Stimmungsanalyse: Die Monica von Friends?

Die Grundidee der Stimmungsanalyse besteht darin, den Kontext eines Textes zu analysieren und dessen Tonfall und Stimmung als positiv, negativ oder neutral zu bestimmen. Konkret nutzt die Stimmungsanalyse Verfahren der natürlichen Sprachverarbeitung (NLP) auf Texten, Social-Media-Daten oder Rezensionen, um Erkenntnisse über Kunden oder Produkte zu gewinnen.

Klang die Definition einfach? Möchten Sie mehr über die verschiedenen Arten und die Vorgehensweise erfahren? Warten Sie noch einen Moment. Zunächst ist es wichtig zu verstehen, wie die Stimmungsanalyse angewendet wird. Gab es Beispiele, bei denen die Ergebnisse nicht ganz wie geplant ausfielen? Heute beginnen wir nicht mit einem Paradebeispiel, sondern mit einem warnenden Beispiel.

Morbius

Sony hat Morbius im Juni 2022 erneut veröffentlicht, aber war das die richtige Entscheidung? Obwohl die Veröffentlichung viel Diskussionen auslöste, ist es wichtig zu verstehen, warum sie es getan haben. Twitter-Nutzer lobten den Film sarkastisch, erfanden Zitate und riefen „It's Morbin' Time!“-Sprüche, die Sony fälschlicherweise als Lob interpretierte. Das heißt nicht, dass wir von einer Stimmungsanalyse abraten, sondern nur, dass sie nicht absolut ist (Sarkasmus kann nicht nur Gefühle, sondern auch menschliches Leid verletzen). Wir meinen damit, dass man die Situation mit Vorsicht und im Kontext betrachten sollte.

Das Morbius-Team hätte beispielsweise zusätzliche Daten wie Reaktionen überprüfen und mit anderen Veröffentlichungen vergleichen können, was die BuzzSumo-Recherche im Folgenden hervorragend zusammenfasst:

Quelle: BuzzSumo Research

Dies zeigt, dass Daten manchmal einen Kontext benötigen und im Vergleich zu ähnlichen Daten betrachtet werden müssen. Die obigen Daten verdeutlichen den Unterschied in den Reaktionen auf Morbius im Vergleich zu anderen Marvel-Filmen.

KPMG

Es ist allgemein bekannt, dass KPMG ein Beratungs- und Wirtschaftsprüfungsunternehmen ist, weshalb Textanalyse für die Organisation von großer Bedeutung ist. Es gibt zwei Fälle, in denen Kontextanalyse für ein Unternehmen wie KPMG besonders wichtig ist.

Nachhaltigkeitsberichte sind allgemein zugängliche Berichte von Unternehmen, die der Öffentlichkeit und Investoren ihre wirtschaftlichen, ökologischen und gesellschaftlichen Auswirkungen darlegen. KPMG ist als Wirtschaftsprüfungsgesellschaft qualifiziert zu analysieren, ob diese Berichte veröffentlicht werden können, d. h. ob sie ausgewogen sind (d. h. ob sie neben den positiven auch die negativen Aspekte beleuchten, um eine fundierte Bewertung zu ermöglichen). Dabei musste KPMG die Herausforderung positiv formulierter negativer Aussagen bewältigen und nutzte hierfür die bidirektionale Encoder-Repräsentation (BERT) von Google. KPMG setzt außerdem Textanalysen ein, um Muster und Schlüsselwörter zu erkennen und so Compliance-Risiken aufzudecken.

Der berüchtigte Fall Johnny Depp – Amber Heard

Zunächst einmal möchte ich keine Partei ergreifen, sondern lediglich die von beiden Seiten vorgelegte Analyse der Tweets betrachten, die einige Hashtags, darunter #justiceforjohhnydepp, enthielten. In diesem Fall präsentierte ein Berater für geistiges Eigentum die „gesellschaftliche Stimmung“ mit

• Anzahl der Tweets
• Zeitpunkt der Tweets
• Inhalt
• Gefühl
• Hypothesentest

Als Datenenthusiast fand ich seine Erklärung der Datenextraktion und -analyse mithilfe der Twitter-APIs äußerst faszinierend. Sie ermöglicht es auch Laien, sich detailliert mit den Analysemethoden auseinanderzusetzen. Dabei wurden Korrelationen zwischen den Aussagen und der Zeit sowie die Stimmungslage der Tweets insgesamt untersucht.

