Automatyczna analiza wydźwięku opinii o operatorach energetycznych jako element wsparcia podejmowanych decyzji

• Authors: Opałka Jakub , Abramowicz Witold , Sokołowska Wioletta , Hossa Tymoteusz

Title variants

EN

Automatic Sentiment Analysis of Opinions about Enenrgy Operators as an Element of Support for Decision Making

• Languages of publication: PL

Abstracts

PL

Wdrażanie infrastruktury Smart Grid (tzw. inteligentnej sieci elektroenergetycznej) spowodowało pojawienie się nieznanych wcześniej problemów związanych z przetwarzaniem oraz analizowaniem dużych i zróżnicowanych zbiorów danych, które z uwagi na bezpieczeństwo sieci i uczestników gry rynkowej powinno być realizowane w czasie niemal rzeczywistym. Co więcej, postępujące na rynku energii elektrycznej zmiany implikują przejście od modelu tradycyjnego do rynku bardziej zorientowanego na klienta. Wynika to przede wszystkim ze zwiększonego dostępu do narzędzi i informacji pozwalających na monitorowanie i redukcję zużycia energii oraz rosnącej świadomości konsumentów odnośnie do przysługującego im prawa zmiany sprzedawcy energii elektrycznej. Portale internetowe czy media społecznościowe stają się miejscem dyskusji, porównania i oceny obecnie dostępnych ofert. Tym samym odpowiednio przeanalizowane informacje publikowane za ich pośrednictwem mogą być źródłem budowania przewagi konkurencyjnej firmy. Artykuł ocenia możliwości wsparcia potrzeb informacyjnych przedsiębiorstw funkcjonujących na rynku energii elektrycznej poprzez wykorzystanie analizy wydźwięku opinii klientów o operatorach energetycznych oraz o produktach przez nich oferowanych.

EN

The implementation of the Smart Grid infrastructure caused previously unknown problems connected with processing and analyzing large and diverse data sets. Due to the security of the electricity network and the market participants, the processing and analyzing large data sets should be achieved in the near real-time. Furthermore, the changes in the electricity market have implied a shift from the traditional market model to the customer-oriented market. This is primarily a result of the increasing access to the tools and information which allow consumers to monitor and reduce the energy consumption, and of the customers' growing awareness about the right to change their electricity supplier. Web portals and social media have become a place for discussion, comparison and review of the currently available offers. Thus, the proper analysis of the information published on such websites can be a source of competitive advantage for the electricity suppliers. The article shows a possibility to support the information needs of electricity companies by means of the sentiment analysis of customer's reviews on energy suppliers and on the services they offer.

Keywords

PL

Badanie opinii; Konkurencja na rynku energetycznym; Przedsiębiorstwo energetyczne; Rynek energetyczny; Systemy Business Intelligence

EN

Business Intelligence systems; Competition in the energy market; Energy distribution companies; Energy market; Opinion research

• Publisher: Uniwersytet Ekonomiczny w Katowicach
• Journal: Studia Ekonomiczne
• Year: 2015
• Volume: 243
• Pages: 257-273

