ارائه روشی برای تحلیل نظرهای کاربران رسانه اجتماعی توییتر به ‌منظور نوآوری در مدل کسب ‌‌و کار

در عصر حاضر، با توجه به گسترش روزافزون اینترنت، داده‌های متنی عظیم با سرعت زیاد تولید می‌شوند. در تجارت الکترونیک کلمات عضو جدانشدنی تعاملات خرید و فروش هستند. نظرهای آنلاین، اخبار، ارتباطات بازاریابی و دیگر تعاملات و همچنین، دیجیتالی شدن اطلاعات، مقدار زیادی داده متنی ایجاد می‌کنند که کسب‌وکارها تمایل به استفاده از آن‌ها دارند. داده‌های متنی توسط افراد، شرکت‌ها و جوامع ایجاد می‌شود. در گذشته محققان و کسب‌ و کارها، برای کسب بینش درباره مشتریان خود، از روش‌های دستی استفاده می‌کردند که این روش‌ها به نیروی انسانی، هزینه مالی و زمان پردازش زیادی نیاز داشت و به‏علت دخالت انسان در تحلیل، این روش‌ها در مقابل سوگیری‌های تحلیل‌کننده و پاسخ‌دهنده ضعیف بودند. با استفاده از متن‌کاوی می‌توانیم اطلاعات موردنیاز برای شرکت‌ها را به‌صورت خودکار، با هزینه کم و به‌روز تحلیل کنیم تا شرکت‌ها بتوانند از آن در نوآوری مدل کسب‌وکار استفاده کنند. در این پژوهش توییت‌های مشتریان به پشتیبانی کمپانی اپل و پاسخ‌های آن‌ها به‌کمک روش‌های تحلیل احساس و روش انتساب نهفته دیریکله بررسی ‌شده است. همچنین روش پیشنهادی ترکیبی جدیدی، بر اساس نتایج این دو روش برای دستیابی به بینش عمیق‌تر درباره داده‌ها ارائه‌ شده و از نتایج به‌دست‌آمده، راه‏کارهایی برای بهبود مدل کسب ‌و کار شرکت اپل پیشنهاد شده است.

proposing a method for analyzing user comments on twitter social media platform for business model innovation

in our current era, with the advancements in the use of internet, a large amount of textual data is being rapidly created. words are an inseparable part of online transactions in e-commerce. online comments, news, marketing and other types of communication along with the digitalization of data creates a huge amount of textual data that businesses would like to use. textual data gets created by people, organizations and communities. in the past, researchers and businesses employed manual methods to gain insights about their customers, which required significant human effort, financial resources, and processing time. due to human intervention in analysis, these methods were susceptible to analyst and respondent biases. by using text mining we can analyze the necessary information for companies in an automatic and cost-effective way in real time, enabling the use of the results for business model innovation. this research examines customer tweets directed at the apple company and the company’s responses using sentiment analysis methods and latent dirichlet allocation. furthermore, a new method has been suggested to combine the results of these two methods in order to gain deeper insights into the data and use the results to give recommendations for enhancing apple company’s business model.