Die eigenen Kunden und Branche besser verstehen


Welche Themen werden aktuell in meiner Branche diskutiert? Welche aktuellen Trends sind den Kunden bei meinen Produkten wichtig? Wie ist die Einstellung meiner Kunden gegenüber meinem Unternehmen? Wenn Sie ähnliche Fragen umtreiben, könnte eine KI-Analyse von Textdaten wie z.B. Social-Media-Daten nützlich sein, um den Antworten ein Stück näherzukommen. In den letzten Jahren haben Social-Media-Anwendungen im B2C- aber auch B2B-Bereich immer größere Bedeutung gewonnen. Die Analyse der Daten kann einzigartige Einblicke in eine Branche geben. Durch die großen Datenmengen ist es allerdings nicht möglich, diese manuell zu untersuchen. Automatisierte Analysemethoden ermöglichen genau diese Analysen.

Topic Modeling

Eine Art der Analyse ist die Identifizierung der meistdiskutierten Themen (engl. Topic Modeling). Beim sogenannten Topic Modeling geht es darum, Inhalte vieler Textdateien zu übergeordneten Themen zuzuordnen. Damit wird ermöglicht, dass Themen, die auf Social-Media-Plattformen diskutiert werden, identifiziert werden können. Dies ermöglicht einerseits eine Übersicht über alle relevanten Themen und andererseits können Beiträge dem passenden Thema zugeordnet werden und bei Bedarf gezielt manuell untersucht werden.

Clean Code
Abbildung 1: Heat-Map


In diesem Showcase haben wir die Beiträge auf der Plattform Twitter analysiert. Die Analyse umfasst alle deutschen Tweets, die zwischen dem 30. Mai und 4. Juni veröffentlicht wurden und entweder das Wort “KMU” oder “Mittelstand” enthalten. Mithilfe eines Wahrscheinlichkeitsmodells namens Latent Dirichlet Algorithmus wurden die Themen aus den Tweets generiert. In Abbildung 1 sind die Ergebnisse in einer Heat-Map dargestellt. Die Themen setzen sich aus den Wörtern an den Achsen zusammen. Je dunkler ein Feld ist, desto wahrscheinlicher kommen diese Wörter zusammen in einem Thema vor. Liegen viele dieser dunklen Felder beieinander, so bilden sie ein Cluster bzw. ein Thema. Die Dendrogramme links und oberhalb der Matrix geben an, wie nahe sich die Cluster sind. Je näher sich zwei Themen sind, desto flacher die Verbindung über ein Dendrogramm. Eine weitere Form der Visualisierung ist das interaktive Dashboard in Abbildung 2.

Abbildung 2: Interaktives Dashboard

Die Kreise auf der rechten Seite repräsentieren die übergeordneten Themen. Je größer ein Kreis ist, desto häufiger wurde dieses Thema diskutiert. Durch Auswahl der Themen auf der linken Seite, können auf der rechten Seite die Stichworte eingesehen werden, aus denen sich ein Thema zusammensetzt. Die Balken für die Stichwörter geben einen Einblick, wie häufig ein Stichwort insgesamt in den Dokumenten (gesamter Balken) bzw. in den Texten, die dieses Thema behandeln, vorkamen (roter Teil des Balkens). Durch Einsatz des Sliders kann die Gewichtung (Lambda Parameter) der Stichworte geändert werden. Wenn Lambda bei Eins liegt, werden die Stichwörter höher gewichtet, die absolut am häufigsten in dem ausgewählten Thema vorkommen. Verringert man den Lambda-Wert, so wird auch berücksichtigt, wie hoch die relative Häufigkeit eines Stichwortes bei dem ausgewählten Thema ist. Ist der Lambda Wert gleich Null, so werden nur Stichwörter berücksichtigt, die ausschließlich in Texten zum ausgewählten Thema vorkommen. Bei der Analyse kann man mit dem Parameter Lambda spielen. Als Daumenregel geben Werte zwischen 0,3 und 0,7 den besten Einblick.

Topic Modeling lohnt sich

Der Einsatz von Topic Modeling eröffnet unter anderem diese innovativen Lösungen:

- Automatisches Kennzeichnen von Kundensupport-Tickets nach Thema.

- Erkennen von Mustern und Bereitstellen von Ergebnissen in Form häufig vorkommender Wörter und Ausdrücke.

- Automatisches Weiterleiten von Nachrichten an das am besten geeignete Team. Beispielsweise werden Tickets, die mit Abrechnungsproblemen oder Rückerstattungen versehen sind oder Ausdrücke wie “Kreditkartentransaktion”, “Abonnementfehler” usw. enthalten, an die Buchhaltungsabteilung gesendet.

