Wie funktioniert Sentiment-Analyse?
Sie wissen vielleicht bereits, dass die Stimmungsanalyse eingesetzt wird, um festzustellen, ob ein Datenstück eine neutrale, positive oder negative Stimmung hat. Aber da Sie hier sind, stehen die Chancen gut, dass Sie bisher noch keine tiefgreifendere Vorstellung davon haben.
In diesem Artikel beantworte ich die Fragen: Was ist Stimmungsanalyse? Wie funktioniert Stimmungsanalyse? Und was kann Stimmungsanalyse für Sie leisten?
Wenn Sie dann Bescheid wissen, können Sie sich unsere Liste der 10 besten Tools für Stimmungsanalyse ansehen.
Join our community to access the full article
Unlock more content to help you turn AI into leverage, design experiences that build trust, and drive business impact.
Have an account? Log In
Was ist Stimmungsanalyse?
Bevor wir eintauchen, ein kurzer Rückblick darauf, was Stimmungsanalyse ist.
Als Menschen betreiben wir tagtäglich Stimmungsanalyse, um die Meinungen anderer einzuschätzen. Manchmal kann das schwierig sein – etwa bei einem besonders sarkastischen Freund oder wenn wir versuchen herauszufinden, was unser Chef bei seiner Rückmeldung zu einer großen Präsentation wirklich denkt! Stimmungsanalyse-Software versucht, diese sehr menschliche Erfahrung nachzuahmen.
Obwohl manche Software auch Sprache auswerten kann, werden die meisten Tools für Stimmungsanalyse im Bereich der Textanalyse eingesetzt, um die Gesamtstimmung eines Textes als positiv, negativ oder neutral zu klassifizieren. Dies wird als Polarität bezeichnet.
Übliche Datenquellen für Stimmungsanalyse sind Social-Media-Posts, Nachrichtenartikel, Online-Bewertungen, ausgewertete Feedback-Formulare, Umfrageantworten, Webseiten/Blogs/Foren. Stimmungsanalyse wird oft auch als Meinungsforschung, Emotions-KI oder – technisch ausgedrückt – Sentiment-Klassifizierung bezeichnet.
Es gibt vier Hauptarten der Stimmungsanalyse:
- Feingranular, auch Polarität genannt (positiv, negativ oder neutral)
- Gefühle und Emotionen (glücklich, wütend, traurig, amüsiert)
- Aspektbasiert (Meinung zu einem bestimmten Aspekt, z. B. Kamera eines Smartphones)
- Intention (interessiert, nicht interessiert, sehr interessiert).
Tools zur Stimmungsanalyse helfen Ihnen, die riesigen Mengen an subjektiven Daten im Web 2.0 zu durchforsten, um Rückmeldungen von Anspruchsgruppen zu verstehen.
Organisationen nutzen Stimmung auf verschiedene Arten. Viele Marken verwenden sie als Teil ihrer Marktforschung, um besser zu verstehen, was in ihrer Markenstrategie gut funktioniert und wo Verbesserungsbedarf besteht. Finanzinstitute nutzen sie, um Nachrichtenzyklen zu analysieren und Investitionsmöglichkeiten zu identifizieren.
Wie funktioniert Stimmungsanalyse?
Okay, jetzt schauen wir uns die Mechanik an, wie Stimmungsanalyse tatsächlich funktioniert. Im Kern ist Stimmungsanalyse eine Form von Data Science. Genauer gesagt ist es eine Form der natürlichen Sprachverarbeitung (NLP), einem Unterbereich der künstlichen Intelligenz (KI), um subjektive Meinungen aus Text- oder Sprachdaten zu identifizieren und zu klassifizieren.
KI in der Stimmungsanalyse für Kunden befindet sich genau an der Schnittstelle zwischen Computertechnologie und menschlicher Sprache – eine spannende Perspektive für jeden Datenwissenschaftler mit Faible für Linguistik.
Aber einfach ist es nicht. Um die Sprache in einem Text richtig zu erkennen und einen wahrheitsgetreuen Stimmungswert oder sinnvolle Erkenntnisse zu ermitteln, müssen Programme verschiedene Methoden einsetzen, die das nachahmen, was wir Menschen intuitiv tun. Diese Nachbildungen nehmen die Form komplexer Algorithmen (Anweisungen für Computer) an.
