Unternehmen müssen auf den Markt reagieren

Das Bündeln des gewonnenen Wissens aus Social Media mit Informationen aus anderen Unternehmensbereichen lässt eine schnelle und marktnahe Entscheidungsfindung zu und führt schließlich zu einer qualitativ besseren Steuerung der Prozesse. Eine Automatisierung durch intelligente und selbständige Analyseverfahren, die lern- und empfehlungsfähig sind, ermöglicht die Verarbeitung extrem großer Datenvolumina und damit genauere Analyseergebnisse und Entscheidungsableitungen. Social Media Analytics in Kombination mit Verfahren der künstlichen Intelligenz unterstützen somit die schnelle Anpassungsfähigkeit von Unternehmen an die sich ändernden Marktanforderungen, damit Produkte und Dienstleistungen rechtzeitig und in höchster Qualität erstellt werden können.

Social Media nutzen

Social Media sind in der heutigen Gesellschaft nicht mehr wegzudenken: Aktuell nutzen über 2,80 Milliarden Menschen weltweit Social Media. Diese Zahl wird in den nächsten Jahren weiter steigen. Zu den beliebtesten Social Media werden Facebook, Twitter, Instagram, Xing, WhatsApp und Youtube gezählt. In der Regel werden auf Social Media Plattformen Neuigkeiten, Erlebnisse, Interessen, Standpunkte, Eindrücke oder Erfahrungen ausgetauscht. Diese medialen Inhalte eröffnen neue Möglichkeiten für Unternehmen: Meinungen, Stimmungen, Bedürfnisse, Mainstreams sowie Touchpoints zum Nutzer innerhalb seiner Customer Journey können frühzeitig identifiziert werden, so dass auf externes Feedback schnell reagiert werden kann. Wie können Social Media Daten analysiert werden, um damit die Entscheidungsträger zu unterstützen? Ich habe diese Fragestellung in meiner Arbeit „Entwicklung eines Vorgehensmodells zur Analyse von Social Media Daten“ im Rahmen des Masterstudiengangs „Strategisches Informationsmanagement“ behandelt. In dem vorliegenden Artikel wird der Fokus auf die Analyse von Textdaten aus Social Media Plattformen gelegt.

Verfahren der intelligenten Textanalyse

Grundsätzlich besteht die Analyse von Social Media Textdaten aus zwei Schritten: Die Datenbereitstellung und das Text-Mining. Bei der Datenbereitstellung handelt es sich um die Extraktion, Bereinigung und Integration der verschiedenen Quelldaten (z.B. Foren-Beiträge, Tweets, Kundenbewertungen, Facebook-Posts). Über eine Datenvirtualisierungsplattform wurde auf einen Webdienst zugegriffen, der die flexible und schnelle Bereitstellung der Social Media Daten sicherstellt.
Beim Text-Mining-Prozess werden die Textdaten zuerst anhand von natürlichen Sprachverarbeitungsverfahren segmentiert, interpretiert und mit syntaktischen und semantischen Informationen angereichert, so dass sie für die maschinelle Verarbeitung geeignet sind. Erst nach der Sprachverarbeitung beginnt die Extraktion des Wissens aus den Textdaten zur Lösung der Aufgabenstellung. Für das automatisierte Text Mining wurde ein Open Source Analyse Werkzeug eingesetzt, welches auch Funktionen für Machine Learning Aufgaben wie z.B. Klassifikation, Assoziation oder Clustering umfasst. Machine Learning ist ein Verfahren der Künstlichen Intelligenz (KI) zum Auffinden von Mustern innerhalb der Daten und ermöglicht eine bessere und vor allem automatisierte Interpretation der Inhalte. Bei Social Media Daten sind dies die geäußerten Aussagen der Verfasser. Umso größer die zu analysierende Datenmenge ist, desto aussagekräftiger werden die interpretativen Ableitungen.

Visualisierung der Ergebnisse

Die folgenden Grafiken stellen die visualisierten Ergebnisse einer Sentiment-Analyse mit dem Suchbegriff „Ryanair“ dar. Die Sentiment-Analyse im Social-Media-Kontext ist die Untersuchung der Beiträge auf Social Media Plattformen, mit dem Ziel Empfindungen von Nutzern gegenüber einer bestimmten Sache oder Person zu bestimmen. Diese Empfindungen können in der Regel in drei Kategorien aufgeteilt werden: positive, neutrale oder negative Empfindungen.
Aufgrund der hohen Verfügbarkeit und der Echtzeit-Anbindung können sekundengenaue Twitter Analysen durchgeführt werden. In dem gezeigten Beispiel wurden Twitter Daten vom 13.12.2017 (ab 22:19 Uhr) bis zum 15.12.2017 (bis 15:30 Uhr) untersucht. Die Grafiken wurden mit Knime und Tableau erstellt.

Visualisierung der Sentiment-Verteilung und Entwicklung

Abbildung 1: Visualisierung der Sentiment-Verteilung und Entwicklung


Word-cloud

Abbildung 2: Word-Cloud


Dieser Artikel wurde gemeinsam mit Volker Kirstein geschrieben.

Categories:

Tags:

Keine Kommentare vorhanden.

    Schreibe einen Kommentar

    Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.