Sentiment Analysis

Was bedeutet Sentiment Analysis?

Die Sentiment Analysis ist der Prozess zur Ermittlung der Meinung, des Urteils oder der Emotion, die hinter einer Aussage steht. Sie bietet eine effektive Möglichkeit, geschriebene oder gesprochene Sprache zu bewerten, um festzustellen, in welchem Ausmaß der Ausdruck positiv, negativ oder neutral ist.  Sie ermöglicht konkrete Rückschlüsse darauf, wie ein Kunde seine Erfahrung empfunden hat. Gibt ein Kunde eine Online-Bewertung bzw. einen Kommentar zu einer Marke oder einem Produkt ab, besteht die Möglichkeit, die Antworten einer Stimmungsanalyse zu unterziehen.

Die Sentiment Analysis ist Teil des umfassenderen Begriffs Text Mining, auch bekannt als Textanalyse. Diese Art der Analyse extrahiert die Bedeutung verschiedener Textquellen wie Umfragen, Bewertungen, öffentlichen sozialen Medien und sogar Artikeln im Internet. Je nach Stimmung des Textes erfolgt eine Bewertung. Zum Beispiel -1 für negative Stimmung und +1 für positive Stimmung. Dies geschieht mithilfe der natürlichen Sprachverarbeitung bzw. des Natural Language Processing (NLP).

Ermitteln Sie automatisch Trends, Probleme und Chancen mit TextiQ

Wofür ist eine Sentiment Analysis wichtig?

Die Sentiment Analysis ist insbesondere dann sinnvoll, wenn eine große Menge an textbasierten Informationen zur Verfügung steht, die es zu verallgemeinern gilt. Mithilfe von Sentiment-Analyse-Tools lässt sich schnell und unkompliziert ein umfassendes Gesamturteil bilden. Sentiment Scores helfen Unternehmen zu verstehen, welche Art von Emotionen ihre Marke in einer Gruppe von Menschen hervorruft – z. B. Freude, Traurigkeit, Wut oder schlichtweg Unvoreingenommenheit.

Die Sentiment Analysis ist von entscheidender Bedeutung, da sie Aufschluss über die Markenwahrnehmung gibt. Kundenfeedback – sei es über soziale Medien, die Website, Gespräche mit Servicemitarbeitern oder andere Quellen – ist eine Fundgrube für nützliche Geschäftsinformationen. Es reicht dabei jedoch nicht aus, nur zu wissen, worüber die Kunden sprechen. Die Analyse von Gefühlen bietet die Möglichkeit, die Customer Experience besser zu verstehen und etwaige Optimierungspotenziale auszumachen.

Die manchmal auch als “Meinungsforschung” bezeichnete Sentiment Analysis kann zudem Aufschluss darüber geben, ob sich die öffentliche Meinung zu einem bestimmten Aspekt des Unternehmens mit der Zeit geändert hat. Spitzen oder Täler in den Stimmungswerten liefern einen Anhaltspunkt, um Produktverbesserungen vorzunehmen, Vertriebsmitarbeiter oder Kundenbetreuer zu schulen oder neue Marketingkampagnen zu entwickeln.

Anwendungsfälle für die Sentiment Analysis

Wir leben in einer Welt, in der dank des Internets, zahlreicher Nachrichtenartikel, der sozialen Medien und der modernen, digitalen Kommunikation in jeder Sekunde riesige Mengen an schriftlichen Informationen produziert und veröffentlicht werden. Die Sentiment Analysis kann Unternehmen dabei helfen, die Wahrnehmung ihrer Marke, Dienstleistungen oder Produkte sowohl in Schlüsselmomenten als auch über einen längeren Zeitraum hinweg zu beobachten und zu bewerten.

Sie kommt insbesondere in der Marktforschung, der PR, der Marketinganalyse, dem Reputationsmanagement, der Aktienanalyse sowie dem Finanzhandel, der Kundenerfahrung und dem Produktdesign zum Einsatz.

In folgenden Szenarien kann die Stimmungsanalyse Zeit sparen und einen Mehrwert schaffen:

• Monitoring sozialer Medien – bei der täglichen Überwachung verschiedener Kanäle oder im direkten Zusammenhang mit einem bestimmten Ereignis wie einer Produkteinführung
• Analyse von Umfrageantworten für ein groß angelegtes Forschungsprogramm
• Verarbeitung von Mitarbeiterfeedback in einer großen Organisation
• Identifizierung sehr unzufriedener Kunden für optimales Closed Loop Marketing
• Erkennen, wo sich Stimmungstrends in bestimmten Gruppen oder Regionen bündeln

Arten der Sentiment Analysis

Nicht jede Sentimentanalyse wird auf dieselbe Art und Weise durchgeführt. Es gibt verschiedene Vorgehensweisen und eine Reihe unterschiedlicher Algorithmen und Verfahren, die je nach Anwendungskontext und gewünschten Ergebnis zum Einsatz kommen.

