Was ist Stimmungsanalyse?

Die Sentimentanalyse ist ein Verfahren zur Klassifizierung, ob ein Text- oder Sprachblock als positiv, negativ oder neutral zu bewerten ist. Aber konzentriert sie sich nur auf die Polarität? Ganz und gar nicht. Mit Hilfe von Algorithmen ermöglicht sie Einblicke in ausgedrückte Emotionen wie Freude und Ärger.

In der Softwareentwicklung ist die Stimmungsanalyse neben der Themenmodellierung und der Named-Entity-Recognition eine der drei zentralen Säulen der Deep Data Analysis. Leider gibt es keine allgemein akzeptierte Definition. 


Seit Ende der 1970er Jahre beschäftigen sich Linguisten und Sozialwissenschaftler mit der Analyse von Tonalitäten in Texten. In jüngerer Zeit hat die zunehmende Entwicklung neuronaler Netze zu völlig neuen Anwendungsbereichen und Ansätzen der Stimmungsanalyse geführt. 

 

Auch als "Opinion Mining" oder "Emotion AI" bekannt, kann die Sentiment-Analyse unter anderem für ein besseres Verständnis der Kundenbedürfnisse, Analysen von Bewertungen und Entscheidungsprozessen sowie für Empfehlungsprogramme genutzt werden.

 

"Mit Hilfe der KI-Sentiment-Analyse wollen wir Kunden helfen, die in Gesprächen ausgedrückten Emotionen besser zu verstehen."

 

Tucan.ai nutzt die Sentiment-Analyse auch, um die Konversationsanalysefähigkeiten seines Software-Toolkits zu verbessern. "Derzeit befinden wir uns noch in der standardisierten Trainingsphase. Bald werden unsere Nutzer aber die Möglichkeit haben, die gelesenen Stimmungen eines Absatzes oder Textteils selbst zu verändern. Damit können wir die KI gezielt mit kundenspezifischen Daten trainieren, so dass sie immer präzisere Vorhersagen machen kann", sagt Mohammed Aymen Ben Slimen, der seit Anfang des Jahres das Machine-Learning-Team von Tucan.ai unterstützt. 


"Mit Hilfe der KI-Sentimentanalyse wollen wir den Kunden helfen, die in Gesprächen ausgedrückten Emotionen besser zu verstehen. Wenn ein Sprecher zum Beispiel einem Thema zustimmt, zeigen wir ein fröhliches Emoji an, und wenn sich jemand beschwert, wird dies durch ein trauriges Emoji gekennzeichnet", erklärt Aymen.

Kein Alt-Text für dieses Bild vorhanden

Wie funktioniert die Stimmungsanalyse?

Die Sentimentanalyse ist ein Teilgebiet der natürlichen Sprachverarbeitung, d.h. der algorithmischen Verarbeitung und Auswertung von natürlicher Sprache in Form von Text- oder Sprachdaten. Entsprechende KI-Systeme versuchen, die Meinung des Absenders automatisch zu erfassen. Im Wesentlichen wurden drei zentrale Aspekte in diesem Prozess bewertet: 


  • Inhalt: Über welche zentralen Themen sprechen die Redner?
  • Polarität: Welche positiven und negativen Meinungen werden von wem geäußert?
  • Meinungsführerschaft: Wer vertritt welche Meinung zu welchem Thema?

Im Kern ist die Stimmungsanalyse ein einfaches Verfahren: Ein Text wird zunächst in Komponenten wie Sätze, Phrasen oder kleine Wortteile zerlegt. Dann werden die einzelnen emotionalen Komponenten identifiziert. Diese werden dann bewertet, zum Beispiel mit "-1" und "+1". Bei einer mehrschichtigen Stimmungsanalyse werden diese Bewertungen auch kombiniert.

 

Arten der Stimmungsanalyse

Die gebräuchlichste Art der Stimmungsanalyse konzentriert sich auf Gegensätze oder Polarität, aber auch andere können bestimmte Gefühle und Emotionen identifizieren. Die gängigsten Formen sind:


  • Standard-Stimmungsanalyse 
  • Erkennung von Emotionen
  • Feinkörnige Stimmungsanalyse
  • Mehrsprachige Stimmungsanalyse
  • Aspektbasierte Stimmungsanalyse (ABSA)
  • Aufdeckung von Absichten


Standard-Stimmungsanalyse

Die Standard-Stimmungsanalyse ermittelt den Grad einer Meinung und stuft sie als positiv, negativ oder neutral ein. Hier ist ein Beispiel:


  • Positiv: "Ich liebe dieses neue Theater".
  • Neutral: "Ich bin mir nicht sicher. Das Stück hat mir gefallen, aber das Ambiente hat mir nicht gefallen."
  • Negativ: "Das Stück war schrecklich, ebenso wie die allgemeine Stimmung und der Service".