Da gibt es im Wesentlichen zwei Ansätze für die Stimmungsanalyse:
- Regelbasiert: Ein System auf Basis von Regeln, die manuell von Menschen festgelegt werden.
- Automatisch: Systeme, die mithilfe moderner Methoden des maschinellen Lernens selbst lernen.
Der grundlegende Unterschied zwischen beiden liegt im Lernansatz für das System. Diese Ansätze werden wir jetzt noch etwas näher beleuchten.
Regelbasierte Stimmungsanalyse
Die regelbasierte Methode verwendet NLP zusammen mit einem Satz von manuell festgelegten Regeln, um Subjektivität, Polarität oder das Thema einer Meinung zu identifizieren. Zu den eingesetzten NLP-Techniken zählen Stemming, Tokenisierung, Part-of-Speech-Tagging, Parsing und Lexikon-Analyse. Wenn Sie daran interessiert sind, können Sie hier mehr darüber lesen.
Hier ist ein einfaches Beispiel für regelbasierte Sentiment-Analyse.
Um die Polarität eines Textstücks zu bestimmen, müssen Sentiment-Analyse-Tools diesen zunächst mit NLP in einzelne Komponenten, d. h. Wörter und Phrasen, zerlegen. Anschließend werden diese mit einer Datenbank – auch Lexikon oder Sentiment-Bibliothek genannt – abgeglichen, die aus einer Sammlung manuell gesammelter und bewerteter Wörter und Phrasen besteht.
In der Regel erhalten neutrale Wörter und Phrasen einen Wert von null. Wörter mit einer deutlich negativen Bedeutung erhalten eine negative Bewertung, während positive Wörter einen positiven Wert bekommen. Bei einer Produktbewertung werden beispielsweise Wörter und Formulierungen wie schlecht, enttäuschend, furchtbar und schrecklicher Kundenservice negativ bewertet, während gut, großartig, hilfreich und nützlich positiv bewertet werden.
Der Aufbau einer Sentiment-Bibliothek und der entsprechenden Regeln ist ein aufwändiger Prozess. Man muss jedem Wort sorgfältig eine Bewertung zuweisen und sinnvolle Vergleiche anstellen. Beispielsweise muss das System verstehen, dass „schlecht“ ein negatives Wort ist, „schrecklich“ jedoch noch negativer; „gut“ ist positiv und „amazing“ (wunderbar) sogar noch positiver.
Das regelbasierte System lässt sich zwar schnell erstellen, ist aber in gewissem Maße eingeschränkt. Denn es kann keine Wörter erkennen, die nicht in der Bibliothek enthalten sind, noch kann es Wörter im Kontext analysieren – dadurch ist es schwierig, sprachliche Feinheiten wie Sarkasmus, Homonyme und Polysemie zu erfassen. Die Aussage „Nennen Sie das exzellenten Kundenservice?“ könnte beispielsweise leicht fehlinterpretiert werden.
Auch der Unterhalt sowie die Aktualisierung regelbasierter Systeme sind mit hohem Aufwand verbunden. Es müssen laufend neue Regeln manuell hinzugefügt werden, um mit der Entwicklung der Online-Sprache Schritt zu halten. Neue Regeln zu ergänzen birgt zudem das Risiko, bestehende Ergebnisse zu beeinflussen.
Automatisierte Sentiment-Analyse
Anstatt sich auf einen Satz manuell erstellter und stetig aktualisierter Regeln zu stützen, werden automatische Sentiment-Analyse-Systeme mithilfe von Machine Learning-Techniken trainiert. Hier bezeichnet maschinelles Lernen Algorithmen, die Deep Learning nutzen, um mit jedem Hindernis, das sie überwinden, jedem nötigen menschlichen Eingriff oder erhaltenem Nutzerfeedback immer genauer zu werden.
Es wird technisch, aber hier ist eine vereinfachte Darstellung, wie es funktioniert.
- Finden Sie einen großen Datensatz, der Ihren Analysewünschen entspricht, und versehen Sie einige Beispiele mit Labels. Das stellt die Trainingsdaten dar. Sie geben dem System keine Regeln, sondern Beispiele.
