Wie funktioniert die Sentiment-Analyse?
Sie wissen vielleicht bereits, dass Sentiment-Analyse dazu verwendet wird, um festzustellen, ob ein Datensatz eine neutrale, positive oder negative Stimmung aufweist. Aber da Sie hier sind, ist die Wahrscheinlichkeit groß, dass Ihr Verständnis darüber nicht viel tiefer geht.
In diesem Artikel beantworte ich die Fragen: Was ist Sentiment-Analyse? Wie funktioniert Sentiment-Analyse? Und was kann Sentiment-Analyse für Sie tun?
Sobald Sie bestens informiert sind, können Sie sich unsere Liste der 10 besten Sentiment-Analyse-Tools ansehen.
Unlock the CX Vault
Sign up for free to access all CX Lead articles, exclusive events, premium resources, our expert newsletter, and more!
Already a member? Log In
Was ist Sentiment-Analyse?
Bevor wir tiefer einsteigen, eine kurze Zusammenfassung, was Sentiment-Analyse ist.
Als Menschen wenden wir täglich Sentiment-Analyse an, um die Meinungen anderer zu beurteilen. Manchmal ist das schwierig, zum Beispiel wenn wir mit einem besonders sarkastischen Freund umgehen oder versuchen herauszufinden, was unser Chef bei einer großen Präsentation wirklich meint! Sentiment-Analyse-Software versucht, genau diese menschliche Erfahrung nachzuahmen.
Obwohl manche Software auch Sprache auswerten kann, werden die meisten Sentiment-Analyse-Tools für die Textanalyse eingesetzt, um die Gesamtstimmung eines Texts als positiv, negativ oder neutral zu klassifizieren. Das nennt man Polarität.
Typische Datenquellen für Sentiment-Analyse sind Social Media-Beiträge, Nachrichtenartikel, Online-Bewertungen, Feedback-Formulare, Umfrageantworten, Webseiten/Blogs/Foren. Man hört auch die Begriffe Opinion Mining, Emotion AI oder – etwas technischer – Sentiment-Klassifikation.
Es gibt vier Hauptarten der Sentiment-Analyse:
- Feingranular, auch Polarität genannt (positiv, negativ oder neutral)
- Gefühle und Emotionen (glücklich, wütend, traurig, amüsiert)
- Aspekt-basiert (identifiziert Meinungen zu einem bestimmten Aspekt, z.B. Kamera eines Smartphones)
- Intention (interessiert, nicht interessiert, sehr interessiert).
Sentiment-Analyse-Tools helfen dabei, die riesige Menge an subjektiven Daten in Web 2.0 zu durchforsten, um das Feedback der Stakeholder zu verstehen.
Organisationen nutzen Stimmungsanalysen auf unterschiedliche Weise. Viele Marken verwenden sie als Teil ihrer Marktforschung, um zu verstehen, was in ihrer Markenstrategie gut läuft und wo Verbesserungen nötig sind. Ein weiteres Beispiel ist der Einsatz durch Finanzinstitute, um Nachrichtenzyklen zu analysieren und Investitionsmöglichkeiten zu erkennen.
Wie funktioniert Sentiment-Analyse?
Okay, jetzt schauen wir uns an, wie Sentiment-Analyse tatsächlich funktioniert. Im Grunde ist Sentiment-Analyse eine Form der Datenwissenschaft. Genauer gesagt handelt es sich um Natural Language Processing (NLP), einem Teilgebiet der Künstlichen Intelligenz (KI), zur Identifikation und Klassifizierung subjektiver Meinungen aus Text- oder Sprachdaten.
Sentiment-Analyse bewegt sich genau an der Schnittstelle von Computertechnologie und menschlicher Sprache – ein spannendes Gebiet für jeden Datenwissenschaftler mit Interesse an Linguistik.
Das ist allerdings nicht einfach. Um die Sprache eines Textes wirklich zu verstehen und einen präzisen Sentiment-Score oder sinnvolle Erkenntnisse zu liefern, müssen Programme eine Vielzahl von Methoden nutzen, die unser menschliches Verhalten simulieren. Diese Simulationen erfolgen durch fortgeschrittene Algorithmen (Anweisungen für Computer).
