Textanalyse – Der ultimative Leitfaden

Im Freitext lässt sich mitteilen, was ihnen wichtig ist und warum, und zwar unabhängig von den vorab gestellten Fragen. Es ist jedoch zeitaufwendig, mühsam und zum Teil schwierig, die zahlreichen Textantworten einer Umfrage verwertbar zu machen. Um offenes Text-Feedback in großem Umfang effektiv zu verstehen, empfiehlt es sich, ein Textanalyse-Tool zu verwenden. So lassen sich die wichtigsten Themen des Feedbacks ermitteln.

Lesen Sie hier alles über die Grundlagen der Textanalyse, wann sie zur Anwendung kommt und wie Textanalysesoftware funktioniert. Damit heben Sie Ihre Kunden-, Mitarbeiter-, Marken- und Produkterlebnisse auf eine neue Ebene.

Was ist Textanalyse?

Textanalyse bezeichnet den Prozess, bei dem Informationen automatisch aus Textdaten extrahiert und klassifiziert werden. Im Bereich des Experience Managements von Organisationen kann Text verschiedene Formen annehmen, z. B.:

• Umfrageantworten
• E-Mails
• Support-Tickets
• Call-Center-Notizen
• Produktbewertungen
• Social-Media-Beiträge
• Feedback in freiem Text und nicht im Multiple-Choice-Format

Die Textanalyse ermöglicht es Unternehmen, Erkenntnisse aus diesen unstrukturierten Datenformaten zu gewinnen. Dabei beantwortet sie zwei zentrale Fragen:

1. Wie schneiden Unternehmen bei ihnen bekannten Themen ab, z. B. Wartezeiten und Kosten?
2. Gibt es etwas, was ihnen noch nicht bewusst war, z. B. ein Fehler in der Software oder Mängel am Produkt?

Techniken der Textanalyse

Die beiden am häufigsten verwendeten Techniken der Textanalyse sind:

• Stimmungsanalyse: Diese Technik hilft bei der Identifizierung der zugrunde liegenden Stimmung (z. B. positiv, neutral und/oder negativ) von Textantworten.
• Themenerkennung/-kategorisierung: Diese Technik gruppiert ähnliche Themen, die für das Unternehmen und die Branche relevant sein können (z. B. “Lebensmittelqualität”, “Effizienz des Personals” oder “Produktverfügbarkeit”).

Beide Techniken lassen sich oft gleichzeitig anwenden. So erfahren Unternehmen nicht nur, über welche Themen die Menschen sprechen, sondern auch, ob sie sich positiv oder negativ darüber äußern. Es handelt sich hierbei um weit gefasste Techniken, die alle weiteren Möglichkeiten zur Ermittlung von Emotionen, Absichten usw. umfassen.

Textanalyse vs. Text Mining – Wo liegen die Unterschiede?

Die Begriffe Text Mining und Textanalyse werden oft verwechselt und sogar synonym verwendet. Die Unterschiede lassen sich eher in ihrer Anwendung, denn per Definition erklären.

• Text Mining ist ein technisches Konzept, das statistische Verfahren einsetzt, um quantifizierbare Daten aus unstrukturierten Texten zu gewinnen. Diese lassen sich dann für weitere Anwendungen nutzen, z. B. für MIS-Berichte, die Einhaltung von Vorschriften, die Aufdeckung von Betrugsfällen oder die Überprüfung von Bewerbungen.
• Die Textanalyse hingegen ist ein sehr geschäftsorientiertes Konzept, bei dem ähnliche Techniken wie beim Text Mining zum Einsatz kommen. Diese werden jedoch erweitert, um Muster, Erkenntnisse, Stimmungen und Trends für Customer oder Employee Experience Programme zu ermitteln. Die Textanalyse konzentriert sich auf die Gewinnung von Erkenntnissen für Maßnahmen in spezialisierten Bereichen. Es empfiehlt sich daher, für Kundenmeinungen oder Mitarbeiterdaten spezialisierte Textanalyseplattformen zu verwenden, statt allgemeine Text Mining Tools.

Wie wichtig ist Textanalyse für Unternehmen?

Die Textanalyse ist für viele Unternehmen zu einem wichtigen Bestandteil ihrer Experience-Management-Programme geworden. Diese suchen permanent nach Möglichkeiten, die Erfahrungen ihrer Kunden, Produkte, Marken und Mitarbeiter zu verbessern.

