Was ist Stimmungsanalyse?
Bei der Stimmungsanalyse wird digitaler Text analysiert, um festzustellen, ob der emotionale Ton der Nachricht positiv, negativ oder neutral ist. Heute verfügen Unternehmen über große Mengen an Textdaten wie E-Mails, Chat-Transkripte des Kundensupports, Kommentare und Bewertungen in sozialen Medien. Stimmungsanalyse-Tools können diesen Text scannen, um automatisch die Einstellung des Autors zu einem Thema zu ermitteln. Unternehmen nutzen die Erkenntnisse aus der Stimmungsanalyse, um den Kundenservice zu verbessern und den Ruf ihrer Marke zu steigern.
Warum ist Stimmungsanalyse wichtig?
Die Stimmungsanalyse, auch als Opinion Mining bekannt, ist ein wichtiges Business-Intelligence-Tool, mit dem Unternehmen ihre Produkte und Dienstleistungen verbessern können. Im Folgenden geben wir einige Vorteile der Stimmungsanalyse an.
Objektive Einblicke bereitstellen
Unternehmen können persönliche Vorurteile im Zusammenhang mit menschlichen Gutachtern vermeiden, indem sie auf künstlicher Intelligenz (KI) basierende Stimmungsanalyse-Tools verwenden. Dadurch erhalten Unternehmen konsistente und objektive Ergebnisse bei der Analyse der Meinungen ihrer Kunden.
Betrachten Sie zum Beispiel den folgenden Satz:
Ich bin erstaunt über die Geschwindigkeit des Prozessors, bin aber enttäuscht, dass er sich schnell aufheizt.
Vermarkter könnten den entmutigenden Teil der Überprüfung ablehnen und positiv auf die Leistung des Prozessors ausgerichtet sein. Genaue Tools zur Stimmungsanalyse sortieren und klassifizieren Text jedoch, um Emotionen objektiv aufzunehmen.
Bessere Produkte und Services entwickeln
Ein Stimmungsanalysesystem hilft Unternehmen, ihre Produkte und Services auf der Grundlage echten und spezifischen Kundenfeedbacks zu verbessern. KI-Technologien identifizieren reale Objekte oder Situationen (sogenannte Entitäten), die Kunden mit negativer Stimmung verbinden. Im obigen Beispiel konzentrieren sich Produktingenieure auf die Verbesserung der Wärmemanagementfähigkeit des Prozessors, da die Textanalysesoftware enttäuscht (negativ) mit dem Prozessor (Entität) und sich schnell aufheizt (Entität) verbindet.
Analysieren im großen Maßstab
Unternehmen sammeln ständig Informationen aus einer großen Menge unstrukturierter Daten wie E-Mails, Chatbot-Transkripten, Umfragen, Kundenbeziehungsmanagement-Aufzeichnungen und Produktfeedback. Cloud-basierte Tools zur Stimmungsanalyse ermöglichen es Unternehmen, den Prozess der Aufdeckung von Kundenemotionen in Textdaten zu erschwinglichen Kosten zu skalieren.
Ergebnisse in Echtzeit
Unternehmen müssen schnell auf potenzielle Krisen oder Markttrends in der sich schnell verändernden Landschaft von heute reagieren. Vermarkter verlassen sich auf Stimmungsanalysesoftware, um in Echtzeit zu erfahren, was Kunden über die Marke, Produkte und Dienstleistungen des Unternehmens denken, und auf der Grundlage ihrer Ergebnisse sofort Maßnahmen zu ergreifen. Sie können die Software so konfigurieren, dass Benachrichtigungen gesendet werden, wenn negative Stimmungen für bestimmte Schlüsselwörter erkannt werden.
Was sind Anwendungsfälle für Stimmungsanalysen?
Unternehmen verwenden Stimmungsanalysen, um Informationen abzuleiten und umsetzbare Pläne in verschiedenen Bereichen zu erstellen.
Kundenservice verbessern
Kundensupport-Teams verwenden Tools zur Stimmungsanalyse, um Antworten basierend auf der Stimmung des Gesprächs zu personalisieren. Dringliche Angelegenheiten werden von auf künstlicher Intelligenz (KI) basierenden Chatbots mit Stimmungsanalysefunktion erkannt und an das Support-Personal eskaliert.
