Definition

Stimmungsanalyse (Sentiment Analysis, Opinion Mining)

Was ist Stimmungsanalyse (Sentiment Analysis, Opinion Mining)?

Stimmungsanalyse, auf Englisch Opinion Mining oder Sentiment Analysis, ist ein Ansatz zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), der die emotionale Stimmung hinter einem Text identifiziert. Dies ist eine beliebte Methode für Unternehmen, um Meinungen über ein Produkt, eine Dienstleistung oder eine Idee zu ermitteln und zu kategorisieren.

Bei der Stimmungsanalyse werden Data Mining, maschinelles Lernen (ML), künstliche Intelligenz und Computerlinguistik eingesetzt, um Texte auf Stimmungen und subjektive Informationen zu untersuchen, zum Beispiel ob sie positive, negative oder neutrale Gefühle ausdrücken.

Systeme zur Stimmungsanalyse unterstützen Unternehmen, Einblicke in die Kundenstimmung, die Kundenerfahrung und den Ruf ihrer Marke in Echtzeit zu gewinnen. Im Allgemeinen verwenden diese Tools Textanalysen, um Online-Quellen wie E-Mails, Blogbeiträge, Online-Rezensionen, Support-Tickets, Nachrichtenartikel, Umfrageantworten, Fallstudien, Webchats, Tweets, Foren und Kommentare zu analysieren. Mit Algorithmen werden regelbasierte, automatische oder hybride Methoden zur Bewertung eingesetzt, ob der Kunde positive, negative oder neutrale Worte äußert.

Zusätzlich zur Identifizierung der Stimmung kann die Stimmungsanalyse die Polarität oder das Ausmaß an Positivität und Negativität, das Thema und den Meinungsträger innerhalb des Textes extrahieren. Dieser Ansatz wird verwendet, um verschiedene Teile eines Textes zu analysieren, zum Beispiel ein ganzes Dokument oder einen Absatz, Satz oder Teilsatz.

Zu den Anbietern von Plattformen zur Stimmungsanalyse gehören Brandwatch, Critical Mention, Hootsuite, Lexalytics, Meltwater, MonkeyLearn, NetBase Quid, Sprout Social, Talkwalker und Zoho. Unternehmen, die diese Tools zur Stimmungsanalyse einsetzen, können das Feedback ihrer Kunden regelmäßiger überprüfen und proaktiv auf Meinungsänderungen auf dem Markt reagieren.

Wie funktioniert Stimmungsanalyse?

Bei der Stimmungsanalyse werden Modelle des maschinellen Lernens eingesetzt, um eine Textanalyse der menschlichen Sprache durchzuführen. Die verwendeten Metriken sind so konzipiert, dass sie erkennen, ob die Gesamtstimmung eines Textes positiv, negativ oder neutral ist.

Die Stimmungsanalyse läuft im Allgemeinen in folgenden Schritten ab:

