Sentimentanalyse und Verarbeitung natürlicher Sprache: Ein Anfängerleitfaden

Stimmungsanalyse und NLP-Technologie haben weitreichende Auswirkungen – insbesondere, wenn es darum geht, Kundenbedürfnisse zu verstehen. Kundenfeedback entsteht heute an mehr Orten als jemals zuvor, von Social Media über Kundenbewertungen bis hin zu Online-Chats. Die durch NLP gestützte Stimmungsanalyse hilft dabei, all diese Rückmeldungen einzuordnen, sodass Sie eine bessere Erfahrung für Ihre Kunden schaffen können.

In diesem Einsteiger-Guide zur Stimmungsanalyse und Natural Language Processing führe ich Sie durch die Grundlagen der Stimmungsanalyse und NLP. Ich erkläre beide Begriffe, bespreche Praxisbeispiele und empfehle Tools für die Stimmungsanalyse, mit denen das Leben für Customer-Success- und Customer-Experience-Teams leichter wird.

Was ist Stimmungsanalyse?

Hier ist die Millionen-Dollar-Frage für CX- und Kundendienstteams:

Was denken Ihre Kunden?

Wenn Sie diese Frage beantworten können, vermeiden Sie negatives Feedback, sichern sich einen Wettbewerbsvorteil und passen Ihr Produkt exakt an die Bedürfnisse Ihrer Kunden an.

Genau hier kommt die Stimmungsanalyse ins Spiel.

Stimmungsanalyse nutzt NLP-Modelle, um große Datenmengen wie Kundenbewertungen, Support-Telefonate oder Tweets zu durchsuchen. Anschließend vergibt das System einen Wert für jeden Kundenkommentar – je nachdem, ob die Stimmung negativ, neutral oder positiv ist.

Es ist kein perfektes System. Selbst wenn Menschen Aussagen als positiv, negativ oder neutral einordnen, sind sie sich nicht immer einig. Der Vorteil von NLP-Modellen ist jedoch, dass sie ein einheitliches Textanalyse-Framework nutzen – und damit dieselben Kriterien auf riesige Datenmengen anwenden können.

Der Einsatz von Stimmungsanalyse kann Ihnen helfen,

• die Kundenzufriedenheit an jeder Station der Customer Journey zu messen,
• den Markenruf zu überwachen, damit Sie unzufriedene Kunden sofort erkennen,
• Stimmungen im Zeitverlauf zu vergleichen, um Handlungsbedarf zu erkennen,
• Marktforschung durchzuführen und Marketingkampagnen zu gestalten.

3 Arten der Stimmungsanalyse

Sofern Sie kein Data Scientist sind, müssen Sie nicht bis ins Detail wissen, wie Ihre Tools zur Stimmungsanalyse im Hintergrund funktionieren.

Es kann aber hilfreich sein, zumindest die grundlegenden Technologien, die dahinterstecken, zu verstehen, wenn Sie sich für Tools entscheiden.

Hier sind drei Typen der Stimmungsanalyse:

1. Wissensbasiert

Setzen Sie ein wissensbasiertes (oder lexikonbasiertes) System zur Stimmungsanalyse ein, wird Text anhand eines vordefinierten Regelsatzes analysiert.

Denken Sie hier an den „Wörterbuch“-Ansatz.

Ihr Wörterbuch enthält eine lange Liste von Wörtern und zugeordneten Stimmungen – beispielsweise könnte das Wort „hassen“ als negative Stimmung, „lieben“ als positiv und „okay“ als neutral eingestuft sein. Solche Wörterbücher können Sie manuell erstellen, häufiger aber werden sie mithilfe von Machine-Learning-Algorithmen erzeugt.

Der wissensbasierte Ansatz ist nützlich für Branchen mit Spezialvokabular. Beispielsweise könnte im Gesundheitswesen eine speziell auf medizinische Begriffe zugeschnittene Datenbasis genutzt werden, um die Kundenzufriedenheit zu messen. Auch für komplexe Sprachformen wie Metaphern, Slang oder Sarkasmus lässt sich dieser Weg nutzen.

Die wissensbasierte Methode ist meist weniger exakt als die statistische Analyse – da sie auf einem viel kleineren semantischen Datensatz beruht.

