Die Menge der produzierten Daten wächst exponenziell. Zusätzlich verändert sich deren Zusammensetzung: über 80% der Daten sind unstrukturiert und liegen meistens in Form von Texten (E-Mails, Kommentare und Bewertungen in Foren, Beschwerden, Social Media Posts usw.) vor. Sentimentanalyse (Opinion Mining) beschäftigt sich damit, Meinungen in Texten automatisch mit Hilfe von Methoden von Artificial Intelligence und Machine Learning zu extrahieren und zu klassifizieren. Für Unternehmen stellt diese Technologie eine grosse Chance dar, die Einstellung der Kunden zu ihren Produkten und Services zu erfahren und somit durch gezielte Massnahmen die Kundenerlebnisse zu verbessern.

1. Sentiment Analyse
Kundengefühle in den Daten aufspüren
Prof. Dr. Evangelos Xevelonakis
1
Hub
Grey Eminence
Agenda
• Bedeutung der Sentiment-Analyse im Zeitalter der Digitalisierung
• Konzepte und Technologien
• Tools & Anwendungen
• Diskussion
• Zusammenfassung und Abschluss
2

2. • Strukturierte Daten sind in einer Struktur organisiert, damit man sie einfach
identifizieren kann.
• Unstrukturierte Daten bestehen in der Regel aus Texten, Tonaufnahmen,
Bildern usw., die nicht in einer formalisierten Struktur vorliegen.
• Die meisten Unternehmensdaten gelten heutzutage als unstrukturiert.
3
Bedeutung der Sentiment-Analyse im Zeitalter der
Digitalisierung
Was ist Sentiment-Analyse?
Sentiment-Analyse umfasst Verfahren und Technologien
• um natürlichsprachliche Aussagen mit Hilfe von statistischen und
linguistischen Mitteln automatisiert zu analysieren
• Kernaussagen oder Meinungen zu identifizieren
• mit dem Ziel, die Stimmung vorwiegend in den sozialen Medien bezogen auf
Produkte, Serviceleistungen, Kampagnen und Unternehmen zu identifizieren.
4

3. Beispiel Hotline
Kunden sprechen schlecht über die Servicehotline in Blogs und Foren.
o Liegt es an der fehlenden Freundlichkeit oder Kompetenz der
Servicemitarbeiter?
o Sind die Wartezeiten zu lang?
o Werden die richtigen und ausreichenden Informationen
angeboten?
o Welche Massnahmen könnte man daraus ableiten?
o Haben die getroffenen Massnahmen gewirkt?
5
Beispiel Reisen
Ein Gast schreibt in einem Forum:
Das Bett und die Sofas im Menta City Boutique Hotel auf Kreta waren nicht
bequem. Das Frühstück war ausgezeichnet, gutes mediterranes Essen und
exzellenter Service. Wir hatten eine wundervolle Zeit und werden Valuetravel
weiterempfehlen.
6
Thema Meinung Emotionen Stimmung
Aufenthalt Das Bett und die Sofas im Menta
City Boutique Hotel auf Kreta waren
nicht bequem
enttäuscht negativ
Service Das Frühstück war ausgezeichnet begeistert positiv
Verpflegung …und exzellenter Service begeistert positiv
gutes mediterranes Essen zufrieden positiv
Loyalität werden wieder Valuetravel
weiterempfehlen
vertrauend positiv

4. Case Deutsche Telekom
Introducing innovative support channels
7
Help, my
Router does
not work
any more!
I can’t send
emails on
my iPhone!
Can you help
me?
Social Media Centre identifies the most
important service cases in the social web
The Alert Team
prioritizes the identified
cases
The Alert Team
supports
customers
Die Relevanz des Kundeneinflusses
8
Terrorists Brand
Ambassadors
Hidden Detractors Hidden Champions
Kundenwert
Loyalität
Blasengrösse: Kundeneinfluss
niedrig hoch
hochniedrig
.

