Ein Leitfaden zur Stimmungsanalyse: Was ist sie und wie funktioniert sie?
Zusammenfassung des Artikels
Viele Fachleute warnen Sie, dass negative Stimmungen dem Ruf Ihrer Marke im Internet schaden. Lesen Sie diesen Leitfaden, um zu verstehen, was es wirklich ist, wie die Stimmungsanalyse funktioniert und ob Sie sie nutzen sollten.
20 Minuten gelesen
Stimmungsanalyse ist das ultimative Modewort. Und wie es sich für Buzzwords gehört, ist es ein Konzept, das sehr oft missverstanden wird.
Bei Awario bieten wir ein System zur Analyse der Markenstimmung an, und seit wir es veröffentlicht haben, erhalten wir viele Fragen zur Stimmung.
Mit etwas Glück hilft Ihnen dieser Leitfaden, mehr über die Stimmungsanalyse zu erfahren: von ihrer Verwendung bis hin zu den Einzelheiten der Mechanismen und NLP-Techniken, die ihr zugrunde liegen.
Beginnen wir mit dem Elefanten einer Frage:
Was ist Stimmungsanalyse?
Bei derSentiment-Analyse, auch Meinungsanalyse genannt, geht es darum, die Emotionen (oft als positiv, negativ oder neutral eingestuft) zu ermitteln, die jemand gegenüber einem Thema oder Phänomen zum Ausdruck bringt.
Im Zusammenhang mit Social Listening und Online-Reputationsmanagement wird die Analyse von Stimmungen am häufigsten verwendet, um die Stimme des Kunden zu erfassen und die Einstellung der Verbraucher gegenüber einer Marke, einem Unternehmen, einem Produkt oder einer Person zu ermitteln.
Wie wird die Stimmungsanalyse eingesetzt?
Die Stimmungsanalyse ist wohl das Wichtigste, worauf man bei einem Social Listening Tool achten sollte. Von der Analyse der Markengesundheit bis hin zur Verbesserung des Kundendienstes - hier sind einige der wichtigsten Dinge, bei denen Ihnen Sentiment-Analyse-Tools helfen.
1. die Gesundheit der Marke überwachen
Die Stimmungsanalyse ist ein wichtiger Bestandteil der Überwachung Ihrer Marke und der Bewertung des Zustands Ihrer Marke. Behalten Sie in Ihrem Dashboard zur Überwachung der sozialen Medien das Verhältnis von positiven und negativen Erwähnungen in den Gesprächen über Ihre Marke im Auge und untersuchen Sie die Hauptthemen im positiven und negativen Feedback, um herauszufinden, was Ihre Kunden am meisten loben und worüber sie sich am meisten beschweren.
2. Reputationskrisen frühzeitig erkennen
Die Stimmungsanalyse wird nicht nur für die Analyse von und Berichterstattung über soziale Medien verwendet. Genauso wichtig ist es, sich täglich in Ihr Social Listening Dashboard einzuloggen und nach Spitzen bei negativen Erwähnungen Ausschau zu halten - auf diese Weise können Sie eine Reputationskrise frühzeitig erkennen und verhindern, dass sie sich zu einem ausgewachsenen Desaster ausweitet.
In Awario können Sie mit Hilfe von Einblicken auch die Gründe für Spitzen im Volumen negativer oder positiver Konversationen verstehen. Wenn Sie auf diese Einblicke klicken, können Sie tiefere Einblicke in historische und Echtzeitdaten nehmen und sehen, was den Zustrom negativer (oder positiver) Erwähnungen verursacht hat.
Eine gründliche Stimmungsanalyse kann den Ruf Ihrer Marke retten, wenn die negativen Erwähnungen im Internet in alarmierendem Maße zunehmen. Außerdem hilft sie Ihnen, die Ursachen für positive und negative Leistungen zu ermitteln.
Mit der Anmeldung erkläre ich mich mit den Nutzungsbedingungen und der Datenschutzrichtlinie einverstanden.
3. Leistung der Kampagnen verfolgen
Genauso wie Sie Ihre Marke überwachen, können Sie auch die Erwähnungen Ihrer Marketingkampagnen, Kooperationen, Veranstaltungen, die Sie organisieren, oder buchstäblich jede andere Initiative Ihres Unternehmens verfolgen, die online für Aufsehen sorgt.