Unlock the CX Vault

We’ve collected the goods — AI prompts, exclusive deals, and a library of secrets from CX leaders. Now unlock your free account to get ‘em.

Company

This field is for validation purposes and should be left unchanged.

Email*

By signing up, you agree to receive occasional emails. You can unsubscribe anytime. See our Privacy Policy for details.

2. Statistisch

Stellen Sie sich vor, Sie würden Hunderte oder Tausende Textbausteine manuell als „positiv“, „negativ“ oder „neutral“ kennzeichnen – und dann ein Modell darauf trainieren, um darauf basierende Klassifizierer zu erstellen.

So funktioniert die statistische Methode der Stimmungsanalyse.

Der statistische Ansatz nutzt Maschinelles Lernen, um große Datenmengen zu analysieren und Muster sowie Beziehungen zu erkennen. Nachdem das Modell trainiert wurde, kann damit beliebiger Text analysiert werden – nicht nur solcher, der dem Trainingsdatensatz ähnelt. Das macht dieses Verfahren flexibler und genauer als den wissensbasierten Ansatz.

Ein Nachteil ist, dass große Datenmengen zum Training benötigt werden. Statistische Modelle haben zudem Schwierigkeiten mit sarkastischer oder ironischer Sprache.

3. Hybrid

Ein hybrider Ansatz vereint die Stärken der statistischen und wissensbasierten Methoden.

Ausgehend von der statistischen Methode erstellen Sie zunächst ein flexibles, auf großen Datenmengen trainiertes Sentiment-Analyse-Modell. Anschließend erfolgt mithilfe des wissensbasierten Ansatzes eine Feinabstimmung und Verbesserung des Modells.

Dadurch kombinieren Sie die Flexibilität und riesige Datenbasis des statistischen Modells mit der Feinjustierung und Branchenexpertise der wissensbasierten Methode.

Verwandter Beitrag: Beste Software zur Umfrageauswertung

Need expert help selecting the right tool?

With one-on-one help, we guide you to your top software options. Narrow down your software search & make a confident choice.

Get free tool advice

Was ist Natural Language Processing?

Natural Language Processing ist eine Form Künstlicher Intelligenz, die es Computern ermöglicht, menschliche Sprache zu verstehen und zu generieren. NLP ist die treibende Kraft hinter der Stimmungsanalyse. Sie kennen wahrscheinlich auch einige weitere praktische Anwendungen wie:

• Filtern von Spam-E-Mails
• Chatbots und Konversations-KI
• Spracherkennung zu Text und Text-zu-Sprache-Software
• Maschinelle Übersetzung wie Google Translate
• Spracherkennung wie Siri, Alexa und andere Sprachassistenten

Doch wie funktioniert NLP?

NLP beginnt mit Textdaten, die analysiert werden sollen. Der Text wird bereinigt und formatiert, um die Analyse zu erleichtern. Anschließend kommen NLP-Algorithmen zum Einsatz, um Bedeutung aus dem Text herauszufiltern. Diese Algorithmen verwenden sowohl statistische Modelle als auch regelbasierte Methoden, um Muster und Verbindungen zu identifizieren.

KI-Chatbots für den Kundenservice sowie Voicebots zählen zu den bekanntesten praktischen Anwendungen von NLP im Kundenerlebnis. Sie ermöglichen einen Großteil der Kundeninteraktion, nutzen NLP-Methoden, um das Gesagte zu verstehen, angemessen zu antworten und Supportaufgaben zu übernehmen.

In der Vergangenheit war die Interaktion mit solchen Bots allerdings oft frustrierend.

Das ändert sich rasant, denn NLP-Modelle entwickeln sich immer weiter – vor allem durch den Aufstieg von LLMs.

Large Language Models (LLMs) sind Deep-Learning-Netzwerke, die auf riesigen Datenmengen trainiert wurden. Das GPT-3-Modell von OpenAI wurde beispielsweise mit Hunderten von Milliarden Wörtern aus Büchern und Quellen wie Wikipedia vortrainiert.

Diese großen Datensätze verschaffen LLMs eine enorme Wissensbasis, sie generieren ausgefeilte, menschenähnliche Texte – und liefern beim Thema Stimmungsanalyse Kontext sowie Nuancen auf einem ganz neuen Level.