Vor der Textanalyse waren die meisten Unternehmen auf quantitative Umfragedaten angewiesen, um Bereiche zu finden, die sie verbessern können. Quantitative Daten sind zwar für jedes Programm unverzichtbar, allerdings nur auf eine bestimmte Anzahl von Antworten beschränkt. Dadurch schränkt sich auch die Analyse ein und wertvolle Erkenntnisse lassen sich nicht erfassen. So ist es z. B. in einer Kundenumfrage nahezu unmöglich, alle Gründe für die Zufriedenheit oder Unzufriedenheit aufzulisten. Das Einbeziehen von offenem Textfeedback hilft hingegen dabei, tiefer in die Erfahrung einzudringen und Probleme zu identifizieren, die dem Unternehmen bislang nicht bewusst waren.

Indem Kunden Unmut oder Zuspruch in ihren eigenen Worten ausdrücken, können Unternehmen die Maßnahmen viel genauer bestimmen, welche sie zur Verbesserung des Ergebnisses ergreifen müssen.

Arten der Textanalyse

Es gibt verschiedene Methoden, mithilfe derer sich Texte analysieren lassen.

Semantische Textanalyse

Diese Analysemethode lässt sich auch als Stimmungsanalyse bezeichnen. Sie versucht, subjektive Informationen und Stimmungen systematisch zu identifizieren, zu bestimmen und entsprechend zu analysieren. Vor allem bei Kommentaren kommt diese Art der Textanalyse zum Einsatz. Die semantische Textanalyse filtert aus der Gesamtzahl der Freitexte einer Umfrage die entsprechenden Konnotationen zu verschiedenen Begriffen heraus. Diese werden dann als positiv, neutral oder negativ klassifiziert.

Kontextanalyse

Diese Art der Textanalyse berücksichtigt nicht nur den Inhalt eines Textes, sondern ebenfalls die kulturellen und sozialen Faktoren sowie die Umstände, unter denen er entstanden ist.

Word Cloud

Hierbei handelt es sich um eine beliebte und visuell stark ansprechende Form der Textanalyse. Hintergrund ist eine Häufigkeitsanalyse der Wörter oder Wortgruppen eines Textes. Je öfter ein Wort vorkommt, desto größer lässt es sich in der Word Cloud darstellen.

Topic Modeling

Eine der häufigsten angewandten Techniken der Textanalyse ist das Topic Modeling. Bei der Themenmodellierung geht es darum, verschiedene Themen in einer einzigen, verständlichen Struktur zusammenzufassen. Diese Art der Gruppierung von Themen in umfassendere Konzepte, die für ein bestimmtes Unternehmen sinnvoll sind, wird in der Regel als Taxonomie bezeichnet. Ein Beispiel ist das übergeordnete Thema „Mitarbeiterattribute”. Zu den untergeordneten Themen gehören etwa “Einstellung der Mitarbeiter”, “Effizienz der Mitarbeiter” oder “Wissen der Mitarbeiter”.

Geschäftliche Anwendungsfelder von Textanalyse

Die Textanalyse lässt sich im Rahmen des Experience Managements (XM) auf verschiedene Weise einsetzen. Unterteilt in die vier Säulen des Experience Managements, sind dies die häufigsten Anwendungsfälle von Textanalyse:

Customer Experience (CX)

• Erhöhung der Kundenbindung: Mithilfe der Textanalyse lassen sich die wichtigsten Probleme erkennen, mit denen Promotoren konfrontiert sind. So können Unternehmen Maßnahmen ergreifen, um zu verhindern, dass sich Promotoren zu Detraktoren entwickeln.
• Verhinderung von Abwanderung: Auch negative Stimmungen oder Schlüsselthemen für das Abwanderungspotenzial, die im Kundenfeedback auftauchen, lassen sich erfassen.
• Cross-Sell/Up-Sell: Durch die Kombination von operativen Daten und der Analyse von Kundenkommentaren zu Themen wie Loyalität, Prämien, Incentives usw. ist es möglich, das Cross-Sell-Potenzial vorherzusagen. Hierfür eignet sich eine Kombination aus KI und Textanalyse.