Genau wie bei der Markenüberwachung können Sie die Stimmungsanalyse nutzen, um die allgemeine Stimmung rund um die Kampagne zu messen und auf Spitzen zu achten, um die Gründe dafür zu ermitteln. Awario bietet eine mehrsprachige Stimmungsanalyse, so dass Sie verfolgen können, wie Ihre Kampagne auf der ganzen Welt wirkt.
4. Analyse der Wettbewerber durchführen
Die Beobachtung der Stimmungslage Ihrer Konkurrenten hilft Ihnen zu erkennen, welche Aspekte ihrer Produkte die Kunden am meisten (und am wenigsten) begeistern. Darüber hinaus kann die Stimmung der Wettbewerber auch als Benchmark dienen, wenn Sie die Stimmung hinter den Erwähnungen Ihrer eigenen Marke und Ihres Produkts analysieren.
Nehmen wir an, 50 % Ihrer Erwähnungen sind positiv, 40 % sind negativ und der Rest ist neutral. Woher wissen Sie, ob das gut oder schlecht ist, wenn Sie keinen Vergleichswert haben?
5. die Kundenbetreuung zu verbessern
Die Beobachtung der Kundenstimmung und das Wissen um die Meinung der Kunden zu Ihren Produkten oder Dienstleistungen kann Ihrem Kundendienstteam auch dabei helfen, Prioritäten für seine Arbeit zu setzen.
Stellen Sie sicher, dass Sie Erwähnungen, die negative Wörter über Ihre Marke enthalten (insbesondere solche mit einer hohen Reichweite), zuerst ansprechen - in Awario können Sie dies durch die Verwendung von Filtern in Ihrem Erwähnungs-Feed erreichen.
Wenn Sie diese negativen Unterhaltungen in sozialen Netzwerken frühzeitig erkennen, haben Sie gute Chancen, die Situation für diesen speziellen Kunden zu ändern und das Kundenerlebnis für andere Kunden zu verbessern.
Mit der Anmeldung erkläre ich mich mit den Nutzungsbedingungen und der Datenschutzrichtlinie einverstanden.
Wie funktioniert die Stimmungsanalyse?
Im Fachjargon der Datenwissenschaft ist die Stimmungsanalyse ein Klassifizierungsproblem: Dem Algorithmus werden Textstücke vorgelegt, die als positiv, negativ oder neutral eingestuft werden müssen. Das Problem wird in der Regel mit Hilfe der natürlichen Sprachverarbeitung (NLP) auf eine der folgenden drei Arten angegangen: überwachtes maschinelles Lernen, regelbasierte Techniken oder eine Kombination der beiden Ansätze.
Werfen wir einen Blick auf jedes dieser Stimmungsanalysemodelle.
1. Überwachtes maschinelles Lernen (ML)
Beim überwachten maschinellen Lernen wird dem System ein vollständiger Satz markierter Daten zum Training vorgelegt. Dieser Datensatz besteht aus Dokumenten, deren Stimmungslage bereits von menschlichen Bewertern (Datenwissenschaftlern) bestimmt wurde. Der Computer lernt dann die Stimmungsanalyse-Klassifikatoren des Dokuments aus dem Trainingssatz und kennzeichnet neue Eingabedaten (den Testsatz).
Mit anderen Worten: Die Verwendung von ML ermöglicht die Automatisierung von Low-Level-Funktionen für die Textanalyse, auf die sich die Stimmungsanalyse stützt.
Bei diesem Stimmungsanalysemodell können verschiedene Klassifizierungsalgorithmen und neuronale Netze verwendet werden, wie Naive Bayes, logistische Regression, Support Vector Machines und andere.
Unabhängig vom Ansatz weist das System in der Regel allen Themen, Kategorien, Wörtern und Sätzen in dem analysierten Text eine Punktzahl zu, um die Stimmung widerzuspiegeln: beispielsweise auf einer Skala von -1 für "extrem negativ" bis 1 für "extrem positiv". Diese Punktzahlen werden dann für alle Wörter im Text addiert und durch die Anzahl der Wörter im Text geteilt, um die durchschnittliche Punktzahl zu erhalten.
Von da an ist es Sache des Forschers, die jeweiligen Grenzen festzulegen. Sie könnten zum Beispiel sagen, dass eine Gesamtbewertung zwischen -1 und -0,33 bedeutet, dass die Aussage negativ ist, -0,33 bis 0,33 für neutral und 0,33 bis 1 für positiv.
