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

कल्पना कीजिए कि आप एक जासूस हैं जो इस रहस्य को सुलझाने की कोशिश कर रहे हैं कि लोग वास्तव में किसी उत्पाद से क्या चाहते हैं। व्यवसाय की दुनिया में, इसे "ग्राहक आवश्यकता विश्लेषण" (customer needs analysis) कहा जाता है। लंबे समय तक, कंपनियों ने लोगों को कागजी सर्वेक्षण बांटकर या उन्हें फॉर्म भरने के लिए कहकर इसे हल करने की कोशिश की। लेकिन यह वैसा ही है जैसे सड़क के कोने पर खड़े केवल पांच लोगों से पूछकर पूरे शहर की सोच का अनुमान लगाने की कोशिश करना—यह धीमा है, अक्सर पक्षपाती है, और हो सकता है कि लोग सच भी न बताएं।

इंटरनेट युग में प्रवेश करें, जहाँ लाखों लोग ऑनलाइन समीक्षाओं के रूप में अपनी राय का एक डिजिटल निशान छोड़ जाते हैं। यह डेटा का एक खजाना है, लेकिन यह अव्यवस्थपूर्ण है। इसे समझने के लिए, वैज्ञानिक दो मुख्य उपकरणों का उपयोग करते हैं। पहले, वे "सेंटिमेंट एनालिसिस" (sentiment analysis) का उपयोग करते हैं, जो टेक्स्ट के लिए एक 'मूड रिंग' की तरह है; यह समझने की कोशिश करता है कि कोई शब्द या वाक्य खुश, दुखी, क्रोधित या उत्साहित है या नहीं। दूसरा, वे "कानो मॉडल" (Kano model) का उपयोग करते हैं, जो एक प्रसिद्ध ढांचा है जो आवश्यकताओं को श्रेणियों में वर्गीकृत करता है: कुछ बुनियादी हैं (वे आपके पास होनी ही चाहिए, अन्यथा आप नाखुश होंगे), कुछ रैखिक (linear) हैं (जितना अधिक वे होंगी, आप उतने ही खुश होंगे), और कुछ "डिलाइटर्स" (delighters) हैं (अप्रत्याशित बोनस जो आपको खुशी से झूमने पर मजबूर कर देते हैं)। समस्या क्या है? पारंपरिक मूड रिंग "स्थिर" (static) होते हैं—वे शब्दों के एक निश्चित शब्दकोश का उपयोग करते हैं जो स्लैंग, कटाक्ष या संदर्भ को नहीं समझ सकते। और कानो मॉडल आमतौर पर उन धीमे, व्यक्तिपरक सर्वेक्षणों पर निर्भर करता है।

यह शोध पत्र इन उपकरणों को मिलाने का एक चतुर नया तरीका प्रस्तावित करता है। शोधकर्ताओं ने एक "डायनेमिक" (गतिशील) मूड रिंग बनाई है जो कार मालिकों की विशिष्ट भाषा से सीखती है, और उन्होंने इसका उपयोग स्वचालित रूप से कानो मॉडल को फीड करने के लिए किया, जिससे सर्वेक्षणों की आवश्यकता ही समाप्त हो गई। उन्होंने यह देखने के लिए नए ऊर्जा वाहनों (जैसे इलेक्ट्रिक कारें) की लगभग 9,000 समीक्षाओं पर इसका परीक्षण किया कि ड्राइवर वास्तव में क्या पसंद करते हैं, उन्हें क्या नापसंद है, और कंपनियों को सबसे पहले किन चीजों को ठीक करना चाहिए।

---

जासूस का नया टूलकिट

शोधकर्ताओं, क्यूओंग हे और बीजिंग इंफॉर्मेशन साइंस एंड टेक्नोलॉजी यूनिवर्सिटी की उनकी टीम ने महसूस किया कि पुराने उपकरण लोगों के ऑनलाइन बात करने के वास्तविक तरीके के साथ तालमेल बिठाने में विफल रहे हैं। यदि आप कहते हैं कि एक कार "बड़ी" (big) है, तो एक स्थिर शब्दकोश उसे केवल एक तटस्थ शब्द के रूप में देख सकता है। लेकिन यदि आप कहते हैं "बड़ा शोर" (big noise), तो यह बुरा है। यदि आप कहते हैं "बड़ा ट्रंक" (big trunk), तो यह अच्छा है। एक मानक शब्दकोश बिना किसी मानवीय स्पष्टीकरण के अंतर नहीं बता सकता।

