Sentimentanalyse

Max-Ludwig Stadler

5. Mai 2021

Was ist eine Sentimentanalyse?

Die Sentimentanalyse (auch Stimmungsanalyse, Opinion Mining oder Sentiment Detection genannt) ist ein Teilbereich des Text Mining. Durch Sentimentanalysen werden Äußerungen und Texte mit dem Ziel ausgewertet, Aussagen als positiv oder negativ einzuordnen, um eine dahinterliegende Haltung oder Stimmung zu erkennen.

Aufgrund der Komplexität natürlicher Sprache bedarf es moderner Technologien, damit umfangreichere Texte oder zahlreiche Nutzerkommentaren in kurzer Zeit analysiert werden können. Daher werden heutzutage meist automatische Sentimentanalysen durchgeführt, die auf Methoden der Statistik, des Machine Learning und des Natural Language Processing (NLP) zurückgreifen. Somit können Meinungen und Gefühle selbst aus großen Datenmengen zuverlässig herausgefiltert und ein aufschlussreiches Stimmungsbild erstellt werden.

Entsprungen aus Forschungsansätzen der Linguistik, Sozial- und Literaturwissenschaften, wird die Sentimentanalyse heutzutage auch für die kommerzielle Marktforschung genutzt, etwa beim Betreiben von Social-Media-Monitoring zu Marketingzwecken.

Künstliche Intelligenz – Use Case: Marketing

In unserem Whitepaper erfahren Sie die wichtigsten Fakten rund um das Thema künstliche Intelligenz, insbesondere im Bereich Marketing.

Jetzt anfordern

Künstliche Intelligenz – Use Case: Marketing

×

Funktionsweise

Sentimentanalysen sind der Disziplin des Text Mining (einem Teilgebiet des Data Mining) zuzuordnen. Sie befassen sich mit dem Prozess der Klassifikation, also der Einordnung von Eingaben in mindestens zwei Kategorien. Das Klassifikationsvefahren kann dabei je nach Ausgangsdokument auf einzelne Ausdrücke, Sätze oder das Dokument als Ganzes angewendet werden. Die Stimmung eines zusammenhängenden Texts ergibt sich dabei aus der Bewertung und Gewichtung einzelner Teilsegmente.

Im Fall von kommerziellen Stimmungsanalysen werden Aussagen meist als positiv, neutral oder negativ in Bezug auf eine Marke oder ein Angebot bewertet. Hierbei werden Methoden der Statistik und des Natural Language Processing (NLP) angewendet, um bspw. Nutzerkommentare in sozialen Netzwerken oder Kundenrezensionen aus dem Onlinehandel zu analysieren und zu quantifizieren.

Manuelle & automatische Sentimentanalyse

Generell wird zwischen manueller und automatischer Analyse durch eine Software unterschieden.

Bei der manuellen Analyse erfolgt die Sichtung und Klassifizierung von Aussagen durch einen Menschen, der geäußerte Meinungen in zuvor festgelegte Kategorien einordnet. Dieses Verfahren gewährleistet durch seine niedrige Fehleranfälligkeit zwar eine hohe Genauigkeit, ist bei einer Vielzahl von Aussagen allerdings auch mit enormem Aufwand verbunden.

Alternativ gibt es die Möglichkeit der automatischen Auswertung. Dabei werden softwarebasierte Tools genutzt, die linguistische Merkmale mithilfe statistischer Analysen und eines Keyword-Lexikons bewerten und Aussagen schließlich als positiv oder negativ einordnen. So können bspw. Daten aus Social-Media-Kanälen, Bewertungsplattformen und Online-Kundenumfragen automatisch ausgelesen werden, um ein zuverlässiges Stimmungsbild zu erzeugen.

Ansätze der automatischen Analyse

Bei der automatischen Sentimentanalyse werden Softwareanwendungen genutzt, welche die Polarität von Ausdrücken im Text ermitteln und ihnen eine positive, negative oder neutrale Bedeutung zuordnen. Für die Durchführung automatischer Sentimentanalysen stehen zwei unterschiedliche Ansätze zur Verfügung: die lexikonbasierte Analyse und die durch maschinelles Lernen unterstützte Analyse.

