A Framework for Customer Needs Analysis: Integrating Dynamic Sentiment Lexicon Construction with Kano Model

تخيل أنك محقق يحاول حل لغز ما يريده الناس حقاً من منتج ما. في عالم الأعمال، يسمى هذا "تحليل احتياجات العملاء". لفترة طويلة، حاولت الشركات حل هذه المعضلة عبر توزيع استبيانات ورقية أو طلب ملء نماذج من الناس. لكن ذلك يشبه محاولة تخمين ما يفكر فيه سكان مدينة كاملة عبر سؤال خمسة أشخاص فقط عند زاوية شارع؛ الأمر بطيء، وغالباً ما يكون منحازاً، وقد لا يقول الناس الحقيقة حتى.

دخل عصر الإنترنت، حيث يترك الملايين خلفهم أثراً رقمياً لآرائهم في شكل مراجعات عبر الإنترنت. هذا المنجم من البيانات هو كنز حقيقي، لكنه فوضوي. ولتفسير هذا المحتوى، يستخدم العلماء أداتين رئيسيتين. أولاً، يستخدمون "تحليل المشاعر"، وهو يشبه "خاتم المزاج" للنصوص؛ حيث يحاول معرفة ما إذا كانت الكلمة أو الجملة سعيدة، حزينة، غاضبة، أو متحمسة. ثانياً، يستخدمون "نموذج كانو" (Kano model)، وهو إطار عمل شهير يصنف الاحتياجات إلى فئات: بعضها أساسي (يجب توفره، وإلا ستكون غير راضٍ)، وبعضها خطي (كلما زاد وجوده، زاد رضاك)، وبعضها "مبهجات" (مزايا غير متوقعة تجعلك تقفز من الفرح). المشكلة؟ "خواتم المزاج" التقليدية هي أدوات "ثابتة" — فهي تستخدم قاموساً محدداً من الكلمات لا يمكنه التعامل مع العامية، أو السخرية، أو السياق. كما أن نموذج "كانو" يعتمد عادةً على تلك الاستبيانات البطيئة والذاتية.

يقترح هذا البحث طريقة ذكية جديدة للجمع بين هاتين الأداتين. فقد بنى الباحثون "خاتم مزاج" ديناميكياً يتعلم من اللغة الخاصة بمالكي السيارات، واستخدموه لتغذية نموذج "كانو" تلقائياً، متجاوزين مرحلة الاستبيانات تماماً. لقد اختبروا ذلك على ما يقرب من 9,000 مراجعة للمركبات ذات الطاقة الجديدة (مثل السيارات الكهربائية) لمعرفة ما يحبه السائقون بالضبط، وما يكرهونه، وما هي الميزات التي يجب على الشركات إصلاحها أولاً.

---

حقيبة أدوات المحقق الجديدة

أدرك الباحثون، "كيونغ هي" وفريقها من جامعة بكين لعلوم وتكنولوجيا المعلومات، أن الأدوات القديمة كانت تفشل في مواكبة كيفية تحدث الناس فعلياً عبر الإنترنت. إذا قلت إن السيارة "كبيرة"، فقد يراها القاموس الثابت كلمة محايدة. لكن إذا قلت "ضجيج كبير"، فهذا أمر سيء. أما إذا قلت "صندوق خلفي كبير"، فهذا أمر جيد. القاموس القياسي لا يستطيع التمييز بينهما دون وجود إنسان ليشرح السياق.

ولإصلاح ذلك، بنى الفريق معجماً ديناميكياً للمشاعر (Dynamic Sentiment Lexicon). فكر في هذا كقاموس ذكي جداً ويحدث نفسه ذاتياً، لا يكتفي بحفظ الكلمات فحسب، بل يفهم "جو" المحادثة. استخدموا عقلاً اصطناعياً قوياً (يسمى BERT) يقرأ الجمل كما يقرأها البشر، حيث ينظر إلى الكلمات قبل وبعد المصطلح لفهم معناه الحقيقي. كما استخدموا خدعة رياضية تسمى TF-IDF-PageRank (وهي طريقة معقدة لقول "البحث عن أهم الكلمات التي تظهر معاً") لاختيار أفضل الكلمات المبدئية لقاموسهم.

بمجرد حصولهم على هذا القاموس الذكي، لم يتوقفوا عند هذا الحد. بل قاموا بربطه بـ نموذج كانو. عادةً، يتطلب نموذج كانو من الباحث أن يسأل العميل: "إذا وجدت هذه الميزة، كيف سيكون شعورك؟" و"إذا لم تكن موجودة، كيف سيكون شعورك؟". لكن الفريق تجاوز مرحلة السؤال؛ وبدلاً من ذلك، تركوا الذكاء الاصطناعي يقرأ آلاف المراجعات، ويحسب مدى سعادة أو غضب الناس بشأن أجزاء معينة من السيارة، ويصنف تلك الأجزاء تلقائياً في فئات "كانو".

قضية الـ 9,000 مراجعة

وضع الفريق إطار عملهم قيد الاختبار باستخدام 8,970 مراجعة عبر الإنترنت للمركبات ذات الطاقة الجديدة (NEVs) تم جمعها من موقع صيني شهير للسيارات يسمى "Dongchedi". ركزوا على خمس علامات تجارية رئيسية: تسلا، BYD، تشانغ آن، نيو (NIO)، ولي شيانغ (Lixiang).