Contributors

author

Opałka Jakub

author

Abramowicz Witold

author

Sokołowska Wioletta

author

Hossa Tymoteusz

References

• Abramowicz W., Sokołowska W., Hossa T., Opałka J., Fabisz K., Kubaczyk M., Ćmil M. (2015), Sentiment Analysis for the needs of benchmarking the Energy Sector [w:] HPI Future SOC Lab Project Report - Fall 2014, Potsdam.
• Abramowicz W., Sokołowska W., Hossa T., Opałka J., Fabisz K., Filipowska A., Kubaczyk M. (2014), Smart Data Analysis for the Support of Rational Decision Making in the Energy Sector [w:] HPI Future SOC Lab Project Report - Spring 2014, Potsdam.
• Amin S.M., Wollenberg B.F. (2005), Toward a smart grid: Power delivery for 21st century, "IEEE Power & Energy Magazine", No. 5.
• Banic L., Mihanovic A., Brakus M. (2013), Using Big Data and sentiment analysis in product evaluation [w:] Proceedings of the 36th International Convention on Information & Communication Technology Electronics & Microelectronics.
• Bliss H. (2013), Sharkando Social Media Analytices with SAP HANA and Predictive Analysis, "Analytics Practice Lead Decision First Technologies", June.
• Brooke J. (2001), A semantic approach to automated text sentiment analysis, Master's thesis, Stanford University.
• Deshpande M., Sarkar A. (2010), BI and sentiment analysis, "Business Intelligence Journal", No. 15(02).
• Dubisz S. (2003), Uniwersalny słownik języka polskiego, WN PWN, Warszawa.
• Fang J., Chen B. (2011), Incorporating Lexicon Knowledge into SVM Learning to Improve Sentiment Classification [w:] Proceedings of the Workshop on Sentiment Analysis where AI meets Psychology (SAAIP).
• Freyburger K. (2013), Sentiment Analysis with SAP HANA, OSBI-Workshop, Hochschule Ludwigshafen am Rhein.
• Janiszewska K. (2006), Zasada TPA w elektroenergetyce w prawie wspólnotowym i polskim, "Miesięcznik Gospodarczy Nowy Przemysł", nr 2.
• Jin X., Li Y., Mah T., Tong J. (2007), Sensitive webpage classification for content advertising [w:] Proceedings of the International Workshop on Data Mining and Audience Intelligence for Advertising.
• Liscombe J., Riccardi G., Hakkani-Tür D. (2005), Using context to improve emotion detection in spoken dialog systems, "Interspeech".
• Liu B. (2010a), Sentiment analysis and subjectivity [w:] N. Indurkhya, F.J. Damerau (eds.), Handbook of Natural Language Processing, Taylor & Francis Group.
• Liu B. (2010b), Opinion mining and sentiment analysis: NLP meets social sciences, Honolulu.
• Liu B. (2011), Web Data Mining. Exploring Hyperlinks, Contents, and Usage Data, Springer.
• Liu B. (2012), Sentiment analysis and opinion mining, Morgan & Claypool Publishers, San Rafael.
• Matusiak B.E. (2013), Modele biznesowe na nowym zintegrowanym rynku energii, Wydawnictwo UŁ, Łódź.
• Mishne G., Glance N. (2006), Predicting movie sales from blogger sentiment [w:] AAAI Symposium on Computational Approaches to Analysing Weblogs (AAAI-CAAW).
• Mouthami K., Devi K.N., Bhaskaran V.M. (2013), Sentiment analysis and classification based on textual reviews [w:] Proceedings of the 2013 International Conference on Information Communication and Embedded Systems (ICICES).
• Mudinas A., Zhang D., Levene M. (2012), Combining lexicon and learning based approaches for concept level sentiment analysis [w:] Proceedings of the First International Workshop on Issues of Sentiment Discovery and Opinion Mining, ACM, New York.
• Neethu M.S., Rajasree R. (2013), Sentiment analysis in twitter using machine learning techniques [w:] Proceedings of the Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT).
• Palanisamy P., Yadav V., Elchuri H. (2013), Serendio: Simple and Practical lexicon based approach to Sentiment Analysis [w:] Proceedings of International Workshop on Semantics Evaluation.
• Pang B., Lee L. (2008), Opinion mining and sentiment analysis, "Foundations and Trends in Information Retrieval", No. 1-2.
• Patni S., Avinash W. (2013), Comparative Study of Available Technique for Detection in Sentiment Analysis, "International Journal of Computational Engineering Research", No. 5.
