Was ist Sentiment-Analyse?

Eine Sentiment-Analyse ist ein Verfahren der natürlichen Sprachverarbeitung, das darauf abzielt, die Stimmung oder Haltung in Texten zu erkennen. Sie wird dazu eingesetzt, Meinungen in sozialen Medien, Kundenbewertungen oder Umfragen automatisch auszuwerten.

Wieso benötigt man Sentiment-Analyse?

Für den Erfolg oder Misserfolg einer Marke sind nicht nur die direkten Verkaufszahlen entscheidend, die sich kurzfristig ändern können, sondern auch die Kundenmeinungen. Dabei geht es vor allem darum, wie potenzielle Kundinnen und Kunden über die Marke sprechen – unabhängig davon, ob sie das Produkt bereits gekauft haben oder nicht.

• Passt eine Marke in den Trend der Zeit?
• Wird die Marke von der gewünschten Zielgruppe positiv oder negativ wahrgenommen?
• Wird die Marke gar komplett ignoriert?
• Wie kommt die Marke bei Influencern an?

Das sind wichtige Fragen, die ein Unternehmen über gezielte Beobachtung von Social-Media-Kanälen regelmäßig klären sollte. Sentiment-Analysen werden außerdem von Börsenspezialisten und -spezialistinnen durchgeführt, um anhand des Kaufverhaltens und der allgemeinen Stimmung von Aktieninvestoren den Kursverlauf von Aktien abschätzen zu können.

Wie funktioniert Sentiment-Analyse?

Sentiment-Analyse, auch als „Stimmungserkennung“ bezeichnet, basiert auf der automatisierten Auswertung von Benutzerkommentaren, durch die festgestellt werden soll, ob ein Text eher positiv oder eher negativ gemeint ist. Dazu bedient man sich Methoden des „Text Mining“ (siehe hierzu auch Data-Mining), also der automatischen Analyse von Texten, die in natürlicher Sprache geschrieben sind.

Zu den größten Herausforderungen dieser Disziplin zählen folgende:

• Natürliche Sprache besteht nicht aus Positiv- und Negativlisten, ihre Bedeutung ändert sich je nach Kontext
• Analysemethoden, die gemäß eines vorher erstellten, zum Thema passenden Wörterbuchs nach Wörtern mit positiver oder negativer Bedeutung suchen, ermöglichen nur einen sehr groben Überblick
• Die Häufigkeit von Wörtern, die im Zusammenhang mit der subjektiven Bewertung eines Produkts als positiv oder negativ gelten, ist nicht aussagekräftig
• In sozialen Netzwerken werden Meinungen nicht immer nach den Regeln der deutschen Grammatik formuliert
• Je nach Zielgruppe findet man Trends im Sprachgebrauch, z. B. Jugendsprache

Veranschaulichen lassen sich diese Schwierigkeiten an zwei unterschiedlichen Kundenbewertungen:

Für eine erfolgreiche Sentiment-Analyse zieht man daher immer häufiger Werkzeuge der künstlichen Intelligenz heran. Methoden des Machine Learning helfen dabei, Tools zu trainieren, die die Zielgruppe und das Umfeld des zu analysierenden Produkts genau kennen. Langfristig wird so die Qualität der Ergebnisse verbessert.

Was ist der Zweck einer Sentiment-Analyse?

Die wichtigste Aufgabe einer Sentiment-Analyse ist es, ein allgemeines Stimmungsbild zu einem Produkt oder zu einer Marke innerhalb einer definierten Zielgruppe zu ermitteln. Dazu bietet es sich an, neben Produktrezensionen auf der eigenen Website oder in großen Onlineshops auch thematisch passende Postings bei Facebook, Twitter und anderen sozialen Netzwerken zu durchsuchen.

Sentiment-Analysen sollen die Emotionen hinter dem geschriebenen Text erkennen und außerdem erfassen, was die Autorin bzw. der Autor des Texts tatsächlich gemeint hat.

Die Sentiment-Analyse ist jedoch kein Werkzeug, um einzelne Meinungstexte oder Produktbewertungen zu beantworten. In solchen Fällen sollte lieber ein Mensch eine persönliche Antwort schreiben.

