Sentimentanalyse im Live-Chat: Wie Sie Kundenstimmung erkennen und verbessern
Der eine Kunde ist verstimmt und wütend, der andere mit dem Service glücklich und zufrieden. Emotionen spielen in jedem Kundenchat – ob mit Chatbot oder Mitarbeiter – eine Rolle. Durch eine Sentimentanalyse können Sie automatisiert Situationen identifizieren, in denen besonders starke Gefühle im Spiel sind.
Was ist Sentiment?
Sentiment bezeichnet die Stimmungen und Gefühle eines Kunden, die dieser gegenüber einem Produkt oder einer Marke empfindet. Es ist geprägt durch die Berührungspunkte des Kunden mit dem Unternehmen.
Das Sentiment lässt sich besonders gut analysieren, wenn Kunden ihre Gefühle schriftlich ausdrücken. Dies geschieht im Digitalen insbesondere an 3 Stellen: In der Social-Media-Welt, in Online-Rezensionen oder in Chat-Konversationen. Hier entstehen große Datenmengen in Form von Texten, in denen sich Stimmung verbirgt.
Website-Chat, der wie WhatsApp funktioniert
Userlikes Website-Chat folgt dem Prinzip von Messaging-Apps – damit Sie wichtige Leads nicht verlieren und langfristige Beziehungen aufbauen.
Mehr erfahrenChat-Konversationen eignen sich als Datenquelle besonders gut. Unternehmen können hier zum einen die allgemeine Stimmung gegenüber ihren Marken und Produkten abschätzen, zum anderen wird die Zufriedenheit mit den konkreten Services und Beratungen über das Sentiment sichtbar.
Sentiment in Chat-Daten nutzen
Theoretisch könnten Sie eine Kurzumfrage an den Chat anschließen, um sich ein Bild von der allgemeinen Kundenstimmung zu machen. Praktisch wird die Bewertungsfunktion aber nur von einem kleinen Teil der Kunden genutzt. Der Großteil des Sentiments verbirgt sich deshalb in den Nutzernachrichten selbst.
Die manuelle oder automatisierte Analyse des Sentiments in den Nutzernachrichten ist für mehrere Use Cases relevant. Zum einen kann eine Sentimentanalyse nachträglich, also nach Beendigung der Konversation mit dem Kunden, stattfinden. Hier können kritische sowie gelungene Kunde-Bot- oder Kunde-Mitarbeiter-Konversationen gefunden und analysiert werden. Hat sich ein Kunde unzufrieden mit dem Service gezeigt? Ist ein Kunde besonders gut auf ein Produkt zu sprechen? Welche Maßnahmen können daraus abgeleitet werden?
4 Use Cases für die Sentimentanalyse im Chat
| Chatbot | Live-Chat | |
|---|---|---|
| Nachträglich | Analyse kritischer und gelungener Kunde-Bot-Konversationen | Analyse kritischer und gelungener Kunde-Mitarbeiter-Konversationen |
| Simultan | Erkennung und Weitergabe kritischer Gespräche | Mensch als Chatpartner |
Daneben kann eine automatisierte simultane Sentimentanalyse einem Chatbot im laufenden Gespräch helfen, heikle Situationen zu entschärfen. Wird beispielsweise ein besonders verstimmter Nutzer erkannt, können sofort Maßnahmen wie besonders vorsichtige Antworten oder die Weitergabe an einen Service-Agenten eingeleitet werden.
So können die negativen Gefühle, die sich bei einem Nutzer gegenüber einem Unternehmen oder im Zuge des Chatbot-Dialogs ergeben haben, schnell abgefedert werden. Ein Chatbot mit einer Übergabefunktion an einen menschlichen Agenten wie im Fall von “Isa”, dem Service-Chatbot der heidelberger Services AG (hsag), stellt daher die optimale Mischung aus Automatisierung und menschlicher Empathie dar. Isa ist mit der Live-Chat-Plattform von Userlike verbunden, über die sowohl der Bot als auch menschliche Kollegen mit Kunden chatten.
