Der Wunsch der Menschen, mit Unternehmen in Kontakt zu treten, und die allgemeine Markenwahrnehmung hängen stark von der öffentlichen Meinung ab. Laut einer Umfrage von Podium sagen 93 Prozent der Verbraucher, dass Online-Bewertungen ihre Kaufentscheidungen beeinflussen. Benutzer geben Ihnen möglicherweise keine Chance, wenn sie ein paar schlechte Bewertungen gelesen haben. Sie recherchieren nicht, ob das Feedback gefälscht ist oder nicht. Sie wählen eine andere Option.
In diesem Zusammenhang können Organisationen, die ihren Ruf ständig überwachen, Probleme rechtzeitig angehen und ihre Abläufe auf der Grundlage von Feedback verbessern. Mithilfe der sentiment analysis lässt sich die Einstellung der Menschen gegenüber einer Organisation im Informationszeitalter effektiv messen.
Was ist sentiment analysis?
Die sentiment analysis ist eine Form der Textforschung, bei der eine Kombination aus Statistik, natürlicher Sprachverarbeitung (NLP) und maschinellem Lernen zum Einsatz kommt , um subjektive Informationen zu identifizieren und zu extrahieren – beispielsweise die Gefühle, Gedanken, Urteile oder Einschätzungen eines Rezensenten zu einem bestimmten Thema, Ereignis oder einem Unternehmen und seinen Aktivitäten.
Weitere Informationen zum Reputationsmanagement im Allgemeinen finden Sie in unserem separaten Beitrag.
Diese Art der Analyse wird auch als Opinion Mining (mit Schwerpunkt auf Extraktion) oder affektive Bewertung bezeichnet. Einige Spezialisten bevorzugen die Begriffe Sentiment-Klassifizierung und -Extraktion . Unabhängig vom Namen ist das Ziel dasselbe: die Meinung eines Benutzers oder Publikums zu einem Zielobjekt zu erfahren, indem eine große Menge Text aus verschiedenen Quellen analysiert wird.
Grundsätzlich unterscheidet die sentiment analysis zwischen drei Arten von Emotionen: negativ, neutral und positiv. Sie kann auf einen einzelnen Satz oder einen Teil davon angewendet werden, aber auch zur Klassifizierung von Dokumenten verwendet werden , wobei der Begriff Dokument eine breite Palette von Textelementen wie E-Mails, Rezensionen, Kommentare, Artikel und mehr umfasst.
Arten der sentiment analysis
Sentiment analysis gibt es in vielen Formen – je nach den Aufgaben und Zielen, die Sie verfolgen. In der Praxis werden jedoch häufig mehrere Typen kombiniert, um komplexe Probleme aus dem wirklichen Leben zu lösen.
Subjektivitätsklassifizierung
Die Subjektivitätsklassifizierung unterteilt Textfragmente in objektive und subjektive oder meinungsbasierte. Ein objektiver Satz enthält Fakten und neutrale Informationen: Drei Fremde werden durch einen erstaunlichen Zufall wieder zusammengeführt, nachdem sie als eineiige Drillinge geboren, bei der Geburt getrennt und von drei verschiedenen Familien adoptiert wurden. Ein subjektiver Satz drückt wiederum die Einstellung, Gefühle, das Urteil, den Glauben und mehr einer Person aus: Diese Wohnung ist wunderbar. Ich genieße jede Minute, die ich hier verbringe.
Da die Subjektivitätsklassifizierung neutrale Aussagen herausfiltert, dient sie oft als erster Schritt der Polaritätsklassifizierung.
Polaritätsklassifizierung
Meinungsstarke Textstücke können mithilfe der Polaritätsklassifizierung weiter in negative und positive unterteilt werden. Diese Technik eignet sich für groß angelegte Studien zu positiven und negativen Trends in Textdaten wie Produktbewertungen, Social-Media-Posts oder Kundenfeedback.
Fortgeschrittene Modelle gehen über die bloße binäre Klassifizierung hinaus und ermitteln die Stimmungsintensität. In diesem Fall werden Textstücke in mehr als zwei Gruppen kategorisiert – beispielsweise extrem positiv, positiv, neutral, negativ und extrem negativ. Der Multiklassenansatz ermöglicht nicht nur die gleichzeitige Lösung von Subjektivitäts- und Polaritätsaufgaben. Er liefert auch präzisere Ergebnisse bei der Verarbeitung von Sätzen mit vergleichenden Ausdrücken ( besser, am ekelhaftesten usw.) und Modifikatoren ( auch, also, völlig usw.).
Doch selbst die Multiklassen-Polaritätsklassifizierung hat viele Einschränkungen. Sie erkennt nicht die Einstellung des Kunden zu verschiedenen Aspekten oder Merkmalen Ihrer Dienstleistungen – was für Verbesserungen und eine erfolgreiche Produktentwicklung entscheidend ist . Hier kann Ihnen eine aspektbasierte sentiment analysis weiterhelfen.
Aspektbasierte sentiment analysis
Die aspekt- oder merkmalsbasierte sentiment analysis ist ein mehrstufiger Prozess, der darauf abzielt, Stimmungen gegenüber einer bestimmten Komponente eines Produkts oder einer Dienstleistung zu erkennen und zu extrahieren. Beispielsweise kann eine einzelne Hotelbewertung sowohl positive als auch negative Aussagen enthalten – da derselbe Gast die Aussicht aus dem Fenster und die praktische Lage sehr schätzen, sich aber über ein schmutziges Badezimmer und teure Getränke in der Bar beschweren kann.
Um all diese wichtigen Informationen zu erfassen, identifiziert ein aspektbasierter Mechanismus zunächst die in den Kommentaren oder Bewertungen besprochenen Merkmale. Dann wird eine Polaritätsklassifizierung auf Textfragmente angewendet, die diese Aspekte erwähnen. Schließlich werden die Ergebnisse aggregiert und nach Aspekten bewertet, um die tendenzielle Einstellung gegenüber einem bestimmten Merkmal zu verstehen.
Lesen Sie, wie wir Hotelausstattungen anhand von Gästebewertungen bewertet haben, um eine Vorstellung davon zu bekommen, wie ein solcher aspektbasierter Mechanismus in der Praxis aufgebaut werden kann.
Detaillierte sentiment analysis
Es gibt keine einheitliche Definition für die feinkörnige sentiment analysis – die Bedeutung ist von Studie zu Studie unterschiedlich. Der Begriff wird häufig als Synonym für aspektbasierte sentiment analysis , mehrklassige Polaritätsklassifizierung oder sentiment analysis auf Untersatzebene verwendet – im Gegensatz zum grobkörnigen Opinion Mining auf Dokument- und Satzebene .
In ihrer umfassendsten Ausführung wird die feinkörnige Analyse durchgeführt, um sowohl das Sentimentziel (Thema) als auch seine Intensität auf Phrasen- oder Klauselebene zu definieren. Sie löst Herausforderungen, die mit einfacheren Methoden nicht zu bewältigen sind – zum Beispiel die Verarbeitung von vergleichenden Ausdrücken (z. B. „ Samsung ist viel besser als das iPhone “) und Kommentaren und Rezensionen mit dualer Polarität (z . B. „Die Suppe war echt schlecht, aber die Art, wie sie serviert wurde, war umwerfend. “
So führen Sie eine sentiment analysis durch
Mithilfe der sentiment analysis können Sie Ihre Abläufe aus der Sicht eines Kunden betrachten. Aber wie extrahieren Sie dieses Wissen aus benutzergenerierten Daten? Dies sind gängige Schritte zur Erstellung eines benutzerdefinierten Meinungsforschungsmodells durch ein internes oder externes Data-Science-Team .
Datenerfassung. Zunächst müssen Sie relevante Markenbewertungen und -erwähnungen in einem Datensatz sammeln. Sie können Feedback von Ihrer eigenen Website sammeln oder mit Ressourcen zusammenarbeiten, die über solche Daten verfügen.
Lesen Sie unseren Artikel zur Datenerfassung für maschinelles Lernen , um tiefer in das Thema einzutauchen.
Sentiment-Annotation. Der zweite Schritt besteht darin, Wörtern und Ausdrücken Sentiment-Tags (positiv, neutral, negativ usw.) zuzuweisen. Attributbasierte und feinkörnige Arten der sentiment analysis erfordern mehr Bezeichnungen – und mehr Textdaten – um genaue Ergebnisse zu erzielen. Bedenken Sie, dass die Sentiment-Beschriftung als zuverlässig gilt, wenn sie von mehr als einem Annotator vorgenommen wird. Lesen Sie
unsere Artikel zur Datenbeschriftung im maschinellen Lernen und zur Organisation der Datenbeschriftung, um mehr über diesen Prozess zu erfahren.