Ab hier gibt es zwei Hauptansätze für Sentiment-Analyse:
- Regelbasierte Systeme: Ein System auf Basis von Regeln, die von Menschen manuell festgelegt werden.
- Automatische Systeme: Systeme, die selbstständig mit modernen Methoden des maschinellen Lernens dazulernen.
Der Grundunterschied zwischen beiden liegt im Ansatz, das System zu "lehren". Im Folgenden gehen wir ausführlicher darauf ein.
Regelbasierte Sentiment-Analyse
Die regelbasierte Methode nutzt NLP in Verbindung mit einer Menge manuell definierter Regeln, um Subjektivität, Polarität oder das jeweilige Thema einer Meinung zu erkennen. Zu den verwendeten NLP-Techniken gehören Stemming, Tokenisierung, Part-of-Speech-Tagging, Parsing und Lexikon-Analyse. Wer möchte, kann hier mehr darüber lesen.
Hier ein einfaches Beispiel für eine regelbasierte Sentiment-Analyse.
Um die Polarität eines Textes zu bestimmen, müssen Sentiment-Analyse-Tools ihn zunächst mithilfe von NLP in Einzelteile, also Wörter und Phrasen, zerlegen. Diese werden dann mit einer Datenbank abgeglichen – auch Lexikon oder Stimmungsbibliothek genannt –, die aus manuell gesammelten und bewerteten Wörtern und Phrasen besteht.
Im Allgemeinen wird neutralen Wörtern eine Bewertung von Null zugewiesen. Deutlich negative Begriffe erhalten einen negativen Wert, positive einen positiven. Beispielsweise erhielten in einer Produktbewertung Wörter und Phrasen wie "schlecht", "enttäuschend", "schrecklich" und "schlimmer Kundendienst" eine negative Bewertung, während "gut", "großartig", "hilfreich" und "nützlich" positiv bewertet würden.
Das Erstellen einer Stimmungsbibliothek und der zugehörigen Regeln ist ein aufwändiger Prozess. Man muss jedem Wort eine Bewertung zuweisen und sinnvolle Vergleiche anstellen. Zum Beispiel muss das System verstehen, dass "schlecht" ein negatives Wort ist, aber "schrecklich" noch negativer; "gut" ist positiv und "fantastisch" noch positiver.
Das regelbasierte System lässt sich schnell erstellen, ist aber auch eingeschränkt. Es erkennt keine Wörter, die nicht in der Bibliothek stehen, oder kann Wörter nicht im Kontext analysieren—was es schwierig macht, Komplexitäten wie Sarkasmus, Homonyme und Polysemie zu erkennen. Die Formulierung "nennen Sie das exzellenten Kundenservice?" würde zum Beispiel leicht fehlinterpretiert werden.
Regelbasierte Systeme verursachen außerdem einen hohen Wartungsaufwand: Ständig müssen neue Regeln manuell ergänzt werden, um mit der Entwicklung der Onlinesprache Schritt zu halten. Neue Regeln können sich zudem auf vorherige Ergebnisse auswirken.
Automatische Sentiment-Analyse
Statt auf manuell erstellte und gepflegte Regeln zu setzen, werden automatische Sentiment-Analyse-Systeme mithilfe von Machine Learning-Techniken trainiert. Hierbei bezeichnet Machine Learning Algorithmen, die mit Deep Learning immer genauer werden, je häufiger sie auf Probleme stoßen, menschliche Unterstützung erhalten oder Nutzer-Feedback bekommen.
Das kann technisch werden, aber hier eine vereinfachte Darstellung des Ablaufs:
- Finden Sie einen großen Datensatz, der dem zu analysierenden Datentyp ähnelt, und taggen Sie einige Beispiele. Diese werden zum Trainingsdatensatz. Sie geben dem System keine Regeln, sondern Beispiele.