Employee Experience (EX)

• Mitarbeiterfluktuation: Um die Gründe für die Fluktuation der Belegschaft zu verstehen, empfiehlt sich eine Kombination aus strukturierten Daten. Hierfür eignen sich z. B. der Engagement-Score und die Stimmung bei spezifischen Themen, wie z. B. der Unterstützung durch den Vorgesetzten.
• Wohlbefinden der Mitarbeiter: Mithilfe von Echtzeitwarnungen zu Themen wie Depressionen und Ängsten lässt sich bei Bedarf schnell und gezielt eingreifen, um das Wohlergehen der Mitarbeiter zu verbessern.
• Work-Life-Balance: Die Textanalyse lässt sich nutzen, um Themen rund um die Work-Life-Balance zu verstehen. So können Unternehmen erkennen, welche Mitarbeitergruppen am stärksten betroffen sind und entsprechende Maßnahmen ergreifen.

Product Experience (PX)

• Einführung neuer Produkte: Mithilfe von Textanalysen lässt sich wertvolles Feedback darüber einholen, welche Funktionen in der nächsten Version eines Produktes zu verbessern oder wegzulassen sind.
• Produktnutzung: Die Analyse von Garantiedaten kann wichtige Erkenntnisse darüber liefern, in welche Funktionen Investitionen lohnen, um z. B. die Nutzungsdauer zu erhöhen oder die Servicekosten zu senken.

Brand Experience (BX)

• Wirksamkeit von Kampagnen: Um den ROI zu ermitteln, empfiehlt sich die Analyse der wichtigsten Faktoren für die Zufriedenheit von Kampagnen zusammen mit operativen Daten wie z. B. deren Ausgaben oder Reichweite.
• Marken-Tracking: Mithilfe von Textanalysen verstehen Unternehmen die wichtigsten Themen rund um ihre Marke und ihre Wettbewerber.

Genauigkeit bei der Textanalyse

Wer auf der Grundlage von Daten Entscheidungen treffen und Maßnahmen ergreifen will, muss sich auf diese Daten verlassen können. Daher ist die Genauigkeit bei Textanalysen von großer Bedeutung. Es gibt jedoch Fälle, insbesondere bei Voice-of-the-Customer- und anderen XM-Programmen, bei denen Signale aus der Textanalyse, unabhängig von ihrer Genauigkeit, signifikant sind.

Wie lässt sich die Genauigkeit bei Textanalysen messen?

Die Genauigkeit bei Textanalysen hängt von einer Vielzahl von Faktoren ab, darunter:

• Quelle der Daten (z. B. Tweets, Produktbewertungen, Chatprotokolle)
• Komplexität der Sprache innerhalb der jeweiligen Branche
• regionale und kulturelle Einflüsse
• Länge und Komplexität der von den Befragten verwendeten Sätze

Beim Messen der Genauigkeit in Textanalysen kommen in der Regel zwei Konzepte zum Einsatz – Recall und Präzision:

• Recall gibt an, wie gründlich Aspekte von einem bestimmten Tag erfasst werden. Ein Recall von 80 % bedeutet, dass 20 % der Daten von der Analyse überhaupt nicht erfasst wurden und sich keiner Kategorie oder keinem Thema zuordnen lassen.
• Präzision gibt hingegen an, wie oft ein Aspekt von einem bestimmten Tag korrekt erfasst wurde. 80 % Präzision bedeutet, dass 20 % der Daten fälschlicherweise in das Modell aufgenommen wurden.

Customer-Experience– und VOC-Programme messen Recall und Präzision in der Regel als Prozentsatz der Datensätze, die tatsächlich unter mindestens einem Thema im Taxonomiemodell markiert sind.

Beispiel: In einem Kundenfeedback-Datensatz eines Telekommunikationsanbieters von 100 Begriffen beziehen sich 70 Wörter auf die verschiedenen Tarifpläne, die den Kunden zur Verfügung stehen. Das Textanalysemodell ermittelt 50 Ausdrücke als relevant für “Tarifpläne”. Von diesen 50 enthalten nur 45 korrekte Erwähnungen von “Tarifplänen”.

Das bedeutet für dieses Beispiel:

Herausforderungen: Wie genau muss Textanalyse sein?

