Tekst analyseren voor contentonderzoek · Elektrotechn. en machine-industrie

Binnen Elektrotechn. en machine-industrie is ‘Textmining’ gemeten op 21 procent. Daar liggen twee andere toepassingen bij in de buurt: ondersteuning bij tekstproductie op 21 procent en socialemediagegevens gebruiken op 21 procent. Aan de andere kant van de vergelijking staat een bruikbare eigen website op 96 procent. Tussen dat laatste percentage en 21 procent zitten 75 procentpunt. Voor tekst analyseren voor contentonderzoek volgt daar een inhoudelijke keuze uit. Welke van die toepassingen raakt daadwerkelijk de ervaring van een redacteur die terugkerende vragen uit geanonimiseerde tekst herkent?

De vergelijking van Elektrotechn. en machine-industrie voor ‘Textmining’ bestrijkt 47 branchecategorieën met een gepubliceerde uitkomst. Bij Kunststof- en bouwmateriaalindustr staat 21 procent en bij Kunststof- en bouwmateriaalindustr 21 procent. De eerstvolgende hogere meetwaarde is 22 procent bij Machine-industrie. Direct onder 21 procent staat 20 procent bij Handel. Een afgerond gelijk percentage komt voor bij Kunststof- en bouwmateriaalindustr. Bedrijfstakken kunnen elkaar gedeeltelijk omvatten; dit is een overzicht van gerapporteerde categorieën, geen optelsom van verschillende bedrijven.

Kijk nu naar de positie van Elektrotechn. en machine-industrie tegenover het bedrijfstaktotaal. Voor een meertalige website bedraagt het verschil +31 procentpunt (67 procent tegenover 36 procent). Bij spraakherkenning bij interviews staan juist 12 procent en 12 procent dicht bij elkaar. Voor tekst analyseren voor contentonderzoek is het verschil -1 procentpunt. Als een opdrachtgever uit Elektrotechn. en machine-industrie al werkt met ondersteuning bij tekstproductie, vraag dan bij de intake hoe ‘Textmining’ daar in de praktijk op zou aansluiten.

Een mogelijke proefopdracht voor Elektrotechn. en machine-industrie begint met een demonstratie van twee passende stekkertypen. De hoofdpersoon in de briefing is een werkvoorbereider die verkeerd bestellen wil voorkomen. Voor tekst analyseren voor contentonderzoek krijgt de maker een tweeluik: eerst het onderscheid aan de behuizing in dezelfde schaal, daarna de aanduiding op de verpakking van elk type. Dat is een fictieve productiesituatie, uitgewerkt om een redacteur die terugkerende vragen uit geanonimiseerde tekst herkent concreet te maken. Kan een proeflezer aan het tweede beeld aanwijzen wat in het eerste beeld nog onduidelijk was?

Leg de uitkomst naast de eigenlijke taak: vergelijk een automatische themagroep met een handmatig gelezen steekproef. Als de tester bij een demonstratie van twee passende stekkertypen blijft hangen door een frequent woord dat verschillende klantvragen samenvoegt, is dat een aanwijzing voor een aanpassing van de productie. Het aandeel van 21 procent voor textmining in Elektrotechn. en machine-industrie blijft daarbij een afzonderlijke branchemeting. Laat een werkvoorbereider die verkeerd bestellen wil voorkomen in de testvariant eerst het onderscheid aan de behuizing in dezelfde schaal aanwijzen voordat je besluit meer materiaal te maken over ondersteuning bij tekstproductie.