بعد تنظيف البيانات (إزالة المكررات والرموز غير المفهومة)، نجح نظامهم في تحديد تسع سمات رئيسية للمنتج يهتم بها العملاء. وتراوحت هذه السمات من "مدى القيادة" (المسافة التي تقطعها السيارة بالشحنة الواحدة) و"المساحة" إلى "الذكاء" (ميزات القيادة الذكية) و"نظام الشاسيه" (هيكل السيارة وجودة الركوب).

وهنا حدث السحر. لم يكتفِ الذكاء الاصطناعي بسرد الميزات فحسب، بل صنفها باستخدام نموذج "كانو"، كاشفاً عن علم النفس الخفي للسائقين:

• "السمات الواجب توفرها" (Must-be Attributes): وجد النظام أن المقاعد، ونظام الشاسيه، وتجربة القيادة هي الأساسيات. إذا كانت سيئة، سيستشيط العملاء غضباً. ولكن إذا كانت "جيدة" فقط، فلن يشعر العملاء بالحماس؛ بل سيتوقعونها فحسب. الأمر يشبه وجود سقف لمنزلك: إذا كان يسرب الماء، ستغضب، ولكن إذا كان سليماً، فلن تقيم حفلة احتفالاً بذلك.
• "السمات الخطية" (One-dimensional Attributes): تندرج المظهر تحت هذه الفئة. كلما كان مظهر السيارة أكثر أناقة، زاد سعادة العميل. إنه خط مستقيم: مظهر أفضل يعني ابتسامات أكثر.
• "المبهجات" (Attractive Attributes): كانت هذه هي المفاجأة الكبرى. فقد صُنفت ميزات مثل مدى القيادة، والمساحة، والذكاء، وجودة المقصورة الداخلية، والسعر كـ "مبهجات". وهذا يعني أنه إذا تفوقت السيارة في هذه المجالات، فإنها تخلق طفرة هائلة في رضا العملاء. ومع ذلك، إذا كانت السيارة "عادية" في هذه المجالات، فلن يشعر العملاء بالاستياء بالضرورة، لكنهم لن يحصلوا على تلك الشرارة الإضافية من الفرح.

"درجة الفرصة": من يجب إصلاحه أولاً؟

معرفة ما يريده الناس أمر رائع، لكن الشركات لديها ميزانيات محدودة، ولا يمكنها إصلاح كل شيء في وقت واحد. لذا، أضاف الباحثون خطوة أخيرة وهي: خوارزمية الفرصة (Opportunity Algorithm). تعمل هذه الخوارزمية كقائمة أولويات، حيث تنظر إلى أمرين:

1. الأهمية: كم مرة يتحدث الناس عن هذه الميزة؟
2. الرضا: ما مدى سعادة الناس بها في الوقت الحالي؟

تحسب الخوارزمية "درجة فرصة" لتخبر المصنعين أين يجب أن يركزوا. وكانت النتائج واضحة:

• الأولوية القصوى: فازت المساحة ومدى القيادة بالمركز الأول. فهما بالفعل "مبهجات" (الناس يحبونهما عندما يكونان جيدين)، ولكن لا تزال هناك مساحة لتحسينهما بشكل أكبر لكسب المزيد من العملاء.
  يدخل تجربة القيادة هنا كـ "مطلب واجب" (Must-have) كان العملاء غير راضين عنه بشكل مفاجئ. ورغم أنه مطلب أساسي، إلا أن درجة الرضا المنخفضة جعلت من هذا الأمر قنبلة موقوتة للعلامات التجارية.
• الأولوية المنخفضة: سجلت الذكاء والمظهر درجات فرصة أقل، مما يشير إلى أنه رغم أهميتهما، إلا أن الفجوة الحالية بين ما يريده العملاء وما يمتلكونه ليست بالخطورة التي تشكلها قضا تجربة القيادة أو المساحة.

الحكم النهائي

تشير الدراسة إلى أنه باستخدام هذا النهج الديناميكي المدعوم بالذكاء الاصطناعي، يمكن للشركات الابتعاد عن التخمين والاستبيانات الذاتية. بدلاً من ذلك، يمكنهم الاستماع إلى "صوت العميل" مباشرة من وسط فوضى المراجات عبر الإنترنت. لقد نجح إطار العمل في تحويل 8,970 مراجعة فوضوية إلى خارطة طريق واضحة وقابلة للتنفيذ: أصلح تجربة القيادة لوقف النزيف، وعزز مساحة السيارة ومدى البطارية لتكون الضربة الكبرى القادمة.

وبينما يشير المؤلفون إلى أن طريقتهم مختبرة حالياً فقط على السيارات الكهربائية وتعتمد على بيانات موقع واحد، إلا أنهم يجادلون بأن نهج "المعجم الديناميكي" هذا يقدم طريقة متكررة وموضوعية لفهم ما يحتاجه العملاء حقاً، محولاً ضجيج الإنترنت إلى إشارة واضحة لتحسين المنتجات.