Dank des maschinellen Lernens können Unternehmen jetzt die Fähigkeit nutzen, den emotionalen Wert von Kommunikation zu bestimmen. Hier erfahren Sie, wie Unternehmen daraus Nutzen ziehen können. [...]
Die Sentimentanalyse beginnt, sich im Unternehmen zu etablieren. Diese Analysetechnik, die es Unternehmen ermöglicht, den emotionalen Wert von Kommunikation zu ermitteln, findet zunehmend Anklang in einer Reihe von Anwendungsfällen, von der Protokollierung von Besprechungen bis hin zu Kundenservice und Feedback.
Heutzutage stützt sich die Sentimentanalyse weitgehend auf überwachte oder halbüberwachte maschinelle Lernalgorithmen. Alle großen Cloud-Anbieter stellen Tools für die Sentimentanalyse zur Verfügung, ebenso wie die meisten großen Kundensupport-Plattformen und Marketing-Anbieter. Anbieter von Conversational AI haben ebenfalls Funktionen zur Sentimentanalyse in ihre Produkte integriert.
Doch um die Sentimentanalyse optimal zu nutzen, bedarf es einer interessanten Mischung aus Kunst und Wissenschaft. Im Folgenden erfahren Sie, wie einige Unternehmen die Stimmungsanalyse sinnvoll einsetzen.
Die Bedeutung der Transkription unterstreichen
Die meisten Plattformen für virtuelle Meetings bieten Transkriptionsdienste an. In der Tat ist die Spracherkennung in viele der von Microsoft und Google angebotenen Dienste integriert. Zoom plant ebenfalls, im Herbst eine Live-Transkription anzubieten, aber bis dahin gibt es Dienste von Drittanbietern wie Otter AI.
Die Computertranskription ist jedoch ein schlechter Ersatz für einen menschlichen Notizenmacher, da ein menschliches Urteilsvermögen erforderlich ist, um die Wichtigkeit im Vergleich zu leerem Geplauder zu bestimmen und um herauszufinden, was die nächsten Schritte sind und wer sich wozu verpflichtet hat.
Um diese Lücke zu schließen, wendet sich der Transkriptionsanbieter Pickle der Stimmungsanalyse zu. Die Pickle-Plattform verwendet AssemblyAI, eine Sprache-zu-Text-API, für ihre Transkriptionsfunktionalität. Einige Open-Source-Tools können zwar Sentimentanalysen durchführen, aber sie konzentrieren sich in der Regel auf die Identifizierung bestimmter Schlüsselwörter, sagt Birch Eve, CEO und Gründer von Pickle. Aus diesem Grund beschloss das Unternehmen, seine maschinellen Lernmodelle für die Sentimentanalyse von Grund auf neu zu entwickeln.
Der Ansatz von Pickle verwendet ein überwachtes Lernmodell in Kombination mit unüberwachten Klassifizierungsalgorithmen. Für den überwachten Teil würden Menschen – ursprünglich Pickle-Mitarbeiter – Teile von Gesprächen manuell beschriften und klassifizieren, einschließlich der Unterscheidung zwischen beiläufigem Geplauder und wichtigen Geschäften. Außerdem notierten sie alle Gesprächsabschnitte, die eine starke positive oder negative Emotion enthielten. Als das Unternehmen seinen Betrieb aufnahm, wandte es sich an Scale AI, um einen größeren Teil der Beschriftung und Klassifizierung zu übernehmen.
Der Trainingsdatensatz wuchs auf eine Million Konversationen an, berichtet Eve, und die erste Generation der Modelle erreichte je nach Art der analysierten Konversation eine Genauigkeit zwischen 77 % und 83 %, sagt er.
„Wir führen eine Qualitätskontrolle durch, bei der wir Konversationen nach dem Zufallsprinzip markieren und an eine Warteschlange senden, wo wir sie manuell durchgehen und das Modell doppelt überprüfen“, sagt er. „Wenn etwas nicht stimmt, gehen wir zurück zum Modell, sehen, wo die Unstimmigkeiten liegen, und stimmen entweder die Daten ab oder tauschen die Datensätze aus.
Heute liegt die Genauigkeit bei 93 % bis 94 %, erklärt er. Die geringeren Schwankungen sind zum Teil darauf zurückzuführen, dass sich das Unternehmen seit Januar auf Zoom-Konversationen konzentriert. „Dadurch sind die Daten konsistenter geworden, weil die meisten Zoom-Gespräche einen ähnlichen Stil haben“, sagt er. „Es gibt ein wenig Smalltalk und dann die geschäftliche Seite“.
Der Schlüssel zum Erfolg bei KI-Projekten, die eine Stimmungsanalyse beinhalten, ist es, konzentriert zu bleiben, sagt Eve.
„Es ist aufregend, wenn man anfängt, konsistente Daten zurückzubekommen und sich mit anderen Bereichen zu beschäftigen, in denen man arbeiten kann. „Aber der beste Weg zum Erfolg ist, den Kopf unten zu halten und sich nur auf die Stimmung zu konzentrieren.
