Was ist eine Standpunktanalyse?

Standpunktanalysen nutzen NLP, Computerlinguistik und Machine Learning, um die emotionale Stimmung in digitalen Texten zu identifizieren. Auf diese Weise können Unternehmen positive, neutrale oder negative Standpunkte gegenüber ihren Marken, Produkten, Diensten oder Ideen identifizieren. Letztendlich erhalten die Unternehmen damit Einblicke, mit denen sie ihre Kunden besser verstehen können.

Ein potenzielles Beispiel für eine Standpunktanalyse ist eine Streamingplattform, die mit Textanalysen in Social-Media-Beiträgen herausfinden möchte, wie beliebt eine bestimmte Serie ist. In diesem Fall kann der Streaminganbieter mit der Standpunktanalyse herausfinden, ob die Öffentlichkeit den Inhalten positiv, neutral oder negativ gegenübersteht. Mit den Ergebnissen der Standpunktanalyse kann die Plattform entscheiden, ob sie die Serie einstellen oder verlängern oder aber die Besetzung sowie den kreativen Prozess umstellen sollte.

Gegenüberstellung: Standpunktanalyse und natürliche Sprachverarbeitung (Natural Language Processing, NLP)
Die Standpunktanalyse ist ein Teilbereich der natürlichen Sprachverarbeitung und ist damit also nur eine der vielen Aufgaben, die mit NLP ausgeführt werden. Die natürliche Sprachverarbeitung versetzt Computer in die Lage, von Menschen gesprochene oder geschriebene Texte zu verstehen. Beispiele für NLP-Aufgaben sind die Erkennung benannter Entitäten, Beantworten von Fragen, Textzusammenfassung, Spracherkennung und natürliche Sprachgenerierung.

Gegenüberstellung: Standpunktanalyse und Machine Learning (ML)
Die Standpunktanalyse nutzt Machine Learning, um beliebige Texte zu analysieren. Die Machine-Learning-Algorithmen „lernen“ von den Trainingsdaten, mit denen sie gefüttert werden. Durch das Machine Learning verbessert sich die Standpunktanalyse ständig weiter und kann die analysierte Sprache immer besser auswerten.

Gegenüberstellung: Standpunktanalyse und künstliche Intelligenz (KI)
Es ist wichtig, die Standpunktanalyse nicht mit künstlicher Intelligenz zu verwechseln. KI bezieht sich auf die allgemeine Fähigkeit von Computern, menschliche Lern- und Problemlösungsfähigkeiten nachzuahmen. Machine Learning ist ein Teilbereich der KI, daher ist die Standpunktanalyse mit Machine Learning ebenfalls ein Teilbereich der KI. Diese drei Bereiche haben zwar Gemeinsamkeiten, sind aber nicht dasselbe.

Gegenüberstellung: Standpunktanalyse und Data Mining
Die Standpunktanalyse ist eine Form von Data Mining, die Textdaten fortlaufend analysiert. Beim Data Mining werden große Datensätze extrahiert und analysiert, um verschiedene Arten von Informationen und Mustern zu entdecken.

Eine vollständige Standpunktanalyse umfasst die folgenden Schritte:

1. Text vorverarbeiten, Sätze tokenisieren, Stammformen lemmatisieren und Stoppwörter entfernen
2. Merkmale extrahieren, etwa indem Sie die lemmatisierten Token in eine numerische Darstellung umwandeln oder Einbettungen generieren
3. Standpunktklassifizierung auf die Daten anwenden

Standpunktanalysen können auf drei Arten durchgeführt werden:

• Regelbasiert
• Mit Machine Learning
• Mischform (hybrid)

Bei der regelbasierten Standpunktanalyse werden manuell geschriebene Algorithmen – oder auch Regeln – verwendet, um Texte auszuwerten. Diese Regeln verwenden Methoden der Computerlinguistik, wie etwa Tokenisierung, Lemmatisierung, Wortstammerkennung und Wortartmarkierung. Sie können außerdem Lexika (Wortdatenbanken) verwenden.