Nachdem klar ist, wie die Genauigkeit bei Textanalysen zu messen ist, geht es um die Gefahren einer zu akribischen Präzision. Es lassen sich drei große Herausforderungen bei der Berechnung der Genauigkeit unterscheiden:

• Zu große Datensätze: Genauigkeit ist ein statistisches Konzept und kann bei großen Datensätzen sehr schwierig zu ermitteln sein, z. B. wenn Millionen von Kundenfeedback-Datensätzen zu analysieren sind.
• Viel Kleinarbeit: Um die Genauigkeit zu verstehen, bedarf es komplexer Methoden und Berechnungen. Manchmal kommen sogar Wahrscheinlichkeitsberechnungen zum Einsatz. Für eine richtige Bewertung von Genauigkeit muss stets klar sein, was korrekt ist und was nicht. Dies ist nur durch manuelles Tagging der Daten möglich und deshalb sehr aufwendig.
• Mehrere Themen: Der Recall der Taxonomie oder des Themenmodells ist ein entscheidender Faktor bei der Genauigkeit. Recall-Berechnungen lassen sich in der Regel jedoch nur für ein Thema durchführen. Sind mehrere Themen relevant, würde ein echtes Recall-Modell den Recall jedes einzelnen Themas anzeigen – und genau hier treten die Schwierigkeiten auf.

Diese verdeutlichen sich anhand des vorherigen Beispiels des Telekommunikationsanbieters: Ein Text-Feedback, in dem es heißt: “Der Tarif ist toll, aber das Personal war nicht hilfsbereit”, wird unter dem Thema “Hilfsbereitschaft des Personals”, nicht aber unter “Tarifplan” vermerkt. So beträgt der Recall bei dem ersten Thema 100 %. Bei derselben Analyse auf der Ebene des zweiten Themas, liegt der Recall dagegen bei 0.

Genauigkeit bei Sentimentanalysen

Sentimentanalysen, auch als Stimmungsanalysen bezeichnet, untersuchen einen Text mit dem Ziel, die geäußerte Meinung als positiv oder negativ zu erkennen. Doch auch hier können gewisse Herausforderungen auftreten:

• Ironie und Sarkasmus: Stimmungsmodelle kommen an ihre Grenzen, wenn Menschen positive Worte für negative Emotionen benutzen. Es gibt jedoch verschiedene Möglichkeiten, diese mit regel- oder lernbasierten Methoden zu erkennen. Regelbasierte Methoden eignen sich nur begrenzt, da sie nur so viel erfassen können, wie es Regeln gibt. Lernbasierte Modelle beruhen hingegen auf umfangreiche Referenzdatensätze und erzielen mit größerer Wahrscheinlichkeit eine höhere Genauigkeit.
• Verneinungen: Regel- oder lexikalisch-basierte Systeme haben keine Probleme, explizite Verneinungen mithilfe negierender Wörter wie „nicht“ oder „nie“ zu erkennen, z. B. „Das Personal war nicht kompetent.“. Implizite Verneinungen, z. B. „Das Personal hat nur Bahnhof verstanden.“ erfordern hingegen lernbasierte Modelle, um sie genau zu erfassen.

Ist Genauigkeit bei der Textanalyse wichtig?

Die kurze Antwort lautet: Ja. Um auf der Grundlage des Feedbacks von Personen Maßnahmen ergreifen und Entscheidungen treffen zu können, ist es notwendig, sich auf die Daten verlassen zu können. Wer jedoch Genauigkeit als rein statistisches Projekt betrachtet, schränkt möglicherweise den Wert ein, der sich aus ihr ziehen lässt.

So gibt es Fälle, in denen ein sehr hoher Recall von entscheidender Bedeutung ist, weil bereits bei einigen wenigen Rückmeldungen Maßnahmen zu ergreifen sind. Ein Kreditkartenunternehmen z. B. sollte bereits nach ein paar Erwähnungen des Wortes “Betrug” mit entsprechenden Handlungen reagieren. Es gibt aber auch Gelegenheiten, bei denen es nicht auf Präzision ankommt. Bei der Markenanalyse gilt es zum Beispiel, Erwähnungen von Wettbewerbern, unabhängig von der dazugehörigen Stimmung, zu analysieren.

Textanalyse in mehreren Sprachen

Ein wichtiger Teil der Maßnahmen zur Verbesserung der Kunden- und Mitarbeitererfahrungen besteht darin, die Unmengen an unstrukturiertem Feedback in Form von Umfrageantworten, Call-Center-Gesprächen, E-Mails, sozialen Medien und vielen anderen Kanälen zu erfassen. Große globale Unternehmen stehen vor der zusätzlichen Herausforderung, Feedback in mehreren Sprachen systematisch zu erfassen, zu analysieren und zu dokumentieren.