Was sind die Vorteile von Sentiment-Analyse?

Eine Sentiment-Analyse bietet Unternehmen zahlreiche Vorteile in den Bereichen Marketing, Kundenservice und Markenwahrnehmung. Die automatisierte Auswertung großer Textmengen ermöglicht es, Meinungen, Einstellungen und Emotionen von Kundinnen und Kunden gezielt zu analysieren und zu nutzen.

Frühzeitiges Erkennen negativer Kundenstimmung: Professionelle Textanalysen erlauben es, Stimmungen innerhalb einer Zielgruppe schnell zu erfassen. Unternehmen können so frühzeitig reagieren und mit passenden Maßnahmen – etwa durch angepasste Kommunikation oder gezielte Kampagnen – entgegenwirken.

Gezielteres Marketing: Durch die Auswertung von Kundenkommentaren lassen sich positive Kundenerfahrungen identifizieren. Diese Informationen können genutzt werden, um gezielt personalisierte Werbung oder Bonusaktionen anzubieten – idealerweise genau dort, wo die Zielgruppe aktiv ist.

Stärkung der Kundenbindung: Wer seine Kundschaft besser versteht, kann passgenauere Angebote erstellen und auf deren Bedürfnisse eingehen. Dies stärkt die Kundenbindung und erhöht langfristig die Zufriedenheit.

Reputationsmanagement: Sentiment-Analyse hilft dabei, die öffentliche Wahrnehmung der Marke im Blick zu behalten. So lassen sich Krisen frühzeitig erkennen und Reputationsrisiken minimieren.

Wann kommt Sentiment-Analyse zum Einsatz?

Die Sentiment-Analyse findet in vielen Bereichen Anwendung, in denen Meinungen, Bewertungen oder Stimmungen eine Rolle spielen. Besonders Unternehmen nutzen sie, um Einblicke in das Kundenverhalten zu gewinnen und schneller auf Trends reagieren zu können. Folgende Einsatzgebiete sind besonders beliebt:

• Werbekampagnen in sozialen Netzwerken: Hier reagieren die potenziellen Kundinnen und Kunden unmittelbar auf Aussagen des Unternehmens und kommunizieren in manchen Fällen sogar untereinander– oft wesentlich ehrlicher, als sie es mit dem Unternehmen tun würden.
• Anpassen von Kampagnen: Sollte sich eine negative Stimmung abzeichnen oder ein falscher Eindruck von den beworbenen Produkten entstehen, können entsprechende Kampagnen kurzfristig angepasst und danach erneut ausgewertet werden.
• Reaktion auf Produkt- oder Markenanpassungen: Auch nach einer neuen, möglicherweise verbesserten Auflage eines bekannten Produkts oder bei visuellen Veränderungen der Marke sind Stimmungsanalysen hilfreich, um beurteilen zu können, wie sich die Neuausrichtung auf die Kundenzufriedenheit und möglicherweise auf das Verhalten von Neukundinnen und -kunden auswirkt.
• Relevante Inhalte finden: Neben dem Herausfiltern von Spam geht es auch darum, Texte zu finden und von der Analyse auszuschließen, die nur indirekt mit dem eigenen Produkt zu tun haben.
• Sortieren des Feedbacks: Die relevanten Kommentare zur eigenen Marke sollte man nach weiteren Kriterien untergliedern oder ausfiltern – beispielsweise danach, ob es sich wirklich um Rezensionen zu einem Produkt handelt oder ob eine Kritik sich eher gegen den Kundenservice oder die Verpackung richtet und deshalb viele negative Begriffe enthält.
• Erfolg messen: Mit einer Stimmungsanalyse lässt sich der Erfolg von Marketingkampagnen messen, wenn beispielsweise Begriffe oder Phrasen aus der aktuellen Werbung zusammen mit positiven Worten gehäuft in Kommentaren auftauchen.