Zu den grundlegenden Arten der Sentiment Analysis zählen:

• Erkennen von Stimmungen: Der Text wird analysiert und meinungsbetonte Daten („Das gefällt mir!“) von objektiven Daten („Das Restaurant befindet sich in der Innenstadt“) getrennt.
• Kategorisierung von Gefühlen: Hier geht es darum zu erkennen, ob die Stimmung positiv, negativ oder neutral ist. Sentiment-Analyse-Tools können diesen Kategorien auch eine Gewichtung geben, wie sehr positiv, positiv, neutral, etwas negativ, negativ.
• Analyse auf Klausel-Ebene: Manchmal enthält ein Text gemischte oder ambivalente Meinungen, z. B. “Das Personal war sehr freundlich, aber wir haben zu lange gewartet, bis wir bedient wurden”. Die Möglichkeit, Feedback auf Klausel-Ebene zu bewerten, zeigt an, wenn an einer Stelle sowohl gute als auch schlechte Meinungen geäußert werden, und kann nützlich sein, wenn sich die positiven und negativen Meinungen in einem Text gegenseitig aufheben und ein irreführendes “neutrales” Ergebnis liefern.

Darüber hinaus lässt sich auswählen, wie die Ergebnisse der Sentiment Analysis angezeigt werden sollen:

• Dokumentenebene: nützlich für professionelle Rezensionen oder Presseberichte
• Satzebene: für kurze Kommentare und Bewertungen
• Nebensatz-Ebene: um die Bedeutung von Phrasen oder kurzen Klauseln innerhalb eines Satzes herauszufiltern

Vor- und Nachteile der Sentiment Analysis

Die Sentiment Analysis ist ein leistungsstarkes Instrument, das eine Reihe von Vorteilen bietet, aber wie jede Forschungsmethode auch einige Einschränkungen aufweist.

Vorteile der Sentimentanalyse:

• genaue, unverfälschte Ergebnisse
• tiefere Einblicke
• mehr Zeit und Energie für die Mitarbeiter, die sich übergeordneten Aufgaben widmen können
• konsistente Messgrößen, mit denen sich die Stimmung im Laufe der Zeit verfolgen lässt

Nachteile der Sentiment Analysis:

• Sie ist am besten für große und umfangreiche Datensätze. Um einen wirklichen Nutzen aus den Instrumenten der Stimmungsanalyse ziehen zu können, sind regelmäßig große Mengen an Textdaten zu analysieren.
• Die Sentiment Analysis befindet sich noch in der Entwicklung und die Ergebnisse sind nicht immer absolut fehlerfrei. Es ist sinnvoll, sie gelegentlich auf Sinnhaftigkeit zu prüfen und gegebenenfalls manuell zu korrigieren.

Wie funktioniert die Sentiment Analysis?

Bei der Sentimentanalyse kommen die Verarbeitung natürlicher Sprache (NLP), maschinelles Lernen und Statistiken zum Einsatz. So lässt sich herauszufinden, wie Menschen auf einer Makroebene denken und fühlen. Tools zur Stimmungsanalyse nehmen schriftliche Inhalte auf und verarbeiten sie, um die Positivität oder Negativität des Ausdrucks zu ermitteln. Dies geschieht auf verschiedenen Wegen:

Regelbasierte Sentiment Analysis

Bei dieser Methode findet ein Lexikon oder eine Wortliste Anwendung, in der jedem Wort ein Stimmungswert zugeordnet wird, z. B.

“toll” = 0,9, “schlecht” = -0,7, “okay” = 0,1

Anhand dieser Gewichtungen lassen sich die Sätze auf ihre allgemeine Positivität oder Negativität hin bewerten. Regelbasierte Systeme erfordern normalerweise eine zusätzliche Feinabstimmung, um Sarkasmus, Redewendungen und andere verbale Anomalien zu berücksichtigen.

Auf maschinellem Lernen basierende Sentiment Analysis

Ein Computermodell erhält einen Übungsdatensatz an natürlichem Sprachfeedback, das manuell mit Stimmungsetiketten versehen wurde. Es lernt, welche Wörter und Phrasen eine positive oder negative Stimmung aufweisen. Einmal trainiert, lässt es sich auf neue Datensätze anwenden.

In einigen Fällen lassen sich die besten Ergebnisse durch eine Kombination der beiden Methoden erzielen.

