So sammeln Sie Daten für die Analyse der Kundenstimmung

Neuauflage von Plato

Verfolger: 0

So sammeln Sie Daten für die Analyse der Kundenstimmung
Bild vom Herausgeber

Die Kundenstimmungsanalyse ist der Prozess der Verwendung von maschinellem Lernen (ML), um die Absichten und Meinungen von Kunden über eine Marke aus Kundenfeedback zu ermitteln, das in Bewertungen, Foren, Umfragen usw. gegeben wird. Die Stimmungsanalyse von Kundenerfahrungsdaten gibt Unternehmen tiefe Einblicke in die Motivationen hinter Kaufentscheidungen, die Muster bei der Veränderung der Markenstimmung auf der Grundlage von Zeitachsen oder Ereignissen und Marktlückenanalyse die zur Verbesserung von Produkten und Dienstleistungen beitragen können.

Inhaltsverzeichnis:

Was ist eine Kundenstimmungsanalyse?
Wie sammeln Sie Daten für die Kundenstimmungsanalyse?
Wie Stimmungswerte aus Kundenfeedback abgeleitet werden
Zusammenfassung

Bei der Sentiment-Analyse werden Kundenfeedbackdaten feinkämmt, um spezifische zu identifizieren Emotionen oder Gefühle. Im Großen und Ganzen sind diese positiv, negativ oder neutral. Aber innerhalb dieser Parameter kann ein Stimmungsanalysemodell, das von ML-Aufgaben wie Natural Language Processing (NLP) und semantischer Analyse gesteuert wird, die die semantischen und syntaktischen Aspekte von Wörtern finden können, auch dabei helfen, verschiedene Arten von negativer Stimmung zu finden.

Zum Beispiel kann es helfen, unterschiedliche Stimmungswerte basierend auf Wörtern zu vergeben, die verschiedene negative Emotionen wie Angst, Enttäuschung, Bedauern, Wut usw. bezeichnen. Dasselbe gilt für positive Mikrostimmungen.

Solch ein feinkörniges Emotion-Mining in Kombination mit einer aspektbasierten Analyse der Erfahrung eines Kunden mit einer Marke kann von größter Bedeutung sein. Wenn Sie beispielsweise die Stimmung basierend auf Aspekten wie Preis, Bequemlichkeit, Einkaufsfreundlichkeit, Kundenservice usw. kennen, erhalten Sie umsetzbare Erkenntnisse, auf die Sie sich verlassen können, um die richtigen Entscheidungen zu treffen, wenn es um Qualitätskontrolle und Produktverbesserung geht.

Ein sehr wichtiger Teil der Beschaffung gezielter und aufschlussreicher Informationen zur Markenstimmung sind zuverlässige Daten zum Kundenfeedback. Hier sind fünf wesentliche Möglichkeiten, wie Sie solche Daten sammeln können.

1. Kommentare und Videos in sozialen Medien

Social Media Listening ist eine der Möglichkeiten, wie Sie aktuelles Kundenfeedback zu Ihrer Marke erhalten können, das sowohl Ihr Produkt als auch Ihren Service umfasst. Ein Stimmungsanalysemodell, das Kommentare in sozialen Medien sowie Videoinhalte verarbeiten und auswerten kann, ist die perfekte Wahl, um diese Datenquelle zu nutzen.

Mit einem solchen Tool nutzen Sie Daten für die Analyse der Kundenstimmung von textlastigen Social-Media-Websites wie Twitter bis hin zu videobasierten Websites wie TikTok oder Instagram. Das verschafft Ihnen einen großen Vorteil, denn nicht alle Social-Media-Plattformen sind einheitlich, wenn es ums Thema geht Kundenauswahl.

Während Kunden beispielsweise Twitter hauptsächlich verwenden, um direkt mit einer Marke zu interagieren, hinterlassen Facebook-Nutzer bekanntermaßen detaillierte Bemerkungen zu einem Unternehmen, mit dem sie verbunden sind. Dieser starke Kontrast ist auf Faktoren wie die Art des Geschäfts, das Alter, den geografischen Standort, die digitale Nutzung usw. zurückzuführen.