Vorteile: Überwachte maschinelle Lernverfahren ermöglichen die Erstellung trainierter Modelle, die auf den spezifischen Zweck der Datenanalyse zugeschnitten sind.
Nachteile: Diese Modelle lassen sich oft nur schlecht an verschiedene Bereiche oder unterschiedliche Schreibstile anpassen.
2. Regelbasierte Methoden
Ein regelbasiertes System verwendet für die Textanalyse einen Satz von Regeln, die von Menschen erstellt (und optional maschinell erweitert) wurden. Diese Regeln enthalten in der RegelSentiment-Lexika (d. h. Wörterbücher mit vorbeschrifteten Wörtern und Ausdrücken).
Hier ist ein sehr einfaches Beispiel dafür, wie ein Wörterbuch aussehen kann:
| Wort | Stimmungsbewertung |
|---|---|
| Fantastisch | 1 |
| Gut | 0.5 |
| Okay | 0 |
| Schlecht | -0.5 |
| Schrecklich | -1 |
Sobald das System seine Arbeit aufgenommen hat, sucht es im ersten Schritt nach Wörtern aus dem Wörterbuch in dem zu analysierenden Text(Entity-Extraktion).
Die Berechnung ist dieselbe wie bei Modellen des maschinellen Lernens: Man addiert die Punktzahlen für jedes Wort und teilt das Ergebnis durch die Anzahl der Wörter, um den Durchschnitt zu erhalten.
Bestimmen Sie abschließend die Stimmung des Textes anhand der von Ihnen festgelegten Grenzen für positiv, negativ und neutral.
Nehmen wir den folgenden Satz als Beispiel:
Der Kaffee war in Ordnung, aber das Essen war schrecklich.
Da dieser Text zwei Wörter aus unserem Wörterbuch enthält, würde das Ergebnis lauten:
(0 + (-1)) / 2 = -1 / 2 = -0.5
Wenn Sie entschieden haben, dass eine Punktzahl zwischen -1 und -0,33 bedeutet, dass die Aussage negativ ist, dann wird dieser Satz vom System als negativ eingestuft.
Vorteile: Der Aufbau regelbasierter Systeme ist einfacher als der Einsatz von ML-Techniken, und sie sind oft nicht so ressourcenintensiv wie Algorithmen für maschinelles Lernen. Sie geben dem Forscher außerdem die volle Kontrolle über das Vokabular und können daher eine bessere Begriffsabdeckung aufweisen.
Nachteile: Einfache regelbasierte Systeme betrachten einzelne Wörter oder Phrasen und nicht, wie sie in einer Abfolge verwendet werden. Das Hinzufügen neuer Regeln kann hilfreich sein, aber letztendlich kann das gesamte System sehr komplex werden. Hinzu kommt, dass die Anzahl der Wörter in Wörterbüchern endlich ist, was bei der Verarbeitung natürlicher Sprache in dynamischen Umgebungen (ich schaue dich an, soziale Medien) zu Problemen führen kann. Mit anderen Worten: Die lexikonbasierte Technologie erfordert häufig eine kontinuierliche Feinabstimmung.
3. Hybride Ansätze
Manchmal kombinieren Softwareentwickler überwachtes maschinelles Lernen mit lexikonbasierten Ansätzen, um die Stimmungsgenauigkeit ohne Leistungseinbußen zu verbessern.
Die Techniken können auf unterschiedliche Weise nebeneinander eingesetzt werden, aber in der Regel wird ein regelbasiertes System (das in der Regel schneller ist als ML-Algorithmen) versuchen, die Stimmung einer Aussage zu klassifizieren. Wenn ein gewisser Grad an Konfidenz nicht erreicht wird (z. B. wenn nur wenige oder gar keine Wörter des Satzes im Lexikon vorhanden sind), wird ein Klassifikator des maschinellen Lernens eingesetzt, um die Stimmung der Aussage zu ermitteln.
Vorteile: Hybride Ansätze können die Vorteile sowohl regelbasierter als auch maschineller Lernmethoden nutzen und Unternehmen, die diese Art der Stimmungsanalyse einsetzen, dabei helfen, bessere Marketingergebnisse zu erzielen. Sie können in den meisten Fällen die Leistungsvorteile lexikonbasierter Verfahren nutzen, diese aber in Bezug auf die Genauigkeit übertreffen, um Aussagen zu berücksichtigen, deren Stimmung mit einem regelbasierten Ansatz nicht einfach identifiziert werden kann.