- Verwenden Sie diese Trainingsdaten, um Ihr Machine-Learning-Modell zu entwickeln. Dies besteht aus Klassifizierungsalgorithmen wie linearer Regression, naive bayes, Support-Vektormaschinen, RNN-Derivaten LSTM und GRU. Wie der Name schon sagt, dienen diese zur Klassifizierung von Daten (positiv, negativ, glücklich, traurig usw.). Wenn Sie mehr wissen möchten, finden Sie hier weitere Informationen dazu.
- Wenn Ihr Modell funktioniert, kann es nach ausreichender Fütterung mit relevanten Daten eigene Vorhersagen zur Klassifizierung bisher unbekannter Daten machen. Es hat seine eigenen Regeln identifiziert!
- Verbessern Sie die Genauigkeit dieser Modelle kontinuierlich, indem Sie weitere Beispiele bereitstellen.
Der Vorteil des automatischen Ansatzes ist die Anpassungsfähigkeit und die Möglichkeit, Modelle für unterschiedliche Zwecke und Kontexte zu trainieren.
Ein Beispiel: Wir wissen, dass das Wort Phoenix sowohl für den mythischen Vogel steht als auch für die Stadt Phoenix in Arizona. Ein Machine-Learning-Algorithmus kann darauf trainiert werden, im jeweiligen Kontext zu erkennen, welche Bedeutung von Phoenix in einem Satz gemeint ist. Diese Erfahrung kann er dann auf ähnliche Fälle übertragen.
Ebenso markiert ein Modell „woke“ (im Sinne von ‚aufgewacht‘) als ein neutrales Wort. Inzwischen wird „woke“ jedoch auch als Slang für „soziopolitisch bewusst“ verwendet, also als neu entstandenes Homonym. Erhält der Algorithmus entsprechendes Nutzerfeedback, kann er dieses Wissen auf zukünftige Analysen anwenden. Das Wort „woke“ erhält nun in bestimmten Kontexten eine positivere Bewertung.
Automatisierte Methoden gelten generell als überlegen. Allerdings liegt der Nachteil automatisierter, auf Machine Learning basierender Ansätze darin, dass sie auf bereits gelabelte, historische Daten angewiesen sind und das Training eine gewisse Zeit beansprucht. Außerdem werden dafür hochqualifizierte Data Scientists benötigt!
Hybrider Ansatz
Die Kombination aus Natural Language Processing und maschinellem Lernen, die als hybrider Ansatz bezeichnet wird, gilt weithin als Methode zur Verbesserung der Genauigkeit der Sentiment-Analyse. Natural Language Processing dient dazu, die Stimmung von Wörtern und Wortarten zu verstehen. Maschinelles Lernen wird eingesetzt, um mit der ständigen Weiterentwicklung der Sprache umzugehen, Wörter im Kontext zu betrachten und komplexe Sprachprozesse wie Homonyme zu erkennen.
Anwendungsbereiche der Sentiment-Analyse
Wie bereits erwähnt, ist die Sentiment-Analyse äußerst nützlich für Organisationen, die wissen möchten, wie Menschen über sie denken. Da ständig und weltweit Unmengen an Daten generiert werden, kann Ihnen die Sentiment-Analyse dabei helfen, dies alles in Echtzeit zu überblicken und zu verstehen.
Hier sind einige Wege, wie diese Technologie bereits einen Unterschied macht:
Reaktion auf das Kundenerlebnis
Feedback zum Kundenerlebnis kann organisch aus dem Internet bezogen werden (zum Beispiel Social-Media-Erwähnungen) oder aus Feedback, das Sie aktiv einholen. Idealerweise gibt es einen umfangreichen und vielfältigen Datensatz, auf dem Sie aufbauen können. In diesem Fall kann eine Sentiment-Analyse-Software eine große Datenmenge schnell abdecken und wertvolle Erkenntnisse liefern. Diese können dann in Ihr Reputationsmanagement einfließen, Produktinnovationen anstoßen und den Kundenservice verbessern.
