ChatGPT火了!小倍也和它聊了聊。
关于客户体验管理怎么做，ChatGPT的回答里有提到产品和服务的改善、员工的参与、客户反馈的收集与处理。粗粗看来这个回答有些道理，只是还不够全面。
这个如此厉害的东西到底是个什么?
一个更厉害的自然语言生成式AI
近期，人工智能实验室OpenAI推出了一款名为ChatGPT，一个对话形式交互的模型。短短5天，就吸引了百万+用户注册。
ChatGPT被业内认为是，继2020年NLP(自然语言处理)预训练模型——GPT-3之后的“GPT-3.5”。
网友们“玩心大发”，ChatGP也向大家展示了它强大的能力：回答问题、写小说、诗歌、写代码、甚至来上一段脱口秀。
ChatGPT除了向我们展现出了它令人惊叹的应答能力，甚至还可以承认错误、质疑不正确的前提和拒绝不适当的请求。
有人说：ChatGPT有可能颠覆谷歌等搜索引擎，开辟AI创作的新纪元。
国盛证券区块链研究院在研报中也表示，ChatGPT或许在未来会改变我们获取信息、输出内容的方式。
作为OpenAI的幕后老板之一的马斯克也推特上公开表达了对ChatGPT的力挺，他认为“我们离强大到危险的AI不远了。”
那么，ChatGPT可以帮我写篇公众号的推文吗?小倍厚着脸皮问出了这个问题!
我承认，这一刻我心动了。
抱着学(tou)习(lan)的心态，我向ChatGPT提出了我的需求。
是的，同样都是基于NLP智能文本分析，让我们看看更惊人的ChatGPT是如何看待以文本分析来挖掘网评、开放题中客户的真实态度。
复杂的客户态度表达
如何判定这是一条好评还是差评呢?
ChatGPT告诉我们：要判定一条评论是好评还是差评，需要看评论内容以及评论人的态度。如果评论内容提到了具体的优点或者对产品有积极的评价，并且评论人的态度看起来乐观，那么这条评论很可能是好评。
相反，如果评论内容提到了缺点或抱怨，并且评论人的态度看起来不满意，那么这条评论可能是差评。不过，这只是一种参考，最终的判定还需要根据具体的评论内容来进行。
总结来看，想要判断一条评论背后客户的态度除了看打分，更多的是靠自己“品”客户评论中的语气。
差评给品牌带来的伤害已经无需赘述，在大多数用户心中，中差评的权重要远高于好评。
单纯依赖人力去“品”的客户的态度，在这个高速更迭的信息化时代已经无法满足企业的发展。
举个例子
小倍在选择周末聚餐的餐厅时，选定了几家作为备选，其中有一家在某点评网站上评分十分靠前，并且上榜特色菜的必吃榜。
点开商家详情页，小倍草草看了一眼好评后，点开了差评，总结下来大家说的最多是：菜咸、贵和服务差。
但是好评中的“瑕疵”商家注意到了吗?
相较于差评，这家餐厅的好评数量更多，并且评分都在4星至5星之间，可以说是一个中等偏上的水平。可是小倍翻阅了一些好评，也发现了这些好评中也隐藏了一些共性的“瑕疵”——服务态度差、有一些菜品不入味。
相较于差评的一目了然，好评中的“瑕疵”就显得有些像“大海捞针”，但是可以看出，即使是好评，也隐藏着门店最重要的问题之一：服务态度差。
并且相较于一句差评中的一句“泄愤”的抱怨，好评中“口味不稳定”，对于餐厅的整改更加有实操的借鉴意义。
无论是好评还是差评，我们都能从中挖掘到客户不同的情感态度，但是这部分内容往往是以非结构化数据的形式呈现，如果通过人工手动采集和分析，那必然会带来人力成本高、采集数量、范围有限、历史、竞品数据难以采等痛点。
将非结构化数据变成可挖掘的数据资产
正如ChatGPT给出的关于文本分析的解释：
文本分析功能主要包括词云、情感分析、语义分析和文本挖掘等。词云可以帮助我们快速概括文本数据中的关键词，情感分析可以帮助我们了解文本数据中的情感趋势，语义分析可以帮助我们深入理解文本数据的含义，而文本挖掘则可以帮助我们从大量文本数据中提取有价值的信息。
借助文本分析功能，利用自然语言处理(NLP)、机器学习等技术，可以帮助品牌理解复杂上下文中的概念，并解释语言的歧义以提取关键事实和关系。挖掘事实标签，下钻客户观点。
以倍市得为例
某国内龙头汽车集团通过倍市得客户体验管理系统，进行品牌调研、数据展示、用户形象刻画，提升品牌满意度，并且对用户进行分类，实现精准营销和差异化运营。
其中非常重要的一环便是社媒舆情监测，通过无监督文本挖掘可以识别被掩埋在大量文本中的事实，关系和观点。
这里就涉及到两个核心的能力：
数据抓取覆盖程度
目前倍市得在舆情数据采集上已经可覆盖全网90%以上的舆情信息，重点数据源分钟级更新数据，日均可采集过亿条数据、数据可回溯达6年以上。
并且也可以及时批量获取客户在电商渠道对本品/竞品在产品、服务、市场等方面的评价内容，便于进行针对性整改优化，保持本品市场竞争力。
抓取内容的数据分析能力
倍市得借助计算机NLP智能文本分析能力，自动提炼话题分布及情感分类，让网络舆情采集频率快至半小时，采集后预警推送最快可至10分钟。并且可以结合企业组织架构分工，分层输出结果。
将抓取到的这些信息提取后转换为结构化形式，企业就可以用来进一步分析和洞察数据。
通过BI看板展示相关核心数据，舆情趋势、情感及渠道分布、用户主流观点、预警消息统计等核心信息即时感应、一目了然。
基于知识图谱技术，实现多元化的关联因素分析，用来对核心问题的根本原因进行追溯。
该车企通过对这些非结构化数据的挖掘，在保养权益话题中，客户的负面情感比例较高，其中怎么查看保养券、不累积积分、保养券不显示等关键词出现频率较高。
这为集团的针对性整改带来了直接的参考依据。
最后，我们来看看ChatGPT是如何回答这些问题。(仅供参考)