इसे ठीक करने के लिए, टीम ने एक डायनेमिक सेंटिमेंट लेक्सिकन (Dynamic Sentiment Lexicon) बनाया। इसे एक सुपर-स्मार्ट, खुद को अपडेट करने वाला शब्दकोश समझें जो केवल शब्दों को याद नहीं करता; बल्कि यह बातचीत के 'वाइब' (vibe) को समझता है। उन्होंने एक शक्तिशाली AI मस्तिष्क (जिसे BERT कहा जाता है) का उपयोग किया जो वाक्यों को मनुष्यों की तरह पढ़ता है, और किसी शब्द के वास्तविक अर्थ को समझने के लिए उसके आगे और पीछे के शब्दों को देखता है। उन्होंने अपने शब्दकोश के लिए सबसे अच्छे शुरुआती शब्दों को चुनने के लिए TF-IDF-PageRank नामक एक गणितीय तकनीक (जो "सबसे महत्वपूर्ण शब्दों को खोजने" का एक फैंसी तरीका है) का भी उपयोग किया।

एक बार जब उनके पास यह स्मार्ट शब्दकोश आ गया, तो वे वहीं नहीं रुके। उन्होंने इसे कानो मॉडल में जोड़ दिया। आमतौर पर, कानो मॉडल के लिए एक शोधकर्ता को ग्राहक से पूछना पड़ता है, "यदि यह विशेषता मौजूद होती, तो आप कैसा महसूस करते?" और "यदि यह मौजूद नहीं होती, तो आप कैसा महसूस करते?" टीम ने पूछने वाले हिस्से को छोड़ दिया। इसके बजाय, उन्होंने अपने AI को हजारों समीक्षाएं पढ़ने दी, यह गणना की कि कार के विशिष्ट हिस्सों के बारे में लोग कितने खुश या नाराज थे, और स्वचालित रूप से उन हिस्सों को कानो श्रेणियों में वर्गीकृत किया।

9,000 समीक्षाओं का मामला

टीम ने डोंगडी (Dongchedi) नामक एक लोकप्रिय चीनी कार वेबसाइट से एकत्र किए गए नए ऊर्जा वाहनों (NEVs) की 8,970 ऑनलाइन समीक्षाओं का उपयोग करके अपने ढांचे का परीक्षण किया। उन्होंने पांच प्रमुख ब्रांडों पर ध्यान केंद्रित किया: टेस्ला, BYD, चांगआन (Chang'an), NIO और लिक्सियांग (Lixiang)।

डेटा को साफ करने के बाद (डुप्लिकेट और निरर्थक डेटा हटाकर), उनके सिस्टम ने सफलतापूर्वक नौ प्रमुख उत्पाद विशेषताओं की पहचान की जिन्हें ग्राहक महत्व देते हैं। इसमें "ड्राइविंग रेंज" (चार्ज पर कार कितनी दूर जाती है) और "स्पेस" (जगह) से लेकर "इंटेलिजेंस" (स्मार्ट ड्राइविंग फीचर्स) और "चेसिस सिस्टम" (कार का ढांचा और सवारी की गुणवत्ता) तक शामिल थे।

यहीं पर जादू हुआ। AI ने केवल विशेषताओं को सूचीबद्ध नहीं किया; इसने उन्हें कानो मॉडल का उपयोग करके वर्गीकृत किया, जिससे ड्राइवरों के छिपे हुए मनोविज्ञान का पता चला:

• "अनिवार्य विशेषताएं" (Must-be Attributes): सिस्टम ने पाया कि सीटें (Seats), चेसिस सिस्टम (Chassis system), और ड्राइविंग अनुभव (Driving experience) बुनियादी चीजें हैं। यदि ये खराब हैं, तो ग्राहक नाराज हो जाते हैं। लेकिन यदि वे केवल "अच्छी" हैं, तो ग्राहक उत्साहित नहीं होते; वे बस इसकी उम्मीद करते हैं। यह आपके घर की छत होने जैसा है: यदि यह लीक करती है, तो आप नाराज होते हैं, लेकिन यदि यह मजबूत है, तो आप पार्टी नहीं करते हैं।
• "रैखिक" विशेषताएं (One-dimensional Attributes): दिखावट (Appearance) इसी श्रेणी में आती है। कार जितनी स्टाइलिश दिखेगी, ग्राहक उतना ही खुश होगा। यह एक सीधी रेखा है: बेहतर लुक यानी अधिक मुस्कान।
• "डिलाइटर्स" (Attractive Attributes): यह एक बड़ा आश्चर्य था। ड्राइविंग रेंज (Driving range), स्पेस (Space), इंटेलिजेंस (Intelligence), इंटीरियर (Interior) की गुणवत्ता, और कीमत (Price) जैसी विशेषताओं को "डिलाइटर्स" के रूप में वर्गीकृत किया गया था। इसका मतलब है कि यदि कोई कार इन क्षेत्रों में उत्कृष्ट प्रदर्शन करती है, तो यह ग्राहकों की संतुष्टि में भारी उछाल पैदा करती है। हालांकि, यदि कार इन क्षेत्रों में केवल "ठीक" है, तो ग्राहक आवश्यक रूप से नाराज नहीं होते; उन्हें बस उस अतिरिक्त खुशी का अहसास नहीं होता।