Wie funktioniert die Stimmungsanalyse mit NLP?

NLP-Stimmungsanalyse ist eine Technik, die mithilfe von Modellen Emotionen in Texten erkennt – indem Wörter und Phrasen als negativ, positiv oder neutral klassifiziert werden.

Stimmungsanalyse-Tools überprüfen und klassifizieren große Mengen an Kundenfeedback, um einen Gesamt-Stimmungswert zu ermitteln.

So funktioniert es:

1. Training: Ein NLP-Modell wird auf einem bestehenden Datensatz trainiert, um zu lernen, wie Stimmungen klassifiziert werden.
2. Eingabe: Große Mengen an Kundenfeedback – etwa Social-Media-Kommentare, E-Mails oder Produktbewertungen – gelangen ins Modell für Meinungs- oder Textmining.
3. Vereinfachung: Das Modell entfernt Füllwörter und irrelevante Informationen wie Begrüßungen oder Grußformeln. Durch Stemming, also das Entfernen von Wortendungen, wird die Datenmenge weiter reduziert.
4. Identifikation: Das Modell durchsucht den verbleibenden Text nach wichtigen Verben, Nomen und anderen Wortarten.
5. Klassifikation: Das Modell vergibt für jedes Wort oder jede Phrase einen positiven, negativen oder neutralen Wert. Zum Beispiel könnte "ausgezeichnet" als positiv und "schrecklich" als negativ bewertet werden.
6. Bewertung: Abschließend berechnet das Tool aus den Einzelwerten einen Gesamtscore. So erkennen Marken gezielt, bei welchem Feedback Handlungsbedarf besteht – und können Veränderungen des allgemeinen Markenimages messen.

Hier ein einfaches Beispiel, wie dies für Marken funktioniert.

Stellen Sie sich folgende Yelp-Bewertungen für ein Pizzarestaurant vor:

• „Ich liebe Luigis – die beste Pizza, die ich je gegessen habe. Sie behandeln mich jedes Mal wie ein Familienmitglied.“
• „Die Pizza hier ist ziemlich gut. Ich habe schon bessere Pizza woanders gegessen, aber bei Luigi’s kann man sich darauf verlassen.“
• „Meine Pizza kam kalt an und der Teig schmeckte wie Pappe. Nicht zu empfehlen.“

Ein Sentiment-Analyse-Tool würde die erste Bewertung als positiv, die zweite als neutral und die dritte als negativ einstufen. Anschließend würde es eine Gesamtmetrik für die Kundenzufriedenheit bereitstellen.

NLP-Modelle können auch bestimmte Emotionen wie Freude, Traurigkeit oder Wut erkennen, was der Sentiment-Analyse zusätzlichen Kontext verleiht.

Welches NLP-Modell ist am besten für Sentiment-Analyse?

Support Vector Machines (SVM), Random Forest und Naive Bayes sind alles Modelle, die zur Analyse von Text auf Sentiment verwendet werden können.

Support Vector Machine (SVM)

Eine Support Vector Machine (SVM) ist ein Modell, das dabei hilft, Daten in Gruppen zu klassifizieren. Es funktioniert, indem es eine Linie oder Grenze erstellt, die eine Gruppe von Daten von einer anderen trennt. Nach dem Erstellen dieser Grenze kann die SVM vorhersagen, zu welcher Gruppe neue Datenpunkte gehören.

Schauen wir uns ein Beispiel an.

Stellen Sie sich vor, Sie haben Tausende von Fotos von Äpfeln und Orangen und möchten jedes entsprechend klassifizieren. Sie würden der SVM einen Satz mit gelabelten Daten geben, wie zum Beispiel:

• Äpfel: Form, Farbe, Größe
• Orangen: Form, Farbe, Größe

Während Sie der SVM neue Bilder zuführen, wird sie die gelabelten Daten verwenden, um vorherzusagen, ob es sich bei der Frucht um einen Apfel oder eine Orange handelt.

Support Vector Machines können zur Textklassifikation verwendet werden und sind somit eine hilfreiche Machine-Learning-Technik für Sentiment-Analysen. SVMs werden auch für Anwendungen wie Bilderkennung und Betrugserkennung eingesetzt.

