Die zwei größten Herausforderungen für jede Marke sind:
- die Bedürfnisse und Motivationen ihrer Kunden zu verstehen
- den Überblick über die sich im Laufe der Zeit ändernden Anforderungen und Erwartungen der Kunden zu behalten.
Daten aus sozialen Medien bieten die Lösung für beide Herausforderungen. In den Online-Gesprächen verbergen sich die Diamanten, nach denen Marken suchen – detaillierte und zeitnahe Einblicke in die Kundenerfahrung mit ihrer Marke, ihrem Produkt oder ihrer Dienstleistung.
Social Media Text Mining ist nichts Neues, aber die Technologien, die zum Mining und zur Analyse von Text verwendet werden, entwickeln sich rasch weiter. Die neuesten und technologisch fortschrittlichsten Social Listening Tools kombinieren traditionellere linguistische Regeln mit Analysen anhand von Machine Learning, um mehr verborgene Einblicke aufzudecken, die in Social-Media-Gesprächen stecken.
Was ist Text Mining?
Text Mining, auch Text Data Mining genannt und ähnlich der Textanalyse, ist der Prozess der Extraktion von sinnvollen Mustern und Erkenntnissen aus unstrukturiertem Text.
Die meisten textuellen Daten (etwa 80 % aller Daten weltweit) sind unstrukturiert, d. h. sie sind nicht in einem Tabellenformat (Zeilen und Spalten) standardisiert. Kommentare in sozialen Medien, Produktrezensionen, Forenbeiträge, Kundendienstprotokolle – all diese Quellen werden organisch verfasst und sind für einen Computer historisch gesehen schwieriger zu kategorisieren und sinnvoll zu nutzen.
Die Sprache ist so komplex und vielfältig wie die Menschen, die sie verwenden. Nuancen, Subjektivität und Eigenheiten spielen alle eine Rolle. Was sie noch komplexer macht, ist die Geschwindigkeit, mit der sich die Sprache entwickelt – die Kommunikation zwischen den Generationen ist eine ständige Quelle der Verwirrung, die durch die Online-Kommunikation in Foren und sozialen Medien nur noch verstärkt wird.
Natural Language Processing (NLP)-Techniken ermöglichen es uns, unstrukturierte qualitative Daten sinnvoll zu nutzen, und Machine Learning hilft Computern, sich an die Nuancen und Veränderungen der Sprache anzupassen.
Menschen sind immer noch besser in der Lage, Sprache zu verstehen, aber diese neue Technologie ermöglicht es, riesige Mengen unstrukturierter textbezogener Daten in großem Umfang zu verarbeiten, so dass Unternehmen ihre Geschäftsergebnisse steigern und Entscheidungen besser treffen können.
Anwendung von Social Media Text Mining
Text Mining von Social Media-Daten kann Marken helfen, ihre Kunden und deren Erfahrungen mit ihrer Marke, ihren Produkten und Dienstleistungen besser zu verstehen.
Hier sind einige der Anwendungen:
Themen und Unterthemen identifizieren
Finden Sie heraus, was die Gespräche in den sozialen Medien antreibt, welcher Teil Ihrer Zielgruppe über ein bestimmtes Thema spricht und wie sich die Gespräche im Laufe der Zeit verändern.
Was dominiert in den Gesprächen?
Finden Sie heraus, welcher Anteil der Online-Gespräche sich um ein bestimmtes Produkt, eine Dienstleistung oder ein Thema dreht.
Stimmung und Emotionen messen
Entdecken Sie, wie Kunden über Ihre Marke im Allgemeinen oder in Bezug auf ein bestimmtes Thema, Produkt oder eine Dienstleistung denken. Sind sie positiv oder negativ? Welche Emotionen drücken sie aus, z.B. Wut, Freude, Frustration, usw.?
