Claro Colombia Customer Experience Patterns: Sentiment Analysis
Notice bibliographique
Résumé
During the second quarter of 2024, Claro Colombia positioned itself as the market leader in terms of user numbers, with more than 589,000 new ports. However, this growth has not been matched by an improvement in service perception. On social media, users continue to report high levels of dissatisfaction, with frequent complaints about service quality, customer service, and network stability. Today more than ever, social media is a direct reflection of the customer experience. Users not only share their experiences but also shape the opinions of others. Ignoring these voices can mean losing the public's trust; however, listening to them and analyzing them strategically can make a difference in customer relationships. This work seeks precisely that: to understand what Claro Colombia users feel and think through the analysis of their comments on platforms such as Facebook, Threads and X. Applying artificial intelligence and sentiment analysis techniques, patterns and trends will be identified that allow generating useful information to make decisions aimed at improving the service, strengthening the brand's reputation and, above all, better connecting with the real needs of users. During the second quarter of 2024, Claro Colombia positioned itself as the market leader in terms of the number of users, with more than 589,000 new portings. However, this growth has not been accompanied by an improvement in the perception of the service. On social media, users continue to report high levels of dissatisfaction, with frequent complaints about the quality of service, customer service, and network stability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».