Textbereinigung. Bewertungen und Kommentare enthalten typischerweise viele irrelevante und überflüssige Informationen, die die Genauigkeit eines Modells negativ beeinflussen können. Bevor Sie den Datensatz also einem Algorithmus zuführen, müssen Sie Rauschen, Stoppwörter (Artikel, Pronomen usw.) und Variationen derselben Wörter entfernen und sie in die kanonische Form umwandeln.
Um mehr zu erfahren, lesen Sie unseren Artikel zur Vorbereitung Ihres Datensatzes für maschinelles Lernen oder sehen Sie sich unser spezielles Erklärvideo an. Beachten Sie, dass alle oben genannten Schritte von Freiberuflern oder Auszubildenden und nicht von erfahrenen Datenwissenschaftlern durchgeführt werden. Um Zeit und Geld zu sparen, können Sie außerdem öffentliche Datensätze für maschinelles Lernen
nutzen, die für Aufgaben der sentiment analysis annotiert sind. Einige Beispiele sind Trip Advisor Hotel Reviews , Sentiment140 und Stanford Sentiment Treebank . Die nächsten beiden Schritte erfordern die Einbindung erfahrener Datenwissenschaftler. Worteinbettung. Um Textdaten für ML-Modelle verständlich zu machen, müssen Sie Wörter und Ausdrücke in Vektoren übersetzen. Dieser Prozess wird Worteinbettung genannt. Modelltraining und -testen. Schließlich fährt Ihr Datenwissenschaftsteam damit fort, ein ML-Modell zu trainieren und seine Ergebnisse auszuwerten. Dazu wird der vorbereitete Datensatz in einen Trainings- und einen Testteil aufgeteilt. Sobald das Modell zufriedenstellende Vorhersagen liefert, kann es zur Sentimenterkennung und Klassifizierung in neuen, ungelabelten Rezensionen verwendet werden.
Tools und APIs zur sentiment analysis
Nicht alle Unternehmen können es sich leisten, benutzerdefinierte ML-Modelle für die sentiment analysis zu erstellen. Glücklicherweise gibt es verschiedene handelsübliche Tools, die Feedback aus zahlreichen Quellen sammeln, in Echtzeit über Erwähnungen informieren, Text analysieren und Ergebnisse visualisieren. Einige dieser Plattformen stellen APIs bereit , sodass Sie sie in Ihr vorhandenes System integrieren und direkt von Ihrer Arbeitsumgebung aus auf Instrumente zur sentiment analysis zugreifen können.
Im Folgenden werden wir kurz einige beliebte Lösungen auf dem Markt vorstellen.
Die InMoment- Plattform zur Verbesserung der Erfahrung verwendet Lexalytics , eine weltweit führende NLP-Engine, um eingehendes Feedback zu sortieren und die Einstellung der Verbraucher zu Ihren Produkten zu ermitteln. Sie hilft Ihnen, Probleme zu erkennen und umgehend zu lösen und so die Kundenerfahrung zu verbessern.
Im Gegensatz zu anderen Tools zur sentiment analysis kann InMoment nicht nur definieren, wie Kunden über Ihre Marke oder Angebote denken, sondern auch, was sie auf eine bestimmte Weise fühlen lässt. Um die Ergebnisse noch präziser zu machen, können Textanalysealgorithmen basierend auf den aus Ihren Kanälen gesammelten Daten an Ihre Geschäftsanforderungen angepasst werden.
Clarabridge ist eine Plattform für das Kundenerlebnismanagement, die Text aus Chats, Umfrageplattformen, Blogs, Foren, Social-Media-Kanälen und Bewertungsseiten zieht und analysiert. Benutzer können auch Erkenntnisse aus E-Mails, Notizen von Mitarbeitern und Agenten, Anrufaufzeichnungen und automatisch in Text umgewandelten Interactive Voice Response (IVR)-Umfragen gewinnen.
Die Plattform verwendet über 150 branchenspezifische NLP-Modelle, um automatisch Stimmungen (positiv oder negativ), ihre Intensität und sogar eine bestimmte Emotion (wie Frustration oder Wut) zu erkennen.
