Nutzung von Informationen mit Sentiment-Analyse

Unternehmen sehen sich mit einer ständigen Informationsflut aus allen Richtungen - Kunden, Medien, Gemeinschaft usw. - konfrontiert. Modelle zur Analyse von Gefühlen bieten erstaunliche Instrumente zur Bewältigung dieser Überlastung. KI-Systeme können darauf trainiert werden, unsere Emotionen hinter Text-, Audio- und visuellen Daten zu erkennen und automatisch zu klassifizieren.

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 es Einblicke in ausgedrückte Emotionen wie Freude und Ärger.

In der Softwareentwicklung ist die Sentiment-Analyse neben der Themenmodellierung und der Named-Entity-Erkennung eine der drei zentralen Säulen der Deep-Data-Analyse. Leider gibt es keine allgemein anerkannte Definition.

 

Seit den späten 1970er Jahren beschäftigen sich Sprach- 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 Stimmungsanalyse auch, um die Konversationsanalysefunktionen seines Software-Toolkits zu verbessern. „Derzeit befinden wir uns noch in der standardisierten Schulungsphase. Bald werden unsere Nutzer aber in der Lage sein, die aus einem Absatz oder Textteil herausgelesenen Stimmungen selbst zu verändern. So können wir die KI gezielt mit kundenspezifischen Daten trainieren, damit 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.

 

 

 

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 des Prozesses 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 ermittelt. Diese werden dann bewertet, zum Beispiel mit „-1“ und „+1“. In einer mehrschichtigen Stimmungsanalyse werden diese Bewertungen ebenfalls 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 gebräuchlichsten Formen sind:

 

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

Standard-Stimmungsanalyse

Die standardmäßige 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 Theaterstück war schrecklich, ebenso wie die allgemeine Stimmung und der Service.“
 
 

Erkennung von Emotionen

Die Emotionserkennung ermöglicht es, die einem Text zugrunde liegenden Emotionen wie Freude, Ärger und Frustration zu erkennen. Beim maschinellen Lernen mit Lexika ist diese Art von Daten besonders schwierig. Die Verwendung eines Lexikons kann die Emotionen der Kunden definieren, aber Menschen drücken ihre 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 sehr anspruchsvoll und vergleichsweise schwierig. Sie umfasst die Klassifizierung und Verarbeitung mehrerer Sprachen. Alternativ können auch Sprachklassifikatoren verwendet werden, um die Stimmungsanalyse zu trainieren und an die Bedürfnisse anzupassen, z. B. an die bevorzugte Sprache.

 

Feinkörnige Stimmungsanalyse

Bei dieser Methode, die auch als abgestufte Stimmungsanalyse bezeichnet wird, können Sie zusätzlich zu den positiven, negativen oder neutralen Kategorien noch einige weitere hinzufügen. 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 zur Lösung eines Problems oder zur Verbesserung eines Produkts oder einer Dienstleistung an. 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, z. B. von Produktbewertungen. So setzen sich beispielsweise Bewertungen häufig aus mehreren Meinungen zu Produktmerkmalen wie Benutzeroberfläche, Preis, mobile Versionen, Integrationen und vielem mehr zusammen. Mit anderen Worten, es handelt sich um einen detaillierteren Ansatz für die Analyse von Bewertungen.

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 (positiv, negativ oder neutral) vorhersagen kann. „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 Textteile auf der Grundlage ausgefeilter linguistischer Regeln. Diese Regeln werden auch als Lexikons bezeichnet. 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 maschinellen Lernalgorithmus keine Regeln vorgegeben, sondern das System lernt sie selbst. Dazu ist ein Trainingsdatensatz erforderlich, bei dem die Eingabe (Satz, Absatz, Text) mit einer Markierung (negativ, positiv, neutral) versehen wird. Damit der Algorithmus funktionieren kann, wird der Text in eine numerische Darstellung 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 in einer viel komplexeren Weise. Ein LSTM-Modell (Long Short-Term Memory) ist eine Art rekurrentes neuronales Netz (RNN), das zur Verarbeitung zeitlicher Daten verwendet wird. Da wir davon ausgehen, dass die Reihenfolge der Merkmale (Wörter) in einem Satz wichtig ist, verwenden wir diese neuronale Netzarchitektur. 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 dieser Technik wird jeder Text in eine Folge von Zahlen umgewandelt, wobei jede Zahl einem Wort aus dem Vokabular zugeordnet ist. 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 sie würde das Modell die Indexzahl der Wörter als Bedeutung fehlinterpretieren. Bei der „Worteinbettung“ werden alle Wörter in einen mehrdimensionalen Vektorraum eingebettet, so dass ihre Ähnlichkeiten anhand der Entfernung 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 die Datenmenge in der Regel die Möglichkeiten der menschlichen Analyse. Die Fähigkeit, riesige Datenmengen in kurzer Zeit zu verarbeiten, ist ein starkes Argument für den Einsatz automatisierter Systeme zur Stimmungsanalyse.

 

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 eingesetzt werden kann, wie die folgenden beispielhaften Anwendungsfälle zeigen:

 

Steigerung der Effizienz von Meetings

Jedes Besprechungsthema kann durch eine Stimmungsanalyse analysiert werden, die auf den Äußerungen der einzelnen Teilnehmer basiert, um zu dokumentieren, wie sie das Thema emotional empfinden. So lassen sich Missverständnisse, Doppelungen, Wiederholungen und Unklarheiten leichter vermeiden.

 

Coaching – Stimmungsanalyse im Verkaufsgespräch

Die Sentimentanalyse hilft auch bei der Dokumentation und Auswertung von Verkaufsgesprächen sowie beim Coaching von Call Agents und Beratern. Im operativen Bereich wird es häufig als Instrument zur Leistungsmessung eingesetzt, um das Einfühlungsvermögen oder die emotionale Intelligenz des Verkaufspersonals 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

Mit Hilfe der Stimmungsanalyse kann auch das Interesse potenzieller Kunden gemessen werden, und zwar durch Lead Scoring. Die Werte werden auf einer Skala von -1 bis 1 angegeben, 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. Das Hören auf die Stimmen der Kunden mit Hilfe von Textanalyse und Stimmungsextraktion kann helfen, ihre Einstellung zu einem Produkt oder einer Dienstleistung besser zu verstehen.

 

 
 

Überwachung sozialer Medien

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

 

Kundenbetreuung

Die Beobachtung von Marken und sozialen Medien gibt uns einen guten Einblick in die Stimmung der Kunden. Aber wussten Sie, dass die Stimmungsanalyse von Telefonanrufen für gezieltes Marketing, Vertrieb und Kundenerfolg genutzt werden kann? Dies ist z. B. 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 sie tatsächlich ihren 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.
 
Sie wollen Tucan.ai für Ihr Unternehmen testen?

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert