Die ganzen Gefühle: Verwenden von Stimmungsanalysen zur Verbesserung der Kundenerfahrung

8 min read
Artwork by Tomba Lobos

Dein Blick schweift in die obere rechte Ecke deines MacBook Air. Es ist vier Uhr nachmittags. Nur noch eine Stunde Arbeit und dann kannst du nach Hause gehen und die neueste Episode von Game of Thrones verfolgen. Man könnte meinen, die meisten Leute würden dies als großartig einschätzen. Dies gilt jedoch nicht für einen Teil der amerikanischen Bevölkerung auf Twitter. Für diese Arbeiter ist vier Uhr nachmittags der unglücklichste Teil des Arbeitstages.

Diese Schlussfolgerung wurde von einem Team von fünf Forschern an den Northeastern und Harvard Universitäten gezogen, die 300 Millionen Tweets ab September 2006 bis August 2009 studierten. Was für fünf Personen wie eine schreckliche Menge an Arbeit erscheint – Hunderte von Millionen Texten mit 140 Zeichen durchzugehen und die Stimmung der Person zu bestimmen, die sie geschrieben hat -, wurde mithilfe von Künstlicher Intelligenz möglich gemacht. 

Der Ton jedes Tweets wurde durch einen Algorithmus kategorisiert, der seinen Inhalt mit einer ANEW-Wortliste (Affective Norms for English Word – Affektive Normen fürs englische Wort) abglich und eine Bewertung erzeugte, die feststellte, ob er positiv oder negativ war. Von dort aus konnten Forscher die Gefühle der Menschen hinter den Tweets und ihre Entwicklung von morgens bis abends nachvollziehen. 

Die Technologie, die dahinter steckt, heißt Stimmungsanalyse und ihre Anwendung geht übers Erkennen von Stimmungsschwankungen im Laufe des Tages hinaus. 

Emotional intelligente Maschinen

Stimmungsanalyse oder Data Mining ist ein Bereich der Künstlichen Intelligenz, der mithilfe von Algorithmen ermittelt, ob der Ton einer geschriebenen Nachricht positiv, negativ oder neutral ist. Es geht durch Sätze, MicroBlogs (Kurznachrichten mit maximal 140 Zeichen, wie Tweets von Facebook-Posts) oder sogar durch ganze Dokumente und ermittelt das Gefühl, die Einstellung oder die Meinung der Person, die sie zu einem bestimmten Thema, Produkt oder einer bestimmten Marke geschrieben hat. 

Dies ist die Basisversion der Stimmungsanalyse. Andere, komplexere Algorithmen versuchen zu bestimmen, wie stark diese Meinung ist. Sie ordnen den positiven oder negativen Wörtern eine Gewichtung zu und entwickeln eine Punktzahl zwischen -1 und +1. Das Ergebnis wird zur Darstellung der Stimmung des Satzes verwendet. 

Aber wie genau lesen Maschinen unsere Emotionen?

Es gibt drei Hauptansätze für die Stimmungsanalyse: regelbasiert, automatisch und gemischt. 

Regelbasierte Ansätze definieren zunächst einen Satz von Regeln in einer Skriptsprache, die den Ton der vorliegenden schriftlichen Nachricht identifizieren. Diese Regeln verwenden eine Vielzahl von Eingaben, die von klassischen Techniken der natürlichen Sprachverarbeitung bis zu anderen Ressourcen wie Wörterbüchern oder Listen bestimmter Wörter reichen. In der Praxis würden Forscher beispielsweise eine Liste positiver und eine Liste negativer Wörter erstellen. Der Algorithmus würde dann die geschriebenen Nachrichten analysieren und ihren Inhalt mit dem in den Listen vergleichen. Wenn eine Nachricht mehr positive als negative Wörter enthält, gilt ihr Ton als positiv und umgekehrt. Ansonsten gelten sie als neutral. 

Automatische Ansätze beruhen dagegen nicht auf handgefertigten Regeln, sondern auf weitaus komplexeren, maschinellen Lerntechniken. Um es einfach auszudrücken: Bei automatischen Ansätzen muss ein Computer trainiert werden, indem genügend Beispiele oder Trainingsinstanzen gezeigt werden, damit er anfängt, Muster selbst zu erkennen und zu lernen, wie die Eingabe in die gewünschte Ausgabe umgewandelt wird. In diesem Fall könnte man eine Reihe von Tweets und die zugehörige Stimmung als Eingabe verwenden und die Leistung des Algorithmus anhand des Prozentsatzes der folgenden Tweets, die korrekt in jede mögliche Kategorie eingeteilt werden, messen. 

Gemischte Ansätze kombinieren das Beste aus beiden Welten, um genauere Ergebnisse zu erzielen.

Die Stimmungsanalyse wurde ursprünglich für die Marktforschung entwickelt. Bing Liu, Professor für Informatik an der Universität von Illinois und Autor mehrerer Texte zu diesem Thema erklärt, dass es Mitte der 2000er Jahre auftauchte, als Online-Bewertungen an Popularität gewannen und die Unternehmen sie untersuchen wollten, um zu verstehen, was ihre Kunden mitteilen wollten. Vor der Stimmungsanalyse mussten Unternehmen lediglich Fokusgruppen sammeln oder Umfragen versenden, um herauszufinden, wie die Menschen auf ein bestimmtes Produkt oder eine bestimmte Dienstleistung reagierten. Sie hatten keine Garantie dafür, dass sie eine statistisch signifikante Anzahl von Antworten sammeln können.

Dann kamen Algorithmen und erleichterten alles. Sie können größere Datenmengen in kürzeren Zeiträumen analysieren und Unternehmen brauchen keine Kunden zu kontaktieren, um ihre Meinungen zu sammeln. Sie nehmen einfach diejenigen, die sie natürlich online teilen.

EineDaten-Goldgrube

Als Verbraucher produzieren wir eine unermessliche Menge an online geschriebenen Daten. Wir versenden E-Mails, tauschen Ideen in Message Boards aus, posten an den Pinnwänden unserer Freunde und kommentieren deren Instagram-Fotos. Wir verbringen immer mehr Zeit mit sozialen Medien. 2017 stieg die tägliche Nutzung der sozialen Medien durch globale Internetnutzer auf 135 Minuten pro Tag, von 90 Minuten vor nur 5 Jahren. Wir nutzen Facebook, Instagram und andere Kanäle, um nicht nur unsere Vorlieben und Abneigungen mitzuteilen, sondern auch unsere Meinung zu bestimmten Marken oder Produkten zu äußern. 

Die Daten, die aus Online-Bewertungen gesammelt wurden, Posts in den sozialen Medien und andere Quellen sind für Unternehmen von großem Wert, da die Ergebnisse einer Stimmungsanalyse verwendet werden können, um verschiedene Bereiche zu verbessern. 
Für Marketingzwecke können Unternehmen beispielsweise nachverfolgen, ob die Reaktionen auf verschiedene Ereignisse oder Kampagnen in sozialen Medien positiv, negativ oder neutral waren und ihre Strategie überdenken, um ihr Publikum besser anzusprechen. Es ist auch ein nützliches Tool, um die Gefühle der Menschen gegenüber der Konkurrenz zu nutzen und einen Wettbewerbsvorteil auf dem Markt zu erlangen. 
Die Stimmungsanalyse hat sich in jüngster Zeit auch für menschliche Arbeitskräfte und Personaloperationen als hilfreich erwiesen. Unternehmen wie Frrole haben eine DeepSense-KI entwickelt, die öffentlich zugängliche soziale Daten von Bewerbern nutzt und es den Personalvermittlern ermöglicht, sich ein Bild von ihren Verhaltensmerkmalen und ihrer Persönlichkeit zu machen, um zu beurteilen, ob sie gut zum Team passen. 

Andere größere Unternehmen haben begonnen, diese Technologie zu nutzen, um zu verstehen, wie sich ihre derzeitigen Mitarbeiter fühlen. IBM verfügt beispielsweise über eine interne Social-Networking-Plattform namens Connections, über die alle 380,000 -Mitarbeiter von IBM miteinander in Kontakt treten, Meinungen veröffentlichen und die freigegebenen Inhalte anderer Personen kommentieren können. IBM kombiniert diese Plattform mit einem intern entwickelten Stimmungsanalyse-Tool namens Social Pulse, das die Aussagen der Mitarbeiter scannt und Trends und mögliche rote Fahnen bei der Mitarbeiterzufriedenheit identifiziert. 