Nachteile: Diese Systeme sind natürlich am zeit- und arbeitsaufwändigsten zu erstellen.
4. Unterstützung für jede Sprache
Sie haben richtig gelesen - der Sentiment-Algorithmus funktioniert für jede einzelne Sprache, die es gibt! Wir haben umfangreiche Tests für die Sprachen durchgeführt, die bei den Awario-Nutzern am beliebtesten sind (Englisch, Französisch, Spanisch, Deutsch und Portugiesisch), sowie kleinere Tests für andere Sprachen, und wir freuen uns, sagen zu können, dass die Genauigkeit der Stimmungsanalyse für keine Sprache unter 65 % fällt.
Wie genau ist die Stimmungsanalyse?
Die Genauigkeit der Stimmungsanalyse ist ein Begriff, der sich darauf bezieht, inwieweit die Ergebnisse eines Stimmungsanalysesystems mit menschlichen Bewertungen übereinstimmen.
Es ist jedoch nicht so einfach, wie es scheint - Untersuchungen zeigen, dass menschliche Bewerter nur in 65 % bis 80 % der Fälle einer Meinung sind.
Um der Aussage zu folgen, kann man dies so umschreiben:
Die Genauigkeit der Stimmungsanalyse des menschlichen Gehirns liegt zwischen 65 % und 80 %.
Stimmungen sind oft subjektiv, was es schwierig macht, die Genauigkeit zu messen. Im Durchschnitt sind sich die Forscher einig, dass ein Stimmungsanalysesystem eine Genauigkeit von mindestens 50 % aufweisen muss, um als effektiv zu gelten; eine Genauigkeit von über 65 % wird als gut angesehen, auch wenn dies nicht beeindruckend klingt.
Awario schneidet mit seiner Stimmungsanalyse mit einer Genauigkeit von knapp über 70 % fast genauso gut ab wie Menschen.
Es gibt noch einen weiteren Grund, warum die Genauigkeit nicht immer der ultimative Weg ist, um zu messen, wie gut ein Algorithmus ist.
Hier ist ein großartiges Beispiel dafür, wann dies nicht der Fall ist (ohne Bezug zur Stimmungsanalyse):
Würden Sie jemandem glauben, der behauptet, er habe ein Modell im Kopf entwickelt, mit dem er Terroristen, die versuchen, an Bord eines Flugzeugs zu gehen, mit einer Genauigkeit von über 99 % identifizieren kann? Nun, hier ist das Modell: einfach jede einzelne Person, die von einem US-Flughafen fliegt, als nicht terroristisch einstufen. In Anbetracht der durchschnittlich 800 Millionen Passagiere auf US-Flügen pro Jahr und der 19 (bestätigten) Terroristen, die zwischen 2000 und 2017 US-Flüge bestiegen haben, erreicht dieses Modell eine erstaunliche Genauigkeit von 99,9999999 %! Das mag beeindruckend klingen, aber ich habe den Verdacht, dass das US-Ministerium für Heimatschutz in nächster Zeit nicht anrufen wird, um dieses Modell zu kaufen. Während diese Lösung eine nahezu perfekte Genauigkeit aufweist, ist dieses Problem eines, bei dem Genauigkeit eindeutig keine angemessene Messgröße ist!
Die beiden anderen Faktoren, die den Forschern Aufschluss darüber geben, wie gut ihr Algorithmus ist, sind Präzision und Recall.
Präzision ist der Prozentsatz der vom System korrekt als X identifizierten Instanzen unter allen vom System als X identifizierten Instanzen.
DerRückruf hingegen ist das Verhältnis zwischen der Anzahl der vom System korrekt identifizierten Instanzen von X und allen Instanzen von X im Datensatz.
Nehmen wir zum Beispiel an, wir haben einen Datensatz mit 10 Aussagen: 7 davon werden von menschlichen Experten als positiv und 3 als negativ eingestuft.
Ein Stimmungsanalysesystem identifiziert 5 Aussagen als positiv. Von diesen 5 Instanzen sind nur 3 tatsächlich positiv (wie von menschlichen Experten bewertet).
Die Genauigkeit des Systems liegt bei 3/5 und die Wiedererkennung bei 3/7.
Was sind die Vorbehalte gegenüber der Stimmungsanalyse?
Wir haben gesehen, dass die Stimmungsanalyse selbst für Menschen schwierig ist, ganz zu schweigen von Maschinen - aber warum? Hier sind die größten Herausforderungen für Systeme zur Stimmungsanalyse (dies gilt für alle Sprachen).
