Was ist die Stimmungsanalyse?

Da die Menschen heute mehr Möglichkeiten haben als je zuvor, ihre Gefühle online auszudrücken, benötigen Unternehmen leistungsstarke Tools, mit denen sie nahezu in Echtzeit verfolgen können, was über sie und ihre Produkte und Dienstleistungen gesagt wird. In einem kürzlich veröffentlichten Bericht der Technology and Services Industry Association heißt es: Je mehr Unternehmen die Stimmungsanalyse einführen und damit beginnen, Konversationen und Interaktionen zu analysieren, desto einfacher wird es, die Reibungspunkte für Kunden in jeder Phase der Customer Journey zu identifizieren. ¹

Objektivere Ergebnisse aus Kundenrezensionen

Die neuesten auf künstlicher Intelligenz (KI) basierenden Stimmungsanalyse-Tools helfen Unternehmen, Bewertungen und Net Promoter Scores (NPS) nach persönlicher Voreingenommenheit zu filtern und objektivere Meinungen über ihre Marke, Produkte und Dienstleistungen zu erhalten. Wenn zum Beispiel ein Kunde in einer Bewertung sowohl eine positive als auch eine negative Meinung äußert, könnte eine Person, die die Bewertung auswertet, diese als negativ einstufen, bevor sie auf die positiven Worte stößt. Die KI-gestützte Stimmungsklassifizierung hilft dabei, den Text objektiv zu sortieren und zu klassifizieren, so dass dies nicht passiert und beide Stimmungen widergespiegelt werden.  

Höhere Skalierbarkeit von Business Intelligence-Programmen

Mit Hilfe der Stimmungsanalyse können Unternehmen, die über große Mengen unstrukturierter Daten verfügen, diese schnell und effizient analysieren und daraus aussagekräftige Erkenntnisse gewinnen. Bei der Menge an Text, die von Kunden über digitale Kanäle generiert wird, können menschliche Teams leicht mit Informationen überflutet werden. Leistungsstarke, cloudbasierte und KI-gestützte Tools zur Analyse der Kundenstimmung helfen Unternehmen dabei, aus ihren Kundendaten in großem Umfang Business Intelligence zu gewinnen, ohne unnötige Ressourcen zu verbrauchen.

Überwachung der Markenreputation in Echtzeit

Moderne Unternehmen müssen in Krisensituationen schnell reagieren. In sozialen Medien geäußerte Meinungen, ob wahr oder falsch, können den Ruf einer Marke zerstören, der über Jahre hinweg aufgebaut wurde. Robuste, KI-gestützte Tools zur Stimmungsanalyse helfen Führungskräften, die allgemeine Stimmung rund um ihre Marke zu überwachen, damit sie potenzielle Probleme erkennen und schnell darauf reagieren können.

Die Stimmungsanalyse verwendet die Verarbeitung natürlicher Sprache (Natural Language Processing – NLP) und maschinelles Lernen (Machine Learning – ML), um Computersoftware darauf zu trainieren, Text auf ähnliche Weise wie Menschen zu analysieren und zu interpretieren. Die Software verwendet einen von zwei Ansätzen – regelbasiert oder ML – oder eine Kombination aus beiden, die als Hybrid bezeichnet wird. Jeder Ansatz hat seine Stärken und Schwächen. Während ein regelbasierter Ansatz Ergebnisse nahezu in Echtzeit liefern kann, sind ML-basierte Ansätze anpassungsfähiger und können in der Regel komplexere Szenarien bewältigen.

Regelbasierte Stimmungsanalyse

Beim regelbasierten Ansatz wird die Software darauf trainiert, bestimmte Schlüsselwörter in einem Textblock anhand von Wortgruppen oder Lexika zu klassifizieren, die die Absicht des Autors beschreiben. Zu den Wörtern eines positiven Lexikons gehören beispielsweise „erschwinglich“, „schnell“ und „gut verarbeitet“, während Wörter eines negativen Lexikons „teuer", „langsam" und „schlecht ausgeführt“ enthalten können. Anschließend durchsucht die Software den Klassifikator nach Wörtern im positiven oder negativen Lexikon und berechnet einen Gesamtstimmungswert auf der Grundlage der Anzahl der verwendeten Wörter und des Stimmungswerts für jede Kategorie.

