Kundenfeedback erhält man nicht nur über Umfragen zur Kundenzufriedenheit. So lässt sich auf Twitter zu so ziemlich jedem Produkt eine Vielzahl an Kundenmeinungen finden. Kunden äußern Ihre Meinung gerne – ob positiv oder negativ. Erfolgreiche Unternehmen nutzen daher die Kundenzufriedenheitsanalyse als Kompass für Ihre Produktstrategie. Es ist also für jedes Unternehmen ratsam, Kundenfeedback zu überwachen und aus diesem zu lernen. Um relevant und innovativ zu bleiben ist es unabdingbar, dass ein Unternehmen seine Strategie stetig neu anhand der Bedürfnisse seiner Kunden ausrichtet. Mit soliden Feedback-Daten, ob aus Kundenbewertungen, Support-Tickets oder Social Media, kann man durch eine Sentiment-Analyse untersuchen, welche Produkte gut bei den Kunden ankommen und welche eher nicht. In diesem Beitrag wollen wir deshalb zeigen, welche Möglichkeiten eine Sentiment-Analyse und maschinelles Lernen für die Auswertung von Kundenfeedback bietet.
Wenn auch Sie eine professionelle Kundenzufriedenheitsanalyse durch eine Sentiment-Analyse durchführen wollen, stehen Ihnen unsere Experten gerne für ein persönliches Gespräch zur Verfügung! Gerne unterstützen wir Sie auch bei der Datenauswertung, wenn Sie eine Kundenzufriedenheitsanalyse oder eine Sentiment-Analyse planen!
Dieser Artikel beantwortet folgende Fragen
- Was ist eine Sentiment-Analyse?
- Wofür wird die Sentiment-Analyse eingesetzt?
- Welche Fallstricke gibt es bei einer Kundenzufriedenheitsanalyse durch Tonalitätsanalyse?
Was ist eine Sentiment-Analyse?
Millionen von Menschen äußern im Internet tagtäglich ihre Meinungen über Produkte und Marken, sei es in einer Rezension, in einem Tweet oder in einem Facebook-Post. Unternehmen haben ein starkes Interesse daran, diese „Gespräche“ abzufangen, damit sie mehr über ihre Kunden sowie die Kunden ihrer Wettbewerber erfahren können.
Angesichts der Vielzahl an verfügbaren Daten ist es für Unternehmen allerdings unmöglich, manuell nach Bewertungen und Kommentaren zu suchen und diese zu analysieren. Dank der Sentiment-Analyse kann man diesen Prozess jedoch automatisieren. Durch maschinelles Lernen und Textanalyse können Algorithmen Aussagen als positiv, negativ und neutral klassifizieren.
Die Sentiment-Analyse kann daher für die Kundenzufriedenheitsanalyse genutzt werden, um die Emotionen, Eindrücke und Einstellungen, die ein Unternehmen umgeben zu erfassen. Diese Erkenntnisse kann man anschließend nutzen, um Vertriebs- und Marketingentscheidungen zu treffen. Dieser Prozess ist auch bekannt als Tonalitätsanalyse. Er erlaubt die Auswertung großer Datenmengen, um mehr über Kunden und Wettbewerber zu erfahren.
Wir beraten Sie, welche Verfahren zur Sentiment-Analyse für Ihr Unternehmen optimal sind. Unsere Angebotspalette zum Thema Data Mining umfasst eine große Bandbreite an Leistungen. Nehmen Sie hierzu Kontakt mit uns auf und profitieren Sie von unseren Erfahrungen im Bereich Kundenzufriedenheitsanalyse.
Eine Kundenzufriedenheitsanalyse mit einer Tonalitätsanalyse kann beispielsweise solche Fragen beantworten wie:
- Welche Produkte sind bei den Kunden am beliebtesten?
- Singen die eigenen Kunden unentwegt Loblieder für ein Produkt? Oder sind Sie eher unzufrieden?
- Welche Meinungen haben meine Kunden zu einem aktuellen Trendthema?
Basierend auf diesen Daten kann man also erfahren, was sich Kunden wünschen und erwarten. Die Stimmung der Kunden hat einen direkten Einfluss auf die Positionierung des Unternehmens und die Produktvermarktung.
Wofür wird die Tonalitätsanalyse eingesetzt?
Die Sentiment-Analyse wird in zahlreichen Anwendungsbereichen und für vielfältige Zwecke eingesetzt. Eine Tonalitätsanalyse kann man beispielsweise zur Analyse von Social Media Posts, Tweets und Produktbewertungen verwenden. Hierdurch kann man Meinungen und Reaktionen zu einem Produkt oder Unternehmen verfolgen. Häufig wird aber auch speziell die Zufriedenheit mit der Kundenbetreuung überwacht. Letztendlich kann man durch diese Maßnahmen den Kundenservice und die Kundenzufriedenheit verbessern. Solch eine Kundenzufriedenheitsanalyse ist daher ideal für die Marktforschung und zur Überwachung der Marken- und Produktreputation.
Im Reputationsmanagement ermöglicht die Tonalitätsanalyse dem Unternehmen, die Einstellung der Kunden zur gesamten Produktpalette zu überwachen. Somit kann ein Unternehmen Verbesserungen an Produkten vornehmen, die perfekt auf die Kundenanforderungen abgestimmt sind. Genauso lassen sich aber auch einzelne Aspekte einer Dienstleistung oder eines Produktes auswerten. So entsteht ein differenziertes Meinungsbild.
Diese Methoden werden nicht nur zu Analysezwecken, sondern auch für Vorhersagen eingesetzt. Studien deuten beispielsweise darauf hin, dass positive Stimmungen einen Aufwärtseffekt auf Aktienkurse haben können.