Erkennung von Emotionen

Die Erkennung von Emotionen ermöglicht es, die einem Text zugrunde liegenden Emotionen wie Freude, Ärger und Frustration zu erkennen. Beim maschinellen Lernen mit Hilfe von Lexika ist diese Art der Erkennung eine besondere Herausforderung. Mit Hilfe eines Lexikons können Emotionen von Kunden definiert werden, aber Menschen drücken Emotionen oft auf sehr unterschiedliche Weise aus. So können beispielsweise Wörter, die eine negative Konnotation haben, auch eine positive Bedeutung haben (z. B. "krank").



Mehrsprachige Stimmungsanalyse

Die mehrsprachige Stimmungsanalyse ist eine große Herausforderung und vergleichsweise knifflig. Sie umfasst die Klassifizierung und Verarbeitung mehrerer Sprachen. Alternativ können Sprachklassifikatoren verwendet werden, um die Stimmungsanalyse zu trainieren und an die Bedürfnisse anzupassen, z. B. an die bevorzugte Sprache. 

 

Feinkörnige Stimmungsanalyse

Diese Methode, die auch als abgestufte Stimmungsanalyse bezeichnet wird, ermöglicht es Ihnen, zusätzlich zu den positiven, negativen oder neutralen Kategorien einige weitere hinzuzufügen. Sie ist den 5-Sterne-Bewertungen sehr ähnlich und wird in fünf Segmente unterteilt: sehr positiv, positiv, neutral, negativ und sehr negativ.



Absichtserkennung

Wie der Name schon sagt, analysiert die Absichtserkennung einen Text, um die Absicht hinter einer bestimmten Meinung zu verstehen. Sie erkennt wertvolle Kundenmeinungen, um ein Problem zu lösen oder ein Produkt oder eine Dienstleistung zu verbessern. Die Absichtserkennung kann auch vorhersagen, ob ein Kunde beabsichtigt, ein Produkt zu verwenden, indem er ein Muster beobachtet und erstellt, was für Werbung und Marketing nützlich ist.



Aspektbasierte Stimmungsanalyse

Die aspektbasierte Stimmungsanalyse konzentriert sich auf die Identifizierung von Merkmalen oder Aspekten einer Entität oder Meinung, wie z. B. Produktbewertungen. Beispielsweise bestehen Bewertungen oft aus mehreren Meinungen zu Produktmerkmalen wie Benutzeroberfläche, Preis, mobile Versionen, Integrationen, um nur einige zu nennen. Mit anderen Worten, es handelt sich um einen detaillierteren Ansatz für die Analyse von Bewertungen.



Kein Alt-Text für dieses Bild vorhanden

 

Techniken der Stimmungsanalyse

Im Laufe der Zeit hat sich eine Vielzahl von Techniken und Technologien rund um die Stimmungsanalyse entwickelt. Insbesondere die jüngsten Fortschritte im Bereich des maschinellen Lernens und der neuronalen Netze haben zu raschen Verbesserungen in der NLP im Allgemeinen und der Stimmungsanalyse im Besonderen geführt. 


Im Fall von Tucan.ai ist der erste Schritt ein Deep-Learning-basiertes Modell, das die Stimmung eines bestimmten Absatzes oder Textteils vorhersagen kann (positiv, negativ oder neutral). "Nachdem wir das Transkript erstellt haben", sagt Aymen, "übergeben wir es an ein NLP-Stimmungsanalysemodell, das Stimmungen vorhersagt und Emojis anzeigt, die mit dem Ergebnis in Verbindung stehen. 



Regelbasierte Stimmungsanalyse

Bei diesem einfacheren Ansatz zur Textanalyse werden keine Trainings- oder ML-Modelle verwendet. Hier klassifiziert die Software Teile des Textes auf der Grundlage ausgefeilter linguistischer Regeln. Diese Regeln werden auch Lexika genannt. Daher wird der regelbasierte Ansatz auch als lexikonbasierter Ansatz bezeichnet. Weit verbreitete regelbasierte Ansätze sind TextBlob, VADER und SentiWordNet.