Random Forest

Der Random-Forest-Algorithmus wird für Klassifikations- und Regressionaufgaben eingesetzt. Er kombiniert mehrere Entscheidungsbäume, um präzisere Vorhersagen zu treffen.

Und was genau ist ein Entscheidungsbaum?

Entscheidungsbäume sind Flussdiagramme, die bei der Entscheidungsfindung und Prognose helfen. An jeder Stufe des Baums führt das Beantworten einer Frage zu spezifischeren Folgefragen, was letzten Endes zu einer Antwort mit hoher Sicherheit führt.

Nehmen wir als Beispiel die Vorhersage, ob jemand ein bestimmtes Essen mag, basierend auf Alter, Geschlecht und Standort. Ein Entscheidungsbaum würde die Personen in immer kleinere Gruppen unterteilen, bevor er schließlich vorhersagt, dass ein fünfjähriger Junge aus den USA Chicken Nuggets lieben wird, während eine 35-jährige Frau aus Frankreich dies nicht tun würde.

Random Forest ist ein leistungsstarker Algorithmus, weil er die Ergebnisse vieler verschiedener Entscheidungsbäume kombiniert. Dies verringert die Fehlerwahrscheinlichkeit und sorgt für genauere Vorhersagen.

Naive Bayes

Naive Bayes ist ein einfacher Algorithmus, der für seine Geschwindigkeit und Effizienz bekannt ist. Er heißt „naiv“, weil angenommen wird, dass jedes Wort isoliert auftritt – was in der Realität natürlich so nicht ist.

Wenn Naive Bayes zum Beispiel verwendet werden würde, um E-Mails mit schädlichen Links zu erkennen, könnte er die Wahrscheinlichkeit für Wörter wie „Verifizierung“ oder „eFax“ im Betreff einer bösartigen Mail berechnen. Allerdings könnte der Algorithmus den gesamtheitlichen Kontext der E-Mail nicht erfassen.

Im Kontext der Sentiment-Analyse kann Naive Bayes aufgrund seiner Geschwindigkeit nützlich sein und eignet sich daher gut für eine grobe Auswertung großer Datensätze. Da Naive Bayes jedoch keinen Kontext versteht, ist er nicht so genau wie differenziertere Algorithmen.

Sentiment-Analyse-Tools mit NLP

Sentiment-Analyse-Tools lassen sich in zwei Hauptkategorien einteilen:

1. Entwickler-Tools: NLP-Toolkits werden von Entwicklern verwendet und benötigen in der Regel Programmierkenntnisse. Toolkits bieten Zugang zu vortrainierten Modellen per API, sodass Sie Text analysieren können, ohne ein eigenes Modell zu trainieren. Google und Amazon bieten beispielsweise NLP-Toolkits als Cloud-Dienst an. Eine weitere Option ist das Natural Language Toolkit (NLTK), eine Open-Source-Python-Bibliothek. Während NLTK und andere Open-Source-Tools effektiv für Sentiment-Analysen sind, sind sie nicht so benutzerfreundlich wie Endkunden-Tools.
2. B2B-Software: Sentiment-Analyse-Software ist für den kommerziellen Einsatz konzipiert und legt den Schwerpunkt auf die Benutzeroberfläche. Diese Tools bieten umfassende Dashboards, leistungsstarke Analysefunktionen und die Möglichkeit, die Stimmung im Zeitverlauf zu verfolgen.

Wenn Sie nicht selbst ein Sentiment-Analyse-Modell entwickeln möchten, ist die effektivste Methode die Nutzung von Software, die speziell dafür konzipiert wurde, Marken beim Analysieren und Verfolgen von Kundensentiment zu unterstützen.