So funktioniert die Sentiment-Analyse
Angenommen, ein Restaurant möchte seine Online-Bewertungen mit einer Kundenzufriedenheitsanalyse auswerten. Die Sentiment-Analyse kann solche Bewertungen schnell als „positiv“, „negativ“ oder „neutral“ einstufen. So wird beispielsweise „Das Essen war köstlich“ als stark positiv eingestuft. „Der Service ist mies“ wird dagegen als stark negative Bewertung identifiziert. Dank eines „Sentiment Wortschatz“ (auch „Sentiment Library“ oder „Bags of Words“) kann eine Sentiment-Analyse Substantive, Verben, Adjektive und Adverbien in diesen Texten leicht identifizieren. Der Algorithmus kann dadurch erkennen, dass „köstlich“ ein Indikator für eine positive Bewertung ist, während „mies“ eine negative Bewertung andeutet. Diese Methode nennt man auch wörterbuchbasiertes Verfahren.
Die Sentiment-Analyse vergibt in der Regel einen Score für jeden Textes. Das Spektrum dieser Punktzahl liegt dabei meistens zwischen +1 (sehr positiv) und -1 (sehr negativ). Auf diese Weise kann ein Algorithmus zwischen einer begeisterten Bewertung und einem eher milden, aber noch positiven Bewertung unterscheiden.
Herausforderungen bei einer Sentiment-Analyse
Im letzten Abschnitt haben wir die Bewertung von relativ eindeutigem Feedback besprochen. Eine Bewertung wie „Produkt X ist großartig“ ist über wörterbuchbasierte Verfahren leicht als stark positiv zu bewerten. Wenn alle Bewertungen so eindeutig wären, wäre es ganz einfach, einen Algorithmus für diese Aufgabe einzusetzen. Die meisten Rezensionen sind jedoch subtiler und differenzierter. Ein Kunde kann zum Beispiel schreiben: „Das Essen war gut, aber die Musik war zu laut.“ Ein anderer könnte das Restaurant „nicht schlecht“ nennen.
In vielen Fällen ist auch der Kontext entscheidend für die Bewertung von Wörtern. „Wir mussten 45 Minuten warten, um einen Tisch zu bekommen. Ganz toll!“ Für einen Menschen ist klar, dass „toll“ hier sarkastisch gemeint ist. Woher wissen wir das? Wegen des Kontextes. Wir haben den vorherigen Satz gelesen, in dem von einer langen Wartezeit die Rede ist. Daher verstehen wir, dass der Kommentar überhaupt nicht positiv ist. Eine präzise Sentiment-Analyse muss also in der Lage sein, Sarkasmus aus dem Gesamtkontext zu erkennen. Andernfalls kommt es zu einem ungenauen Stimmungsbild.
Kontext in Kundenfeedback berücksichtigen durch maschinelles Lernen
Wer eine besonders präzise Tonalitätsanalyse benötigt, sollte daher auf maschinelles Lernen (Machine Learning) zurückgreifen. Solche Verfahren sind deutlich genauer als Wörterbuch-Verfahren. Allerdings muss der Algorithmus beim maschinellen Lernen erst durch Beispieldaten von Menschen trainiert werden. In solch einem Trainingsdatensatz gibt es bereits von Menschen vorgenommen Bewertungen der Stimmungsbilder. Ein großer Vorteil vom maschinellen Lernen besteht darin, dass dem Algorithmus die Bedeutung von Kontext „angelernt“ werden kann. Es werden also nicht bloß einzelne Wörter bewertet, sondern Textstücke werden als Ganzes bewertet. Somit kann einem Algorithmus auch ein rudimentäres Grundverständnis von Ironie antrainiert werden.
Erfahrungsgemäß sind Sentiment-Analyse meistens sehr stark themenbezogen. Das bedeutet auch, dass das Training der Maschine thematisch jedes Mal neu angepasst werden. Selbstverständlich ist die Erstellung eines themenbezogenen Trainingsdatensatzes deutlich kostenintensiver als die Verwendung relativ simpler Wörterbuch-Verfahren. Belohnt wird dieser Einsatz durch deutlich präzisere und belastbarer Ergebnisse. Letztendlich gilt es hier eine wohlüberlegte Abwägung der Kosten und Nutzen vorzunehmen. Unsere Experten beraten Sie gerne, welche Verfahren für Ihren speziellen Anwendungsfall am sinnvollsten sind.
Fazit: Sentiment-Analyse zur Kundenzufriedenheitsanalyse
In diesem Artikel haben wir die Sentiment-Analyse als Verfahren für die Kundenzufriedenheitsanalyse vorgestellt. Richtig eingesetzt bietet die Sentiment-Analyse ein mächtiges Werkzeug, um Unternehmen erfolgreiche Kundeninteraktionen zu ermöglichen. Eine Tonalitätsanalyse kann mit generischen Wörterbüchern arbeiten und so eine schnelle Auswertung und Überwachung von Stimmungsbildern ermöglichen. Insbesondere für kritische Geschäftsentscheidungen (beispielsweise über spezielle Produktmerkmale) sollte man aber auf personalisierte Lösungen zurückgreifen. Das höchste Maß an Präzision kann letztendlich nur themenbezogene Algorithmen erreicht werden. Diese speziellen Modelle aus dem Bereich des maschinellen Lernens müssen jedoch erst mit viel Fachkenntnis trainiert werden.
Wir beraten Sie gerne zu allen Themen rund um die Sentiment-Analyse und zum Thema maschinelles Lernen. Kontaktieren Sie uns für ein unverbindliches Beratungsgespräch!