Dieser Analysetyp sucht nach bestimmten Wörtern in Sätzen und bewertet deren Polarität und Subjektivität, um Emotionen und Absichten zu erkennen. Sobald einem Wort eine Polarität (positiv, negativ) zugewiesen wurde, zählt der regelbasierte Ansatz, wie viele positive oder negative Wörter in einem bestimmten Text vorkommen, um die allgemeine Stimmung zu ermitteln.

Diese Methode hat den offensichtlichen Nachteil, dass die Erstellung der Regeln mit beträchtlichem Aufwand verbunden ist. Außerdem berücksichtigen die Regeln nicht, wie die Wörter in einem Satz verwendet werden (in welchem Kontext). Die Komplexität kann zwar mit zusätzlichen Regeln erhöht werden, aber damit nimmt auch die allgemeine Komplexität der Analyse zu. Diese Herangehensweise muss im Lauf der Zeit regelmäßig überprüft und justiert werden, um ihre Genauigkeit zu erhalten.

Die Standpunktanalyse mit Machine Learning ist eine automatisierte Version der regelbasierten Standpunktanalyse, die stattdessen Machine-Learning-Funktionen verwendet. Bei diesem Modell muss das ML-Tool für die Standpunktanalyse mit Trainingsdaten gefüttert werden, um lernen zu können, welche Wörter welchen Polaritäten entsprechen. Gängige Beispiele für Trainingsdaten sind Filmkritiken, Amazon-Produktbewertungen oder Yelp-Bewertungen von Geschäften. Die KI-Community „Hugging Face“ stellt Open-Source-Bibliotheken, Datensätze und Modelle bereit, die Sie zum Erstellen und Trainieren von Tools für Standpunktanalysen verwenden können.

Nachdem das Training der Standpunktanalyse mit Machine Learning abgeschlossen wurde, lässt sich der Prozess auf das Extrahieren von Merkmalen und die Klassifizierung reduzieren. Ergebnisorientierte Standpunktanalysen mit Machine Learning verwenden unterschiedliche Klassifizierungsalgorithmen, wie etwa Deep Learning, Naïve Bayes, lineare Regression oder Support Vector Machines.

Hybrid-Standpunktanalysen sind eine Kombination aus regelbasierten und Machine-Learning-basierten Standpunktanalysemethoden. Diese Variante kann sehr genaue Ergebnisse liefern, wenn sie auf die Anforderungen einzelner Unternehmen oder Nutzer zugeschnitten wird. Sie ist besonders hilfreich für subtilere Stimmungen, wie etwa Business-to-Business-Kommunikation (B2B), bei der negative Emotionen auf professionellere Art und Weise ausgedrückt werden.

Standpunktanalysen liefern umsetzbare Erkenntnisse und identifizieren Folgendes:

• die Polarität der verwendeten Sprache (positiv, neutral oder negativ)
• den emotionalen Tonfall von Verbrauchern (wütend, glücklich oder traurig)
• die Dringlichkeit des Tonfalls
• Absicht oder Interesse der Verbraucher

Standpunktanalysen können Meinungen automatisiert erfassen und für vielfältige Geschäftszwecke eingesetzt werden.

Bewertungen
Mit einem Tool für Standpunktanalysen können Unternehmen Kommentare, Bewertungen und Erwähnungen aus Social-Media-Plattformen, Blogeinträgen und Diskussions- oder Bewertungsforen erfassen und analysieren. Daraus ergeben sich wertvolle Informationen für die Markenwahrnehmung des Unternehmens.

An positiven Standpunkten kann das Unternehmen Handlungen ableiten, und anhand von negativen Kommentaren können Handlungen vermieden bzw. Gegenmaßnahmen ergriffen werden. In diesem Fall ist die Standpunktanalyse ein hilfreiches Tool für Marketing- und Branding-Teams. Anhand der Analyseergebnisse können die Teams ihre Strategie für die Pflege der Wahrnehmung und Reputation ihrer Marke anpassen.