Lesen der Gedanken der Kunden

Die Stimmungsanalyse ist gleichermaßen nützlich und wichtig für die Verfolgung und Verbesserung der Kundenerfahrung

Die Gefühle der Kunden gegenüber einer Marke können durch eine Reihe von Faktoren beeinflusst werden. Produkteinführungen oder -änderungen, Preiserhöhungen, Viralkampagnen und andere Marketingaktionen sowie die Qualität des Kundenservice.

Unternehmen können beispielsweise auf eine Stimmungsanalyse zurückgreifen, um Produkt- oder Servicebewertungen durchzuführen und jedem eine Bewertung zuzuweisen. Auf diese Weise können Kundenservicemitarbeiter die Kunden mit den negativsten Meinungen zuerst erreichen und versuchen, die schlechte Situation schnellstmöglich zu entschärfen. Die Bewertungen mit positiveren Bewertungen ermöglichen es Unternehmen, zu verstehen, welche Aktionen künftig positive Emotionen bei Kunden auslösen. 

Das gleiche Prinzip kann auf eingehende Tickets angewendet werden. Algorithmen zur Stimmungsanalyse können Tickets basierend auf dem Ton der E-Mail nach Dringlichkeit sortieren. Auf diese Weise können Agenten ihre Aufmerksamkeit auf die frustriertesten oder unzufriedensten Kunden lenken, ohne zuerst jedes Ticket durchgehen zu müssen, um ihre Priorität manuell zu bewerten. 

Für Manager ist dies ein nützliches Instrument, um die allgemeine Zufriedenheit der Kunden mit dem Unterstützungsteam zu messen. Die Ergebnisse basieren nicht auf angeforderten Rückmeldungen nach einer bestimmten Interaktion mit einem Agenten, sondern auf weniger aufdringlichen und ehrlichen Meinungen, die Kunden irgendwo online eingeben, weil sie Lust dazu haben. Es kann interne Leistungsbewertungen als zusätzliche Ebene des Kundenfeedbacks ergänzen, über die Manager einen klareren Überblick über die besser funktionierenden Interaktionen erhalten und diese Erkenntnisse zur Verbesserung der Prozesse nutzen können. 

Die Technologie ist jedoch noch nicht vollständig korrekt. Es basiert auf der Sprache, die nicht so schwarz und weiß wie eine Liste positiver und negativer Wörter ist. Beide können verwendet werden, um den genau entgegengesetzten Ton zu implizieren, den man normalerweise mit ihnen assoziiert. Um zum Beispiel eine verspätete Lieferung zu kommentieren, kann ich sagen: „Amazon hat meine Bestellung nicht rechtzeitig geliefert. Hervorragend!“ Das Wort „hervorragend“ hat in der Regel eine positive Bedeutung, aber in diesem Fall wird es verwendet, um einen unbefriedigenden Service zu kommentieren. 

Obwohl einige KI-Unternehmen bereits Algorithmen zum Erkennen von Sarkasmus trainieren, gibt es viel mehr Variablen, wie z. B. den Kontext oder sogar die Komplexität bestimmter Sprachen, die es Maschinen erschweren, den implizierten Ton der Konversation richtig zu verstehen. 

Nichtsdestotrotz werden Maschinen menschliche Emotionen immer besser wahrnehmen können. Es gibt immer noch viel Raum für Verbesserungen bei der Stimmungsanalyse, aber Forschungen investieren in andere Tools zum Lesen der Stimmung, wie Gesichts-Scans. Wer weiß, vielleicht werden wir in ein paar Jahren einen Bericht über die am wenigsten produktiven Stunden des Arbeitstages basierend darauf haben, wie oft unsere Computer unsere Gesichter nach einem Gähnen abgesucht haben. 

ArtboardFacebook iconInstagram iconLinkedIn iconUnbabel BlogTwitter iconYouTube icon