Leveraging Trustpilot Reviews Using AI and Qualitative Analysis for Strategic Insights
Author
Larsen, Rene Gulager
Term
1. term
Education
Publication year
2025
Submitted on
2025-01-05
Pages
26
Abstract
Denne afhandling undersøger, hvordan JYSK kan omsætte store mængder ustrukturerede Trustpilot‑anmeldelser til strategiske og operationelle indsigter. Den centrale problemstilling er, hvordan AI‑understøttet tekstanalyse kombineret med kvalitativ fortolkning kan systematisere kundefeedback til beslutningsstøtte, samtidig med at etiske og juridiske hensyn respekteres. Projektet adresserer JYSKs nuværende udfordringer med volumen, ustruktureret indhold og datasiloer og beskriver en metode, der omfatter scraping (da data ikke kan downloades direkte), datarensning, NLP‑baseret opsummering, vektorisering og klyngealgoritmer (K‑means, DBSCAN) for at gruppere anmeldelser i temaer som fx leveringsproblemer og kundetilfredshed. Interaktive visualiseringer, herunder klyngekort og sentiment‑overlays, gør indsigter tilgængelige for interessenter på tværs af kundeservice, marketing og drift, mens kvalitativ analyse sikrer meningsfulde tolkninger. Foreløbige fund peger på, at kombinationen af AI‑drevet klyngeanalyse og kvalitativ metode er gennemførlig og hjælper med at prioritere forbedringsområder; projektet integrerer samtidig hensyn til GDPR og overholdelse af Trustpilots vilkår. Et proof‑of‑concept skitserer en skalerbar proces til at indarbejde kundestemmen i beslutninger, med potentielle anvendelser i serviceforbedringer, produktudvikling og benchmarking. Arbejdet anerkender risici som bias, datakvalitet, kontekstab og behov for menneskelig kvalitetssikring.
This thesis examines how JYSK can convert large volumes of unstructured Trustpilot reviews into strategic and operational insights. The core question is how AI‑supported text analytics, combined with qualitative interpretation, can systematize customer feedback for decision making while respecting ethical and legal constraints. Addressing current challenges of volume, unstructured content, and data silos, the project outlines a method that includes web scraping (as data are not directly downloadable), data cleaning, NLP‑based summarization, vectorization, and clustering algorithms (K‑means, DBSCAN) to group reviews into themes such as delivery issues and customer satisfaction. Interactive visualizations, including cluster maps and sentiment overlays, make insights accessible to stakeholders in customer service, marketing, and operations, while qualitative analysis grounds the interpretations. Early findings indicate that combining AI‑driven clustering with qualitative methods is feasible and useful for prioritizing areas for improvement; the work integrates GDPR and Trustpilot terms‑of‑service considerations. The proof‑of‑concept points to a scalable process for incorporating the customer voice into decisions, with potential uses in service improvement, product development, and competitive benchmarking. The thesis acknowledges risks such as bias, data quality, loss of context, and the need for human quality control.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents