Análise de satisfação dos clientes com NPL

Problema de negócio: entendendo os clientes...

• É necessário compreender as avaliações dos clientes para o sucesso da empresa, além disso é preciso avaliar o sentimento do cliente em relação à marca.

• A análise dos comentários nos ajudara a discernir as preferências dos clientes. Esses insights podem ser utilizados para melhorar o serviço e a experiência do cliente.

Fonte de dados: Este conjunto de dados é público dos pedidos realizados na Olist Store. São dados comerciais reais, e foram anonimizados e as referências às empresas e parceiros foram substítuidas pelos nomes das grandes casas de Game of Thrones.

Acesse aqui a base de dados no Kaggle

Pré-processamento: Realizaremos algumas modificações iniciais na EDA e no conjunto de dados. O conjunto de dados de revisão tem uma quantidade significativa de NAn no texto e títulos das revisões, portanto, eliminaremos estes valores ausentes.

Seguindo as tarefas da PNL, implementaremos algumas etapas de pré-processamento necessárias que envolvem:

• Transfromar os dados das revisões removendo stopwords, usando o módulo de expressão regular para aceitar apenas letras, tokenizando o texto e tornando todas as palavras em minúscula para consistência. Nesse caso, teriamos que remover palavras irrelevantes em português.

Concluimos que 58% dos clientes não deixaram comentários e apenas 11,7% se preocuparam em dar títulos aos seus comentários.

Visualização dos dados: após o pré-processamento de nossos dados, é hora de visualizar nosso texto de revisão usando Wordclouds que consiste em uma representação visual dos dados do texto envolvidos e mostra a importância das palavras pelo tamanho da fonte.

1. Dos unigramas e trigramas podemos afirmar que a maioria dos clientes ficou satisfeita com o serviço da entrega e com a qualidade dos produtos
2. Entretanto, existem os que não ficaram satisfeitos com os serviços prestados e vamos nos aprofundar nisto.

No gráficos acima após remoção os valores NaN, cerca de 10.000 pessoas deram avaliações 1 estrela, enquanto um pouco mais de 20.000 pessoas deram avaliações de 5 estrelas, o que representa:

1. Cerca de 36% dos revisores de 5 deram comentários, enquanto que 79% dos revisores de 1 estrela comentaram. Um cliente é mais propenso a fazer comentários quando insatisfeito
2. Para entender os clientes insatisfeitos construiremos um modelo de análise de sentimento.

Máquina Preditiva de Análise de Sentimentos

Este é um caso de aprendizado supervisionado, portanto, criaremos uma nova coluna representando a pontuação do sentimento (1 ou 0). 1 para palavras positivas e 0 para palavras negativas. Excluindo a pontuação de revisão de 3 pontos que representa neutra e incluindo 1 e 2 como palavras negativas e 4 e 5 na revisão de palavras positivas.

Temos 71% de emoções positivas e 29% de emoções negativasnas variáveis teste. Utilizamos o algoritmo de regressão linear com acurácia de 92%.

Insights: Poderíamos pedir pelo menos 3 ou 4 plavras para os clientesvisando se aprofundar quanto a satisfação ou não do cliente com o problema real escolhido.