Sentimentanalyse: Definition, Anleitung & Tools

Im Internet werden im Sekundentakt Meinungen geäußert und verbreitet. Kein menschliches Gehirn kann all diese Informationen aufnehmen und analysieren. Zum Glück gibt es inzwischen Software und Tools, mit denen sich automatisiert nachvollziehen lässt, wie potenzielle Kundinnen und Kunden über ein Produkt sprechen.

Die Sentimentanalyse dient dabei dazu, die Stimmungslage der Kundschaft systematisch zu untersuchen und unterstützt dabei, Maßnahmen für Ihren Kundenservice abzuleiten.

Wie das Verfahren funktioniert und welche Vor- und Nachteile die verschiedenen Tools zur Sentimentanalyse mit sich bringen, haben wir hier für Sie zusammengefasst.

Für die Auswertung werden Data-Mining-Methoden genutzt, die mithilfe von Algorithmen bestimmte Textstrukturen automatisiert untersuchen. Die Methoden zur Textanalyse stammen ursprünglich aus den drei Bereichen Natural Language Processing (NLP), maschinelles Lernen und Statistik. Als Teil des Social-Media-Monitoring wird die Sentimentanalyse vorwiegend zu Marketingzwecken eingesetzt.

Die Bedeutung der Sentimentanalyse für Unternehmen

Sind Kundinnen und Kunden mit unseren Produkten zufrieden? Was mögen die Leute an unserem Unternehmen und was nicht? Wie kommen unsere neuen Marketingkampagnen an? Antworten auf Fragen dieser Art werden Ihnen dank digitaler Medien heutzutage praktisch auf dem Silbertablett serviert – Sie brauchen nur zu analysieren, wie und was im Netz über Ihr Unternehmen gesagt wird.

Kein Wunder, dass Social-Media-Monitoring im Allgemeinen und die Sentimentanalyse im Speziellen zunehmend an Bedeutung gewinnen. Denn Letztere ermittelt die Tonalität der veröffentlichten Inhalte und analysiert somit nicht nur die Quantität, sondern auch die Qualität der verfassten Beiträge und Kommentare. So ergibt sich eine repräsentative Einschätzung, ob die vorherrschende Stimmung (beispielsweise in den sozialen Medien) eher positiv,  negativ oder neutral ist.

Und das wiederum hat Einfluss auf unternehmerische Entscheidungen. Denn je besser Sie über die Meinung Ihrer (potenziellen) Kundinnen und Kunden Bescheid wissen, desto gezielter können Sie darauf reagieren und Produktentwicklung, Marketing oder Ihren Service entsprechend ausrichten. 

Wie funktioniert die automatische Sentimentanalyse?

Für kleine Unternehmen mit geringem Bekanntheitsgrad und überschaubarer Community können Sentimentanalysen ruhig ein manueller Prozess sein, bei dem Beiträge und Kundenmeinungen in sozialen Netzwerken von Mitarbeiterinnen und Mitarbeitern selbst gesichtet und bewertet werden. Je größer jedoch der Bekanntheitsgrad wird, desto mehr wird auch über ein Unternehmen gesprochen und desto umfangreicher wird die Analyse der Inhalte.

Bei der automatischen Sentimentanalyse übernehmen Softwarelösungen und Tools diese Aufgabe und erstellen ein Stimmungsbild aus den analysierten Inhalten. Folgende Daten werden dabei ausgelesen:

• Social-Media-Kanäle (Text, Bild, Videos, Podcasts, Blogs etc.)

• Bewertungsplattformen

• Online-Kundenumfragen

Je nachdem, welche Software zur Anwendung kommt, wird sich die Herangehensweise bei der Sentimentanalyse unterscheiden. Dabei wird aber stets auf eine statistische Analyse linguistischer Charakteristika zurückgegriffen. Für die automatische Sentimentanalyse haben sich zwei Verfahren etabliert: die linguistische Analyse und Machine Learning.

Linguistische Analyse

In dieser Variante zur Textanalyse durchsucht eine Software Beiträge und Kommentare dahingehend, wie häufig vorab definierte positive und negative Schlüsselwörter darin vorkommen. Diese Vorgehensweise birgt jedoch Risiken. Wenn beispielsweise die Bewertung für ein Produkt in einem Online-Shop folgendermaßen lautet:

„Die Zahlung funktionierte einwandfrei und die Lieferung erfolgte schnell, aber die Qualität des Produktes war miserabel.“ würde die Software die Bewertung durch das 2:1-Verhältnis (einwandfrei & schnell vs. miserabel) insgesamt als positiv einstufen und damit falsch interpretieren. Ausgefeilte Systeme ermöglichen es, Begriffe zu gewichten und individuelle linguistische Besonderheiten (wie Verneinungen oder wiederkehrende Sprachmuster) zu erfassen.