Die folgenden Beispiele zeigen, wie Kunden Kommentare auf den zwei verschiedenen Social-Media-Kanälen hinterlassen.

So sammeln Sie Daten für die Analyse der Kundenstimmung

Ein weiterer großer Vorteil der Social-Media-Stimmungsanalyse besteht darin, dass Sie auch Social-Media-Influencer finden können, die zu Ihnen passen und eine großartige Ergänzung Ihrer digitalen Marketingstrategie sein können. Influencer kosten die Hälfte der Investition, die für die Beauftragung einer PR-Agentur oder die Unterstützung durch Prominente erforderlich ist.

Außerdem vertrauen die Menschen Produktbewertungen und Empfehlungen von Influencern, denen sie können erzählen. Dies gilt, ob Sie ein Praktikant sind, der nach professionellen Styling-Tipps sucht, oder ein Vater von vier Kindern, der nach den besten Optionen für Mobiltelefone für Teenager sucht. So sieht es aus, wenn Data Science und ML helfen dabei, den richtigen TikTok-Influencer für ein Unternehmen zu finden.

2. Gehen Sie über quantitative Umfragen wie NPS, CES oder CSAT hinaus

Kundenfeedback-Metriken wie Net Promoter Score (NPS), Customer Effort Score (CES) oder Sternebewertungen können Ihnen auf einen Blick sagen, ob die Leute mit Ihrem Unternehmen zufrieden sind oder nicht. Aber das gibt Ihnen nicht wirklich einen tatsächlichen Geschäftseinblick.

So sammeln Sie Daten für die Analyse der Kundenstimmung

Um echte Einblicke in die Kundenstimmung zu erhalten, müssen Sie über quantitative Kennzahlen hinausgehen. Und dafür müssen Sie Kommentare und offene Umfrageantworten analysieren, die keine festen Antworten haben. Auf diese Weise können Kunden frei fließende Kommentare schreiben, die Ihnen Einblicke in Aspekte Ihres Unternehmens geben können, die Ihnen nicht einmal bewusst waren.

So sammeln Sie Daten für die Analyse der Kundenstimmung

Im obigen Beispiel sehen wir, dass Kunden dem Unternehmen eine 1-Stern-Bewertung gegeben haben. Aber beim Lesen der Kommentare stellen wir fest, dass die Gründe für die negativen Gefühle ganz andere sind.

Während ein Kunde mit dem Online-Kundenservice des Unternehmens unzufrieden ist, erwähnt der andere, dass er, obwohl er ein langjähriger Kunde ist, aufgrund der gesunkenen Qualität und der neuen Preisgestaltung möglicherweise nicht mehr bei ihm einkauft.

Dies sind umsetzbare Erkenntnisse, bei denen ein Unternehmen genau weiß, wo Verbesserungen vorgenommen werden müssen, um die Kundenzufriedenheit und -loyalität aufrechtzuerhalten. Diese Einblicke können Sie erhalten, wenn Sie über reine numerische Metriken hinausgehen.

3. Analysieren Sie Bewertungen aus Kundenforen und Websites

Eine weitere hervorragende Möglichkeit, um verschiedene Kundenfeedbackdaten zu erhalten, besteht darin, Produktbewertungswebsites wie GoogleMyBusiness und Foren wie Reddit zu durchsuchen. Wichtig ist, dass das Erhalten von Erkenntnissen aus verschiedenen Datenquellen Ihnen aufgrund der Art des Publikums, das verschiedene Plattformen einladen, bessere Einblicke geben kann.