Herausforderungen der Sentiment Analysis

Die Entwicklung von Instrumenten zur Sentimentanalyse ist technisch gesehen eine beeindruckende Leistung, denn die menschliche Sprache ist grammatikalisch kompliziert, kontextabhängig und variiert stark von Person zu Person. Während eine Person sagt: “Ich fand ihn toll”, könnte eine zweite Person eine andere Formulierung für die gleiche Aussage wählen, etwa: “Ich habe noch nie einen besseren Film gesehen” oder “Er lässt seine Konkurrenten im Stich”. Die Herausforderung für ein KI-Tool besteht darin, zu erkennen, dass all diese Sätze dasselbe bedeuten. Des Weiteren bietet Sprache jede Menge Spielraum für individuelle Interpretationen. Was für den einen positiv klingt, kann sich für einen anderen negativ oder aber neutral anhören. Bei der Entwicklung von Algorithmen für die Stimmungsanalyse müssen Datenwissenschaftler viele Eventualitäten miteinbeziehen, um zuverlässige Werkzeuge zu entwickeln.

Richtige Einstufung der Stimmung

Die Klassifizierung von Gefühlen erfordert Werkzeuge, die nicht nur erkennen können, wann ein Datenausschnitt positiv oder negativ ist. Sie müssen zudem in der Lage sein, das Gefühl zu extrapolieren, selbst wenn sowohl positive als auch negative Wörter enthalten sind. Darüber hinaus ist es entscheidend, den Kontext und mögliche Komplikationen wie Sarkasmus oder Ironie zu verstehen. Viele Tools zur Sentiment Analysis verwenden jedoch eine einfache Sichtweise der Polarität (positiv/neutral/negativ), was bedeutet, dass ein Großteil der Bedeutung hinter den Daten verloren geht.

Hier ein Beispiel:

“Ich habe die Einrichtung gehasst, aber das Produkt war einfach zu bedienen, so dass ich denke, dass sich der Kauf gelohnt hat.”

Ein weniger ausgefeiltes Stimmungsanalyse-Tool könnte die hier ausgedrückte Stimmung als “neutral” einstufen, da sich die positiven – “das Produkt war einfach zu bedienen, so dass sich der Kauf letztendlich gelohnt hat” – und die negativ gekennzeichneten Stimmungen – “ich fand die Einrichtung nicht gut” – gegenseitig aufheben.

Ganz so einfach ist die korrekte Einstufung in diesem Fall jedoch nicht. Der letzte Teil –”Letztendlich denke ich, dass sich mein Kauf gelohnt hat” – lässt uns als Menschen darauf schließen, dass dieser Kunde die Erfahrung im Allgemeinen als positiv empfunden hat. Hier ist eine Skala von positiv bis negativ erforderlich, auf der ein Stimmungsanalyse-Tool die Bewertung präzise einordnen kann.

Verstehen Sie Ihre Kunden besser mit der Echtzeit-Sentiment-Analyse

Den Kontext verstehen

Damit ein Sentiment-Analysis-Modell so korrekt wie möglich ist, ist der Kontext entscheidend. Es ist wichtig, dass ein Tool nicht nur eindeutige Begriffe wie “glücklich” und “nicht glücklich” richtig zuordnen kann, sondern auch, dass bestimmte Wörter kontextabhängig zu bewerten sind. Als Menschen verstehen wir, dass Kunden sich freuen, wenn sie erwähnen, wie “dünn” ihr neuer Laptop ist, aber dass sie sich beschweren, wenn sie über die “dünnen” Wände in ihrem Hotel sprechen. Ein Tool, das “dünn” unter allen Umständen als negatives Sentiment kennzeichnet, verliert in einem solchen Fall natürlich an Genauigkeit. Der Kontext ist hier entscheidend. An dieser Stelle kommen Algorithmen zur Verarbeitung natürlicher Sprache (NLP) für die Sentiment Analysis ins Spiel. Die NLP ahmt das menschliche Sprachverständnis nach, d. h. das Sentiment-Analyse-Tool kann die Bewertung leichter dem passenden Kontext zuordnen. Mithilfe von Deep Learning lassen sich die Algorithmen zur Stimmungsanalyse im Laufe der Zeit trainieren, um Aussagen im Kontext zu verstehen und diese Erkenntnisse auf zukünftige Daten anzuwenden.