- Mit den Trainingsdaten entwickelt man ein Machine-Learning-Modell. Es verwendet Klassifikationsalgorithmen wie Lineare Regression, Naive Bayes, Support Vector Machines, RNN-Derivate wie LSTM und GRU. Wie der Name schon sagt, dienen diese Algorithmen dazu, Daten zu klassifizieren (positiv, negativ, glücklich, traurig usw.). Wer mehr wissen will: Hier gibt es weiterführende Informationen.
- Wenn das Modell funktioniert, kann es nach ausreichend Relevanz neuer Daten künftig eigene Vorhersagen treffen und bislang unbekannte Daten klassifizieren. Es hat also eigene "Regeln" erkannt!
- Verbessern Sie die Genauigkeit dieser Modelle, indem Sie stetig weitere Beispiele hinzufügen.
Der Vorteil des automatischen Ansatzes ist die Möglichkeit, Modelle für viele verschiedene Zwecke und Kontexte zu trainieren und anzupassen.
Beispielsweise wissen wir, dass das Wort Phoenix für einen mystischen Vogel steht und auch für die Stadt Phoenix in Arizona. Ein Machine-Learning-Algorithmus kann darauf trainiert werden, im Kontext zu erkennen, welche Bedeutung im Satz gemeint ist – und diese Erfahrung auf ähnliche Fälle anwenden.
Ähnlich wird „woke“ (bedeutet „aufgewacht sein“) als neutrales Wort eingestuft. Doch inzwischen ist „woke“ auch Slang für „soziopolitisch bewusst“, eine frisch entstandene Homonymie. Sobald ein Algorithmus dieses Feedback erhält, kann er diese neue Bedeutung bei jeder weiteren Analyse berücksichtigen. Das Wort „woke“ erhält in bestimmten Kontexten nun einen eher positiven Wert.
Automatisierte Methoden gelten in der Regel als überlegen. Nachteil des automatischen Machine-Learning-Verfahrens ist jedoch, dass es auf entsprechend gekennzeichnete historische Daten angewiesen ist und das Training unter Umständen Zeit braucht. Zudem werden dafür hochqualifizierte Data Scientists benötigt!
Hybrider Ansatz
Kombiniert man Natural Language Processing mit maschinellem Lernen – was als hybrider Ansatz bezeichnet wird –, so wird damit die Genauigkeit der Sentiment-Analyse gemeinhin verbessert. Natural Language Processing wird genutzt, um die Wort-Bewertung und Satzstruktur zu verstehen. Maschinelles Lernen hilft, mit dem ständigen Wandel der Sprache umzugehen, Wörter im Kontext zu sehen und komplexe Sprachprozesse wie Homonymie zu erfassen.
Anwendungsbereiche der Sentiment-Analyse
Wie schon erwähnt, ist Sentiment-Analyse extrem nützlich für Unternehmen, die wissen wollen, wie Menschen über sie denken. Bei der schieren Menge an Daten, die überall und jederzeit entstehen, hilft Sentiment-Analyse, den Überblick zu bewahren – und das in Echtzeit.
Hier einige Einsatzmöglichkeiten, in denen diese Technologie bereits einen Unterschied macht:
Reaktion auf das Kundenerlebnis
Kundenfeedback kann organisch im Internet gesammelt werden (beispielsweise durch Erwähnungen in sozialen Medien) oder aus Feedback, das Sie aktiv selbst einholen. Idealerweise haben Sie einen großen, vielfältigen Datensatz, mit dem Sie arbeiten können. In diesem Fall kann Sentiment-Analyse-Software helfen, eine große Menge an Daten schnell auszuwerten und wertvolle Einblicke zu gewinnen. Diese Erkenntnisse können dann zur Reputationspflege, zur Förderung von Produktinnovationen und zur Verbesserung des Kundensupports genutzt werden.