Azure AI Language bietet drei Optionen für den Zugriff auf die sentiment analysis funktion. Sie können eine webbasierte Plattform, Language Studio , verwenden, Ihre Software in die REST-API integrieren oder den verfügbaren Docker-Container vor Ort bereitstellen. In jedem Fall können Sie eine Polaritätsklassifizierung und eine aspektbasierte sentiment analysis durchführen und dabei leistungsstarke vorgefertigte Modelle nutzen. Die Azure-Lösung ist jedoch nicht dazu gedacht, Feedback zu sammeln – das müssen Sie selbst tun.
Die Cloud Natural Language API von Google unterstützt die sentiment analysis für 16 Sprachen. Sobald sie in Ihre Software integriert ist, können Sie eine Anfrage zur Verarbeitung Ihrer Textdatei oder eines in Google Cloud Storage gespeicherten Dokuments stellen. Die API gibt Informationen über die allgemeine Stimmung des Dokuments und die allgemeine Stärke der Emotionen im angegebenen Text zurück. Die Antwort enthält auch Informationen über Stimmungen und ihre Intensität auf Satzebene.
IBM Watson NLP ermöglicht es Ihnen, Ihren Datensatz hinzuzufügen und ein Modell zur Sentimenterkennung auf Dokument- und Satzebene sowie zur aspektbasierten sentiment analysis zu trainieren. Diese Lösung erfordert fortgeschrittene Fachkenntnisse in der Datenwissenschaft, ist jedoch weniger zeit- und ressourcenintensiv als die Erstellung eines sentiment analysis modells von Grund auf.
Wo können Sie die sentiment analysis verwenden?
Mithilfe der sentiment analysis können Unternehmen enorme Mengen kostenloser Daten nutzen, um die Einstellung der Kunden gegenüber ihrer Marke zu verstehen, Produkte und Dienstleistungen zu verbessern und ihren Ruf zu wahren. Es ist auch ein leistungsstarkes Tool für die Personalanalyse.
Markenüberwachung
Wäre das Internet ein Gebirgsfluss, dann wäre die Analyse benutzergenerierter Inhalte in den sozialen Medien und auf anderen Plattformen wie das Angeln während der Forellenlaichzeit. Menschen teilen gerne ihre Ansichten zu den neuesten Nachrichten, lokalen und globalen Ereignissen und ihren Erfahrungen als Kunden. Twitter und Facebook sind beliebte Orte für tägliche Kommentarkriege und lebhafte (um es milde auszudrücken!) Unterhaltungen. Nachrichten über Prominente, Unternehmer und globale Unternehmen ziehen innerhalb weniger Stunden nach ihrer Veröffentlichung auf Reddit Tausende von Menschen an. Mediengiganten wie Time , The Economist und CNBC sowie Millionen von Blogs, Foren und Bewertungsplattformen florieren mit Inhalten zu den verschiedensten Themen.
Warum nutzen Sie diese Datenquellen nicht, um zu überwachen, was die Leute über Ihr Unternehmen denken und sagen und warum sie Sie so wahrnehmen? Durch die sentiment analysis von Markenerwähnungen können Sie Ihre Glaubwürdigkeit innerhalb der Branche auf dem Laufenden halten, aufkommende Reputationskrisen erkennen und rasch darauf reagieren. Sie können beispielsweise die Ergebnisse dieses Monats mit denen des vorherigen Quartals vergleichen und herausfinden, wie sich Ihr Markenimage in dieser Zeit verändert hat.
Es ist nicht nur wichtig, die sozialen Meinungen über Ihr Unternehmen zu kennen, sondern auch zu wissen, wer über Sie spricht, ob die Branche Ihre Marke beeinflusst und in welchem Kontext. Und was noch spannender ist: sentiment analysis-Software erledigt all das in Echtzeit und über alle Kanäle hinweg.
Wettbewerbsforschung
Eines haben Sie und Ihre Konkurrenten ganz sicher gemeinsam – eine Zielgruppe. Sie können verfolgen und erforschen, wie die Gesellschaft Konkurrenten bewertet, genauso wie Sie ihre Einstellung zu Ihrem Unternehmen analysieren. Was schätzen Kunden am meisten an anderen Akteuren in der Branche? Gibt es etwas, was Konkurrenten fehlen oder was sie falsch machen? Über welche Kanäle kommunizieren Kunden mit anderen Unternehmen? Nutzen Sie dieses Wissen, um Ihre Kommunikation, Ihre Marketingstrategien und Ihren gesamten Service zu verbessern. Eine
Wettbewerbsanalyse, die eine sentiment analysis umfasst, hilft Ihnen, Ihre Schwächen und Stärken zu verstehen und vielleicht Wege zu finden, sich abzuheben.