Social-Media-Monitoring
Kunden geben ihr Feedback zu Produkten oder Diensten an verschiedensten Orten im Internet ab. Es ist ineffizient, diese Kommentare manuell einzeln zu sammeln und auszuwerten.

Tools für die Standpunktanalyse können alle Erwähnungen sofort entdecken und die Kundenservice-Teams unverzüglich benachrichtigen. Auf diese Weise können Unternehmen die Haltung ihrer Kunden nachverfolgen und ihr Kundenerlebnis effektiv verwalten. Die Standpunktanalyse kann auch als Monitoring-Tool eingesetzt werden. Im Zusammenspiel mit dem Monitoring der Markenwahrnehmung sind Standpunktanalysen ein wertvolles Tool zur Vermeidung von Krisen. Teams können beispielsweise Softwareupgrades und neue Launches sorgfältig auf Probleme überwachen und schnell eingreifen, wenn ein Problem auftritt.

Markttrends
Standpunktanalysen sind hilfreich für Marktforschungszwecke, da sich Unternehmen einen allgemeinen Überblick über gesamte Märkte, Nischen oder einzelne Produkte und Dienste verschaffen und Einblicke aus Stimmungen gewinnen können, um die Bedürfnisse und Erwartungen ihrer Kunden besser zu verstehen.

Die menschliche Sprache ist ein komplexes, oft fehlerbehaftetes und sehr dynamisches Kommunikationswerkzeug. Standpunktanalysen basieren auf der Interpretation menschlicher Sprache und sind daher grundsätzlich schwierig.

Business-to-Business-Bewertungen
Es ist schwierig, Bewertungen von Konkurrenten mit Standpunktanalysen einzuschätzen. Wenn ein Unternehmen festlegt, dass bestimmte Wörter über den eigenen Geschäftsbetrieb als positiv gelten, dann werden diese Wörter auch im Zusammenhang mit der Konkurrenz als Positiv bewertet. Zum Beispiel:

Es ist toll, wie schnell [Ihr Unternehmen] seine Produkte versendet.

Es ist toll, dass ich bei [Ihre Konkurrenz] auswählen kann, wann die Produkte versendet werden.

Beide Aussagen sind positiv, aber die Standpunktanalyse unterscheidet nicht zwischen einem Unternehmen und seiner Konkurrenz, wenn sie nicht speziell darauf trainiert wurde, alle positiven Aussagen über die Konkurrenz negativ zu bewerten.

Ironie, Sarkasmus und Kontext
Die Herausforderung, Ironie und Sarkasmus zu erkennen und zu verstehen, erstreckt sich auch auf die Standpunktanalyse. Beim Sarkasmus werden negative Gefühle mit positiven Wörtern beschrieben, und es gibt oft keine Hinweise im Text, an denen ein Computer ehrliche Antworten von Sarkasmus oder Ironie unterscheiden könnte. Angenommen, jemand antwortet auf die Frage „Magst du Fruchtfleisch in deinem Orangensaft“ mit „Omg, absolut“. Diese Antwort kann entweder ehrlich und positiv oder sarkastisch und negativ sein.

Standpunkte können auch durch den jeweiligen Kontext verzerrt werden. Betrachten wir die folgenden Antworten:

„Nur ein wenig.“

„Sehr!“

Wenn sich diese Kommentar auf die Frage „Wie wahrscheinlich ist es, dass Sie dieses Produkt weiterempfehlen?“ bezieht, ist die erste Antwort negativ und die zweite positiv. Wenn die Frage jedoch „Wie sehr hat Sie die Preiskorrektur gestört?“ lautete, sind die Polaritäten umgekehrt.

Kulturelle Unterschiede
Kulturspezifische Sprachunterschiede sind eine wichtige Herausforderung bei der Standpunktanalyse. Verschiedene Kulturen haben mitunter ein sehr unterschiedliches Verständnis von Humor. Selbst auf Englisch können unterschiedliche Dialekte die Interpretation erschweren. Zum Beispiel:

„Pants“ ist eine Hose in den USA. In Großbritannien bezieht sich „pants“ auf Unterwäsche.