Lexikonbasierter Ansatz

Zugrundeliegender Bestandteil des lexikonbasierten Ansatzes ist eine Sammlung von Schlüsselwörtern und -sätzen, die der Anwendung Informationen über den Emotionsgehalt der enthaltenen Ausdrücke liefert. Diese Lexika werden in der Regel vorab manuell erstellt und mit dem nötigen Fachwortschatz angereichert. Bei der eigentlichen Analyse durchsucht die Software dann Dokumente, Beiträge und Kommentare dahingehend, wie häufig die vorab definierten positiven bzw. negativen Schlüsselwörter auftauchen und kalkuliert die vorherrschende Stimmung.

Herausforderungen

Der lexikonbasierte Ansatz eignet sich grundsätzlich, um eine grobe Übersicht der vertretenen Meinung(en) zu gewinnen. Allerdings ist diese Art der Analyse aufgrund des Facettenreichtums natürlicher Sprache relativ fehleranfällig: Mehrdeutigkeiten, Umgangssprache, Ironie, Negationen und fehlerhafte Grammatik sind nur einige sprachliche Aspekte, die das Ergebnis einer lexikonbasierten Auswertung verzerren können.

Hinzu kommt, dass Aussagen im Rahmen ihres Kontexts bewertet und verschieden gewichtet werden müssen, was bei der rein lexikonbasierten Herangehensweise nicht möglich ist. So kann bspw. das Adjektiv „kurz“ sowohl positiv wie auch negativ gewertet werden, je nachdem ob es sich um eine kurze Wartezeit oder eine kurze Produktlebensdauer handelt.

Webinar: Maschinelles Lernen in der Praxis

In diesem Webinar gebe ich Ihnen einen Überblick zum Thema maschinelles Lernen.

Jetzt anmelden

Machine Learning

Methoden des maschinellen Lernens sind in der Sentimentanalyse im Hinblick auf die Genauigkeit der Klassifizierung meist effektiver als die lexikonbasierten Ansätze. Daher verfügen moderne Anwendungen oftmals über eine Ausstattung mit künstlicher Intelligenz und NLP-Technologien, welche ein besseres Verständnis natürlicher Sprache erlauben.

Das Fundament des Machine-Learning-Ansatzes liegt im Training einer KI mit Beispieldaten. Wie beim lexikonbasierten Ansatz nutzt die Software für die Bewertung von Aussagen einen Grundwortschatz, der durch gezieltes Training allerdings kontinuierlich erweiterbar ist. So kann der Anwendung bspw. mit Daten aus der manuellen Analyse beigebracht werden, welche Äußerungen wie zu werten und zu gewichten sind. Je mehr und qualitativ hochwertigere Daten für das Training genutzt werden, desto zuverlässiger wird das zukünftige Analyseverfahren.

Mit einem ausreichend kultiviertem Wissensbestand ist die Software dann auch in der Lage, unbekannte Ausdrücke zu analysieren und eine Vermutung über deren Tonalität aufzustellen. Die Stimmung eines Texts ergibt sich demnach aus einer gewichteten Summierung aller Sentiments: Überwiegen die Gewichtung der positiven Ausdrücke, wird der Text als positiv eingestuft.

Als zusätzliche Unterstützung dienen dabei Techniken des NLP: Sie ermöglichen das Erkennen linguistischer Merkmale und grammatikalischer Regelmäßigkeiten und beziehen diese in die Entscheidungsfindung mit ein. So können übergeordnete Sinnzusammenhänge erkannt und gewichtet werden. Darüber hinaus weisen NLP-gestützte Systeme eine gewisse Fehlertoleranz auf und können bspw. Satzbau- oder Tippfehler erkennen und entsprechend berücksichtigen.

Sentimentanalyse eines Produkts nach verschiedenen Kriterien

Hybridlösungen

Zusammenfassend lässt sich festhalten, dass eine Kombination der verschiedenen Verfahren und Ansätze sinnvoll ist, um eine verlässliche Sentimentanalyse aufzustellen. Eine manuelle Analyse dient zunächst dazu, akkurate und wertvolle Daten zu liefern. Diese können dann sowohl für den Grundwortschatz einer automatischen Analysesoftware als auch für das Training KI-gestützter Systeme genutzt werden. So entsteht eine Hybridlösung, welche die Potenziale der einzelnen Methoden nutzt und einen nachhaltig verbesserten Analyseprozess verspricht.

Anwendungsbereiche

Sentimentanalysen eignen sich für den Einsatz in verschiedenen Branchen. Sie extrahieren verwertbare Zahlen und Fakten aus überwiegend unstrukturierten Daten und erleichtern somit die Konzeption zukünftiger Strategien, um angemessen auf Kundenbedürfnisse einzugehen.