Psychografisches Profiling
Einige Textmining-Tools sind in der Lage, komplexe Informationen aus Texten zu gewinnen, z. B. die wichtigsten Persönlichkeitsmerkmale und Kommunikationsstilpräferenzen der Autoren der Texte. Mit diesen Informationen können Sie Ihre Marketingbotschaften und Ihren Kommunikationsstil an Ihre Zielgruppe anpassen und bestimmte Kunden ansprechen.
Konkurrenzanalyse
Die meisten Social Text Daten sind öffentlich zugänglich und bieten eine perfekte Möglichkeit, Ihre Konkurrenz zu ermitteln. Finden Sie heraus, was die Kundenprobleme Ihrer Konkurrenten sind, welchen Share of Voice Sie und jeder Ihrer Konkurrenten haben und wie sich dieser im Laufe der Zeit verändert hat.
Individuelle Analyse
Wenn Sie etwas Bestimmtes messen möchten, können Sie Ihren eigenen Use Case und eigene Kategorien erstellen und Ihre Machine Learning Plattform darauf trainieren, Statistiken zu einem bestimmten Thema zu erstellen.
Ansätze für Text Mining
Es gibt zwei Hauptansätze für das Text Mining: Machine Learning und linguistische Regeln. Beide haben ihre Vor- und Nachteile.
Ansatz anhand von linguistischen Regeln
Der regelbasierte Ansatz wurde von Sprachexperten entwickelt. Mit diesem Ansatz können Sätze in Wortarten unterteilt, Syntax und Flexionen identifiziert und bestimmte Nuancen und Stilvariationen berücksichtigt werden.
| Vorteile | Nachteile |
|---|---|
| Genauigkeit von der ersten Abfrage an. Beim Ansatz der linguistischen Regeln gibt es keine Lernkurve. | Passt sich nicht an den Sprachwandel an und entwickelt sich nicht weiter, insbesondere bei informeller Sprache, die sich häufig ändert. |
| Einfache Neuklassifizierung und Fehlerbehebung. | Es dauert lange, bis die Regeln erstellt sind. Erfordert viel Zeit und Recherche mit hochqualifizierten Linguisten. |
| Relativ einfach anzuwenden und an verschiedene Sprachen anzupassen. | Einige Sprachen sind noch nicht so gründlich erforscht und erfordern weitere Recherchen, um die Besonderheiten der Grammatik und des Wortschatzes zu verstehen. |
| Von Menschen mit Vorbehalten und möglichen Wissenslücken in Bezug auf Dialekt, Umgangssprache, Fachsprache usw. erstellt. |
Ansatz anhand von Machine Learning
Bei diesem Ansatz, trainieren die Entwickler den Computer, indem sie ihn mit Beispielen füttern und ihnen eine Bedeutung zuweisen. Der Computer kann sich ein Muster ansehen und es einem Konzept wie Semantik oder Absicht zuordnen.
| Vorteile | Nachteile |
|---|---|
| Benötigt weniger Ressourcen. Man kann es mit Beispielen trainieren, und die Maschine lernt von selbst. | Erfordert anfangs umfangreiches Training. |
| Einfache Anpassung an neue Bedingungen. | Eine Lernkurve. |
| Nicht so starr – Fähigkeit zu lernen und die Bedeutung aus dem Kontext abzuleiten | Schwierigkeiten bei der Fehlerkorrektur: Man muss mehrere Beispiele eingeben, damit es die neue Regel lernt. |
| In der Lage unvorhersehbare und relevantere Erkenntnisse aufzudecken | Nicht ganz so präzise. |
Hybrider Ansatz
Der dritte Ansatz besteht darin, eine Mischung aus beiden Ansätzen zu schaffen und die Vorteile beider Welten zu nutzen. Wer kann schon sagen, wie genau und beeindruckend Machine Learning allein sein wird. Jedenfalls profitiert das Text Mining vom Fachwissen der Linguisten, um die Präzision zu erhöhen, während das Machine Learning die Starrheit des regelbasierten Ansatzes ausgleicht.