Diese Unterschiede können die Genauigkeit der Analyse beeinträchtigen. Ausdrucksweisen können sich je nach Kultur auch stark unterscheiden. Ihre Analyse ist oft ähnlich komplex.

Subjektivität
Eine der größten Herausforderungen bei der Standpunktanalyse ist die Tatsache, dass Sprache immer subjektiv ist. Dadurch wird die Klassifizierung in hilfreiche Kategorien, Aspekte oder Polaritäten erschwert. Betrachten Sie etwa dieses Beispiel:

„Dieses Telefon ist toll“ ist eindeutig eine positive Aussage.

„Dieses Telefon ist klein“ ist schwieriger zu klassifizieren. Je nach Einstellung der jeweiligen Person zur Größe des Telefons kann diese Aussage positiv, neutral oder negativ sein.

Die Bedeutung einzelner Wörter kann je nach Kontext, aufgrund von Ironie oder Sarkasmus oder wegen anderer sprachlicher Eigenheiten sehr subjektiv sein.

Die Standpunktanalyse liefert umsetzbare Einblicke. Als Tool bietet sie zahlreiche Vorteile:

Ableiten von Handlungen aus Kundenemotionen in Echtzeit
Mit der Standpunktanalyse können Sie die Kundenzufriedenheit verbessern, Abwanderung vermeiden und sogar Kunden finden, die Ihre Produkte oder Dienste gerne anpreisen. Die entsprechenden Tools können Umfragen oder Kundenservice-Interaktionen analysieren, um herauszufinden, welche Kunden Promoter oder sogar Champions sind. Am anderen Ende des Spektrums können Sie unzufriedene Kunden identifizieren und wichtige Einblicke zu Bereichen mit Verbesserungspotenzial aus deren Antworten ableiten.

Kundenemotionen im großen Stil aus Texten ableiten
Tools für Standpunktanalysen liefern in Echtzeit Erkenntnisse, die zum Vermeiden und Verwalten von Krisen unverzichtbar sind. Lassen Sie sich über aufkommende Probleme sofort informieren, damit Sie drohenden Krisen immer einen Schritt voraus sind. PR-Teams können die Standpunktanalyse zur Meinungsgewinnung nutzen und wertvolle Einblicke gewinnen, um ihre Strategie zu planen und laufende Krisen zu verwalten.

Besserer Kundenservice
Standpunktanalysen nutzen umfassende Daten aus vielen verschiedenen Quellen gleichzeitig: E-Mails, Tweets, Kommentare, Umfragen und Bewertungen. Mit einem Textanalyse-Tool können Sie Ihren Kundenservice besser verwalten, Abfragen priorisieren und die Nachverfolgung mangelhafter Interaktionen automatisieren, indem Manager bestimmte Kundenservice-Mitarbeiter für den Umgang mit schwierigen Kunden speziell schulen.

Es gibt verschiedene Herangehensweisen für Standpunktanalysen. Sie können Ihre Analyse selbst entwickeln, ein Add-On von einem Cloud-Anbieter kaufen oder in ein vorab erstelltes Tool für Standpunktanalysen investieren. Sie haben eine Vielzahl an SaaS-Tools (Software-as-a-Service) für Standpunktanalysen zur Auswahl und können Open-Source-Bibliotheken wie Python oder Java verwenden, um eigene Tools zu erstellen. Alternativ können Sie die KI-Suites verschiedener Cloud-Anbieter nutzen.

Eigenes Modell für Standpunktanalysen erstellen
Sie können ein eigenes Modell für Standpunktanalysen mit einer NLP-Bibliothek wie etwa spaCy oder NLTK erstellen. Besonders ehrgeizige Nutzer können sogar von Grund auf beginnen! Python oder JavaScript bieten mehr Anpassungsmöglichkeiten für Ihre Standpunktanalyse. Diese Anpassungsmöglichkeiten sind zwar wichtig, aber bei Ihrer Entscheidung sollten Sie auch den Kosten- und Zeitaufwand für die Erstellung eigener Tools berücksichtigen.