Unabhängig von der Lösung war es großartig zu sehen, dass Data Science repräsentiert und von allen verstanden wurde. Es gibt jedoch Nachteile, wie die Notwendigkeit, bei der Suche ganze Sätze oder Wörter exakt zu verwenden. Tippfehler können nicht nur Verwirrung stiften, sondern auch dazu führen, dass das System nicht erkannt wird. (Für Fans von „The Office“, die sich fragten, wie Michael Scott Dwight durch Samuel L. Chang ersetzen konnte.)

Wenn Sie denken, dies seien alle Anwendungsfälle, irren Sie sich. Dies sind nur einige Beispiele aus der Praxis. Wir werden ausführlicher auf die Anwendungsfälle der Stimmungsanalyse eingehen, nachdem wir die eigentliche Durchführung der Stimmungsanalyse erläutert haben.

Bausteine der Stimmungsanalyse

Die Verarbeitung natürlicher Sprache (NLP) bildet die Grundlage für die Stimmungsanalyse und weiterführende Analysen wie die Intentionanalyse. Je nach Datenmenge stehen verschiedene Analysemethoden zur Verfügung. Diese lassen sich im Wesentlichen in zwei Kategorien einteilen: regelbasierte und automatische Verfahren.

Regelbasierter Ansatz

Wie der Name schon sagt, dient der regelbasierte Ansatz dazu, das Thema und die Meinung dazu zu identifizieren. Einige der Phasen, die bei einem regelbasierten Ansatz für Tweets oder SMS berücksichtigt werden (ohne besondere Reihenfolge), sind:

• Transformation: Dabei wird der Text in Kleinbuchstaben umgewandelt, wobei HTML-Code, Akzente und URLs aus den Daten entfernt werden.
• Tokenisierung: Dabei wird ein Text in kleinere Einheiten zerlegt. Dies umfasst verschiedene Formen wie Wörter und Satzzeichen, Leerzeichen, Sätze, reguläre Ausdrücke und Tweets. Wir verwenden hier reguläre Ausdrücke.
• Normalisierung: Dies umfasst das Stemming und die Lemmatisierung von Wörtern. Hierfür gibt es verschiedene Verfahren wie den Porter Stemmer, den Snowball Stemmer, den WordNet Lemmatizer, der ein Netzwerk kognitiver Synonyme auf Tokens anwendet, basierend auf einer großen lexikalischen Datenbank des Englischen, und UDPipe, das ein vortrainiertes Modell zur Datennormalisierung verwendet.
• Filterung und POS-Tagging

Wenn Sie alle Phasen auf einmal sehen möchten, finden Sie hier ein Beispiel für die verschiedenen Phasen der Textvorverarbeitung in Orange , zusammen mit dem folgenden Bild:

Die Nachteile eines regelbasierten Systems liegen darin, dass es nicht fortschrittlich genug ist, um zu verarbeiten, wie Wörter zu Sätzen kombiniert werden, und dass es Feinabstimmung, Tests und Wartung erfordert, um zu funktionieren.

Automatischer Annäherungskurs

Hierbei werden Techniken des maschinellen Lernens eingesetzt, um die Texte als Klassifizierungsproblem zu modellieren und sie in positive, negative oder neutrale Texte zu segmentieren. Da es sich bei den verwendeten Modellen um Modelle des maschinellen Lernens handelt, werden zunächst Trainingsdaten verwendet, anhand derer die Merkmalsextraktion und Klassifizierung erfolgen. Nach dem Training der Modelle wird der eigentliche Datensatz verwendet, um die Ergebnisse zu ermitteln.

Der Vorteil eines Machine-Learning-Modells liegt darin, dass es nicht nur auf die drei Parameter oder Tags (PNN) trainiert werden kann, sondern auch auf weitere Parameter. Beispielsweise bietet die Tweet-Sentiment-Visualisierung eine breite Palette an Emotionen, um die Ergebnisse abzubilden.

Jede Art von Daten erfordert eine gewisse Vorbereitung, wie wir sie bereits im Zusammenhang mit dem regelbasierten Ansatz besprochen haben, z. B. Textvektorisierung, Bag of Words, Bag of N-Grams usw.