Gefühle in Textform deuten: Wie aus Texten Sentiment-Scores werden
Um zu bewerten, ob und wann ein Nutzer verstimmt ist oder nicht, braucht es Metriken und eine Skala. Typischerweise teilen Sentiment-Modelle die Gefühlslage in “positiv”, “negativ” und oftmal auch “neutral” ein. Daraufhin bewerten sie anhand von jeweiligen Scores von 0 bis 1 (z.B. mit einem Score von 0.8 positiv) oder mit einer nach außen offenen Skala, bei der neutral die 0 bildet, welche Stimmung sich in einem Text verbirgt. Zu beachten ist hier, dass in manchen Metriken auch Negativität und Positivität gleichzeitig vorkommen. So lässt der Satz “Mir hat der Service sehr gut gefallen, aber die Wartezeiten sind leider schrecklich” nur ein gemischtes Fazit zu.
Wie gelangen Sentiment-Modelle nun zu ihrer Bewertung? Die Antwort lautet: Daten, Daten, Daten. Um zu “verstehen”, was negative und positive Gefühle und deren Ausdrücke sind, braucht es Vorlagen. Hierbei unterscheiden sich 3 grundsätzliche Typen der Sentimentanalyse:
Lexikale Ansätze. Bei lexikalen Ansätzen der Sentimentanalyse nutzen Sentiment-Modelle Nachschlagewerke und Lexika, um zu einer Bewertung von Texten zu gelangen. In diesen Lexika sind Worte oder Wortteile mit einer quantitativen Bewertung versehen. Beispielsweise drückt das Wort “leider” (-1) eine leichte Verstimmung aus, das Wort “*hass*” dagegen eine stärkere Negativität (-3). Auf diese Weise können ganze Sätze nach beliebig komplexen Regeln bezüglich der vorhandenen Stimmung bewertet werden.
Maschinelles Lernen. Der zweite Ansatz, das maschinelle Lernen, arbeitet dagegen in die andere Richtung. Anstatt Satzbestandteile hinsichtlich ihrer Stimmung zu bewerten, werden hier ganze Sätze betrachtet. Aus einem Datensatz von sehr vielen “gelabelten”, also bewerteten Sätzen erkennt das statistische maschinelle Lernen, wie sich Positivität und Negativität in Texten ausdrückt. Tauchen nun – in einem dem Modell unbekannten Satz – Muster auf, die diesen als negativ kennzeichnen, wird der Satz negativ bewertet.
Hybride Ansätze. In der Praxis werden meist gemischte Ansätze angewandt. Eine kombinierte Analyse auf Grundlage von Lexikas und Maschinellem Lernen kann entweder selbst entwickelt oder mit Hilfe kommerzieller Tools umgesetzt werden.
Bei der Nutzung kommerzieller Tools hängt die richtige Wahl von mehreren Faktoren ab: Zum sollten Sie beachten, ob die für Sie relevanten Sprachen unterstützt werden. Zum anderen unterscheiden sich die Texttypen, auf die ein Sentiment-Tool spezialisiert ist.
Hier spielen beispielsweise die Textlänge, die Nutzung von Sonderzeichen und Emojis oder fachspezifische Ausdrücke eine Rolle. Eine Amazon-Rezension ist beispielsweise anders formuliert als eine Chat-Nachricht.
Zudem gibt es besondere sprachliche Herausforderungen für Sentiment-Tools. Verneinungen, gemischte Aussagen, Ironie und Sarkasmus können leichter fehltinterpretiert werden – “Vielen Dank für Nichts 😤!”
Beispiele für kommerzielle Sentiment-Tools sind:
Sentimentanalyse in 4 Schritten
Sollte man überhaupt ein Sentimentanalyse-Modell selbst bauen, wenn es bereits bestehende Tools gibt? Wie so oft kommt es auf den Einzelfall an. Bei der hsag nutzen wir den Sentiment-Service von Microsoft, um Nutzertexte im Chat zu bewerten, basteln aber auch an eigenen Klassifikations-Lösungen. Bei diesen können wir unsere Datenbasis realer Kundennachrichten nutzen.