• Piao S., Ananiadou S., Tsuruoka Y., Sasaki Y., McNaught J. (2007), Mining opinion polarity relations of citations [w:] International Workshop on Computational Semantics 84 (IWCS).
• Sharma A., Dey S. (2012), A Comparative Study of Feature Selection and Machine Learning Techniques for Sentiment Analysis [w:] Proceedings of the 2012 ACM Research in Applied Computation Symposium, San Antonio, Texas.
• Singh V.K., Piryani R., Uddin A., Waila P. (2013), Sentiment analysis of movie reviews: A new feature-based heuristic for aspect-level sentiment classification [w:] Proceedings of the 2013 IEEE International Multi Conference on Automation, Computing, Control, Communication and Compressed Sensing.
• Spertus E. (1997), Smokey: Automatic recognition of hostile messages [w:] Proceedings of Innovative Applications of Artificial Intelligence (IAAI).
• Stadnicki M. (2013), BI w służbie budowania relacji z klientem i lepszego zrozumienia jego potrzeb, "Nowoczesne Zarządzanie", nr 1.
• Taboada M., Brooke J., Tofiloski M., Voll K., Stede M. (2011), Lexicon-based methods for sentiment analysis, "Computational Linguistics", No. 37(02).
• Tan S., Wang Y., Cheng X. (2008), Combing Learn-based and Lexicon-based Techniques for Sentiment Detection without Using Labeled Examples, SIGIR.
• Tang H., Tan S., Cheng X. (2009), A survey on sentiment detection of reviews, "Expert Systems with Applications", No. 36(7).
• Tatemura J. (2000), Virtual reviewers for collaborative exploration of movie reviews [w:] Proceedings of Intelligent User Interfaces (IUI).
• Terveen L., Hill W., Amento B., McDonald D., Creter J. (1997), PHOAKS: A system for sharing recommendations, "Communications of the Association for Computing Machinery (CACM)", No. 40(3).
• Tokuhisa R., Terashima R. (2006), Relationship between utterances and "enthusiasm" in nontask-oriented conversational dialogue [w:] Proceedings of the SIGdial Workshop on Discourse and Dialogue, Association for Computational Linguistics, Sydney.
• Tsytsarau M., Palpanas T. (2011), Survey on mining subjective data on the web, "Data Mining and Knowledge Discovery", No. 10.
• Vohra S., Teraiya J. (2013), A comparative study of sentiment analysis techniques, "Journal of Information, Knowledge and Research in Computer Engineering", No. 2.
• Zhai Z., Liu B., Xu H., Jia P. (2011), Clustering product features for opinion mining, ACM International Conference on Web search and data mining, Hong Kong.
• Zhang L., Ghosh R., Dekhil M., Hsu M., Liu B. (2011), Combining Lexicon-based and Learning-based Methods for Twitter Sentiment Analysis, HP Laboratories Report.
• Zhou X., Tao X., Yong J., Yang Z. (2013), Sentiment analysis on tweets for social events [w:] Proceedings of the 2013 IEEE 17th International Conference on Computer Supported Cooperative Work in Design (CSCWD).
• [www 1] 2015 energy companies satisfaction survey, http://switch.which.co.uk/energysuppliers/ energy-companies-rated.html (dostęp: 23.05.2015).
• [www 2] Bullas J. (2014), 22 Social Media Facts and Statistics You Should Know in 2014, http://www.jeffbullas.com/2014/01/17/20-social-media-facts-and-statisticsyou- should-know-in-2014/#2XhSwCgXiGYBXauk.99 (dostęp: 15.04.2015).
• [www 3] Jagustyn S. (2014), Granice niezależności operatorów systemowych, http://regulacjewenergetyce.pl/blog/granice-niezaleznosci/ (dostęp: 24.05.2015).
• [www 4] Telejko K. (2009), Planowanie mediów społecznych, http://socialmediaguide.pl/ index.php/tag/planowanie-mediow/ (dostęp: 15.04.2015).
• [www 5] Urząd Regulacji Energetyki, Informacje dotyczące zmiany sprzedawcy w wybranych miesiącach za okres od XII 2010 r. do III 2015 r., http://www.ure.gov.pl/ download/1/7493/NewsletterTPAmarzec2015.pdf (dostęp: 29.05.2015).
• [www 6] Zhou W. (2013), Real-time sentiment rating of movies on SAP HANA ONE, http://scn.sap.com/community/developer-center/hana/blog/2013/06/19/real-timesentiment- rating-of-movies-on-sap-hana-one (dostęp: 15.04.2015).

Identifiers

ISSN

2083-8611