Dafür gibt es zwei verschiedene Wege:

• Verwendung der muttersprachlichen Analyse für jede einzelne Sprache
• Übersetzung aller Antworten in eine einzige Sprache und Analyse des gesamten Inhalts in dieser Sprache

Beide Ansätze haben ihre Vor- und Nachteile. Allgemein gilt, dass Textanalysen in der Muttersprache in der Regel eine größere Genauigkeit bieten. Das liegt daran, dass bei der Übersetzung sprachliche Nuancen verloren gehen und grammatikalische Fehler auftauchen können.

Dies gilt es weiterhin bei der Übersetzung von Texten zu beachten:

• Neue Technologien machen Übersetzungsprogramme von Jahr zu Jahr intelligenter. Google translate zum Beispiel ist im Laufe der Jahre dank neuronaler Lernfunktionen, die sprachliche Nuancen berücksichtigen, immer genauer geworden.
• Substantive, Adjektive und Adverbien lassen sich in der Regel gut übersetzen, auch wenn die Satzstruktur an Genauigkeit verlieren kann. Bei der Themenbildung innerhalb der Textanalyse und lexikalischen Sentiment-Tools kommen vor allem diese Wortarten zum Einsatz. Wenn die Technologie nicht lexikalisch ist und einen Lernmechanismus verwendet, können die Stimmungsergebnisse des übersetzten Textes in ihrer Genauigkeit variieren.

Textanalyse in der Muttersprache

Die meisten Textanalysetools nutzen eine konsistente Struktur zur Erfassung von wörtlichem Feedback. Dieses lässt sich zur korrekten Messung und Berichterstattung von Feedback von Kunden oder Mitarbeitern nutzen. Es gilt, alle Ressourcen in diese Struktur zu investieren, um sie erst zu erstellen und dann regelmäßig zu pflegen, damit sie konsistent bleibt. Die Kosten für den Aufbau dieses Themenmodells steigen bei der muttersprachlichen Analyse exponentiell an. Textanalyse in der jeweiligen Muttersprache setzt auch voraus, dass das CX-Team in der Lage ist:

• Nutzer in jeder benötigten Sprache zu finden
• sie in der Software zu schulen
• sie die lokalen Sprachmodelle erstellen zu lassen

Die Kosten enden jedoch nicht in der Erstellungsphase. Mit jeder weiteren Umfrage ist eine Aktualisierung der Textmodelle in allen Sprachen notwendig. Es ist ratsam, regelmäßig Themen zu prüfen, hinzuzufügen oder zu bearbeiten, um ein einheitliches Genauigkeitsniveau aufrechtzuerhalten – und das in allen Sprachen.

Für Unternehmen gilt es abwägen, ob der zusätzliche Wert, der sich aus der Erhöhung der Genauigkeit durch die Verwendung der muttersprachlichen Analyse ergibt, die zusätzlichen Ressourcenkosten wert ist.

Tipps zur Textanalyse in mehreren Sprachen

Bei der Textanalyse in mehreren Sprachen sind weiterhin folgende Aspekte zu beachten:

• Die Textanalyse besteht aus drei verschiedenen Phasen – Erstellung, Analyse und Bericht. Die Erstellung kann in jeder Sprache Für die Berichterstattung lassen sich die Analysen dann in der jeweiligen Landessprache der lokalen Benutzer darstellen.
• Es gilt zu überprüfen, ob für jede benötigte Sprache Sprachanalysefunktionen vorhanden sind. Während es einfach ist, muttersprachliche Analysefunktionen für gängige Sprachen wie Deutsch, Französisch oder Spanisch zu finden, ist es schwieriger bei nicht so weit verbreiteten Sprachen. Einige der größten Textanalyseprogramme analysieren nur eine begrenzte Anzahl von Sprachen in ihrer ursprünglichen Form.
• Konsistenz ist der Schlüssel zur genauen Messung: Unabhängig davon, ob eine Textanalyse-Software 35 Sprachen unterstützt, sollte das Ziel immer die Konsistenz bei der Modellierung und Berichterstellung sein. Der Aufbau und die Pflege des Taxonomiemodells sollte gleichzeitig so effizient wie möglich sein.
• Übersetzungen beeinflussen Sentimentanalysen stärker als Themenanalysen. Daher ist es vorzuziehen, die Stimmungsanalyse in der Muttersprache und nicht in der übersetzten Sprache durchzuführen. Die meisten Textanalyse-Tools verwenden dafür vorgefertigte Sentiment-Analysetechniken, die in einem CX-Szenario in der Regel keine arbeitsintensive Modellerstellungsarbeit erfordern.