"अवसर" स्कोर: किसे पहले ठीक करें?

यह जानना कि लोग क्या चाहते हैं, अच्छा है, लेकिन कंपनियों के पास सीमित बजट होता है। वे सब कुछ एक साथ ठीक नहीं कर सकते। इसलिए, शोधकर्ताओं ने एक अंतिम चरण जोड़ा: एक अपॉर्च्युनिटी एल्गोरिदम (Opportunity Algorithm)। यह एक प्राथमिकता सूची की तरह कार्य करता है। यह दो चीजों को देखता है:

1. महत्व (Importance): लोग इस विशेषता के बारे में कितनी बार बात करते हैं?
2. संतुष्टि (Satisfaction): वर्तमान में वे इस फीचर से कितने खुश हैं?

एल्गोरिदम एक "चांस स्कोर" की गणना करता है ताकि निर्माताओं को यह बताया जा सके कि उन्हें कहाँ ध्यान केंद्रित करना चाहिए। परिणाम स्पष्ट थे:

• शीर्ष प्राथमिकता: स्पेस (Space) और ड्राइविंग रेंज (Driving range) विजेता थे। वे पहले से ही "डिलाइटर्स" हैं (जब वे अच्छे होते हैं तो लोग उन्हें पसंद करते हैं), लेकिन ग्राहकों को जीतने के लिए उन्हें और भी बेहतर बनाने की गुंजाइश है।
• तत्काल सुधार: ड्राइविंग अनुभव (Driving experience) एक "अनिवार्य" (Must-have) विशेषता थी जिससे ग्राहक आश्चर्यजनक रूप से नाखुश थे। भले ही यह एक बुनियादी आवश्यकता है, कम संतुष्टि स्कोर का मतलब था कि यह ब्रांडों के लिए एक खतरे की घंटी थी।
• कम प्राथमिकता: इंटेलिजेंस (Intelligence) और दिखावट (Appearance) का अवसर स्कोर कम था, जो बताता है कि हालांकि वे महत्वपूर्ण हैं, लेकिन जो ग्राहक चाहते हैं और जो उनके पास है, उनके बीच का अंतर ड्राइविंग अनुभव या स्पेस के मुद्दों जितना गंभीर नहीं है।

निष्कर्ष

यह अध्ययन बताता है कि इस गतिशील, AI-संचालित दृष्टिकोण का उपयोग करके, कंपनियां अनुमान लगाने और व्यक्तिपरक सर्वेक्षणों से दूर जा सकती हैं। इसके बजाय, वे ऑनलाइन समीक्षाओं के शोर से सीधे "ग्राहक की आवाज" सुन सकती हैं। इस ढांचे ने 8,970 अव्यवस्थित समीक्षाओं को एक स्पष्ट, कार्रवाई योग्य रोडमैप में सफलतापूर्वक बदल दिया: ड्राइविंग अनुभव को ठीक करें ताकि नुकसान को रोका जा सके, और अगले बड़े हिट के रूप में उभरने के लिए स्पेस और बैटरी रेंज को और बेहतर बनाएं।

जबकि लेखक नोट करते हैं कि उनका तरीका वर्तमान में केवल इलेक्ट्रिक कारों पर परीक्षण किया गया है और एक ही वेबसाइट के डेटा पर निर्भर है, वे तर्क देते हैं कि यह "डायनेमिक लेक्सिकन" दृष्टिकोण ग्राहकों की वास्तविक जरूरतों को समझने का एक दोहराने योग्य, वस्तुनिष्ठ तरीका प्रदान करता है, जो इंटरनेट के शोर को उत्पाद सुधार के लिए एक स्पष्ट संकेत में बदल देता है।