Geschäftskontext
Ein Softwareunternehmen möchte Kundenfeedback aus Online-Foren analysieren, um häufig genannte Produktmerkmale und die damit verbundene Stimmung zu identifizieren. Ziel ist es, Prioritäten für die nächste Entwicklungsphase abzuleiten.
Über das Set : textRuleScore
Regelbasiertes Scoring von Textdokumenten.
Entdecken Sie alle Aktionen von textRuleScore Datenaufbereitung
Erstellt eine Tabelle mit Kundenkommentaren zu einem fiktiven Softwareprodukt. Diese Daten enthalten Erwähnungen von Produktmerkmalen und Stimmungsindikatoren.
Kopiert!
| 1 | DATA casuser.kunden_feedback; |
| 2 | INFILE DATALINES delimiter='|' missover; |
| 3 | LENGTH doc_id $20 kommentar_text $500; |
| 4 | INPUT doc_id $ kommentar_text $; |
| 5 | DATALINES; |
| 6 | feedback001|Die neue Benutzeroberfläche ist sehr intuitiv und die Performance ist hervorragend. |
| 7 | feedback002|Ich finde die Berichtsfunktion nützlich, aber das System ist oft langsam. |
| 8 | feedback003|Ein schreckliches Update. Die Benutzeroberfläche ist jetzt unübersichtlich. |
| 9 | feedback004|Die Performance bei der Erstellung von Berichten hat sich deutlich verbessert. Guter Job! |
| 10 | ; |
| 11 | RUN; |
Étapes de réalisation
1
Laden der Feedback-Daten in eine CAS-Tabelle.
Kopiert!
| 1 | |
| 2 | PROC CASUTIL; |
| 3 | load |
| 4 | DATA=casuser.kunden_feedback outcaslib='casuser' casout='kunden_feedback' replace; |
| 5 | RUN; |
| 6 |
2
Annahme: Ein benutzerdefiniertes LITI-Modell 'produkt_merkmale_liti', das Konzepte wie 'FEATURE', 'POSITIVE_SENTIMENT' und 'NEGATIVE_SENTIMENT' definiert, wurde bereits in CAS geladen.
Kopiert!
| 1 | /* Annahme: LITI-Modell wurde bereits geladen, z.B. mit 'loadTable' in casuser.produkt_merkmale_liti */ |
3
Ausführen von applyConcept, um Merkmale und Stimmungen zu extrahieren und die Ergebnisse in Konzept- und Faktentabellen zu speichern.
Kopiert!
| 1 | PROC CAS; |
| 2 | textRuleScore.applyConcept / |
| 3 | TABLE={caslib='casuser', name='kunden_feedback'}, |
| 4 | docId='doc_id', |
| 5 | text='kommentar_text', |
| 6 | model={caslib='casuser', name='produkt_merkmale_liti'}, |
| 7 | casOut={caslib='casuser', name='konzept_treffer', replace=true}, |
| 8 | factOut={caslib='casuser', name='fakt_treffer', replace=true}; |
| 9 | RUN; |
Erwartetes Ergebnis
Die Ausgabetabellen 'konzept_treffer' und 'fakt_treffer' werden erstellt. 'konzept_treffer' enthält extrahierte Konzepte wie 'FEATURE' (z.B. 'Benutzeroberfläche', 'Performance') und 'SENTIMENT' (z.B. 'hervorragend', 'langsam'). 'fakt_treffer' verknüpft diese, sodass das Unternehmen analysieren kann, welche Merkmale positiv oder negativ bewertet wurden.