Die Marke überwachen
Unternehmen überwachen ständig Erwähnungen und unterhalten sich über ihre Marken in sozialen Medien, Foren, Blogs, Nachrichtenartikeln und in anderen digitalen Räumen. Technologien zur Stimmungsanalyse ermöglichen es dem PR-Team, sich über verwandte laufende Themen zu informieren. Das Team kann die zugrunde liegende Stimmung bewerten, um Beschwerden zu bearbeiten oder positive Trends zu nutzen.
Marktforschung
Ein Stimmungsanalysesystem hilft Unternehmen dabei, ihr Produktangebot zu verbessern, indem es lernt, was funktioniert und was nicht. Marketer können Kommentare auf Online-Bewertungsseiten, Umfrageantworten und Social-Media-Posts analysieren, um tiefere Einblicke in bestimmte Produktfunktionen zu erhalten. Sie vermitteln die Erkenntnisse an die Produktingenieure, die daraufhin Innovationen entwickeln.
Kampagnenleistung nachverfolgen
Vermarkter verwenden Tools zur Stimmungsanalyse, um sicherzustellen, dass ihre Werbekampagne die erwartete Resonanz generiert. Sie verfolgen Gespräche auf Social-Media-Plattformen und stellen sicher, dass die allgemeine Stimmung positiv ist. Wenn die Nettostimmung hinter den Erwartungen zurückbleibt, optimieren Vermarkter die Kampagne auf der Grundlage von Echtzeit-Datenanalysen.
Wie funktioniert die Stimmungsanalyse?
Stimmungsanalyse ist eine Anwendung von Technologien zur natürlichen Sprachverarbeitung (NLP), die Computersoftware darin trainieren, Text auf ähnliche Weise wie Menschen zu verstehen. Die Analyse durchläuft in der Regel mehrere Phasen, bevor sie das Endergebnis liefert.
Vorverarbeitung
Während der Vorverarbeitungsphase identifiziert die Stimmungsanalyse Schlüsselwörter, um die Kernbotschaft des Textes hervorzuheben.
- Die Tokenisierung teilt einen Satz in mehrere Elemente oder Token auf.
- Die Lemmatisierung wandelt Wörter in ihre Grundform um. Zum Beispiel ist die Stammform von bin sein.
- Das Entfernen von Stoppwörtern filtert Wörter heraus, die dem Satz keinen aussagekräftigen Wert verleihen. Beispielsweise sind mit, für, bei und von Stoppwörter.
Schlüsselwortanalyse
NLP-Technologien analysieren die extrahierten Schlüsselwörter weiter und geben ihnen einen Stimmungswert. Ein Stimmungswert ist eine Messskala, die das emotionale Element im Stimmungsanalysesystem angibt. Er ermöglicht eine relative Wahrnehmung der im Text ausgedrückten Emotionen für analytische Zwecke. Forscher verwenden beispielsweise 10 für Zufriedenheit und 0 für Enttäuschung bei der Analyse von Kundenrezensionen.
Was sind die Ansätze zur Stimmungsanalyse?
Es gibt drei Hauptansätze, die von Stimmungsanalyse-Software verwendet werden.
Regelbasiert
Der regelbasierte Ansatz identifiziert, klassifiziert und bewertet bestimmte Schlüsselwörter anhand vorgegebener Lexika. Lexika sind Zusammenstellungen von Wörtern, die die Absicht, Emotionen und Stimmung des Autors darstellen. Vermarkter weisen positiven und negativen Lexika Stimmungswerte zu, um das emotionale Gewicht verschiedener Ausdrücke widerzuspiegeln. Um festzustellen, ob ein Satz positiv, negativ oder neutral ist, sucht die Software nach Wörtern, die im Lexikon aufgeführt sind, und fasst den Stimmungswert zusammen. Das Endergebnis wird mit den Stimmungsgrenzen verglichen, um die gesamte emotionale Haltung zu bestimmen.
Beispiel für eine regelbasierte Analyse
Stellen Sie sich ein System mit Wörtern wie glücklich, erschwinglich und schnell im positiven Lexikon und Wörtern wie schlect, teuer und schwierig in einem negativen Lexikon vor. Vermarkter ermitteln positive Wortwerte von 5 bis 10 und negative Wortwerte von -1 bis -10. Es werden spezielle Regeln festgelegt, um doppelt negative, wie nicht schlecht, als positive Stimmung zu identifizieren. Vermarkter entscheiden, dass ein Gesamtstimmungswert, der über 3 fällt, positiv ist, während -3 bis 3 als gemischte Stimmung bezeichnet wird.