So fließen tatsächliche Ausdrücke zufriedener oder verstimmter Kunden in die Bewertung der Gefühle mit ein. Dies geschieht wieder entweder auf Basis eines gepflegten Lexikons mit Wort-Bewertungen und Regeln oder über maschinelles Lernen. Welcher Ansatz auch immer gewählt wird: Eine Sentimentanalyse erfordert immer 4 grundlegende Schritte:
1
Entscheidung für Modell, Metriken und Skalen
Zuerst muss eine Entscheidung hinsichtlich des konkreten Modells sowie dessen Metriken und Skalierung getroffen werden. Hierfür ist relevant, welche Gefühle in welcher Ausprägung geschäftlich besonders interessant sind und ob sich diese eher in allgemeinen oder spezifischen Ausdrücken verbergen. Je individueller die Anforderungen, desto größer der Eigenanteil in der Entwicklung und Bewertung.
2
Gelabelte Textdaten oder Wortlexikon
Jetzt braucht es einen Datensatz, entweder in Form zahlreicher positiv und negativ bewerteter Sätze oder eines Lexikons mit Wortbewertungen. Um diesen statistisch auf unbekannte Sätze anzuwenden, müssen Methoden der Textverarbeitung angewandt werden.
3
Textverarbeitung
Zuerst werden Sätze in kleiner Teile zerlegt (Tokenization), daraufhin gebeugte Formen der Worte auf ihre Wortstämme reduziert (Stemming) und unnötige Füllwörter gelöscht (Stop Word Removal).
Aus “Ich liebe den Userlike-Live-Chat” wird so: “lieb*” “userlike” “live” “chat”. Sowohl bei der Textverarbeitung, sowie bei der folgenden statistischen Bewertung, können Anwendungen wie Python und R mit Sprachpaketen unterstützen.
4
Anwendung der Bewertungsregel
Nun werden einfache Regeln, Algorithmen oder komplexe Modelle angewandt, die mit Hilfe des Lexikons oder Datensatzes eine Bewertung ermitteln. Zu beachten ist hierbei, dass die Bewertungsmethode das absolute sowie relative Vorkommen von Stimmungssignalen gewichtet. Ein einzelnes “super” in einem ganzen Text voller Unzufriedenheit hat verständlicherweise weniger Gewicht als in dem Satz “Das ist super 😊.”
Kunde (un)zufrieden: Und nun?
Eine Sentimentanalyse, ob nachträglich oder simultan, eingekauft oder eigenentwickelt, entfaltet ihr Potential nur eingebettet in einen Prozess. Erst wenn die richtigen Ableitungen und Maßnahmen auf die Gefühle der Kunden folgen, ist die Sentimentanalyse wirkungsvoll.
Live-Chat: Checkliste, Beispiele und erste Schritte
Unser Guide zeigt Ihnen die wichtigsten Features, woran Sie einen guten Anbieter erkennen und wie Sie in kurzer Zeit zum Live-Chat-Profi werden.
Kostenlos herunterladenIm Fall von Chat-Konversationen kann sie Schwachstellen im Produkt, Prozess oder Kundendialog aufdecken und gleichzeitig auch die Merkmale besonders zufriedener Kunden ermitteln. Als automatisiertes Tool spart sie außerdem eine manuelle Durchsicht aller Chat-Daten oder die Notwendigkeit, jeden Chat durch einen menschlichen Operator zu betreuen. Stattdessen können Sie einem Chatbot wie Isa ohne schlechtes Gewissen einen Großteil Ihrer Konversationen überlassen. Die Sentimentanalyse warnt und leitet zum menschlichen Mitarbeiter weiter, wenn es nötig wird. Die Sentimentanalyse ist damit wertvoller Teil der Symbiose von Chatbot und Live-Chat, wie im Fall von Userlike und der hsag 🤖♥ 🙂.