  1. Sammeln von Daten. Der zu analysierende Text wird identifiziert und gesammelt. Dazu wird ein Web Scraping Bot oder Scraping Application Programming Interface (API) verwendet.
  2. Bereinigung der Daten. Die Daten werden verarbeitet und bereinigt, um Rauschen und Teile der Sprache zu entfernen, die keine Bedeutung für die Stimmung des Textes haben. Dazu gehören Abkürzungen, wie zum Beispiel ich bins, und Wörter mit wenig Information, wie zum Beispiel ist, Artikel wie der/die/das, Satzzeichen, URLs, Sonderzeichen und Großbuchstaben. Dies wird als Standardisierung bezeichnet.
  3. Merkmale extrahieren. Ein Algorithmus für maschinelles Lernen extrahiert automatisch Textmerkmale, um negative oder positive Stimmungen zu erkennen. Zu den verwendeten ML-Ansätzen gehören das Bag-of-Words-Modell, welches das Vorkommen von Wörtern in einem Text verfolgt, und die nuanciertere Word-Embedding-Technik, die neuronale Netze zur Analyse von Wörtern mit ähnlicher Bedeutung verwendet.
  4. Ein Machine-Learning-Modell wählen. Ein Stimmungsanalyse-Tool bewertet den Text mithilfe eines regelbasierten, automatischen oder hybriden ML-Modells. Regelbasierte Systeme führen die Stimmungsanalyse auf der Grundlage vordefinierter, lexikonbasierter Regeln durch und werden häufig in Bereichen wie Recht und Medizin eingesetzt, wo ein hohes Maß an Präzision und menschlicher Kontrolle erforderlich ist. Automatische Systeme verwenden Machine-Learning- und Deep-Learning-Techniken, um aus Datensätzen zu lernen. Ein Hybridmodell kombiniert beide Ansätze und gilt allgemein als das genaueste Modell. Diese Modelle bieten unterschiedliche Ansätze für die Zuordnung von Stimmungsbewertungen zu Textstücken.
  5. Klassifizierung von Gefühlen. Sobald ein Modell ausgewählt und zur Analyse eines Textes verwendet wurde, weist es dem Text einen Stimmungswert zu, einschließlich positiv, negativ oder neutral. Unternehmen können auch entscheiden, ob sie die Ergebnisse ihrer Analyse auf verschiedenen Ebenen betrachten möchten, zum Beispiel auf Dokumentenebene, die sich hauptsächlich auf professionelle Bewertungen und Berichterstattung bezieht, auf Satzebene für Kommentare und Kundenrezensionen und auf Untersatzebene, die Phrasen oder Klauseln innerhalb von Sätzen identifiziert.
Wie Stimmungsanalyse funktioniert
Abbildung 1: Unternehmen erfahren viel über ihre Kunden und darüber, was sie mögen und was nicht, wenn sie die Gefühle hinter den einzelnen Wörtern eines Textes analysieren.

Arten der Stimmungsanalyse

Systeme zur Stimmungsanalyse lassen sich in verschiedene Kategorien einteilen:

Bei der feinkörnigen Stimmungsanalyse werden die Stimmungsindikatoren in genauere Kategorien unterteilt, zum Beispiel in sehr positiv und sehr negativ. Dieser Ansatz ist vergleichbar mit Meinungsbewertungen auf einer Skala von einem bis fünf Sternen. Dieser Ansatz eignet sich daher gut für die Bewertung von Umfragen zur Kundenzufriedenheit.

Die Analyse der Emotionserkennung identifiziert Emotionen statt Positivität und Negativität. Beispiele hierfür sind Freude, Frustration, Schock, Wut und Traurigkeit.

Die absichtsbasierte Analyse erkennt nicht nur die Meinung, sondern auch die Beweggründe, die hinter einem Text stehen. Ein Online-Kommentar, in dem die Frustration über einen Batteriewechsel zum Ausdruck gebracht wird, kann zum Beispiel die Absicht haben, den Kundendienst zu veranlassen, sich zu melden, um das Problem zu lösen.

Bei der aspektbasierten Analyse wird die spezifische Komponente untersucht, die positiv oder negativ erwähnt wird. Ein Kunde kann zum Beispiel ein Produkt bewerten, indem er sagt, die Lebensdauer der Batterie sei zu kurz. Das Stimmungsanalysesystem stellt fest, dass sich die negative Meinung nicht auf das Produkt als Ganzes bezieht, sondern auf die Akkulaufzeit.

Warum ist die Stimmungsanalyse von Bedeutung?

Die Stimmungsanalyse ist eine wichtige Methode für Unternehmen, um zu verstehen, wie Kunden ihre Produkte und Marken wahrnehmen und erleben. Kunden-Feedback wird zunehmend online über eine Vielzahl von unverbundenen Plattformen abgegeben, zum Beispiel über Amazon-Produktbewertungen und Beiträge auf Social-Media-Plattformen.