Beobachten Sie die Konkurrenz
Indem Sie das Sentiment Ihrer Wettbewerber beobachten, bekommen Sie ein gutes Gefühl für deren Marktposition und können diese 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 Konkurrent etwa 60 Prozent positive, 30 Prozent negative und der Rest neutrale Erwähnungen hat, haben Sie noch Nachholbedarf. Sind die Stimmungen Ihres Mitbewerbers hingegen zu 50 Prozent negativ, wissen Sie, dass Sie im Branchenvergleich ganz gut dastehen.
Mitarbeitererfahrung
Schließlich kann die Sentiment-Analyse auch genutzt werden, um Daten auszuwerten, die von HR-Teams verwendet werden, um zu verstehen, was Mitarbeiter glücklich macht oder warum sie ein Unternehmen verlassen. Durch das Aufdecken häufiger Beschwerden und Probleme erhalten Arbeitgeber konkrete Hinweise darauf, wie sie Fluktuation verringern und die Mitarbeiterleistung verbessern können. Diese Möglichkeit ist besonders für Unternehmen mit vielen Mitarbeitenden nützlich, da das Management nicht die Zeit hätte, mit Hunderten Mitarbeitenden einzeln zu sprechen.
Ist Sentiment-Analyse genau?
Da viel von der Sentiment-Analyse, die wir als Menschen durchführen, subjektiv ist, ist es unrealistisch zu erwarten, dass ein Tool zur Sentiment-Analyse zu 100 Prozent genau ist. Datenwissenschaftler werden zwar immer besser darin, genauere Klassifizierer zu entwickeln, aber es gibt immer noch Verbesserungsbedarf.
Was sind die größten Herausforderungen für ein Sentiment-Analyse-Modell? Einige haben wir bereits genannt – und es sind dieselben Schwierigkeiten, die die Sentiment-Analyse auch für Menschen herausfordernd machen. Die häufigsten Probleme sind:
- Sarkasmus. Wer schon einmal Zeit in Kommentarbereichen verbracht oder eine Textnachricht erhalten hat, bei der unklar war, ob sie ernst gemeint ist, weiß, dass Sarkasmus in Text schwer zu erkennen ist. Betrachten Sie die folgenden zwei Situationen:
Der Zug hat heute wieder nur 30 Minuten Verspätung. So schön verlässlich!
Der Zug hat heute wieder nur 2 Minuten Verspätung. So schön verlässlich!
Offensichtlich ist der Zug mit 30 Minuten Verspätung nicht verlässlich, aber eine Sentiment-Analyse-Software könnte Schwierigkeiten haben, das zu erkennen.
- Multipolarität. Manchmal kann ein einziger Satz sowohl etwas Positives als auch etwas Negatives ausdrücken. Zum Beispiel: „Pepsi ist viel besser als Coke.“ Dieser Satz vermittelt mit nur sechs Worten eine positive Aussage zu Pepsi und eine negative zu Coke. Ein Sentiment-Analyse-System wird dies ohne ausgefeiltere Programmierung vermutlich nicht korrekt bewerten können.
- Negationen. Eine Negation liegt vor, wenn Sie die Bedeutung eines Wortes oder einer Phrase umkehren, etwa: „Ich würde nicht sagen, dass das Essen gut war.“ Auch wir Menschen haben manchmal Mühe, die Bedeutung solcher Sätze zu verstehen – wenig verwunderlich, dass Sentiment-Analyse-Tools damit ebenfalls zu kämpfen haben.
Fazit
Jetzt wissen Sie alles über die Sentiment-Analyse und wie sie eingesetzt werden kann, um Kundendaten auszuwerten und die Meinung zu Ihrer Marke einzuschätzen.
Sentiment-Analyse-Tools nehmen Ihnen viel Arbeit ab, aber es ist immer sinnvoll, dass auch ein Mensch stichprobenartig die Ergebnisse prüft und auf Dinge achtet, die Maschinen schwerer erfassen. Die Sentiment-Analyse ist besonders wirkungsvoll, wenn Mensch und Technologie zusammenarbeiten.
Suchen Sie nach weiteren Einblicken zum Kundenerlebnis? Abonnieren Sie den The CX Lead Newsletter.
Weiterlesen: 10 beste Customer-Support-Softwares für KMU und Großunternehmen