Stimmungsanalyse durch maschinelles Lernen

Bei einem auf maschinellem Lernen (ML) basierenden Ansatz wird ein Algorithmus verwendet, um eine Software darauf zu trainieren, die Stimmung in einem Textblock anhand der darin enthaltenen Wörter und ihrer Reihenfolge zu beurteilen. Die Entwickler verwenden Algorithmen zur Stimmungsanalyse, um der Software beizubringen, Emotionen in Texten zu erkennen, ähnlich wie es Menschen tun. ML-Modelle „lernen“ weiterhin aus den Daten, mit denen sie gefüttert werden, daher der Name „maschinelles Lernen“. Hier sind einige der am häufigsten verwendeten Klassifizierungsalgorithmen:

• Lineare Regression: Ein Statistikalgorithmus, der einen Wert (Y) auf der Grundlage einer Reihe von Features (X) beschreibt.

• Naive Bayes: Ein Algorithmus, der den Satz von Bayes verwendet, um Wörter in einem Textblock zu kategorisieren.

• Support-Vektor-Maschinen: Ein schneller und effizienter Klassifizierungsalgorithmus zur Lösung von Zweigruppen-Klassifizierungsproblemen.

• Deep Learning (DL): Deep Learning, auch als künstliches neuronales Netz bekannt, ist eine fortschrittliche Technik des maschinellen Lernens, die mehrere Algorithmen kombiniert, um die Funktionsweise des menschlichen Gehirns nachzuahmen.

Hybrider Ansatz

Ein hybrider Ansatz zur Textanalyse kombiniert sowohl ML- als auch regelbasierte Funktionen, um Genauigkeit und Geschwindigkeit zu optimieren. Während dieser Ansatz sehr genau ist, erfordert er mehr Ressourcen wie Zeit und technische Kapazität als die beiden anderen.

Zusätzlich zu den verschiedenen Ansätzen, die bei der Entwicklung von Stimmungsanalyse-Tools verwendet werden, gibt es auch verschiedene Arten von Stimmungsanalysen, die Unternehmen je nach ihren Bedürfnissen einsetzen. Die drei beliebtesten Arten, die emotionsbasierte, die feingranulare und die aspektbasierte Stimmungsanalyse (ABSA), beruhen alle auf der Fähigkeit der zugrundeliegenden Software, die so genannte Polarität zu messen, d. h. das allgemeine Gefühl, das durch einen Text vermittelt wird.

Im Allgemeinen kann die Polarität eines Textes als positiv, negativ oder neutral beschrieben werden. Durch eine weitere Kategorisierung des Textes, z. B. in Untergruppen wie „extrem positiv“ oder „extrem negativ“, können einige Modelle zur Stimmungsanalyse subtilere und komplexere Emotionen erkennen. Die Polarität eines Textes ist das am häufigsten verwendete Maß zur Beurteilung textueller Emotionen und wird von der Software als numerische Bewertung auf einer Skala von eins bis hundert ausgedrückt. Null steht für eine neutrale Stimmung und 100 für die extremste Stimmung.

Hier sind die drei am häufigsten verwendeten Arten der Stimmungsanalyse:

Feingranular (abgestuft)

Bei der feingranularen oder abgestuften Stimmungsanalyse werden Texte nach verschiedenen Emotionen und dem Grad der ausgedrückten Emotion gruppiert. Die Emotionen werden dann auf einer Skala von null bis 100 bewertet, ähnlich wie bei Verbraucher-Websites, auf denen die Kundenzufriedenheit mit Sternen bewertet wird.

Aspektbasierte Stimmungsanalyse (ABSA)

Bei der aspektbasierten Stimmungsanalyse (ABSA) wird der Umfang des zu untersuchenden Textes auf einen einzelnen Aspekt eines Produkts, einer Dienstleistung oder einer Customer Experience beschränkt, den ein Unternehmen analysieren möchte. Beispielsweise könnte eine preisgünstige Reise-App ABSA verwenden, um zu verstehen, wie intuitiv eine neue Benutzeroberfläche ist, oder um die Effizienz eines Chatbots für den Kundenservice zu messen. ABSA kann Unternehmen dabei helfen, besser zu verstehen, auf welche Weise ihre Produkte erfolgreich sind oder hinter den Kundenerwartungen zurückbleiben.

Erkennung von Emotionen

Die auf der Erkennung von Emotionen beruhende Stimmungsanalyse versucht, den psychologischen Zustand der Person hinter einem Text zu verstehen, einschließlich ihres Gemütszustands zum Zeitpunkt des Schreibens und ihrer Absichten. Sie ist komplexer als die feinkörnige oder die aspektbasierte Stimmungsanalyse und wird typischerweise verwendet, um ein tieferes Verständnis der Motivation oder des emotionalen Zustands einer Person zu erlangen. Anstatt Polaritäten wie positiv, negativ oder neutral zu verwenden, kann die Emotionserkennung bestimmte Emotionen in einem Textkörper identifizieren, wie z. B. Frustration, Gleichgültigkeit, Unruhe und Schock.