Aus Produktbewertungen Kapital schlagen
Laut John Dubois, Principal bei Ernst & Young Technology Consulting, gibt es die Praxis der Stimmungsanalyse schon seit 15 Jahren. Damals folgte man dem „Bag of Words“-Ansatz, bei dem einfach gezählt wurde, wie oft bestimmte Wörter in einer Unterhaltung, einem Social-Media-Post, einem Nachrichtenartikel oder einer Produktbewertung vorkamen.
Das Ergebnis war „Daumen hoch oder Daumen runter“, sagt er. „Das hat sich inzwischen ziemlich verändert.
Aber maschinelles Lernen hilft Unternehmen dabei, die Stimmung hinter diesen Worten besser zu bestimmen. Ein sehr fruchtbarer Bereich, in dem maschinelle Lernmodelle zur Stimmungsanalyse einen Einfluss haben, sind Produktbewertungen, da eine Bewertung extrem positiv oder negativ sein kann, ohne Wörter wie „großartig“ oder „schrecklich“ zu verwenden – oder sie kann diese Wörter auf sarkastische Weise verwenden.
Nehmen wir zum Beispiel diese Bewertung: „Ich dachte wirklich, dass dieses Kleid fantastisch aussieht. Die Bilder waren wunderschön, und die Verpackung, in der es ankam, war einfach perfekt. Als ich es dann anhatte, sah ich aus wie eine lustige Giraffe. Aber wenigstens schläft mein Hund gerne darauf, und wenn ich meinen Hund glücklich sehe, macht mich das glücklich.“
Es gibt viele positive Worte in dieser Bewertung, aber die zugewiesene Sternebewertung ist niedrig. Bewertungen sind im Grunde ein Stimmungswert – was der Kunde insgesamt von dem Produkt hält. In dem Maße, in dem maschinelle Lernsysteme Millionen von Bewertungen lesen und mit den von den Käufern abgegebenen Bewertungen vergleichen, können sie die tatsächlichen Emotionen hinter den Worten immer besser verstehen.
Dubois hat vor kurzem an einem Projekt für einen einheimischen Automobilhersteller gearbeitet, bei dem es darum ging, die Stimmung in Bezug auf Fahrzeugmerkmale für alle großen Automobilhersteller zu analysieren. So kann es sein, dass Kunden die Becherhalter eines Modells mögen, aber die Version der Konkurrenz nicht, oder dass ihnen die Innenausstattung der Konkurrenz besser gefällt als die des Kunden.
Durch die Analyse der Stimmung konnte das Unternehmen genau feststellen, was den Kunden an seinen Produkten gefiel und wo es hinter seinen Konkurrenten zurückblieb – eine Analyse, die zur Grundlage für bessere Werbung wurde. „Da wir verschiedene Autokauf- und Bewertungsräume aufsuchen, können wir Anzeigen auf der Grundlage unserer Stärken und ihrer Schwächen kaufen“, sagt Dubois.
„Wir haben das für die Verkaufsveranstaltungen im Frühjahr, Sommer und Herbst gemacht und konnten eine Steigerung der Klickraten um 15 % und der Konversionsrate um 4 bis 6 % feststellen“, sagt er. „Und 4 % bei einer Autoaktion sind eine ziemlich große Sache für eine Verkaufsveranstaltung.
KI wird bereits in großem Umfang zur Sentimentanalyse für diese Art von Point-of-Sale-Lösungen eingesetzt, sagt er. Aber Unternehmen könnten noch mehr Wert in der Sentimentanalyse als strategische Waffe finden, wenn sie über die Abteilungsebene hinausgehen.
„Sie könnte vom Vertrieb genutzt werden, um Produktlisten zu aktualisieren“, sagt er. „Sie könnte vom Merchandising genutzt werden, um die Informationsarchitektur einer Website zu aktualisieren. Sie könnte von der Forschung und Entwicklung genutzt werden.“
Sobald sich die Technologie bewährt hat, sollten die IT-Verantwortlichen sie einer breiteren Gruppe von Geschäftsinteressenten vorstellen, die als Teil einer ganzheitlichen Geschäftsstrategie davon profitieren können.
Wertschöpfung aus Datenspeichern
Da Speicherplatz billiger geworden ist, haben viele Unternehmen damit begonnen, große Mengen unstrukturierter Daten zu speichern, z. B. Anrufe beim Kundendienst, E-Mails mit Supportanfragen, Online-Chats – alles, was sich eines Tages als wertvoll erweisen könnte.
„Alle haben über Big Data und deren Speicherung gesprochen, aber niemand war in der Lage, daraus einen Wert zu ziehen und sie zu nutzen“, berichtet Derek Chin, Vice President of Innovation bei Nerdery.