Beispiel einer einfachen Sentiment-Analyse

Das Natural Language API von Google ist eine Programmierschnittstelle, die u. a. einfache Sentiment-Analyse-Methoden beherrscht und in eigene Programme eingebunden werden kann. Google ermöglicht jedem, nicht nur Software-Entwickelnden, das Testen dieser API. Man braucht nur einen Text in das Eingabefeld der Google Natural Language API zu kopieren und erhält verschiedene Optionen für Textanalysen, darunter auch die Auswahl „Sentiment“.

Jeder Satz wird einzeln ausgewertet und erhält eine Bewertung zwischen -1 und +1, wobei -1 für „sehr negativ“ steht und +1 für „optimal“. Aus den Bewertungen der einzelnen Sätze ergibt sich nach einer vorgegebenen Staffelung der Wertigkeiten ein Gesamtergebnis für den Text.

Im nachfolgenden Beispiel verwenden wir die fiktive Rezension zu einem Wasserkocher. Das Ergebnis zeigt, wo die Schwächen einer automatischen Textanalyse liegen. So enthält der Satz, der am schlechtesten bewertet wurde, den negativen Ausdruck. „keine Ahnung“. Liest man den Text jedoch im Gesamtkontext, wird klar, dass der Nutzer bzw. die Nutzerin an dieser Stelle eigentlich lobt.

Da solche Formulierungen sowie Ironie in Bewertungen aber eher die Ausnahme sind, eignet sich jedoch selbst eine einfache Sentiment-Analyse dazu, bei großen Textmengen zumindest ein allgemeines Stimmungsbild zu erhalten.

Welche Tools für Sentiment-Analysen gibt es?

Neben dem bereits erwähnten Natural Language API von Google gibt es weitere professionelle Analysewerkzeuge, die große Textmengen auswerten können. Bei der Auswahl ist darauf zu achten, dass das Tool die deutsche Sprache beherrscht und von Muttersprachlern entwickelte Wörterlisten und Datenbanken mit typischen Formulierungen in semantischen Zusammenhängen enthält. Jede Sprache hat, besonders bei Berücksichtigung von Umgangssprache, ihre eigenen Feinheiten, die ein automatischer Übersetzer nicht abbilden kann, ohne die Stimmung eines Texts zu verfälschen.

Hootsuite

Die AI-gestützte Sentiment-Analyse im Hootsuite-Dashboard wertet automatisch alle wichtigen Social-Media-Kanäle, Nachrichtenportale, bekannten Blogs und Foren aus, um die allgemeine Stimmung der Internetnutzenden gegenüber einer Produktmarke zu ermitteln. Die zur Analyse herangezogenen Kommentare lassen sich nach verschiedenen Schlüsselwörtern und typischen Personengruppen filtern.

Das Tool umfasst neben der Sentiment-Analyse weitere Features, die für Unternehmen hilfreich sind. So bietet es unter anderem eine KI-Unterstützung bei der Erstellung von Inhalten an und schlägt die besten Zeiten für Postings vor. Pläne sind ab 99 € pro User und Monat erhältlich.

IBM Watson Natural Language Understanding

IBM Watson Natural Language Understanding ist ein leistungsstarkes KI-Tool zur Textanalyse, das unter anderem Sentiment, Emotionen, Keywords und Themen erkennen kann. Es ermöglicht eine detaillierte Auswertung von Inhalten in mehreren Sprachen. Die API lässt sich flexibel in bestehende Systeme integrieren und liefert detaillierte Einblicke in die Stimmung und Intention von Texten. Sie können die kostenlose Testversion nutzen, um das IBM-Tool auszuprobieren.

Clickworker

Clickworker geht einen anderen Weg. Hier arbeitet ein großes Netzwerk aus Nutzerinnen und Nutzern über Micro-Jobs an den Texten. So erhält man über gezielte einfache Fragen ein Stimmungsbild statt über eine automatische Textanalyse.

Der Vorteil dieses Ansatzes liegt auf der Hand: Menschliche Intelligenz kann die Stimmung in Texten ganzheitlich untersuchen und muss sich nicht auf die Konnotation einzelner Wörter verlassen. Dank drei bis fünf Clickworkern pro Text und einer Bewertung nach dem Prinzip des Mehrheitsentscheides können Sie sich auf die Ergebnisse in einem hohen Maße verlassen.