Sentiment Analysis im Kundenservice

Heutzutage spielt das jeweils persönlich gefühlte Kundenerlebnis über den gesamten Kaufprozess eine immer größere Rolle. So riskiert man den Verlust der Kunden, wenn dieses nicht mit deren Erwartungshaltung in Übereinstimmung gebracht werden kann.

Mit dem Einsatz künstlicher Intelligenz (KI) kann die Kundenzufriedenheit verbessert werden. Die Sentiment Analysis Methode kann die Stimmung (positiv, negativ oder neutral) einer Kundenbewertung/-nachricht erkennen. Somit können unzufriedene Kunden oder Problembereiche identifiziert werden und das Unternehmen darauf proaktiv reagieren.

Was ist Sentiment Analysis?

Mit Hilfe von Sentiment Analysis kann die Stimmung in einem Text erkannt werden. So ist es möglich die neutrale, negative bzw. positive Polarität der Textdarstellung zu erkennen, als auch Gefühle oder Emotionen. Hierbei ist die Zuordnung des Textes zu glücklichen, wütenden oder auch traurigen Elementen möglich. Zudem wird auch die Dringlichkeit oder Interesse eines Anliegens im Text erkannt.

Damit erfolgreiche Stimmungsanalyse implementiert werden kann muss das System mehrere Herausforderungen meistern. Eine Stimmungsanalyse ist kontext-, kulturell- und sprachspezifisch. Das bedeutet, dass Wörter in verschiedenen Umgebungen und Domänen unterschiedliche Bedeutungen haben. So kann eine Aussage sowohl eine negative als auch eine positive Bedeutung haben und lässt sich nur im Kontext klar erkennen. Auch enthalten manche Texte positive sowie auch negative Stimmungselemente. Außerdem sind je nach Kultur auch die Ausdrücke unterschiedlich zu bewerten. Eine besondere Aufgabe ist es Sarkasmus algorithmisch zu erkennen. Diese Herausforderungen können alle mithilfe von Machine Learning (ML) gelöst werden.

Es gibt zwei Möglichkeiten ein Sentiment Analysis System zu implementieren. Einerseits durch ein einfaches regelbasiertes System, welches die Anzahl der negativen und positiven Wörter berechnet und anhand derer die Texte entweder negativ oder positiv klassifiziert werden.

Andererseits kann für die Klassifizierung ein ML-Modell eingesetzt werden. Diese Modelle müssen erst mit vorhanden Daten trainiert werden und können danach von neuen Texten automatisiert die Stimmung abschätzen.

Die Entwicklung eines ML-Modelles ist zwar zeitaufwändiger als regelbasierte Algorithmen, kann aber auch genauere Ergebnisse liefern.

Es gibt generell keine Pauschallösung für Systeme dieser Art, da individuelle Herausforderungen mit Use-Case-spezifischen Lösungen adressiert werden müssen.

Mehr zu dem Thema Sentiment Analysis im Kundenservice und Brand-Monitoring sowie ein Beispiel wie ein Sentiment Analysis System entwickelt werden kann, finden Sie hier in unserem Artikel "Sentiment Analysis im Kundenservice" im eBook "Künstliche Intelligenz im Kundenservice" von Sigs Datacom.

Mehr zu technologischen Themen

Ausgewählte Beiträge

Kein Spam, versprochen
Erhalten Sie wertvolle Insights von unserem Expertenteam.