Obwohl die Stimmungsanalyse und die ihr zugrunde liegenden Technologien schnell wachsen, ist sie noch ein relativ neues Gebiet. Laut dem Buch „Sentiment Analysis“ von Liu Bing (2020) wird der Begriff erst seit 2003 häufig verwendet.² Es gibt noch viel zu lernen und feiner abzustimmen. Hier sind einige der häufigsten Nachteile und Herausforderungen.

Mangelnder Kontext

Der Kontext ist eine entscheidende Komponente, um zu verstehen, welche Emotion in einem Textblock ausgedrückt wird, die zudem häufig dazu führt, dass Sentiment-Analyse-Tools Fehler machen. Bei einer Kundenbefragung könnte ein Kunde beispielsweise zwei Antworten auf die Frage „Was hat Ihnen an unserer App gefallen?“ geben. Die erste Antwort könnte „Funktionalität“ und die zweite „Benutzererfahrung“ lauten. Wenn die Frage anders formuliert wäre, z. B. "Was hat Ihnen an unserer App nicht gefallen?", würde sich die Bedeutung der Antwort des Kunden ändern, ohne dass sich der Wortlaut ändert. Um dieses Problem zu lösen, müsste dem Algorithmus der ursprüngliche Kontext der Frage, auf die der Kunde geantwortet hat, übermittelt werden. Diese zeitaufwändige Vorgehensweise wird als Vor- oder Nachbearbeitung bezeichnet.

Einsatz von Ironie und Sarkasmus

Unabhängig davon, wie gut oder schlecht die Software trainiert wurde, ist es für sie schwierig, Ironie und Sarkasmus in einem Text richtig zu erkennen. Dies liegt daran, dass jemand, der sarkastisch oder ironisch ist, dies oft durch seinen Tonfall oder Gesichtsausdruck vermittelt, während es keinen erkennbaren Unterschied bei den verwendeten Wörtern gibt. Bei der Analyse des Satzes „Großartig, ein weiterer Strafzettel von tausend Dollar - genau das, was ich brauche“ würde ein Stimmungsanalyse-Tool wahrscheinlich die Art der ausgedrückten Emotion verwechseln und sie als positiv bezeichnen, weil das Wort „großartig“ verwendet wird.

Verneinung

Bei der Verneinung wird ein negatives Wort verwendet, um die Bedeutung eines Satzes umzukehren. Nehmen wir beispielsweise den Satz: „Ich würde nicht sagen, dass die Schuhe billig waren.“ Gemeint ist, dass die Schuhe wahrscheinlich teuer oder zumindest mittelpreisig waren, aber ein Stimmungsanalysetool würde diese Feinheiten vermutlich übersehen.  

Idiomatische Wendungen

Die Verwendung idiomatischer Wendungen, z. B. gängiger deutscher Ausdrücke wie „Reden wir nicht um den heißen Brei herum“ oder „Hals- und Beinbruch“, ist für Stimmungsanalysetools und die ML-Algorithmen, auf denen sie beruhen, oft verwirrend. Wenn derartige der menschlichen Sprache angehörende Ausdrücke in Social-Media-Kanälen oder in Produktrezensionen verwendet werden, werden sie von Tools zur Stimmungsanalyse entweder falsch identifiziert – das Beispiel „Hals- und Beinbruch“ könnte beispielsweise fälschlicherweise als etwas Schmerzhaftes oder Trauriges identifiziert werden – oder sie werden komplett weggelassen.

Unternehmen, die sich für den Einsatz von Stimmungsanalysen entscheiden, um ihre Kunden besser zu verstehen, bieten sich zwei Möglichkeiten: Entweder sie kaufen ein bestehendes Tool oder sie entwickeln ihr eigenes.

Unternehmen, die sich für die Entwicklung ihres eigenen Tools entscheiden, verwenden in der Regel eine Open-Source-Bibliothek in einer gängigen Programmiersprache wie Python oder Java. Diese Bibliotheken sind nützlich, da ihre Communities tief in Data Science verankert sind. Unternehmen, die diesen Ansatz verfolgen wollen, müssen jedoch erhebliche Investitionen tätigen, um ein Team von Ingenieuren und Data Scientists einzustellen.

Der Erwerb eines bestehenden Software-as-a-Service (SaaS)-Tools für die Stimmungsanalyse erfordert eine geringere Anfangsinvestition und bietet Unternehmen die Möglichkeit, ein bereits trainiertes maschinelles Lernmodell einzusetzen, anstatt ein Modell von Grund auf neu zu erstellen. SaaS-Tools für die Stimmungsanalyse lassen sich in wenigen Schritten in Betrieb nehmen und sind eine gute Option für Unternehmen, die nicht bereit sind, die für den Aufbau eines eigenen Systems erforderlichen Investitionen zu tätigen.