Maschinelles Lernen

Im Gegensatz zu regelbasierten Systemen werden dem Algorithmus für maschinelles Lernen keine Regeln vorgegeben, sondern vom System selbst erlernt. Dazu ist ein Trainingsdatensatz erforderlich, bei dem die Eingabe (Satz, Absatz, Text) mit einem Tag (negativ, positiv, neutral) versehen wird. Damit der Algorithmus funktionieren kann, wird der Text in eine numerische Repräsentation umgewandelt. Bei dieser Darstellung handelt es sich in der Regel um einen Vektor, der Informationen über den Text enthält, z. B. die Häufigkeit eines Begriffs in einer Wortgruppe. In letzter Zeit sind "Worteinbettungen" - bei denen semantische Informationen in Vektoren zu Wörtern gespeichert werden können - sehr beliebt geworden. 



Tiefes Lernen

Deep Learning ermöglicht die Verarbeitung von Daten auf eine viel komplexere Weise. Ein LSTM-Modell (Long Short-Term Memory) ist eine Art rekurrentes neuronales Netz (RNN), das für die Verarbeitung zeitlicher Daten verwendet wird. Da wir davon ausgehen, dass die Reihenfolge der Merkmale (Wörter) in einem Satz wichtig ist, verwenden wir diese neuronale Netzwerkarchitektur. Deep Learning ist rechenintensiv und eignet sich nicht für hochdimensionale spärliche Vektoren (schlechte Leistung und langsame Konvergenz). 


Wenn wir für das Modelltraining Merkmale aus dem Originaltext extrahieren, müssen wir sie als dichte Vektoren darstellen. Bei einer solchen Technik wird jeder Text in eine Folge von Zahlen umgewandelt, wobei jede Zahl einem Wort im Vokabular zugeordnet wird. In einem weiteren Schritt müssen wir Wörter, die eine ähnliche Verwendung/Bedeutung haben, ähnlichen reellen Zahlenvektoren zuordnen (anstelle eines Index), indem wir auf die bereits oben erwähnten Einbettungen zugreifen. Ohne diese Einbettungen würde das Modell die Indexzahl der Wörter als Bedeutung fehlinterpretieren. Bei den "Worteinbettungen" werden alle Wörter in einen mehrdimensionalen Vektorraum eingebettet, so dass ihre Ähnlichkeiten anhand der Distanz gemessen werden können.



Anwendung der Stimmungsanalyse

Etwa 80 Prozent aller Daten, die im Rahmen einer Sentiment-Analyse - sei es durch Menschen oder Computer - erhoben werden können, sind unstrukturiert und entziehen sich klassischen Analyseansätzen. Die gezielte Nutzung dieser Daten kann für Unternehmen oder Organisationen einen immensen Wettbewerbsvorteil bedeuten. Allerdings übersteigt das Datenvolumen meist die Möglichkeiten der menschlichen Analyse. Die Fähigkeit, große Datenmengen in kurzer Zeit zu verarbeiten, ist ein starkes Argument für den Einsatz automatisierter Systeme zur Sentimentanalyse.


Mithilfe von maschinellem Lernen verwandelt die Stimmungsanalyse alle unstrukturierten Daten, die aus Transkripten, Chatbots, sozialen Medien, Umfragen usw. gesammelt werden, in aussagekräftige Informationen. Sie ist eine leistungsstarke KI-Ressource, die zur nachhaltigen Verbesserung der Entscheidungsfindung genutzt werden kann, wie die folgenden beispielhaften Anwendungsfälle zeigen: 


Steigerung der Effizienz von Meetings

Jedes Besprechungsthema kann durch eine Stimmungsanalyse auf der Grundlage der Äußerungen der einzelnen Teilnehmer analysiert werden, um zu dokumentieren, wie sie emotional darüber denken. So lassen sich Missverständnisse, Doppelungen, Wiederholungen und Unklarheiten leichter vermeiden. 