Die in diesem Fall verwendeten Klassifizierungsalgorithmen können folgende sein:

• Multiple Regression: ein sehr bekannter Algorithmus in der Statistik, der verwendet wird, um den Wert der unabhängigen Variablen bei mehreren abhängigen Variablen vorherzusagen.
• Naive Bayes: Nutzt den Satz von Bayes, um die Kategorie eines Textes vorherzusagen (probabilistisches Modell).
• Support Vector Machines (SVM): Ein nicht-probabilistisches Modell, das sowohl Klassifizierung als auch Regression unterstützt und Punkte in einem mehrdimensionalen Raum darstellt. Es bildet die Punkte auf Hyperebenen ab, die die Klassen unterscheiden.
• Neuronale Netze: durch die Darstellung von Wörtern mit ähnlicher Bedeutung und ähnlichem Vektorwert mithilfe von Techniken des Deep Learning und künstlicher neuronaler Netze

Neben diesen beiden Modellen können Sie auch ein Hybridmodell mit einer Kombination aus automatischen und regelbasierten Ansätzen verwenden. Darauf gehen wir hier nicht näher ein, da wir die Techniken und Methoden beider Modelle bereits ausführlich erläutert haben. Kommen wir nun zur Anwendung der Stimmungsanalyse in Unternehmen.

Obwohl wir oben bereits einige Beispiele für Social-Media-Sentimentanalyse, Text Mining usw. besprochen haben, wollen wir nun etwas genauer auf die Anwendungsfälle der Sentimentanalyse für Unternehmen in den Bereichen Marketing, Branding, Forschung und Kundenservice eingehen. Einige Anwendungsbereiche der Sentimentanalyse sind:

1. Absichtsanalyse

Dies ist der nächste Schritt der Stimmungsanalyse, da hier die Absicht hinter Kommentaren, Tweets, Texten oder Anfragen verstanden wird. Die Absichtsanalyse dient beispielsweise dazu, den Inhalt einer Nachricht zu ermitteln – ob es sich um Neuigkeiten, Meinungen, Werbung, Vorschläge, Anfragen usw. handelt. Dies hilft nicht nur dabei, den relevanten Tonfall zu erkennen, sondern auch die Art der empfangenen Nachrichten zu klassifizieren.

2. Markenmanagement

Markenimage ist für Unternehmen und Privatpersonen gleichermaßen wichtig. Um auf Monicas Zitat (aus FRIENDS) zurückzukommen: Man möchte von allen gemocht werden, aber wie sieht es eigentlich aus? Die Google-Bewertung zu überprüfen, gilt heutzutage als überholt, insbesondere für Unternehmen mit einer starken Social-Media-Präsenz. Heute geht es darum, zu analysieren, was die Menschen tatsächlich denken, vor allem bei der Einführung neuer Produkte und Dienstleistungen. Alle geteilten Informationen wie Geschichten, Blogbeiträge, Forenartikel usw. sind Daten, die – zumindest insofern, als dass man die Stimmung in den sozialen Medien beobachten kann – zu Erkenntnissen führen können.

3. Kundenmeinung

Eine einfache Antwort auf die Frage „Warum?“ lautet: Um sich zu verbessern. Nehmen wir beispielsweise Unternehmen wie Airbnb, Hotels oder Restaurants. Ihre wichtigsten Daten stammen aus dem Kundenfeedback, insbesondere aus negativen Bewertungen. Erinnern Sie sich an die Folge, in der Monica eine negative Bewertung abgab, dem Koch zeigen wollte, wie es richtig geht, und den Job bekam? (Falls Sie kein Fan von Friends sind, ignorieren Sie das einfach!) Kurz gesagt: Es geht darum, wie man negative Bewertungen analysieren und in konkrete Maßnahmen umsetzen kann, wenn diese Änderungen einen erheblichen Einfluss auf zukünftige Bestellungen haben.

4. Mitarbeiterfeedback

Nicht alles hängt mit den Geschäftszahlen oder dem Gewinn zusammen; es ist ebenso wichtig, die Gesundheit der Mitarbeiter im Blick zu behalten. Unternehmen können zwar einen Mitarbeiter-Stimmungsindex oder einen internen NPS nutzen, um die Stimmung ihrer Mitarbeiter zu erfassen, doch die Analyse ihres Feedbacks liefert wichtige Erkenntnisse: a) zu den Bereichen, die die meisten Mitarbeiter beschäftigen, b) zur allgemeinen Stimmung im Arbeitsumfeld und c) zu weiteren Ideen, um ihre Produktivität zu steigern. Dabei sollten nicht nur Daten von bestehenden Mitarbeitern, sondern auch von Quellen wie Glassdoor, Bewertungen usw. berücksichtigt werden.