Wettbewerber beobachten
Durch das Überwachen der Stimmungslage Ihrer Wettbewerber können Sie deren Marktstellung gut einschätzen und mit Ihrer eigenen vergleichen. Angenommen, Ihre Twitter-Erwähnungen sind zu 40 Prozent positiv, zu 30 Prozent negativ und der Rest neutral. Woher wissen Sie, ob das gut ist? Nun, wenn Ihr größter Wettbewerber bei etwa 60 Prozent positiv, 30 Prozent negativ und der Rest neutral liegt, haben Sie noch etwas zu tun. Wenn die Stimmung bei der Konkurrenz dagegen zu 50 Prozent negativ ist, wissen Sie, dass Sie im Branchenvergleich ganz gut dastehen.
Mitarbeitererlebnis
Schließlich kann die Sentiment-Analyse auch dabei helfen, Daten zu analysieren, die von HR-Teams verwendet werden, um herauszufinden, was Mitarbeitende glücklich macht oder warum sie ein Unternehmen verlassen. Durch die Identifizierung häufiger Beschwerden und Probleme erhalten Arbeitgeber handlungsrelevante Erkenntnisse darüber, wie Fluktuation verringert und die Arbeitsleistung verbessert werden kann. Dies ist besonders für Unternehmen mit vielen Beschäftigten hilfreich, da das Management keine Zeit hätte, mit Hunderten von Mitarbeitenden individuell zu sprechen.
Ist Sentiment-Analyse genau?
Da viele der Sentiment-Analysen, die wir Menschen durchführen, subjektiv sind, ist es unrealistisch zu erwarten, dass ein Sentiment-Analyse-Tool zu 100 Prozent exakt arbeitet. Datenwissenschaftler werden immer besser darin, genauere Sentiment-Klassifizierer zu entwickeln, aber es gibt noch Verbesserungsbedarf.
Was sind die größten Herausforderungen für ein Sentiment-Analyse-Modell? Einige davon wurden bereits erwähnt, und es sind genau die Probleme, die auch für Menschen die Analyse erschweren. Die häufigsten Schwierigkeiten sind:
- Sarkasmus. Wer schon einmal die Kommentarspalten gelesen oder eine Textnachricht erhalten hat, bei der man nicht sicher war, ob der Absender es ernst meint, weiß: Sarkasmus ist in geschriebener Form schwer einzuschätzen. Betrachten Sie diese beiden Situationen:
Der Zug ist heute schon wieder nur 30 Minuten zu spät. Bin so froh, dass er zuverlässig ist!
Der Zug ist heute schon wieder nur 2 Minuten zu spät. Bin so froh, dass er zuverlässig ist!
Offensichtlich ist der Zug, der 30 Minuten zu spät kommt, nicht zuverlässig, aber eine Sentiment-Analyse-Software könnte hiermit Schwierigkeiten haben.
- Multipolarität. Manchmal kann ein Satz etwas Positives zu einem Thema und gleichzeitig etwas Negatives zu einem anderen sagen. Beispiel: „Pepsi ist viel besser als Coke.“ Dieser Satz sagt etwas Positives über Pepsi und Negatives über Coke – und das in nur sechs Wörtern. Ein Sentiment-Analyse-System wird diesen Sachverhalt ohne eine ausgefeilte Programmierung vermutlich nicht korrekt bewerten.
- Negationen. Eine Negation kehrt die Bedeutung eines Wortes oder Satzes um, wie zum Beispiel: „Ich würde nicht sagen, dass das Essen gut war.“ Auch wir Menschen haben manchmal Schwierigkeiten, die Bedeutung eines solchen Satzes zu erfassen – da ist es nicht verwunderlich, dass auch Sentiment-Analysis-Tools ins Straucheln geraten.
Fazit
Nun wissen Sie alles über Sentiment-Analyse und wie sie zur Auswertung von Daten eingesetzt werden kann, um die Meinung der Kunden über Ihre Marke zu erfassen.
Sentiment-Analyse-Tools nehmen Ihnen einen großen Teil der Arbeit ab, aber es ist immer ratsam, dass ein Mensch eine zufällige Stichprobe überprüft, um Aspekte zu erkennen, die Maschinen schwer verstehen. Am effektivsten ist die Sentiment-Analyse, wenn Technologie und Mensch Hand in Hand zusammenarbeiten.
Suchen Sie nach weiteren Einblicken in das Kundenerlebnis? Abonnieren Sie den CX Lead Newsletter.
Ähnliche Lektüre: 10 Beste Kundenservice-Software für KMU und große Unternehmen