Coaching - Stimmungsanalyse im Verkaufsgespräch

Die Stimmungsanalyse hilft auch bei der Dokumentation und Auswertung von Verkaufsgesprächen sowie beim Coaching von Call Agents und Beratern. Im operativen Bereich wird sie häufig als Instrument zur Leistungsmessung eingesetzt, um das Einfühlungsvermögen oder die emotionale Intelligenz von Vertriebsmitarbeitern bei Interaktionen mit Kunden zu bewerten. Die Stimmungsanalyse spielt auch eine wichtige Rolle beim Coaching von Verkäufern zur Verbesserung ihrer Gesprächsführung.


Lead Scoring in der Stimmungsanalyse

Die Stimmungsanalyse kann auch das Interesse potenzieller Kunden durch die Bewertung von Leads messen. Die Bewertungen werden auf einer Skala von -1 und 1 dargestellt, wobei das untere Ende negative Antworten und das obere Ende positive Antworten anzeigt.


Überwachung der Marke

Kundenfeedback und Online-Konversationen sind wichtige Aspekte der Markenüberwachung. Abgesehen von den sozialen Medien können Gespräche auch in Nachrichten, auf Websites, in Bewertungsblogs oder in Foren geführt werden. Die Stimmen der Kunden mithilfe von Textanalyse und Stimmungsextraktion zu hören, kann helfen, ihre Einstellung zu einem Produkt oder einer Dienstleistung besser zu verstehen. 


Kein Alt-Text für dieses Bild vorhanden
 

Überwachung sozialer Medien

Wussten Sie, dass jede Minute rund 500.000 Tweets online gehen, die wertvolle Erkenntnisse über Marken, Produkte und Dienstleistungen enthalten können? Die Twitter-Stimmungsanalyse ermöglicht es Unternehmen, die Emotionen zu extrahieren, die den Gesprächen in sozialen Medien zugrunde liegen. Sie hilft zu verstehen, wie Menschen über ein Thema sprechen und warum.


Kundenbetreuung

Die Überwachung von Marken und sozialen Medien gibt uns großartige Einblicke in die Stimmung der Kunden. Aber wussten Sie auch, dass die Analyse der Stimmung in Telefonanrufen genutzt werden kann, um Marketing, Vertrieb und Kundenerfolg gezielt zu steuern? Das ist zum Beispiel in Callcentern oder Kundenbetreuungsteams nützlich und üblich. Denn wie wir alle wissen: Ein guter Kundenservice bedeutet in der Regel eine höhere Kundenbindung. 


Marktforschung durch Stimmungsanalyse auf Twitter

Durch die Analyse der Stimmung von Tweets, die sich auf das Produkt beziehen, können Sie systematisch herausfinden, was die Leute über Ihr Produkt denken. Finden sie es nützlich? Erfüllt es tatsächlich seinen Zweck? Vielleicht sind sie mit dem Preis unzufrieden oder wünschen sich eine neue Funktion.

Solche Erkenntnisse können Unternehmen dabei helfen, ihr Geschäft umzugestalten und verschiedene strategische Maßnahmen zu ergreifen, zum Beispiel:


  • Gewinnen Sie neue Kunden;
  • wettbewerbsfähiger werden;
  • Reduzierung des Kundendienstes;
  • die Marke rentabler zu machen;
  • mehr Dienstleistungen zu verkaufen;
  • bestehende Kunden zu binden;
  • und Marketingkampagnen zu verbessern. 

Melden Sie sich für unseren Newsletter an...

wenn Sie über die neuesten Entwicklungen in der KI-Technologie, Forschung und Wirtschaft auf dem Laufenden bleiben wollen.

    Ohne Titel-Entwurf-23.png

    Automatisierung in vollem Gange: Diese neuen KI-Tools revolutionieren die CX-Forschung

    Als Markt- oder Meinungsforscher müssen Sie immer auf dem Laufenden sein, was die...

    10. Januar 2023
    angry-6319463_1280.jpg

    Sentiment-Analyse

    Unternehmen sehen sich mit einer ständigen Informationsflut aus allen Richtungen konfrontiert...

    24. Mai 2019
    Blog-Online-Meetings-Tools-e1659461985409.png

    Die besten Conferencing-Tools für kleine Unternehmen

    Trotz oder gerade wegen der räumlichen Distanz bieten Online-Sitzungen eine...

    25. Mai 2019
    SRA_5901_Final.jpg

    5 goldene Regeln für eine bessere Meeting-Kultur

    Sitzungen sind oft zeitaufwendig und anstrengend, aber entscheidend für die Entwicklung von...

    25. Mai 2019