Vor- und Nachteile
Ein regelbasiertes Stimmungsanalysesystem ist einfach einzurichten, aber schwer zu skalieren. Beispielsweise müssen Sie die Lexika ständig erweitern, wenn Sie neue Schlüsselwörter für die Vermittlung von Absichten in der Texteingabe entdecken. Außerdem ist dieser Ansatz möglicherweise nicht genau, wenn Sätze verarbeitet werden, die von verschiedenen Kulturen beeinflusst werden.
ML
Dieser Ansatz verwendet Techniken des Machine Learning (ML) und Algorithmen zur Stimmungsklassifizierung wie neuronale Netze und Deep Learning, um Computersoftware beizubringen, emotionale Gefühle aus Text zu identifizieren. Bei diesem Prozess wird ein Stimmungsanalysemodell erstellt und wiederholt anhand bekannter Daten trainiert, damit es die Stimmung in unbekannten Daten mit hoher Genauigkeit erraten kann.
Training
Während des Trainings verwenden Datenwissenschaftler Stimmungsanalyse-Datensätze, die eine große Anzahl von Beispielen enthalten. Die ML-Software verwendet die Datensätze als Eingabe und trainiert sich selbst, um zu der vorher festgelegten Schlussfolgerung zu gelangen. Durch das Training mit einer Vielzahl verschiedener Beispiele unterscheidet und ermittelt die Software, wie sich unterschiedliche Wortanordnungen auf den endgültigen Stimmungswert auswirken.
Vor- und Nachteile
Die ML-Stimmungsanalyse ist vorteilhaft, da sie eine Vielzahl von Textinformationen genau verarbeitet. Solange die Software anhand ausreichender Beispiele geschult wird, kann die ML-Stimmungsanalyse den emotionalen Ton der Nachrichten genau vorhersagen. Ein geschultes ML-Modell ist jedoch spezifisch für einen Geschäftsbereich. Dies bedeutet, dass mit Marketingdaten trainierte Stimmungsanalyse-Software nicht ohne Umschulung für die Überwachung sozialer Medien verwendet werden kann.
Hybrid
Bei der hybriden Stimmungsanalyse werden sowohl ML- als auch regelbasierte Systeme kombiniert. Es verwendet Funktionen aus beiden Methoden, um die Geschwindigkeit und Genauigkeit bei der Ableitung kontextueller Absichten in Text zu optimieren. Es erfordert jedoch Zeit und technischen Aufwand, um die beiden verschiedenen Systeme zusammenzuführen.
Was sind die verschiedenen Arten der Stimmungsanalyse?
Unternehmen verwenden verschiedene Arten von Stimmungsanalysen, um zu verstehen, wie sich ihre Kunden bei der Interaktion mit Produkten oder Dienstleistungen fühlen.
Differenzierte Wertung
Differenzierte Stimmungsanalyse bezieht sich auf die Kategorisierung der Textabsicht in mehrere Emotionsebenen. In der Regel wird bei der Methode die Benutzerstimmung auf einer Skala von 0 bis 100 bewertet, wobei jedes gleiche Segment sehr positiv, positiv, neutral, negativ und sehr negativ darstellt. E-Commerce-Shops verwenden ein 5-Sterne-Bewertungssystem als feinkörnige Bewertungsmethode, um das Kauferlebnis zu messen.
Aspektbasiert
Die aspektbasierte Analyse konzentriert sich auf bestimmte Aspekte eines Produkts oder einer Dienstleistung. Beispielsweise befragen Laptop-Hersteller Kunden zu ihren Erfahrungen mit Sound, Grafik, Tastatur und Touchpad. Sie verwenden Tools zur Stimmungsanalyse, um Kundenabsichten mit hardwarebezogenen Schlüsselwörter zu verbinden.
Absichtsbasiert
Absichtsbasierte Analysen helfen, die Kundenstimmung bei der Durchführung von Marktforschungen zu verstehen. Vermarkter nutzen Opinion Mining, um die Position einer bestimmten Kundengruppe im Kaufzyklus zu verstehen. Sie führen gezielte Kampagnen für Kunden durch, die am Kauf interessiert sind, nachdem sie Wörter wie Rabatte, Angebote und Bewertungen in überwachten Gesprächen aufgenommen haben.