So können Unternehmen bspw. schnell auf Veränderungen der öffentlichen Meinung reagieren, aktuelle Trends der Marktentwicklung beobachten oder die eigenen Leistungen anpassen. Im Folgenden finden Sie eine Übersicht von Anwendungsbereichen, die von Sentimentanalysen profitieren können:

• Support & Kundenservice: Das Erfassen stark positiver/negativer Äußerungen ermöglicht Ihnen das rechtzeitige Bearbeiten kritischer Kundenanfragen – Kommentare können bspw. nach Stimmung oder Dringlichkeit sortiert und bei der Bearbeitung priorisiert werden.
• Markenwahrnehmung: Durch das Messen der eigenen Reputation können Sie potenzielle Imagekrisen identifizieren und verhindern. Zudem lässt sich genau definieren, wer in welchem Kontext über Ihre Marke spricht.
• Marktforschung & Wettbewerbsanalyse: Sentimentanalysen lassen Sie erkennen, welche Kanäle von Kunden genutzt werden und welche Einstellung sie gegenüber verschiedenen Branchenteilnehmern vertreten. Durch das Erkennen der eigenen Stärken und Schwächen können Sie Ihre Kommunikations- und Marketingstrategien optimieren, um sich von der Konkurrenz abzuheben.
• Produktanalyse & -verbesserung: Messen Sie, wie Veränderungen Ihrer Produkte von Kunden wahrgenommen werden. So können Sie mögliche Fehler schnell beheben und zukünftig Angebote erstellen, welche auf die Bedürfnisse Ihrer Kundschaft zugeschnitten sind.
• Zielgruppenanalyse: Durch die Auswertung demografischer und anderer quantitativer Daten ist es möglich, Ihre Kundenbasis zu segmentieren und Stimmungen isoliert zu betrachten. So identifizieren Sie Markenbotschafter und können personalisierte Kundenerlebnisse schaffen.
• Erkennen von Trends: Mithilfe von Sentimentanalysen können Marketingexperten Verhaltensmuster von Verbrauchern in Echtzeit verfolgen und untersuchen, um zukünftige Trends vorherzusagen und Ihnen zu helfen, fundierte Entscheidungen zu treffen.
• Mitarbeiterfeedback: Sentimentanalysen eignen sich auch für personalbezogene Prozesse, etwa indem sie die Mitarbeiterzufriedenheit anhand von Befragungen oder Umfragen messen und Faktoren erkennen, die Ihre Angestellten zufriedenstellen und Produktivität erhöhen.
• Social Media Monitoring: Optimieren Sie ihre Social-Media-Kommunikation, indem Sie die wichtigsten Kanäle Ihrer Kunden identifizieren, relevante Informationen gewinnen und das User Engagement steigern.

Beispiel einer chronologischen Sentimentanalyse

Beliebte Analysetools

Moderne Softwarelösungen bedienen sich meist künstlicher Intelligenz, um Aussagen in sozialen Netzwerken, Blogbeiträgen, Foren, Bewertungsportalen und auf Nachrichtenseiten zu bewerten und zu analysieren. Sie erfassen Stimmungen gegenüber Marken, Produkten und Kampagnen und sind in der Lage, Trends und Einflussfaktoren zu identifizieren.

Bei der Auswahl eines geeigneten Tools ist darauf zu achten, dass es die deutsche Sprache beherrscht und über Datenbanken mit typischen Formulierungen im Kontext der eigenen Branche verfügt. Im Folgenden stellen wir einige gängige Tools vor:

Rapidminer

Rapidminer ist ein umfangreiches Text-Mining-Tool zur Daten- und Sentimentanalyse. Es ist in der Lage, unstrukturierte Content-Quellen, aber auch strukturierte Dokumente zu analysieren. So können Sie Wachstumsbereiche für Ihr Unternehmen und Trends bei Kunden und Verbrauchern identifizieren und Feedback zu Ihren Produkteinführungen erhalten. Da Rapidminer mehrere tausend Euro im Jahr kostet, eignet es sich vor allem für größere Konzerne.

Lexalytics Intelligence Platform

Andere umfangreiche und kostenpflichtige Systeme stellen die On-Premise und In-Cloud-Lösungen von Lexalytics dar. Mit seiner fortgeschrittenen Machine-Learning-Technologie kann Lexalytics NLP selbst schwer analysierbare Textbestandteile wie fehlerhafte Satzstrukturen erfolgreich entschlüsseln. Für die Evaluation wird zudem der Kontext des jeweiligen Beitrags untersucht und mit verwandten Inhalten verglichen.

