بيانات التدريب، أو التعلم الآلي غير الخاضع للرقابة.
الأنظمة القائمة على القواعد
تعبر القاعدة عن ارتباط صنعه الإنسان بين النمط اللغوي الذي تجده في النص والعلامة، تتكون من إشارات إلى الأنماط الصرفية أو المعجمية أو النحوية، ولكنها قد تحتوي إشارات إلى مكونات أخرى للغة، كعلم الدلالات أو علم الأصوات.
فيما يلي مثال لقاعدة بسيطة لتصنيف أوصاف المنتجات بحسب نوع المنتج
الموصوف في النص:
(HDD|RAM|SSD|الذاكرة) → الأجهزة
يعيّن النظام علامة الأجهزة للنصوص التي تحتوي على الكلمات HDD أو RAM أو .SSD أو Memory
تتميز بأنها سهلة الفهم من قبل البشر، حيث إن إنشاء أنظمة معقدة قائمة على القواعد يحتاج الكثير من الوقت والمعرفة بكل من اللغويات والموضوعات التي تتناولها في
النصوص التي يجب أن يحللها النظام.
يصعب توسيع نطاق الأنظمة القائمة على القواعد وصيانتها حيث أن إضافة قواعد جديدة أو تعديل القواعد الحالية يحتاج الكثير من التحليل واختبار تأثير هذه التغييرات على
نتائج التنبؤات.
الأنظمة القائمة على التعلم الآلي
تجري تنبؤات بالاعتماد على ما تعلمته من الملاحظات السابقة، فهي تحتاج بيانات للتدريب عبر تغذية أمثلة متعددة للنصوص والتنبؤات (العلامات) المتوقعة لكل منها. فكلما كانت بيانات التدريب أكثر اتساقًا ودقة،
كانت التوقعات النهائية أفضل.
فعندما تقوم بتدريب مصنف قائم على التعلم الآلي، يجب تحويل بيانات التدريب إلى شيء يمكن للآلة فهمه، أي المتجهات (أي قوائم الأرقام التي تشفر المعلومات). باستخدام المتجهات، يمكن للنظام استخراج الميزات ذات الصلة (أجزاء من المعلومات) التي ستساعده على التعلم من البيانات الموجودة
والتنبؤ بالنصوص القادمة. يوجد عدة طرق لفعل ذلك أبرزها:
حقيبة الكلمات الموجهة
عند تحويل النصوص إلى متجهات، تدخل في خوارزمية التعلم الآلي مع مخرجاتها المتوقعة لإنشاء نموذج تصنيف يستطيع اختيار الميزات التي تمثل النصوص بشكل أفضل وإجراء تنبؤات حول
النصوص غير المرئية:
إنشاء نموذج التصنيف
يقوم النموذج المدرّب بتحويل النص غير المرئي إلى ناقل، واستخراج ميزاته ذات
الصلة، ثم التنبؤ.
خوارزميات التعلم الآلي
من أبرز خوارزميات التعلم الآلي المستخدمة في تصنيف النص هي عائلة خوارزميات Naive Bayes (NB)، وSupport Vector Machines (SVM)،
وخوارزميات التعلم العميق.
Naive Bayes عائلة خوارزميات
تعتمد على نظرية بايز والاحتمالات الشرطية لظهور كلمات نص نموذجي ضمن كلمات مجموعة من النصوص التي تنتمي إلى علامة محددة. تشفر المتجهات التي تمثل النصوص معلومات حول مدى احتمالية ظهور الكلمات الموجودة في النص في نصوص علامة معينة. ثم باستخدام تلك المعلومات، تستطيع حساب احتمالية انتماء النص إلى أي علامة معينة في النموذج. ليعيد نموذج التصنيف العلامة ذات الاحتمالية
الأعلى كمخرج لهذا الإدخال.
أجهزة المتجهات الداعمة (SVM)
تقسم المساحة المتجهة للنصوص ذات العلامات إلى مساحتين فرعيتين: الأولى تحتوي معظم المتجهات التي تنتمي إلى علامة معينة وأخرى تحتوي معظم المتجهات التي لا تنتمي إليها تلك العلامة الواحدة. في
نماذج التصنيف التي تستخدم SVM جوهرها ستحول النصوص إلى متجهات وتحدّد الحد الذي يقسم مساحة المتجه لعلامة معينة تنتمي إليها تلك المتجهات. ثمَّ بالاعتماد على المكان الذي يهبطون فيه، يعرف
النموذج هل ينتمون إلى علامة معينة أم لا.
