Ein Fall für einen Chatbot: Sentimentanalyse

Kundenstimmungen erkennen und Prozesse optimieren

Auch Chatbots sind in der Lage, Emotionen zu erkennen. Während die einen Kunden mit dem Service eines Unternehmens überaus zufrieden sind, lassen die anderen wiederum den Bot „spüren“, dass sie mit etwas unzufrieden sind. Zugegeben, digitale Assistenten haben keine Gefühle. Aber sie sind intelligent genug, um Dialoge zu identifizieren, in denen starke Emotionen eine Rolle spielen, und diese zu bewerten.

Daniel Schloß, unser Kollege und Doktorand am Karlsruher Institut für Technologie (KIT), hat sich in einem Gastbeitrag für die Blogseite unseres Partners Userlike mit genau diesem Thema auseinandergesetzt. Wir haben bei Daniel nachgefragt, zu welchen Erkenntnissen er gekommen ist.

Daniel Schloß: Mein Beitrag handelt von der sogenannten Sentimentanalyse in Chat- oder Live-Chat-Konversationen. Mithilfe einer solchen Analyse können Bots automatisiert Dialoge identifizieren, in denen besonders starke Gefühle zum Ausdruck kommen.

Daniel Schloß: Das Sentiment fasst alle Gefühle und Stimmungen zusammen, die ein Kunde gegenüber einem Produkt oder einer Leistung empfindet und im Dialog mit einem Chatbot oder Service-Mitarbeiter äußert. Kundenchats eignen sich besonders gut für eine Sentimentanalyse, da die Gefühlsäußerungen schriftlich erfolgen und wir so eine hervorragende Datenvorlage Schwarz auf Weiß haben.

Daniel Schloß: Zunächst einmal muss man wissen, dass es zwei Analyse-Ansätze gibt: den manuellen und den automatisierten Ansatz. Chatbot- oder Live-Chat-Betreiber können Kundenchats eigenständig unter die Lupe nehmen und einzelne Chats manuell auswerten. Anhand der Auswertungsergebnisse werden bestimmte Schlussfolgerungen und Maßnahmen für ein Unternehmen abgeleitet. Deutlich schneller und präziser ist eine automatisierte Sentimentanalyse, die auch simultan – also bereits während des Dialogs mit dem Bot oder einem Service-Mitarbeiter – eingesetzt werden kann. Sie läuft automatisch ab und es ist ein Tool erforderlich.

Erkennt der digitale Assistent, dass ein Kunde unzufrieden ist, kann er direkt eingreifen und die Situation entschärfen. Ein Beispiel aus der Praxis: Ein Kunde schreibt „Ich bin echt sauer und möchte kündigen!“ Daraufhin kann ein Bot wie unser Chatbot Isa freundlich antworten und an einen Service-Mitarbeiter verweisen – oder den Kunden zumindest fragen, ob er mit einem realen Menschen sprechen möchte. Für unseren Chatbot Isa ist das kein Problem, da er über das Feature „Bot Human Handover“ verfügt und somit Dialoge schnell und einfach an Unternehmensmitarbeiter weitergeben kann. Gemeinsam mit unseren Partnern wie Userlike oder iAdvize haben wir diese Kombination aus Live-Chat und KI-Bot bei zahlreichen Kunden bereits umgesetzt.

Daniel Schloß: Insgesamt gibt es drei Typen der Sentimentanalyse: die lexikale, die maschinelle und die hybride. Wie das Wort bereits andeutet, werden bei der lexikalen Analyse Nachschlagewerke und Lexika herangezogen. Darin sind Worte oder Wortteile mit einer quantitativen Bewertung versehen. Das Wort „leider“ zum Beispiel drückt eine leichte Verstimmung aus – wohingegen das Verb „hassen“ stark negativ konnotiert ist.

Im Rahmen der maschinellen Analyse werden ganze Sätze ins Visier genommen und analysiert, wie Positivität und Negativität ausgedrückt werden. So entstehen bestimmte Muster, die als eine Art Skala genutzt werden können.

Bei der hybriden Analyse wird eine Kombination aus den beiden vorher beschriebenen Ansätzen (lexikal und maschinell) genutzt. Der hybride Ansatz erfolgt meist mithilfe eines Sentiment-Tools wie Microsoft Sentiment Analysis, Google Cloud Naturla Language API oder RapidMiner.

Daniel Schloß: Die Bewertung einer einzelnen Nutzereingabe selbst geschieht in Sekundenbruchteilen. Hierzu kann ein Sentiment-Tool genutzt werden. Die Erarbeitung eines eigenen Modells zur Sentimentanalyse benötigt aber etwas Zeit. Dieses wird in vier Schritten erarbeitet.

Zuerst erfolgt die Wahl einer geeigneten Skala und Metrik. Im zweiten Schritt wird ein Datensatz in Form zahlreicher positiv und negativ bewerteter Sätze oder eines Lexikons mit Wortbewertungen erarbeitet. Anschließend werden die einzelnen Sätze in kleinere Teile zerlegt und daraufhin gebeugte Formen der Worte auf ihre Wortstämme reduziert. Unnötige Füllwörter werden gelöscht. So wird der Satz „Ich liebe den Userlike-Live-Chat“ in die einzelnen Fragmente „lieb“, „userlike“, „live“ und „chat“ segmentiert. Zum Schluss werden einfache Regeln, Algorithmen oder komplexe Modelle angewandt, um eine konkrete Bewertung abzuleiten.

Daniel Schloß: Wir verwenden in der Regel den Sentiment-Service von Microsoft, um Nutzertexte im Chat zu bewerten. Zudem haben wir eigene Klassifikationsmodelle erarbeitet, die auf den Daten realer Kundennachrichten basieren.

Daniel Schloß: Die Sentimentanalyse liefert in der Regel einen Score, ein quantitatives Ergebnis. Mit diesem kann der Bot einordnen, ob der Kunde zufrieden oder verstimmt ist. Die Skala und Interpretation des Scores hängt vom Sentiment-Tool/-Modell ab. Es gibt zum Beispiel oft eine Range von -1 für negativ bis +1 für positiv. Sentiment-Modelle können auch mehrere Werte ausgeben, beispielsweise negativ und positiv gleichzeitig.

Hier ist ein Beispiel: „Mir hat der Service sehr gut gefallen, aber die Wartezeiten sind leider schrecklich.“  Hier gibt es zwei Werte, einen für die positive und einen für die negative Ausprägung. Die negative ist neutral. Die positive ist bei 4, da das Wort „super“ erkannt und in dem Fall mit dem Faktor zwei bewertet wurde.

Daniel Schloß: Sie erfahren, wie ihre Produkte, Services und Leistungen bei den Nutzern ankommen. So können sie einzelne Maßnahmen ableiten, um Prozesse zu optimieren und so die Kundenzufriedenheit zu steigern. Mithilfe eines automatisierten Tools erfolgt die Analyse völlig automatisch und erspart die manuelle Durchsicht aller Chat-Daten.