In 4 Schritten zur optimalen Textanalyse in mehreren Sprachen

Idealerweise erfolgt die Modellerstellung in nicht mehr als zwei Sprachen. Dabei sind die Größe des Teams, die geografische Verteilung, die sprachlichen Fähigkeiten sowie die Kosten und der Aufwand für die Erstellung und Pflege mehrerer Sprachmodelle nicht zu vernachlässigen.

Der effektivste Ansatz umfasst vier wesentliche Schritte:

1. Zunächst gilt es, eine Textanalyse-Software auszuwählen, die nahtlos und automatisch mehrsprachige Texte in eine oder zwei Basissprachen übersetzen kann.
2. Es empfiehlt sich, ein Themenmodell in der übersetzten Sprache mit einer Kombination aus Bottom-up- und Top-down-Ansätzen zu erstellen. Das Tool sollte es einfach machen, dieses Modell mit einer Kombination aus automatischen und manuellen Kategorisierungsmethoden zu erstellen.
3. Das Textanalyse-Tool sollte in der Lage sein, Sentimentanalysen in der Muttersprache durchzuführen, da diese dann genauer ausfallen.
4. Auf der Berichtsebene sollten sich das Textmodell und die Kategoriebezeichnungen leicht in die Muttersprache übersetzen So haben muttersprachliche Nutzer die Möglichkeit, die Berichte in ihrer eigenen Sprache zusammen mit dem muttersprachlichen Originalwortlaut leicht einsehen zu können.

Textanalyse-Tools: darauf kommt es an

Die umfassende Textanalyse selbst durchzuführen, ist eine große Aufgabe – und nur wenige Unternehmen sind dafür gerüstet. Es gibt daher eine Vielzahl von Textanalyse-Tools, die ihnen dabei helfen, Erkenntnisse aus offenem Text zu gewinnen. Im Folgenden erfahren Sie, worauf es in den einzelnen Phasen bei einem Textanalysetool für Unternehmen ankommt:

Datensammlung

Sowohl die angeforderte als auch die unaufgeforderte Erfassung von Textdaten ist für ein Unternehmens absolut unerlässlich. Analysieren sie lediglich Umfragedaten, entgehen ihnen viele verwertbare Erkenntnisse aus anderen Quellen wie den sozialen Medien, Callcenter-Interaktionen oder Online-Chats. Gute Textanalyse-Tools sind in der Lage, Daten aus mehreren Quellen zu analysieren und sind nicht nur auf eine oder zwei Quellen beschränkt. So lässt sich ein vollständiges Bild über die Meinung von Kunden oder Mitarbeitern zeichnen – egal, wo sie diese kundtun.

Datenanalyse

Textanalyse-Tools müssen in der Lage sein, sowohl eine Analyse der Themen als auch der dazugehörigen Stimmung durchzuführen. Nur so lässt sich die tatsächliche Auswirkung auf den KPI-Wert bestimmen. Es ist überaus wichtig, die Beziehung und Regression von strukturierten Bewertungen mit bestimmten Textinformationen zu verstehen.

Ergreifen von Maßnahmen

Die Textanalyse lässt sich nicht nur für die Ursachenanalyse und die Einleitung von Verbesserungen im Backoffice verwenden. Sie muss in der Lage sein, in Echtzeit auf unzufriedene Kunden auf der Grundlage ihrer offenen Kommentare zu reagieren. Die Zufriedenstellung der Kunden sollte sich auf der Grundlage von Themen- oder Stimmungsdefinitionen in den Kommentaren auslösen lassen.