- Automatische Erkennung der Dringlichkeit eines Support-Tickets und entsprechende Priorisierung. Wenn beispielsweise ein Ticket als “Fehler” oder “dringlich” gekennzeichnet ist oder ein Computer Ausdrücke wie “sofort”, “sofortige Aufmerksamkeit” usw. erkennt, wird es an die PR-Abteilung weitergeleitet, um eine potenzielle PR-Krise zu vermeiden.

- Verbesserte Produktentwicklung durch das Erkennen oft erwähnter Produktfeatures, die Aufschluss auf mögliche Fehler am Produkt geben können oder offenbaren, dass einige Features gar nicht verwendet werden.

Stimmungsanalyse

Eine weitere nützliche Form der maschinellen Textanalyse ist die Stimmungsanalyse. Diese wird häufig auf textuelle oder akustische Kundenbewertungen, die per E-Mail, Social Media oder anderen Kanälen eingehen, angewendet. Das Ziel der Stimmungsanalyse ist es, die Emotionen des Verfassers eines Beitrags vorherzusagen. Somit kann im Kundensupport gezielter auf die Fragen der Kunden oder schnell auf Social-Media-Beiträge eingegangen werden, die besonders emotional geschrieben sind. Um die Emotionen maschinell zu bewerten, wird die Grammatik und Semantik von Beiträgen systematisch analysiert. Bei gesprochenen Inhalten kann darüber hinaus auch die Stimmfarbe und die Betonung berücksichtigt werden. Ausgestattet mit dem Wissen über die Stimmung eines Nutzers, kann der Kundendienst, die Marketingabteilung oder der Vertrieb optimal auf Beiträge reagieren.

Clean Code
Abbildung 3: Schematischer Ablauf der Stimmungsanalyse.

Stimmungsanalyse kann bei folgenden Punkten einen wertvollen Beitrag leisten:

- Kunden spezifisch ansprechen: Durch die Erfassung von Kunden, die sich hinsichtlich eines Produkts oder ihrem Unternehmen als Ganzes negativ äußern, kann der Kundendienst ihre Probleme gezielt behandeln. Schreibt ein Kunde in Wut einen Kommentar, so kann durch persönlichen Kontakt oder Priorisierung des Tickets die Situation schnell geklärt werden.

- Verfolgung der Kundenstimmung im Laufe der Zeit: Durch die Analyse der Kundenzufriedenheit im Zeitablauf kann man die Entwicklung verfolgen. Kombiniert man den Stimmungstrend mit den als relevant identifizierten Themen, so kann man Erklärungen zu den Einflussfaktoren finden.

- Identifikation der Kundensegmente, die sich stärker für Ihr Unternehmen interessieren: In Kombination mit demografischen und anderen quantitativen Daten ist es möglich, die Kundenbasis zu segmentieren und ihre Stimmung isoliert zu betrachten. Schreiben Kunden, die weniger ausgeben, beispielsweise negativer als Kunden, die mehr ausgeben? Oder gibt es Probleme mit den Rückgaberichtlinien von Kunden in München und nicht von Kunden in Stuttgart?

- Auswirkungen von Produktänderungen auf Kundenzufriedenheit tracken: Wenn sich das Geschäft ändert, ändert sich auch die Kundenstimmung. Das Veröffentlichen einer Marketingkampagne oder Pressemitteilung, das Ändern der Benutzeroberfläche oder der Preisstruktur Ihres Produkts kann Auswirkungen haben. Durch die automatische Analyse der Kundenstimmung kann dies gemessen werden.

Topic Modeling und Stimmungsanalysen sind somit sehr geeignete Werkzeuge, um die in der Einleitung aufgeworfenen Fragen zu beantworten. Neben den vorgestellten Werkzeugen und den dazugehörigen Anwendungsbeispielen gibt es viele weitere Methoden und Anwendungsbereiche, mit denen Sie Ihre Kunden und Branche besser verstehen können. Wenn Sie die Chancen für Ihr Unternehmen nutzen möchten, freuen wir uns darauf, Sie dabei unterstützen zu können!

Wollen Sie in Zukunft benachrichtigt werden, wenn es wieder einen neuen Blogartikel gibt?
Folgen Sie uns auf LinkedIn und bleiben Sie immer up to date.

Bringen Sie Ihr Unternehmen auf die nächste Stufe!

Wir entwickeln KI-Lösungen für den innovativen Mittelstand.