1. Sarkasmus
Jede Art der Verarbeitung natürlicher Sprache ist bei kurzen Dokumenten schwierig, und die Stimmungsanalyse bildet da keine Ausnahme. Beiträge in sozialen Medien sind in der Regel kürzer als andere Arten von Webinhalten, wie z. B. Nachrichtenartikel, was bedeutet, dass es oft wenig Kontext gibt, mit dem man arbeiten kann. Dies ist besonders wichtig für sarkastische oder ironische Aussagen.
In vielen Fällen ist Sarkasmus für Menschen ziemlich offensichtlich, aber für Maschinen extrem schwierig zu erkennen.
Hier ist ein Beispiel:
Ich habe nur 5 Minuten gebraucht, um mir bei Starbucks einen Kaffee zu holen. Ein toller Start in den Tag!
Ich brauchte nur 30 Minuten, um mir bei Starbucks einen Kaffee zu holen. Ein toller Start in den Tag!
2. Verneinungen
Negationen sind ein linguistisches Mittel zur Umkehrung der Bedeutung von Wörtern, Phrasen und sogar ganzen Sätzen. Für die Zwecke der Stimmungsanalyse ist es nicht nur wichtig, Negationen zu erkennen, sondern auch herauszufinden, welche Wörter davon betroffen sind, damit das System ihre Stimmung umkehren kann.
Wie Sarkasmus ist auch die Verneinung für Menschen recht einfach zu interpretieren, für Computer kann sie jedoch recht schwierig sein.
Ich würde nicht sagen, dass der Kaffee besonders gut war.
Um mit der Negation umzugehen, kehren die Algorithmen zur Klassifizierung der Stimmung oft die Stimmung aller Wörter um, beginnend mit dem Wort der Negation und bis zum nächsten Satzzeichen. Dieser Ansatz kann jedoch manchmal fehlschlagen, wie Sie im folgenden Beispiel sehen können.
Ich hatte gehofft, dass der Kaffee gut sein würde. War er aber nicht.
3. Mehrdeutigkeit
Emotionale Wörter wie Liebe und Hass sind sowohl für Menschen als auch für Maschinen leicht zu interpretieren. Einige Wörter können jedoch in einem Kontext negativ und in einem anderen neutral oder positiv sein, wie in dem folgenden Beispiel.
Im Sommer trinke ich am liebsten eiskalten Kaffee.
Als ich endlich meinen Kaffee bekam, war er eiskalt.
4. Multipolarität
Oft drückt der Text, den Sie analysieren, mehrere Emotionen auf einmal aus. Wenn Sie mit einem Text konfrontiert werden, der eine Emotion gegenüber einem Objekt oder Thema und eine andere Emotion gegenüber einem anderen ausdrückt, haben Sie es mit Multipolarität zu tun.
Der Kaffee von Starbucks ist viel besser als der von Dunkin'.
(Unverschämter Hinweis: Wenn Sie sich fragen, was wirklich besser ist, schauen Sie sich unsere Social Listening-Analyse der beiden Marken an).
In diesem Fall könnte ein einfaches Opinion-Mining-System zu dem Schluss kommen, dass die Stimmung der Aussage positiv ist, und zwar auf der Grundlage des Begriffs " viel besser". Wenn es sich bei der von Ihnen überwachten Marke jedoch um Dunkin' handelt, würden Sie dem sicher nicht zustimmen. Um mit Multipolarität umzugehen, wird ein Ansatz namens aspektbasierte Stimmungsanalyse verwendet.
Haben Sie aus dem, was Sie gelesen haben, irgendwelche Schlussfolgerungen gezogen?
Ich hoffe, dass dieser Leitfaden einen direkten Einblick in die Stimmungsanalyse, ihre Einsatzmöglichkeiten und Herausforderungen bietet. Für einen kurzen Moment könnten Sie denken, dass die Sentiment-Analyse schwer zu handhaben oder für Marketer völlig nutzlos ist. Je nach Ihren Zielen können Sie die Sentiment-Analyse jedoch problemlos in Ihre tägliche Marketing-Routine integrieren.
Haben Sie noch Fragen zur Stimmung? Bitte lassen Sie es uns wissen! Gehen Sie auf unsere sozialen Seiten, um Ihre Kommentare zu hinterlassen und Ihre Fragen dort zu stellen.