Flammenerkennung und Priorisierung des Kundendienstes
Gastgewerbemarken, Finanzinstitute, Einzelhändler, Transportunternehmen und andere Unternehmen nutzen die Stimmungsklassifizierung, um die Arbeit der Kundenbetreuungsabteilung zu optimieren. Mit Textanalyseplattformen wie IBM Watson Natural Language Understanding oder MonkeyLearn können Benutzer die Klassifizierung eingehender Kundensupportnachrichten nach Polarität, Thema, Aspekt und Priorität automatisieren. Anschließend werden Anfragen an dedizierte Teams und Spezialisten gesendet.
Da es besser ist, einen Funken zu löschen, bevor er zur Flamme wird, werden neue Nachrichten der unzufriedensten und verärgertesten Kunden zuerst bearbeitet. Satalytics gruppiert beispielsweise Feedback nach Gerät, Phase der Customer Journey und neuen oder wiederkehrenden Kunden.
Produktanalyse
Jeder Unternehmer stirbt, wenn er seine Fans Schlange stehen sieht, bis die Geschäfte öffnen, damit sie hineinlaufen, sich das neue Produkt schnappen und einer der ersten stolzen Besitzer der Welt werden können. Wie bringt man das gewünschte Produkt auf den Markt? Der einzige Ansatz besteht darin, die Leute zu fragen, was sie wollen elasticsearch.
Erfolgreiche Unternehmen bauen ein minimal funktionsfähiges Produkt (MVP) , sammeln frühzeitig Feedback und verbessern die Funktionen auch nach der Produkteinführung kontinuierlich .
Durch die sentiment analysis können Vor- und Nachteile von Produkten ermittelt werden. Ein Student der Oklahoma State University analysierte beispielsweise Amazon-Bewertungen zu zwei Samsung-Telefonmodellen (Galaxy S6 und Galaxy S7) und zwei Geräten von Apple (iPhone 6 und iPhone 7), um herauszufinden, warum Kunden eine Marke einer anderen vorziehen. Er fand heraus, dass Benutzer, deren Prioritäten ein zuverlässiger Akku und ein guter Bildschirm sind, Samsung-Telefone wählen. Und Kunden, die mehr an Design und Kameras interessiert sind, kaufen iPhones. Durch
das Filtern von Kommentaren nach Thema und Stimmung können Sie auch feststellen, welche Funktionen notwendig sind und welche eliminiert werden müssen. Ausgestattet mit den Ergebnissen der sentiment analysis weiß ein Produktentwicklungsteam genau, wie es eine Innovation liefern kann, die Kunden kaufen und genießen würden.
Marktforschung und Einblicke in Branchentrends
Wie bereits erwähnt, sind Social-Media-Sites und Foren Informationsquellen zu allen möglichen Themen. Menschen diskutieren über Neuigkeiten und Produkte und schreiben über ihre Werte, Träume, Alltagsbedürfnisse und Ereignisse. Und das tun sie freiwillig rund um die Uhr.
Mithilfe der sentiment analysis können Marketingfachleute Verhaltensmuster von Verbrauchern in Echtzeit verfolgen und untersuchen, um zukünftige Trends vorherzusagen und dem Management zu helfen, fundierte Entscheidungen zu treffen.
Workforce Analytics und Monitoring des Mitarbeiterengagements
Einige Organisationen nutzen die sentiment analysis nicht nur für Marktforschung oder die Bewertung der Kundenzufriedenheit, sondern setzen sie auch intern für HR-bezogene Prozesse ein. Diese Unternehmen messen die Mitarbeiterzufriedenheit und erkennen Faktoren, die Teammitglieder entmutigen und letztendlich ihre Leistung mindern. Spezialisten automatisieren die Analyse von Mitarbeiterbefragungen mit einer sentiment analysis-Software, die es ihnen ermöglicht, Probleme und Bedenken schneller anzugehen. Personalmanager können den allgemeinen Ton der Antworten erkennen und verfolgen, Ergebnisse nach Abteilungen und Schlüsselwörtern gruppieren und prüfen, ob sich die Stimmung der Mitarbeiter im Laufe der Zeit geändert hat oder nicht.