Schlüsselfertiges Produkt für Standpunktanalysen einsetzen
Sie können eine vorab erstellte Lösung erwerben, wie etwa ein SaaS-Produkt von einem der bekannten Cloud-Anbieter. Mögliche Beispiele sind Amazon Comprehend, Google AI und entsprechende Machine-Learning-Produkte oder Azure Cognitive Services. SaaS-Tools für Standpunktanalysen bieten den Vorteil, dass sie im Vergleich zu benutzerdefinierten Tools schnell und oft zu einem Bruchteil der Kosten bereitgestellt werden können. Der Trainingsprozess dieser Tools ist optimiert, und Sie brauchen kein komplettes Team aus Technikern und Spezialisten für die Einrichtung.

Externe Standpunktanalysen integrieren
Mit externen Lösungen wie Elastic können Sie eigene oder öffentlich verfügbare Modelle für Standpunktanalysen in die Elastic-Plattform hochladen. Anschließend können Sie eine Anwendung implementieren, die die Stimmung der in Elastic gespeicherten Daten analysiert.

KI-Suites von Cloud-Anbietern
Verschiedene Cloud-Anbieter liefern ebenfalls Tools für Standpunktanalysen als Teil ihrer KI-Suites aus. Mögliche Optionen sind Google AI und entsprechende Machine-Learning-Produkte oder Azure Cognitive Services.

Mit zunehmender Ausgereiftheit der KI-Technologien werden auch die Herangehensweisen für Standpunktanalysen immer besser. Für eine erfolgreiche Standpunktanalyse müssen die Trainingsmodelle fortlaufend angepasst bzw. gekaufte Softwareprogramme regelmäßig aktualisiert werden.

Starten Sie Ihr Tool für Standpunktanalysen mit Elastic, damit Sie Ihre eigene Meinungsgewinnung durchführen und umsetzbare Einblicke gewinnen können.

• NLP-Standpunktanalyse mit Elastic bereitstellen
• Observability und Standpunktanalysen mit dem ELK Stack

Algorithmus: ein Prozess oder eine Reihe von Regeln, dem bzw. denen ein Computer folgt.

Künstliche Intelligenz: die Simulation menschlicher Intelligenz durch Computer und Computersysteme.

Computerlinguistik: ein Teilbereich der Sprachwissenschaften, die computergestützte Theorien einsetzt, um Sprache und Texte zu analysieren und zu generieren.

Koreferenzauflösung: ein Prozess, bei dem alle Wörter in einem Text identifiziert werden, die zu einer benannten Entität gehören.

Lemmatisierung: das Gruppieren verschiedener flektierter Formen desselben Worts.

Lexikon: der Wortbestand einer Sprache.

Machine Learning: ein Teilbereich der künstlichen Intelligenz, der Daten und Algorithmen einsetzt, um Computer selbständig lernen zu lassen.

Erkennung benannter Entitäten: die Erkennung von Wörtern als Eigennamen oder Entitäten.

Natürliche Sprachverarbeitung: ein Teilbereich der Informatik und der künstlichen Intelligenz, der Computern beibringt, menschliche Sprache zu verstehen.

Wortartmarkierung: ein Prozess, bei dem Wörter in einem Text markiert und in Kategorien unterteilt werden (z. B. Apfel = Nomen, langsam = Adjektiv, markieren = Verb).

Wort: das Reduzieren von Wörtern auf ihren Stamm bzw. ihre Stammform.

Tokenisierung: das Aufteilen von Texten in kleinere Einheiten, sogenannte Token.

Auflösung sprachlicher Mehrdeutigkeit (Disambiguierung): ein Prozess, bei dem die Bedeutung von Wörtern anhand des Kontexts ermittelt wird.