Emotionale Erkennung
Bei der emotionalen Erkennung wird der psychologische Zustand einer Person analysiert, wenn sie den Text schreibt. Emotionale Erkennung ist eine komplexere Disziplin der Stimmungsanalyse, da sie tiefer geht als nur das Sortieren nach Kategorien. Bei diesem Ansatz versuchen Stimmungsanalysemodelle, verschiedene Emotionen wie Freude, Wut, Traurigkeit und Bedauern durch die Wortwahl der Person zu interpretieren.
Was sind die Herausforderungen bei der Stimmungsanalyse?
Trotz der Fortschritte bei Technologien zur natürlichen Sprachverarbeitung (NLP) ist das Verständnis menschlicher Sprache für Maschinen eine Herausforderung. Sie interpretieren feinere Nuancen der menschlichen Kommunikation, wie die unten angegebenen, möglicherweise falsch.
Sarkasmus
Für einen Computer ist es äußerst schwierig, Stimmungen in Sätzen zu analysieren, die Sarkasmus enthalten. Betrachten Sie den folgenden Satz: Ja, super. Es dauerte drei Wochen, bis meine Bestellung eintraf. Sofern der Computer den Satz nicht mit einem vollständigen Verständnis des Szenarios analysiert, wird er die Erfahrung basierend auf dem Wort super als positiv kennzeichnen.
Negation
Negation ist die Verwendung negativer Wörter, um eine Bedeutungsumkehr im Satz zu vermitteln. Zum Beispiel: Ich würde nicht sagen, dass das Abonnement teuer war. Algorithmen zur Stimmungsanalyse haben möglicherweise Schwierigkeiten, solche Sätze richtig zu interpretieren, insbesondere wenn die Negation über zwei Sätze hinweg erfolgt, z. B.:Ich dachte, das Abonnement wäre billig. Das war es aber nicht.
Multipolarität
Multipolarität tritt auf, wenn ein Satz mehr als ein Gefühl enthält. In einer Produktbewertung heißt es zum Beispiel: Ich bin mit der robusten Verarbeitung zufrieden, aber die Farbe überzeugt mich nicht. Es wird für die Software schwierig, die zugrunde liegende Stimmung zu interpretieren. Sie müssen eine aspektbasierte Stimmungsanalyse verwenden, um jede Entität und ihre entsprechenden Emotionen zu extrahieren.
Was ist semantische Analyse?
Semantische Analyse ist ein Informatikbegriff zum Verständnis der Bedeutung von Wörtern in Textinformationen. Es nutzt Machine Learning (ML) und natürliche Sprachverarbeitung (NLP), um die Beziehung zwischen Wörtern und grammatikalischer Korrektheit in Sätzen zu verstehen.
Stimmungsanalyse im Vergleich zu semantischer Analyse
Eine Lösung zur Stimmungsanalyse kategorisiert Text, indem sie die zugrunde liegende Emotion versteht. Hierzu wird ein ML-Algorithmus mit bestimmten Datensätzen trainiert oder es werden regelbasierte Lexika festgelegt. Dagegen versteht und arbeitet eine semantische Analyse mit umfassenderen und vielfältigeren Informationen. Beide Sprachtechnologien können verbunden werden, um Unternehmen dabei zu helfen, ihre Kunden besser zu verstehen.
Wie hilft AWS bei der Stimmungsanalyse?
Amazon Comprehend ist eine Lösung zur natürlichen Sprachverarbeitung (NLP), die Unternehmen dabei unterstützt, aussagekräftige Erkenntnisse aus Textdokumenten zu ziehen. Es verwendet Technologien für Machine Learning (ML), um Stimmungsanalysen mit automatisierter Textextraktion durchzuführen. Unternehmen schulen Amazon Comprehend mit branchenspezifischen Dokumenten, um hochgenaue Ergebnisse zu erzielen.
- Die Amazon Comprehend Sentiment Analysis API teilt Entwicklern mit, ob ein Text positiv, negativ, neutral oder gemischt ist.
- Amazon Comprehend Targeted Sentiment ermöglicht es Unternehmen, die Stimmungsanalyse auf bestimmte Teile von Produkten oder Dienstleistungen zu beschränken.
- Amazon Comprehend unterstützt mehrere Sprachen, darunter Deutsch, Englisch, Spanisch, Italienisch, Portugiesisch und Französisch.
Beginnen Sie mit Stimmungsanalysen, indem Sie noch heute ein AWS-Konto erstellen.
Stimmungsanalyse – nächste Schritte
Sie erhalten sofort Zugriff auf das kostenlose Kontingent von AWS.
Beginnen Sie mit der Entwicklung mit AWS in der AWS-Managementkonsole.