Unternehmen haben in der Regel weder die Zeit noch die Ressourcen, das Internet zu durchforsten und alle Daten zu lesen und zu analysieren, die sich auf ihre Produkte, Dienstleistungen und Marken beziehen. Stattdessen nutzen sie Algorithmen zur Stimmungsanalyse, um diesen Prozess zu automatisieren und Feedback in Echtzeit zu erhalten.

Die Unternehmen nutzen dieses Feedback, um ihre Produkte, Dienstleistungen und Kundenerfahrungen zu verbessern. Ein proaktiver Ansatz zur Einbeziehung der Stimmungsanalyse in die Produktentwicklung kann zu einer besseren Kundenbindung und -loyalität führen.

Wofür wird die Stimmungsanalyse eingesetzt?

Tools zur Stimmungsanalyse werden in fast jeder Branche für eine Vielzahl von Anwendungen eingesetzt:

  • Überwachung sozialer Medien, eine Schlüsselstrategie, die Kundenstimmungen über soziale Medienplattformen wie Facebook, Instagram und Twitter verfolgt.
  • Überwachung von Markenbekanntheit, Ruf und Beliebtheit zu einem bestimmten Zeitpunkt oder im Laufe der Zeit.
  • Analyse der Verbraucherresonanz auf neue Produkte oder Funktionen, um mögliche Produktverbesserungen zu ermitteln.
  • Evaluierung des Erfolgs einer Marketingkampagne.
  • Identifizierung einer Zielgruppe oder Demografie.
  • Durchführung von Marktforschung, zum Beispiel zu neuen Trends und Wettbewerbseinblicken.
  • Kategorisierung von Kundendienstanfragen und Automatisierung des Kundendienstes.
  • Analyse des Kunden-Supports zur Bewertung der Effektivität des Kundendienstes und zur Überwachung von Trendproblemen.
Talkwalkers Quick Search
Abbildung 2: Stimmungsanalyse-Programme wie Talkwalkers Quick Search zeigen Unternehmen wichtige Metriken über ihre Marke und Produkte.

Vorteile der Stimmungsanalyse

Zu den Vorteilen der Stimmungsanalyse gehören:

  • Sammeln großer Mengen unstrukturierter Daten aus verschiedenen Quellen.
  • Verfolgung des Kunden-Feedbacks und der Stimmung über die Marke, Produkte und Dienstleistungen eines Unternehmens in Echtzeit.
  • Feedback zu Möglichkeiten der Verbesserung von Produkten, Dienstleistungen und Kundenerfahrungen.
  • Einholen von Daten und Feedback zu Problemen mit Produkten und Dienstleistungen.
  • Sammeln von Daten und Feedback, um die Mitarbeiter des Kundendienstes über Kundenprobleme auf dem Laufenden zu halten und ihre Reaktionsfähigkeit zu verbessern.
  • Verfolgung der Effektivität des Kundendienstes durch Support-Tickets und anderes Online-Feedback.
  • Automatisierung des Kundendienstes durch Erkennung der Gefühle der Kunden und automatische Weiterleitung an die entsprechenden FAQ-Antworten zur Lösung.
  • Erkennen neuer Marketingtrends und Verstehen und Verbessern von Marketingstrategien, die bei den Kunden gut ankommen.
  • Gewinnung von Wettbewerbseinblicken durch die Überwachung von Kommentaren über Wettbewerber.
  • Festlegung einheitlicher Kriterien für die Bewertung der Stimmung, anstatt sich auf subjektive menschliche Analysen zu verlassen.
  • Erkennen von und reagieren auf aufkommende negative Stimmungen, bevor sie eskalieren.
  • Freisetzung von Zeit und Energie der Mitarbeiter für andere Aufgaben.
  • Verbesserung des Einfühlungsvermögens von Organisationen und des Kundendienstes.