Zum Beispiel wird Reddit hauptsächlich von Kunden verwendet, die sich mehr für ein Thema oder Produkt interessieren, weil das Forum ihnen ermöglicht, ausführliche Diskussionen zu führen. Während Amazon-Rezensionen oder Google-Rezensionen hauptsächlich von Gelegenheitskunden verwendet werden, die entweder auf Anstoß des Unternehmens oder aufgrund der guten oder schlechten Erfahrungen, die sie möglicherweise gemacht haben, eine Bewertung abgeben möchten.

Diese ML-gesteuerte technische Einblicke aus Rezensionen zu Disney World in Florida, abgeleitet aus Kundenkommentaren auf Reddit und Google, veranschaulichen diesen Punkt weiter.

4. Voice of Customer (VoC)-Daten aus nicht-traditionellen Quellen

Nicht-traditionelle Quellen von Kundenfeedbackdaten wie z Chatbot-Geschichten, Kunden-E-Mails, Transkripte des Kundensupports usw. sind hervorragende Quellen, um Einblicke in das Kundenerlebnis zu gewinnen. Ein Vorteil dieser Quellen ist, dass all diese Daten bereits in Ihren CRM-Tools (Customer Relationship Management) verfügbar sind.

Wenn Sie in der Lage sind, diese Daten zu sammeln und zu analysieren, werden Sie in der Lage sein, viele zugrunde liegende Probleme zu entdecken, die selbst gut geplante Kundenbefragungen oder Social Media Listening möglicherweise nicht hervorheben können.

5. Analysieren Sie Nachrichten und Podcasts

Nachrichtendaten, die sowohl aus Artikeln als auch aus Nachrichtenvideos und Podcasts bestehen, können Ihnen detaillierte Einblicke in die Markenleistung und -wahrnehmung geben. Marktfeedback aus Nachrichtenquellen kann einem Unternehmen bei effektiven PR-Aktivitäten (PR) für das Markenreputationsmanagement helfen.

So sammeln Sie Daten für die Analyse der Kundenstimmung

Es kann auch bei der Konkurrenzanalyse auf der Grundlage von Branchentrends helfen, die ein Stimmungsanalysemodell aus Markenerfahrungsdaten in Nachrichtenartikeln oder Videos extrahieren kann, und ihnen helfen, das Verbraucherverhalten zu verstehen.

Um zu veranschaulichen, wie Stimmungen extrahiert und Bewertungen berechnet werden, nehmen wir Nachrichtenquellen als wichtige Quelle für Kundenfeedback und sehen uns an, wie ein ML-Modell solche Daten analysiert.

1. Sammeln der Daten

Um die genauesten Ergebnisse zu erhalten, müssen wir alle öffentlich zugänglichen Nachrichtenquellen nutzen. Dazu gehören Nachrichten von Fernsehsendern, Online-Magazinen und anderen Publikationen, Radiosendungen, Podcasts, Videos usw.

Es gibt zwei Möglichkeiten, wie dies geschehen kann. Wir laden die Daten entweder direkt über Live-Nachrichten-APIs wie die Google News-API hoch, ESPN-Schlagzeilen-API, BBC-Nachrichten-API, und andere wie sie. Oder wir laden sie manuell in das von uns verwendete ML-Modell hoch, indem wir die Kommentare und Artikel in einer .csv-Datei herunterladen.

2. Verarbeitung von Daten mit ML-Aufgaben

Das Modell verarbeitet nun die Daten und identifiziert die unterschiedlichen Formate – Text, Video oder Audio. Im Fall von Text ist der Prozess ziemlich einfach. Das Modell extrahiert den gesamten Text einschließlich Emoticons und Hashtags. Bei Podcasts, Radiosendungen und Videos ist eine Audiotranskription durch Sprache-zu-Text-Software erforderlich. Auch diese Daten werden dann an die Textanalyse-Pipeline gesendet.

Einmal in der Pipeline, stellen Natural Language Processing (NLP), Named Entity Recognition (NER), semantische Klassifizierung usw. sicher, dass Schlüsselaspekte, Themen und Themen aus den Daten extrahiert und gruppiert werden, damit sie auf Sentiment analysiert werden können.