Google Natural Language API

Hierbei handelt es sich um eine Programmierschnittstelle, die in eigene Programme eingebunden werden kann. Die kostenlose Google API bietet verschiedene Optionen für Textanalysen, darunter auch ein Werkzeug zur Sentimentanalyse: Die einzelnen Sätze eines zusammenhängenden Texts werden ausgewertet und auf einer Skala von -1 (stark negativ) bis +1 (stark positiv) bewertet. Aus der Bewertung und Gewichtung der einzelnen Sätze ergibt sich eine Wertigkeit des gesamten Texts.

Beispiel der Analyse einer Kundenrezension durch die Google API

Hootsuite Insights

Mit der automatischen Analyse von Social-Media-Plattformen, Nachrichtenseiten und Blogs erhalten Sie Zugang zu übersichtlichen Grafiken und Statistiken. So können Sie mithilfe der kostengünstigen Hootsuite Insights bequem die allgemeine Stimmung von Verbrauchern identifizieren und veranschaulichen. Ergebnisse lassen sich nach verschiedenen Keywords oder Personengruppen filtern und es können automatische Benachrichtigungen bei neuen Erwähnungen Ihrer Marke eingerichtet werden.

Social Searcher

Als preiswerte Echtzeit-Suchmaschine eignet sich Social Searcher vor allem für kleinere Unternehmen und Start-Ups. Die Suchmaschine durchsucht soziale Netzwerke und bietet diverse Filteroptionen, z.B. nach Zeitraum, Kanal, Art des Beitrags und Popularität, um die Suche nach relevanten Kommentaren einzugrenzen. Ergebnisse der Sentimentanalyse werden anhand farblicher Codes anschaulich dargestellt und wie bei Hootsuite Insights besteht die Möglichkeit zur Einrichtung automatischer Benachrichtigungen.

Das passende Tool für Ihr Unternehmen

Die vorangehende Auflistung stellt nur einen Bruchteil der verfügbaren Lösungen für professionelle Sentimentanalysen dar. Angebote reichen von Einsteigersoftware über ausgefeilte Komplettlösungen bis hin zu integrierbaren Programmschnittstellen und cloudbasierten Anwendungen, wie sie z.B. in der SAP Analytics Cloud Plattform einsetzbar sind.

Gerne stehen wir Ihnen bei der Auswahl und Einrichtung einer zu Ihnen passenden Software zur Seite. Kontaktieren Sie unsere Berater für ein unverbindliches Erstgespräch und erfahren Sie, wie Ihr Unternehmen einen besseren Einblick in die Gefühlswelt Ihrer Kundschaft gewinnen und sich vom Wettbewerb abheben kann.

FAQ

Was ist eine Sentimentanalyse?

Sentimentanalysen sind Verfahren zur Untersuchung von Wörtern, Sätzen und ganzen Texten, um zu erkennen, welche Meinung oder Stimmung darin geäußert wird. Sentimentanalysen werden oftmals im Bereich der Marktforschung genutzt, bspw. um die Markenwahrnehmung bei potenziellen Kunden einschätzen zu können.

Wie funktioniert eine Sentimentanalyse?

Sentimentanalysen können manuell oder automatisch durchgeführt werden. Bei automatischen Verfahren greifen Analyseprogramme auf Lexika mit Schlüsselwörtern und gängigen Formulierungen zu, die Informationen über das Sentiment der aufgeführten Begriffe liefern. Zur Verbesserung des Prozesses nutzen automatische Anwendungen oftmals Machine Learning, um den Umfang des zugrundeliegenden Lexikons kontinuierlich zu erweitern und die Auswertung somit zuverlässiger zu machen.

Wofür werden Sentimentanalysen angewendet?

Unternehmen nutzen Sentimentanalysen z.B., um ihren Support und Kundenservice zu verbessern, Marktforschung und Wettbewerbsanalysen durchzuführen, die Wahrnehmung ihrer Marke und Produkte zu beurteilen und Trends zu erkennen. Mithilfe der Ergebnisse solcher Analysen können datengestützte Strategien entwickelt werden, um Marketingstrategien zu optimieren und gezielt auf die Bedürfnisse der Zielgruppen einzugehen.