3 Möglichkeiten zur Sentiment Analysis

Die Ansprüche und Erwartungen der Kunden an eine Marke sind in den vergangenen Jahrzehnten immer mehr gestiegen. Während ein einziges enttäuschendes Kundenerlebnis schnell zu einer negativen Bewertung führen kann, ist es deutlich schwerer, Kunden zur Abgabe einer positiven Rezension zu bewegen. Je mehr sich ein Verbraucher mit einer Marke verbunden fühlt, desto wahrscheinlicher ist es, dass er seine Emotionen in schriftlicher Form mitteilt (durch Umfragen, Bewertungen, soziale Medien usw.). Umso wichtiger ist es, sowohl negative als auch positive Bewertungen zu erfassen, zu analysieren und Rückschlüsse auf mögliche Optimierungspotenziale zu ziehen. Sehen wir uns zunächst an, wie sich direktere Interaktionen mit Marken analysieren lassen.

1. Textanalyse für Umfragen

Umfragen sind eine großartige Möglichkeit, direkt mit den Kunden in Kontakt zu treten und konstruktives Feedback einzuholen. Das Feedback in Umfrageantworten lässt sich optimal für Stimmungsbewertungen analysieren. Zunächst gilt es, sich Fragen zu überlegen, die qualitative Kennzahlen zur Kundenerfahrung liefern, z. B.:

• Wie war Ihr letztes Erlebnis?
• Wie viel besser (oder schlechter) war Ihr Erlebnis im Vergleich zu Ihren Erwartungen?
• Was würden Sie an Ihrem Erlebnis ändern?

Es ist hierbei essenziell, ehrliche Textantworten der Kunden zu erhalten, um die darin enthaltenen Stimmungen realistisch analysieren zu können. Ein weiterer Tipp: Geschlossene Fragen, die sich nur mit “Ja” oder “Nein” beantworten lassen, sind zu vermeiden. Diese Art von Fragen ist für die Analyse nicht sehr hilfreich. Anschließend ist ein Textanalysetool zu verwenden, um die Nuancen der Antworten aufzuschlüsseln. TextiQ ist beispielsweise ein Tool, das nicht nur Stimmungsbewertungen liefert, sondern auch Schlüsselthemen aus den Antworten extrahiert. Anhand der Ergebnisse ist es möglich, auf unmittelbare Anliegen oder Negativerlebnisse der Kunden einzugehen und Lösungen zu suchen.

2. Textanalyse für Kundenrezensionen

Eine weitere gute Möglichkeit, die Stimmung zu erfassen, sind Kundenrezensionen. Diese Methode ist im Vergleich zu Umfragen ein wenig indirekter. Bewertungsportale sind häufig die erste Anlaufstelle für Kunden, die nach ehrlichem Feedback zu Produkten und Dienstleistungen suchen. Dieses Feedback lässt sich ebenfalls auf emotionale Reaktionen hin analysieren. Um das Kundenerlebnis zu verbessern, lassen sich die Stimmungswerte aus den Kundenrezensionen – positiv, negativ und neutral – heranziehen. Auf diese Weise ist es leicht, Lücken und Schmerzpunkte zu identifizieren, die in den Umfragen möglicherweise nicht angesprochen wurden. Wichtig zu beachten: Negatives Feedback kann ebenso (wenn nicht sogar mehr) nützlich für ein Unternehmen sein wie positives.

3. Textanalyse für soziale Medien

Eine der indirektesten Möglichkeiten zur Erfassung von Textdaten ist das Social Media Mining mithilfe von Social-Media-Management-Software mit Überwachungsfunktionen. Monitoring-Tools durchsuchen im Wesentlichen öffentliche soziale Medien wie Twitter und Facebook nach Markenerwähnungen und weisen ihnen entsprechende Stimmungswerte zu. Der entscheidende Vorteil: Nutzer sozialer Medien neigen dazu, ungehemmtes Feedback abzugeben. Ein Nachteil der Textanalyse für soziale Medien ist die oft gegebene Zeichenbeschränkung.

Sentiment Analysis durchführen mit Qualtrics

Bei der Auswahl von Sentiment-Analyse-Tools spielt der gewünschte Einsatzort eine wesentliche Rolle. Es gibt eine Reihe von Optionen, von Open-Source-Lösungen bis hin zu integrierten Funktionen in Social Listening Tools. Einige von ihnen sind intuitiv nutzbar, jedoch in ihrem Umfang begrenzt. Andere wiederum sind leistungsfähiger, erfordern aber ein hohes Maß an Benutzerwissen.

Text iQ ist ein Tool zur Verarbeitung natürlicher Sprache innerhalb der Experience Management Platform™, mit dem sich Stimmungsanalysen einfach im Browser durchführen lassen. Es ist vollständig integriert, d. h. die Ergebnisse der Stimmungsanalyse lassen sich im Kontext anderer Daten und Metriken anzeigen und analysieren, einschließlich derer von Drittplattformen. Wie alle Qualtrics-Tools ist es intuitiv und übersichtlich konzipiert und auch für Personen ohne spezielle Kenntnisse oder Erfahrungen zugänglich.