3. Stimmung analysieren

Nun, da der Text getrennt wurde, wird jedes Thema, jeder Aspekt und jede Entität auf Stimmung analysiert und die Stimmungspunktzahl wird berechnet. Dies kann mit einem von drei Ansätzen erfolgen – der Wortzählmethode, der Satzlängenmethode und dem Verhältnis von positiven und negativen Wörtern.

Nehmen wir diesen Satz als Beispiel. „Stadionbesucher bemerkten, dass die Sitze gut waren. Allerdings schienen die Tickets zu teuer, da es keine Saisonkarten gab und viele laut Daily Herald sogar auf unhöfliches Personal am Ticketschalter stießen.“

Nehmen wir das danach an Tokenisierung, Textnormalisierung (Eliminieren von Nicht-Text-Daten), Wortstammbildung (Suchen des Wortstamms) und Stoppwortentfernung (Entfernen überflüssiger Wörter) erhalten wir die folgenden Bewertungen für negative und positive Stimmung.

Positiv – Gut – 1 (+ 0.07)

Negativ – Kostspielig (- 0.5), unhöflich (- 0.7) – 2

Lassen Sie uns nun die Sentiment-Scores mit den drei oben genannten Methoden berechnen.

Wortzählmethode

Dies ist die einfachste Methode zur Berechnung des Sentiment-Scores. Bei dieser Methode reduzieren wir das Negative vom Positiven (1 – 2 = -1)

Somit beträgt der Sentimentwert des obigen Beispiels -1.

Satzlänge Methode

Die Anzahl der positiven Wörter wird von den negativen Wörtern abgezogen. Das Ergebnis wird dann durch die Gesamtzahl der Wörter im Text dividiert. Da die so erhaltene Punktzahl sehr klein sein und auf viele Dezimalstellen folgen kann, wird sie oft mit einer einzelnen Ziffer multipliziert. Dies geschieht, damit die Punktzahlen größer und damit leichter zu verstehen und zu vergleichen sind. In unserem Beispiel lautet die Punktzahl.

1-2/42 = -0.0238095

Negativ-Positives Wortzahlverhältnis

Die Gesamtzahl positiver Wörter wird durch die Gesamtzahl negativer Wörter dividiert. Das Ergebnis wird dann um 1 addiert. Dies ist insbesondere bei großen Datenmengen ausgewogener als andere Ansätze.

1/ 2+1 = 0.33333

4. Insights-Visualisierung

Sobald die Daten auf Stimmungen analysiert wurden, werden die Erkenntnisse auf einem Visualisierungs-Dashboard präsentiert, damit Sie die Informationen verstehen können, die aus allen Daten gewonnen wurden. Sie können sowohl zeitstrahlbasierte Stimmungsanalysen als auch solche anzeigen, die auf Ereignissen wie Produkteinführungen, Börsenschwankungen, Pressemitteilungen, Unternehmenserklärungen, neuen Preisen usw. basieren.

Diese aspektbasierten Erkenntnisse können für Sie bei der Planung Ihrer Marketing- und Wachstumsstrategien von unglaublichem Wert sein.

KI und Data Science sind für Marketingaktivitäten von immenser Bedeutung, insbesondere in Zeiten ständiger Innovationen und sich verändernder Marktdynamiken. Kundenstimmungsanalysen, die auf Kundenfeedbackdaten basieren, die direkt von ihnen genutzt wurden, können Ihnen den nötigen Hebel geben, um sicherzustellen, dass Sie eine nachhaltige Marketingstrategie für kontinuierliches Wachstum haben.

Martin Ostrowski ist der Gründer und CEO von Repuste. Er interessiert sich leidenschaftlich für KI, ML und NLP. Er legt die Strategie, Roadmap und Funktionsdefinition für die Lösungen Global Text Analytics API, Sentiment Analysis, Deep Search und Named Entity Recognition von Repuste fest.