Führende Sentiment-Analyse-Tools sind zum Beispiel:

• Brand24: Brand24 ist ein Social-Media-Monitoring-Tool, das Unternehmen hilft, ihre Online-Erwähnungen in Echtzeit zu verfolgen. Es liefert Sentiment-Analysen, die Informationen in positive, neutrale und negative Kategorien unterteilen, und bietet ein Diskussionsvolumen-Diagramm, um Social-Media-Gespräche zu beobachten. Brand24 bietet eine benutzerfreundliche, umsetzbare Oberfläche mit einfachem Zugang zu Erwähnungen und relevanten Keywords in sozialen Netzwerken, Nachrichten, Blogs, Videos, Foren und Rezensionen. Zu den Funktionen gehören ein Erwähnungs-Feed, ein Einflusswert, Sentiment-Analyse, individuelle Benachrichtigungen und Datenexporte.
• Diffbot: Diffbot ist ein KI-Web-Extraktionstool, das Daten von Millionen von URLs extrahiert, sie mithilfe von Natural Language Processing auf Sentiment analysiert und in umsetzbare Erkenntnisse umwandelt. Zu den Funktionen zählen die automatische Extraktion von Webinhalten, Inhaltskategorisierung, NLP und Knowledge Graphs. Das Tool spart Zeit bei der Recherche im Web und ist hochgradig anpassbar. Für die optimale Nutzung sind gewisse technische Vorkenntnisse erforderlich.
• Qualaroo: Qualaroo ist eine Feedback-Software, mit der Unternehmen direkt auf ihrer Website Kundenfragen einblenden können, um Einblicke zu gewinnen. Qualaroo bietet Umfragevorlagen, Sentiment-Analyse, Keyword-Erkennung und Emotionserkennung. Die Software stellt Echtzeitergebnisse aus NPS-Umfragen und Benachrichtigungen per Slack bereit. Qualaroo eignet sich hervorragend, um Kundenfeedback einzuholen, das zur Verbesserung der Customer Experience und Steigerung der Conversion beiträgt.
• NICE: Für CX-Teams, die auf der Suche nach einer umfassenden Cloud-CX-Plattform sind, könnte NICE die richtige Wahl sein. Es handelt sich um eine Customer-Experience-Software, die mithilfe von KI CX-Modelle auf Basis von Kundeninteraktionen erstellt. Die Sentiment-Analyse-Tools sammeln strukturierte und unstrukturierte Informationen und verwandeln sie in Geschäftseinblicke. Das Tool kann alle Kundeninteraktionen analysieren und interpretieren, um Echtzeit-Änderungen im Online-Ruf zu erkennen. NICE bietet unter anderem Konversations- und KI-Chatbots, Robotic Process Automation, KI-Routing, Performance-Analysen und Interactive Voice Response.
• Listen360: Listen360 ist ein Tool für Kundenbindung, mit dem Sie Feedback und Reaktionen von Kunden über verschiedene Online-Kanäle hinweg überwachen können. Es verfolgt positives und negatives Feedback aus sozialen Medien und dem Web und benachrichtigt Marken schnell, damit diese Gegenmaßnahmen einleiten können. Das Tool konzentriert sich auf Detraktoren und „gefährdete“ Kunden, sodass Verbesserungen schnell und gezielt umgesetzt werden können. Zu den Funktionen von Listen360 gehören Textanalyse, Echtzeit-Dashboards, NPS-Auswertung und Detraktoren-Warnungen.

Bessere CX durch Sentiment-Analyse

Wenn Sie bis hier gelesen haben: Glückwunsch – Sie verfügen jetzt über solides Grundwissen zu Sentiment-Analyse und NLP. Da sich die Genauigkeit dieser Tools schneller als je zuvor verbessert, gibt es keinen besseren Zeitpunkt, um ein Sentiment-Analyse-Tool auszuwählen und loszulegen.

Denken Sie dabei stets an das „Warum“ Ihrer Bemühungen:

Eine bessere Customer Experience schaffen.

Indem Sie Kundenfeedback umfassend erfassen und auf Sentiment analysieren, erhalten Sie einen beeindruckend aktuellen Einblick, wie Kunden über Ihre Marke oder Ihr Produkt denken. Sie erhalten auch ein tieferes Verständnis dafür, wie Sie Ihr Produkt an die Wünsche Ihrer Kunden anpassen können.

Mit NLP-Sentiment-Analyse haben Sie eine direkte Verbindung zu den Gedanken Ihrer Kunden – und der Einfluss auf Ihr Unternehmen ist nicht zu unterschätzen.

Lesen Sie mehr über die Vorteile der Sentiment-Analyse oder abonnieren Sie unseren Newsletter, um regelmäßig CX-Tipps direkt in Ihr Postfach zu erhalten.