Herausforderungen bei der Stimmungsanalyse

Zu den Herausforderungen, die mit der Stimmungsanalyse verbunden sind, gehören unter anderem:

Neutrale Stimmungen. Kommentare mit einer neutralen Stimmung stellen für Systeme oft ein Problem dar und werden oft falsch identifiziert. Wenn ein Kunde beispielsweise einen Artikel in der falschen Farbe erhalten und den Kommentar „Das Produkt war blau“ abgegeben hat, kann dies als neutral identifiziert werden, obwohl es eigentlich negativ sein sollte.

Unklare Sprache. Es ist schwierig, Stimmungen zu erkennen, wenn die Systeme den Kontext oder den Tonfall nicht verstehen. Antworten auf Umfragen oder Erhebungen wie „nichts“ oder „alles“ sind schwer zu kategorisieren, wenn der Kontext nicht gegeben ist; sie können je nach Frage als positiv oder negativ eingestuft werden. Dies wird als lexikalische Ambiguität bezeichnet. Ebenso ist es schwierig, Systeme darauf zu trainieren, Ironie und Sarkasmus zu erkennen, was zu falsch gekennzeichneten Gefühlen führen kann. Algorithmen haben Probleme mit der Auflösung von Pronomen, das heißt mit der Frage, was die Ursache für ein Pronomen in einem Satz ist. Ein Beispiel: Bei der Analyse des Kommentars „Wir waren spazieren und dann essen. Ich habe es nicht genossen“, kann ein System möglicherweise nicht erkennen, was der Autor nicht genossen hat – den Spaziergang oder das Abendessen.

Nicht klassifizierbare Sprache. Computerprogramme haben Schwierigkeiten, Emojis und irrelevante Informationen zu verstehen. Es muss besonders darauf geachtet werden, dass die Modelle mit Emojis und neutralen Daten trainiert werden, damit sie Texte nicht fälschlicherweise kennzeichnen.

Zweideutige Gefühle. Menschen können in ihren Aussagen widersprüchlich sein. Die meisten Bewertungen enthalten sowohl positive als auch negative Kommentare. Diese Situation kann durch die Analyse der einzelnen Sätze gemeistert werden. Sätze, die zwei widersprüchliche Wörter enthalten, auch bekannt als kontrastive Konjunktionen, können jedoch die Tools zur Stimmungsanalyse verwirren. Zum Beispiel: „Die Verpackung war schrecklich, aber das Produkt war großartig.“

Erkennung von benannten Entitäten. Dies ist der Fall, wenn ein Algorithmus die Bedeutung eines Wortes in seinem Kontext nicht erkennen kann. So kann sich beispielsweise die Verwendung des Wortes „Lincoln“ auf den ehemaligen US-Präsidenten, den Film oder einen Penny beziehen.

Kleine Datensätze. Tools zur Stimmungsanalyse funktionieren am besten, wenn sie große Mengen an Textdaten analysieren. Kleinere Datensätze bieten oft nicht den erforderlichen Einblick.

Sprachentwicklung. Die Sprache verändert sich ständig, vor allem im Internet, wo die Benutzer ständig neue Abkürzungen und Akronyme schaffen und schlechte Grammatik und Rechtschreibung verwenden. Dieses Maß an Variation und Entwicklung kann für Algorithmen schwierig sein.

Gefälschte Bewertungen. Algorithmen können nicht immer zwischen echten und gefälschten Produktbewertungen oder anderen von Bots erstellten Textstücken unterscheiden.

Notwendigkeit menschlichen Eingreifens. Gartner stellt fest, dass selbst die fortschrittlichsten KI-gesteuerten Stimmungsanalyse- und Social Media Monitoring Tools menschliches Eingreifen erfordern, um die Konsistenz und Genauigkeit der Analyse zu gewährleisten.

Diese Definition wurde zuletzt im Februar 2024 aktualisiert

Erfahren Sie mehr über Marketingsoftware

ComputerWeekly.de
Close