Die Stimmungsanalyse könnte dabei helfen, Kundeneinblicke im großen Stil zu gewinnen, sagt er. „Der ganze Gedanke ist super spannend“.
Zum Beispiel können Kunden verärgert sein, wenn ein Agent versucht, ihnen ein Upselling anzubieten. Aber die Stimmungsanalyse kann überraschende Erkenntnisse darüber liefern, in welchen Situationen ein Upselling tatsächlich hilfreich ist, sagt er.
„Nehmen wir an, Sie haben Daten- und WiFi-Konnektivität in Ihrem Auto“, sagt er. „Wenn Ihr Mitarbeiter erkennt, dass Ihr Datenvolumen fast aufgebraucht ist, und Ihnen die Möglichkeit gibt, mehr Daten zu kaufen, um zusätzliche Servicegebühren zu vermeiden, sind die Leute froh darüber. Aber wenn es sich um ein kaltes Angebot handeln würde – ‚Ich sehe, Sie haben nur ein Gigabyte pro Monat, und es gibt ein Sonderangebot für zwei Gigabyte pro Monat‘ – würde das die Leute abschrecken.“
Der Schlüssel zum Erfolg der Stimmungsanalyse liegt seiner Meinung nach darin, ihre Grenzen zu kennen und bereit zu sein, Zeit mit ihr zu verbringen. „In einer Sprache-zu-Text-Umgebung wird es Situationen geben, in denen Sarkasmus nicht erkannt wird“, sagt er. „Diese Dinge klären sich im Laufe der Zeit von selbst, wenn die Stichproben größer werden und die KI schlauer wird.“
Daher kann es gefährlich sein, zu schnell auf die ersten Daten zu reagieren, sagt er. „Man muss diese Modelle selbst trainieren lassen und genügend Stichproben sammeln, bevor man langfristige strategische Entscheidungen trifft.
Aber die Unternehmen sollten jetzt damit beginnen, fügt er hinzu.
„Wir stehen noch ganz am Anfang, und es wird im Laufe der Zeit immer ausgefeilter und wirkungsvoller werden, und immer mehr Ihrer Konkurrenten werden es einsetzen“, sagt er. „Haben Sie keine Angst davor, dass es jetzt noch unvollkommen ist. Beginnen Sie mit Pilotprojekten und Experimenten.
Mehr als „gut oder schlecht“
Die Stimmungsanalyse ist in einem klar definierten, einfachen Kontext mit eindeutigen Ergebnissen bereits sehr effektiv, sagt Dan Simion, Vice President für KI und Analytik bei Capgemini.
„Wenn es um die Frage geht: Ist es gut oder schlecht? Dann funktioniert die Sentimentanalyse„, sagt er. „Wenn wir anfangen, uns mit komplizierteren Arten von Feedback zu befassen, gibt es immer noch eine Menge Möglichkeiten, die Modelle zu verbessern.
Nehmen wir zum Beispiel an, Sie möchten die Sentimentanalyse nutzen, um Fotos oder Videos zu betrachten und zu erkennen, ob die Leute glücklich oder verärgert sind. „Unsere Kunden in der Medien- und Unterhaltungsbranche versuchen, die Stimmung der Zuschauer bei verschiedenen Sendungen zu verstehen und herauszufinden, welche Segmente bestimmter Sendungen die Menschen interessant finden“, sagt er.
Jetzt, da es wieder Live-Zuschauer gibt, könnte dies durch die Analyse der Videoübertragungen aus dem Publikum geschehen. Oder es könnten Leute sein, die zu Hause vor einer Webcam sitzen. Traditionell ist die Auswertung der Antworten ein manueller Prozess.
Aber menschliche Bewerter sind subjektiv, sagt er. „Man braucht etwas, das objektiv ist, damit die Ergebnisse einen Sinn ergeben, wenn man sie vergleicht.“
„Und dann ist da noch das Problem der Skalierung“, sagt er. „Wenn man mehrere Sendungen hat und am Ende des Tages konsistent sein und demselben Prozess folgen will, dann ist das ein Punkt, an dem man anfangen muss, Maschinen einzusetzen.“
Bei Gesichtsausdrücken sind die Modelle zur Sentimentanalyse noch in der Entwicklung begriffen, und es ist noch nicht einmal klar, wie genau sie gemessen werden können. Und selbst wenn die Analyse der Stimmung von Gesichtsausdrücken die anfängliche Hype-Phase hinter sich lässt, wird es noch ein weiter Weg sein, insbesondere bei den nuancierteren Arten von Gesichtsausdrücken, bevor die meisten Unternehmen sich darauf einlassen werden, sagt er.
„Aber für Unternehmen, die auf diese Art von Lösungen angewiesen sind, insbesondere für große Unternehmen, die es sich leisten und als Wettbewerbsvorteil nutzen können, lohnt sich die Investition“, so Simion.
*Maria Korolov befasst sich seit 20 Jahren mit neuen Technologien und aufstrebenden Märkten.
Be the first to comment