Dennoch hat dieses System seine Tücken. Da Sprachen äußerst komplex sind und beispielsweise kontextabhängige Bedeutungsunterschiede von Wörtern aufweisen, kann es hier keine absolute Interpretationssicherheit geben. So ist die Stimmung bei einer „kurzen Wartezeit“ vermutlich positiv, während die „kurze Lebensdauer“ eines Produktes eher von einer enttäuschten Person erwähnt wird.

Der in sozialen Netzwerken übliche Sprachstil birgt hier noch zusätzliche Tücken. Umgangssprachliche Ausdrücke, Dialekte, zielgruppenspezifische Trends oder auch der Einsatz von Abkürzungen und Emojis sind an der Tagesordnung. Von einem standardisierten Sprachgebrauch wird hier oftmals abgewichen, was es für viele Tools schwierig macht, die untersuchten Inhalte korrekt zu analysieren.

Maschinelles Lernen

Machine Learning, auf Deutsch maschinelles Lernen, kann hier mitunter einen erfolgversprechenderen Ansatz liefern. Dabei aktualisiert die Software anhand von bereits analysierten Beispieldaten laufend die Einschätzungen dazu, welche Äußerungen als positiv oder negativ zu bewerten sind – ungeachtet dessen, ob die verwendete Ausdrucksweise als „normal“ eingestuft wird oder nicht.

Wie gut das funktioniert, hängt von der Menge und Qualität der Trainingsdaten ab, mit denen die Software gefüttert wird – je mehr Beispiele, desto besser. Auf diese Weise kann eine negative Stimmung im Kommentarbereich, die sich durch vermeintlich positive Wörter kennzeichnet, zuverlässig erkannt und korrekt eingeordnet werden. Die fortwährend gesammelten Informationen bilden hier eine Basis für die Analyse und Bewertung neuer Inhalte.

Doch auch diese Methode ist nicht frei von Fehlinterpretationen. Die Herausforderung liegt hier darin, die Software in allen Themenbereichen, in denen sie eingesetzt wird, mit ausreichend Beispieldaten zu versorgen. Denn nur, weil ein Programm zum Beispiel auf Hotelbewertungen trainiert wird, liefert es noch lange keine aussagekräftigen Ergebnisse für Produktbewertungen von Sportartikeln.

Hilfreiche Tools zur Sentimentanalyse in Social Media

In den Google-Bewertungen haben Versicherungsagenturen 2019 knapp 50.000 Rezensionen erhalten. Das entspricht 232 Bewertungen, die pro Tag von Nutzerinnen und Nutzern geschrieben wurden. Diese beeindruckende Zahl gibt ein Gefühl dafür, warum automatisierte Tools zur Sentimentanalyse durchaus hilfreich sind.

Moderne Softwarelösungen wie Brandwatch, QuickSearch, Rapidminer oder Hootsuite Insights bedienen sich bereits künstlicher Intelligenz, um Beiträge auf Social-Media-Plattformen, Nachrichtenseiten, Blogs, Foren und Bewertungsportalen nach ihrem Kontext zu bewerten und so die tatsächliche Bedeutung hinter dem Geschriebenen zu erfassen.

Damit analysieren sie nicht nur die Stimmung gegenüber Marken, Produkten oder Kampagnen, sondern identifizieren auch Trends und Einflussfaktoren innerhalb der Community.

Mit SentiWS veröffentlichte die Universität Leipzig bereits 2010 eine öffentlich verfügbare deutschsprachige Ressource für die Sentimentanalyse. Mithilfe einer Bibliothek von über 34.000 Wortformen können so Texte hinsichtlich der Anzahl an positiven und negativen Wörtern kostenlos analysiert werden.

Soziale Netzwerke haben enormes Potenzial, Meinungen zu prägen und zu verbreiten. Vor allem für Unternehmen ist dies hochgradig relevant, da die Außenwahrnehmung der Marke oder der Produkte unmittelbaren Einfluss auf künftige Kaufentscheidungen der Community und neuer Interessenten nehmen kann. Eine Sentimentanalyse liefert Ihnen wichtige Erkenntnisse über die aktuelle Stimmung und damit die Möglichkeit, mit entsprechenden Maßnahmen gezielt darauf zu reagieren.

Titelbild: Oleksandr Shchus / iStock / Getty Images Plus