5. Marktforschung

Bei der Einführung eines neuen Produkts oder einer neuen Dienstleistung können Sie Ihr Produkt mit bestehenden Produkten vergleichen und analysieren, insbesondere angesichts der Fülle an Feedback und Rezensionen, die online verfügbar sind. Durch die Auswertung von Fachzeitschriften und Berichten lassen sich außerdem die demografischen Merkmale der Nutzer sowie Markttrends ermitteln. Die Analyse qualitativer und quantitativer Datenquellen erschließt Ihnen neue Informationsquellen.

6. Social-Media-Monitoring

Wir haben bereits zwei verschiedene Beispiele besprochen, bei denen soziale Medien eine Rolle gespielt haben. Indem wir verfolgen, was passiert, worüber gesprochen wird und wie die Menschen es wahrnehmen, können sowohl Unternehmen als auch Privatpersonen besser verstehen, wie sie zukünftig handeln sollten. Warum? Denken Sie an die Fälle, in denen Videos über schlechten Kundenservice geteilt wurden, oder an den Fall, als „Game of Thrones“ unbeabsichtigt Starbucks-Werbung betrieb, nachdem einige Zuschauer die Becher in einigen Szenen entdeckt hatten, oder an die Kritik an Fluggesellschaften wegen überbuchter Flüge.

Dies sind nur einige der bekanntesten und am häufigsten verwendeten Beispiele für Stimmungsanalysen. Bei genauerer Betrachtung finden sich viele weitere, wie beispielsweise die Bewertungsanalyse für Online-Shops oder die Entwicklung des Stimmungsanalyse-Tools „City Voices“ durch McKinsey für die Stadtplanung Brasiliens. Natürlich lassen sich auch jederzeit neue Anwendungsfälle entwickeln.

Versprochen, wir nähern uns dem Ende dieser Diskussion. Anstatt jedoch wie üblich über die Vorteile der Stimmungsanalyse zu sprechen, möchte ich kurz auf die Herausforderungen eingehen. (Natürlich wird es Herausforderungen geben, wenn wir versuchen, einer Maschine beizubringen, die Emotionen hinter Tonfällen und Texten zu verstehen.)

Ironie und Sarkasmus: Die Neuveröffentlichung von Morbius ist ein Paradebeispiel dafür. Hoffentlich müssen wir das nicht nochmal durchkauen! Wir brauchen einen Chandler, um die Daten zu trainieren.

Kontext: Jemand, der „Friends“ gesehen hat, hat mit der Frage „What you doin'?“ eine andere Bedeutung als jemand, der die Serie nicht kennt. Daher kann bei der Datenverarbeitung – sowohl während der Verarbeitung als auch vor der Verarbeitung – ein gewisser Kontext erforderlich sein. Zum Beispiel: „Nein!“ klingt negativ, aber die Frage „Hat es dir nicht gefallen?“ hätte einen positiven Kontext.

Vergleich: Die Aussage „A ist besser als B“ ist verständlich. Wenn die Aussagen jedoch nur besagen, dass sie besser sind als nichts, ist es unter Umständen schwierig, sie als negative Aussage einzuordnen.

Emojis: Willkommen im 20. Jahrhundert, wo Emojis – insbesondere in Tweets – oft eine deutlichere Sprache sprechen als Text. Sie sollten sie entweder entfernen oder ihre Unicode-Zeichen den jeweiligen Stimmungen separat zuordnen. Zweifeln Sie an unserer Aussage? Sehen Sie sich das Bild unten an. Was ist der einzige Unterschied zwischen den beiden Antworten? Ein Emoji. Das zweite Emoji signalisiert einem Menschen eindeutig Sarkasmus, einem Bot jedoch nicht. Wahrscheinlich fragwürdig, wenn es nicht gründlich getestet wurde.

Definition von „Neutral“: Diese Kategorie, die zwischen positiv und negativ liegt, kann schwierig zu definieren sein, wenn die Daten nicht gut trainiert sind. Die Daten sollten objektiv sein und keine irrelevanten Informationen, Wünsche usw. enthalten.

Vielen Dank, dass Sie bis zum Ende der Diskussion gelesen haben. Ich hoffe, Sie hatten Spaß dabei.

Abschließend möchten wir jedoch sagen, dass die Stimmungsanalyse , auch Meinungsforschung oder Kontextanalyse genannt – wie auch immer man es nennen mag – besonders wichtig ist, angesichts der Fülle an Daten, die Unternehmen zur Analyse zur Verfügung stehen, und der Tatsache, dass APIs immer einfacher zu integrieren sind und die Daten leichter zugänglich gemacht werden können.

Was hält Sie davon ab? Benötigen Sie Unterstützung? Kontaktieren Sie uns noch heute!