文本，情绪和社会分析可以帮助您在尺寸达到客户，患者，公共和市场的声音。该技术目前正在应用于一系列从医疗保健到金融，媒体和消费市场的行业。他们从网上，社交和企业数据来源蒸馏出业务洞察力。
它是有用的东西，从文本，音频，图像和连接中提取的洞察力。
目前，分析状态非常擅长，尽管在某些领域的摄取 - 数字分析和市场研究 - 例如 - 落后。但即使在客户体验，社会听力和参与等强有力的领域，也有增长的空间。这对于技术创新以及更多相同的摄取是如此。这种仍然增长的市场空间意味着新进入者和建立的球员的机会。
我们可以孤立地检查每个分析区域，但要更好地查看组合的影响，因为技术和应用重叠。忽视情绪的社会分析是不完整的，并且在线，社会和调查情绪，您真的需要文本分析。
本文，前瞻性技术和市场评估，调查了今年的高点，以2016年为期10个文本，情绪和社会分析趋势。
多语言是规则
虽然只有英语分析措施仍然存在，但这当然最好做一个语言，真正涵盖许多差，机器学习（ML）和机器翻译有助于跨越多语言分析，使其成为新的常态。但是，如果您确实需要跨语言工作，请执行一些挖掘：许多提供商在核心语言中强大，但在其他人中很弱。谨慎选择。
加入VB Insight for“如何在世界各地拼写成功”如何
通过本地化增加销售，忠诚度和参与现在从
任何地方（有互联网）。
文本分析获得认可
文本分析能力是客户体验，市场研究和消费者见解的关键解决方案，以及数字分析和媒体测量 - 提供商越来越多地竞争其分析的优点。构建或订阅：两者都是可行的选项。虽然您可以调用此趋势点量化定性，但最重要的是文本分析被烘焙到业务解决方案中。
机器学习，统计和语言工程共存。
明天属于深度学习 - 到经常性的神经网络等 - 但对于今天而言，仍然是历史悠久的语言工程方法。我指的是分类，解释器，词汇和语义网络，以及语法规则系统。所以我们有一个“一千朵花朵盛开，一百所思想争夺......”的市场，这些方法可以共存。点的案例：即使是人群采购的标准持票人众人拥有机器学习，而且启动IDIBON是一个结合传统和新的卖点：“您可以通过机器学习，规则和现有词典/本体构建自定义分类和调整它们。”
图像分析进入主流。
前沿提供商已经在社交媒体中应用了图像分析技术来解码品牌信号 - 通过深入学习来检查Pulsar和Crimson Hexagon - 和图像分析能力，是IBM 2015年alchemyapi收购中的一个主要卖点。实际上，从NLP到2015年的热门ML启动Metamind枢转，重点是图像分析，因为它认识到机会的程度。
讲话分析的突破，视频来了。
市场热爱谈论全渠道分析以及涉及多个接触点的客户旅程。当然，社会和在线媒体在视频中被唤醒。口语和非文本语音元素，包括语调，快速，卷和重复 - 携带含义，可通过语音分析和语音转录访问。在2016年，超越联络中心，由营销人员，出版商和研究和洞察力专业人士来寻找突破采用。期望语音分析还可以作为高精度会话接口的推动因素。
扩展的情绪分析。
广告商长时间了解情绪推动消费者决策，但直到最近，广泛的，系统的反应的系统研究已经超出了我们的范围。根据您的角度，进入情感分析，要么是情感分析子类别或姐妹类别。通过面部表达分析（或语音或文本）从图像和视频中提取情感状态，目的是量化我们对我们所看到，听到和阅读的信息的情绪反应。提供商包括用于视频的情感，情感和REALEELS，超出语音言语，以及文本的Kanjoya;这个快速扩展的市场中的采用者包括广告商，媒体，营销人员和机构。
ISO Emoji分析。
鉴于我们有文本，图像，语音，视频，以及喜欢 - 为什么使用表情符号？因为它们是紧凑，易于使用，表现力和乐趣！像#HashTags一样，它们补充并添加了更长的更长的内容。这就是为什么互联网俚语死了（rofl！）和Facebook正在尝试表情符号反应，而且 - 更多的好事 - 看到像线贴纸这样的变体。现在需要的是表情符号分析。该区域的技术通过初始启动，例如emogi。（签出Emogi的2015年Emoji报告）。虽然大多数其他人不超越计数和分类，以获得Emoji语义 - Instagram工程师托马斯迪森和斯洛文研究组织Clarin.Si所做的分析 - 其中一些，例如SwiftKey，值得一看。
从网络加上内容的更深入的见解
这既是2016年趋势点和我在2015年推测市场研究公司TNS的数据科学家的2015年对Preriit Souda采访。 Preriit观察，“网络在内容挖掘给出含义时为谈话提供结构。”Insight来自了解消息和连接以及如何激活连接。因此，将图形数据库和网络可视化工具添加到您的工具包中 - 有很好的原因neo4j，js和gephi（命名几个开源选项）表现不错。在数据分析平台上构建QLikView等另一个选项，可以与文本和数字分析一起应用：2016年的待办事项项目。
在2016年，您将阅读（并与更多的机器书面内容读取（与互动）。
机器书写内容技术称为自然语言生成（NLG），并提供撰写文章的能力 - 以及电子邮件，短信，摘要和翻译 - 从文本，数据，规则和上下文进行算法。NLG是高批量，重复内容的自然：金融，体育和天气报告。退房提供商Arria，叙事科学，自动洞察力，Data2Content和Yseop。您也可以查看机器与您最喜欢的虚拟助手的对话结束 - 使用Siri，谷歌，Cortana或Amazon Alexa - 或使用自动化的客户服务或其他编程响应系统。这些后一种系统属于自然语言互动（NLI）类别;人造解决方案值得一看。
机器翻译成熟。
人们长期以来希望一家明星跋涉风格的通用翻译，但是，虽然20世纪50年代的研究人员据称机器翻译是一个问题，即在三到五年内解决，准确，可靠的MT已经证明难以捉摸。（AI和HCI交叉处的ACM队列文章自然语言翻译很好地讨论了人机联盟的机器翻译状态。）我不会说结束是在视线中，但由于大数据和机器学习，2016年（或2017年）应该是主要语言MT最终足以满足大多数任务的年份。这是一个成就！
这些趋势中的每一个都会影响您，无论是直接 - 如果您是文本，情绪或社会分析研究员，解决方案提供商或用户 - 或间接，因为人类数据的分析现在被编织成我们依赖的技术面料每天。常见的线程是更多的数据，使用更有效地使用，以创建更改生命的机器智能。
Seth Grimes是一家位于华盛顿特区的Alta Plana Corporation的分析战略顾问。他正在建立文本分析峰会（2005-13），情绪分析研讨会，以及布鲁塞尔的LT-Accelery会议。