Datenvisualisierung

• Flexibilität bei der Visualisierung: Textanalyse ist mehr als nur farbige Wortwolken oder Themenblasen. Die unendliche Flexibilität bei der Visualisierung von Textanalyseinformationen mit strukturierten und operativen Daten ermöglicht eine einfache und schnelle Entdeckung von Erkenntnissen und die Priorisierung von Maßnahmen.
• Leicht verständlich: Es empfiehlt sich, sicherzustellen, dass die Visualisierungen für jeden im Unternehmen leicht zu interpretieren sind. In der Regel sollte sich auf einen Blick erkennen lassen, welche Themen im Trend liegen, wie sich die Stimmung aufschlüsselt und wie sie sich im Laufe der Zeit verändert.
• Eintauchen in die Kommentare: Die Kenntnis über Trends und Stimmungen ist der Anfang. Es empfiehlt sich jedoch, auch die einzelnen Antworten aufzuschlüsseln. Dabei geht es nicht darum, jeden Kundenkommentar vollständig zu lesen. Es kann aber durchaus nützlich sein, tiefer zu graben, um zu sehen, was Nutzer tatsächlich sagen.

Betriebssystem und Integrationsmöglichkeiten

• Nutzung einer Plattform: Es ist effizienter, sammeln und analysieren Textanalyse-Tools die quantitativen sowie die Textdaten auf derselben Plattform. Dies erspart stundenlangen manuellen Aufwand, um verschiedene Datensätze und Technologien zusammenzuführen und ein vollständiges Bild zu erhalten.
• Integrationen: Verwenden Unternehmen ein geschlossenes Experience-Programm, sollten sie sicherstellen, dass sich das Textanalysetool in die bestehenden Systeme integrieren lässt. So können relevante Kundenkommentare automatisch eine Nachverfolgung in den bereits verwendeten Systemen auslösen. Dies beschleunigt Nachverfolgungen und stellt sicher, dass die Mitarbeiter über die richtigen Informationen verfügen, um schnellstmöglich auf Kundenfeedback reagieren zu können.
• X + O Daten zusammenführen: Das ultimative Ziel eines jeden Experience-Management-Programms ist es, einen Mehrwert für das Unternehmen zu schaffen. Es gilt also, nach einer Textanalyse-Software zu suchen, das Erlebnisdaten (X-Daten) der Kunden mit operativen Daten (O-Daten) des Unternehmens zusammenführt. Auf diese Weise lassen sich Zusammenhänge zwischen den Äußerungen der Kunden und ihrem Verhalten herstellen und Maßnahmen ergreifen, die auf die Rentabilität und das Wachstum des Unternehmens ausgerichtet sind.

So profitieren Unternehmen vom Einsatz von Textanalyse-Tools

Integrieren Unternehmen ihre CXM-Plattform mit einem Textanalyse-Tool, lassen sich die Ergebnisse der Textanalyse des Kundenfeedbacks im gesamten Programm nutzen. Dies kann Veränderungen im gesamten Unternehmen vorantreiben. Diese Vorteile bringt die Nutzung von Textanalyse-Tools für Organisationen mit sich:

• Einbindung von Textvisualisierungen in Berichten zur Ermittlung von Trends, Basisdaten und Schlüsselfaktoren.
• Analyse von Textdaten, z. B. Themen- und Stimmungs-Tags, zusammen mit anderen quantitativen Messwerten aus statistischen Analysen. So lassen sich Cluster und Ursachen für bestimmte Verhaltensweisen finden.
• Automatische Bereitstellung rollenbasierter Dashboards, die relevante Texteinblicke in Customer Experience und Employee Experience Dashboards enthalten.
• Auslösen fortlaufender Maßnahmen auf der Grundlage von Meinungen und Stimmungen, um adäquat auf verärgerte und gefährdete Kunden zu reagieren.
• Benchmarking von Themenkategorien und Stimmungsbewertungen, um Ziele für die Zukunft zu setzen.

Textanalyse-Tools helfen Unternehmen weiterhin dabei, bisher unbekannte Probleme aufzudecken, nach denen sie nicht gesucht haben. Dafür setzen sie hochentwickelte Modelle für maschinelles Lernen ein, um Pain Points in Freitextantworten zu entdecken. Weiterhin liefern sie benötigten Kontext, warum Kunden eine negative NPS-Bewertung hinterlassen. Zu guter Letzt helfen Textanalyse-Tools dabei, Kundendienstteams mit dem nötigen Hintergrundwissen für den Dialog mit den Kunden auszustatten.

Das Textanalyse-Tool Qualtrics Text iQ hilft Ihnen bei der Auswertung all Ihrer Texteingaben und gleichzeitig dabei, Ihre Mitarbeiter und Kunden besser zu verstehen. Jetzt kostenlose Demoversion anfordern und Text iQ testen!