خوارزميات التعلم العميق
مجموعة خوارزميات وتقنيات تستخدم “الشبكات العصبية الاصطناعية” لمعالجة البيانات كما يفعل الدماغ البشري. تستخدم كميات كبيرة من بيانات التدريب لإنشاء تمثيلات غنية لغويًا للنصوص والتي تستطيع إدخالها في نماذج قائمة على التعلم الآلي من مختلف الأنواع والتي تقدم تنبؤات أدقّ من
نماذج التعلم الآلي التقليدية.
يوضح الاستدعاء عدد النصوص المتوقعة بشكل صحيح من بين النصوص التي يجب توقعها أنها تنتمي إلى علامة معينة. بمعنى آخر، يأخذ الاستدعاء عدد النصوص التي تم التنبؤ بها بشكل صحيح على أنها إيجابية لعلامة معينة ويقسمها على عدد النصوص التي تم التنبؤ بها بشكل صحيح على أنها تنتمي إلى العلامة أو التي تم التنبؤ بها بشكل
غير صحيح على أنها لا تنتمي إلى العلامة.
استخراج النص
أي التعرّف على أجزاء المعلومات المنظمة من النص غير المنظم، فمن المحتمل أن يكون من المفيد اكتشاف الكلمات الرئيسية الأكثر صلة من جزء من النص بشكل تلقائي، أو تحديد أسماء الشركات في مقال إخباري، أو اكتشاف المؤجرين والمستأجرين في عقد مالي، أو تحديد الأسعار في أوصاف
المنتج.
التعبيرات العادية
أو مكافئ للقواعد المحددة في مهام التصنيف، يحدد نمطًا من الأحرف التي سيتم ربطها
بالعلامة.
الحقول العشوائية الشرطية
طريقة إحصائية تستخدم في استخراج النص القائم على التعلم الآلي، إذ يتعلم هذا الأسلوب الأنماط التي تستخلَص عبر وزن مجموعة من ميزات تسلسل الكلمات التي تظهر في النص. ثم تُضَاف عدة متغيرات من خلال استخدام نماذج الإبلاغ الموحدة تعتمد على بعضها إلى الأنماط التي نستخدمها للكشف عن المعلومات في النصوص، كالمعلومات
النحوية أو الدلالية.
نمذجة البيانات النصية
بعد تحليل البيانات النصية يجب تسهيل فهم
نتائجك من خلال أدوات ذكاء الأعمال (BI) وتصور البيانات في لوحات المعلومات
الرائعة.
أداة MonkeyLearn Studio
هي أداة شاملة لجمع البيانات وتحليلها وتصورها، تسمح باختيار تحليلات النص اللازمة من استخراج الكلمات الرئيسية، وتحليل المشاعر، وتصنيف الجوانب، وغير ذلك، ثم ربطها مع بعضها للعمل في نفس
جوجل داتا ستودي
تسمح أداة التصور المجانية من جوجل بإنشاء تقارير تفاعلية باستخدام مجموعة واسعة من البيانات. فبعد استيراد بياناتك، تستطيع استخدام مختلف الأدوات لتصميم تقريرك وتحويل بياناتك إلى قصة مرئية هامة. بعد ذلك تستطيع مشاركة النتائج مع
التقى أو الفرق، أو نشرها على الويب.
منصة Looker
هي منصة لتحليل بيانات الأعمال مصممة لتوجيه البيانات المفيدة لأي شخص داخل الشركة، من خلال السماح للفرق بالحصول على صورة أكبر حول ما يحدث في
شركتهم.
كما تستطيع الاتصال بمختلف قواعد البيانات لإنشاء نماذج بيانات تلقائياً، تستطيع تخصيصها لتلبية الاحتياجات المحددة.
برنامج Tableau
هي أداة لذكاء الأعمال وتصور البيانات بأسلوب بديهي وسهل الاستخدام، لا تحتاج مهارات تقنية، يسمح بالعمل مع مختلف مصادر البيانات ويوفر خيارات تصور
قوية.
باختصار، تساعد عملية تحليل البيانات النصية في تحليل البيانات الكبيرة بشكل تلقائي من مختلف المصادر من رسائل وتقييمات منتجات واستبيانات رأي. مما يوفّر الوقت والجهد والتكلفة التي قد تم تحصل عند التحليل اليدوي.
المصادر