5. Wie funktioniert die Sentiment-Analyse?
9
Sentiment-
Analyse
maschinell
linguistisch
Maschinelles
Lernen
manuell
Menschen bewerten
manuell die in sozialen
Medien geäusserten
Meinungen bezüglich
positiver, negativer
oder neutraler
Tonalität.
Die Daten werden auf Basis
von vorher festgelegten
positiven und negativen
Signal-Worten bewertet.
Ein Modell (Algorithmus) lernt
mittels Beispieldaten, ob es
sich um positive oder
negative Äusserungen
handelt.
Network
Mining
Leaders und Followers im
Netzwerk erkennen
10
Hub
• Hubs sind Knotenpunkte, welche auf wertvolle initiale Beiträge referenzieren.
• Authorities sind Knotenpunkte, welche von vielen Hubs referenziert werden.
Network Mining
Hub
Hub
Hub
Hub
Hub
Hub

6. Tools & Anwendungen
12
Sentiments von Followers und Leaders mit Hilfe von
KNIME identifizieren
• Ein Datensatz wird analysiert, welcher ca. 140'000 Kommentare zu 496
Artikeln mit dem Hauptthema Politik beinhaltet. Die Kommentare wurden von
24'000 Usern erstellt.
• Im Rahmen der Sentiment-Analyse sollen die User in die Kategorien positiv,
negativ und neutral eingeteilt werden.
• Mit Hilfe von Network Mining werden Followers und Leaders identifiziert.

7. NCSU Tweet Sentiment Visualization App
Die App verwendet drei emotionale Dimensionen für Worte:
• Freude (wie glücklich du bist).
• Aktivierung (wie aufgeregt bist du).
• Dominanz (wie stark dominiert der betrachtete Begriff das allgemeine
Gefühl des Texts, in dem er sich befindet).
13
Socialmention
Socialmention ist eine einfache Web-App im Suchmaschinenstil für die
Sentimentanalyse auf Twitter. Sie können ein Keyword eingeben und das Tool
liefert Aggregat-Sentiment-Scores für das Keyword sowie verwandte Keywords.
14

8. Den Kundenempfehlungswert quantifizieren
Das IQO Modell
15
CSI-IQO
Identification
Quantification
Optimisation
Data Sources
Loyalty & Selling Concepts based on
the idea of Network & Comunity Economy
Sentiment Analysis
at = SNt*yt*ut
Network Mining
Diskussion
• Nutzen Sie Sentiment-Analyse in Ihrer Unternehmung?
• Welchen Nutzen kann Sentiment-Analyse in ihrer Unternehmung generieren?
• Welche Hürden sollen bei der Einführung von Sentiment-Analyse-Technologien
überwunden werden?
16

9. Zusammenfassung
Ziel
Die Stimmung vorwiegend in den sozialen Medien bezogen auf Produkte,
Serviceleistungen, Kampagnen und Unternehmen identifizieren.
Nutzen
• Produkte besser auf die Kundenbedürfnisse anpassen, um die Kundenzufriedenheit
zu erhöhen.
• In Echtzeit auf Kundenbedürfnisse reagieren.
• Insights der Konkurrenz gewinnen.
• Customer Churn Prevention, um die Kundenabwanderung zu verhindern.
17
Besten Dank!
18

10. Short Biography
19
Evangelos Xevelonakis is Managing Director of SWISS VALUENET and Professor at HWZ Zurich University of
Applied Science. He graduated in economics and information technology and has a doctor title in Relationship
Marketing from the University of Zurich.
Evangelos headed several segmentation projects involving customer profitability, customer segmentation,
churn and loyalty management in several industries. Before joining SWISS VALUENET he headed the Strategic
CRM Department of SWISSCOM for 6 years where he was responsible for customer segmentation, customer
profitability and for the whole Business Intelligence Process. He also worked for about 10 years in CREDIT
SUISSE, where he was responsible for setting up the Database Marketing Process for Direct Banking.