4 Beispiel-Technologien für Social Media Listening

Der Begriff der künstlichen Intelligenz für Prozesse und Software wird oft unnötig ausgereizt. Er ist zu einem Marketinginstrument geworden, das für die Bezeichnung von Algorithmen benutzt wird, welche weit weg on KI sind. Solche Algorithmen sind meist zwar sehr gut durchdacht, basieren in der Regel aber auf einer vorherigen Programmierung durch einen Menschen und haben wenig mit einer Intelligenz zu tun, die über ein eigenes Urteilsvermögen oder gar einen freien Willen bei der Verarbeitung von Daten verfügen würde. KI beschreibt in erster Linie den Prozess einer Maschine, die bestimmte kognitive Funktionen wie Lernen und Problemlösung nachahmt.

Und doch ermöglichen statistische Methoden und Algorithmen (fälschlicherweise als künstliche Intelligenz bezeichnet) die Optimierung und Perfektionierung von Monitoring- und Social-Media-Listening-Tools. Bei Digimind sprechen wir eher von Algorithmen des maschinellen Lernens oder sogar des Deep Learning, aber auch von anderen Technologien, auf die die Monitoring-Tools zurückgreifen, wie die automatische Verarbeitung natürlicher Sprache (ALT oder NLP).

Hier finden Sie vier populärwissenschaftliche Beispiele für Technologien, die von den besten Tools zum Beobachten, Zuhören und Analysieren sozialer Medien verwendet werden, damit Sie sie einfacher und schneller nutzen können und die Ergebnisse relevanter sind.

I. Automatische Sprachverarbeitung

II. Sentimentanalyse

III. Text-Klassifizierung

IV. Image Mining

I. Automatische Sprachverarbeitung

Die automatische Verarbeitung natürlicher Sprache (NLP) ermöglicht es, Millionen von Informationen und Nachrichten, die im Internet, in Chaträumen und sozialen Netzwerken gesammelt werden, zu qualifizieren und zusammenzufassen. Diese Technologie arbeitet mit Hunderten von Sprachen und Dialekten sowie mit statistischen und semantischen Analysemodellen, um die Datenanalyse zu vereinfachen.

Beispiel: das Clustern von Daten 

Um die Erkennung und das Verständnis der Inhalte und Trends von Hunderten oder gar Tausenden von Nachrichten über Ihre Marke zu erleichtern, wird das NLP die Extraktion von Schlüsselkonzepten erleichtern, um sie in Form von Datenvisualisierungen zusammenzufassen. So sehen Sie auf einen Blick, worüber gesprochen wird. Die möglichen "Datenvisualisierungen" sind zahlreich, aber man kann das Clustering von Daten (Gruppierung in zusammenhängenden Clustern nach Themen), die Hashtag-Analyse, das Rad oder auch die klassischere Tag-Wolke als Beispiele nennen.

In der Clusteransicht (s.u. Grafik), die auf der Grundlage der Analyse von Nachrichten aller Art zur Marke Chanel erstellt wurde, ermöglicht das NLP die Gruppierung von mehr als 2500 Nachrichten in große Themenbereiche (interaktiv und zum anklicken, um sich so die entsprechenden Nachrichten anzeigen zu lassen), die insbesondere Folgendes betreffen:

• die Marke, 
• ein Duftwasser, 
• ein Parfum, 
• Marktstudien, 
• die anderen Mitbewerber,
• andere Chanel-Produkte, etc...

NLP, um Daten besser nach Themen zu gruppieren

Beispiel: die Qualifizierung von Posts und Nachrichten

Um Ihnen das mühsame Lesen von Hunderten Nachrichten zu ersparen, wird die maschinelle Sprachverarbeitung mithilfe von Machine Learning alle Posts, Tweets und Kommentare in den sozialen Medien kennzeichnen. Bei dem Instagram-Post (s.u. Bild) "taggt" der Algorithmus die Nachricht nach Marken, Produkten, Merkmalen und so weiter. Er dient auch dazu, automatisch die Sprache, das Land oder die Stadt zu bestimmen, aus der die Nachricht stammt.

Der eigentliche Vorteil ist die Flexibilität der Einstellungen: die Möglichkeit, eigene Tags zu definieren, die perfekt zu Ihrer Branche und Ihren Marken passen. Und dann? Dann übernimmt das maschinelle Lernen und lernt im Laufe der gesammelten Nachrichten, neue Wörter und Konzepte zu verstehen, die Ihren Tags entsprechen, und kann zum Beispiel ein neues Hautpflegeprodukt oder eine Make-up-Routine erkennen.

Machine Learning zur besseren Qualifizierung von Nachrichten

II. Sentimentanalyse

Die Sentimentanalyse ist ein Teilgebiet des Text-Minings. Mit Text-Mining werden computergestützte Verfahren für die semantische Analyse von Texten bezeichnet, welche die automatische bzw. semi-automatische Strukturierung von Texten unterstützen. Die bekannteste Form stellt dabei die Sentimentanalyse dar, die beim Social Media Listening angewandt wird (Nachrichten werden als positiv, negativ oder neutral qualifiziert). Und oft wurde die als zu niedrig erachtete Relevanz der automatischen Qualifizierung kritisiert, vor allem bei einem Tweet, der nur aus einem Satz besteht! Ja, aber jetzt kommt's: Durch die Stärkung der NLP-Algorithmen in Kombination mit maschinellem Lernen werden Schweigen (unqualifizierte Erwähnungen) und Fehler stark reduziert.

Die Maschine lernt dann aus allen anderen Nachrichten, die sie sammelt, je nach Kontext des Schlüsselworts in der Nachricht (andere Schlüsselwörter, Tonfall, Assoziationen der Schlüsselwörter usw.). Der Algorithmus wird im Laufe der Zeit tatsächlich eine Bibliothek von Nachrichten und Ausdrücken aufbauen, um sein Lexikon mit positiven oder negativen Ausdrücken zu bereichern. Das Ergebnis: eine Relevanzsteigerung von 30 bis 75% bei der Analyse des Sentiments in Ihren Nachrichten.
Beispiel: Bei der unten stehenden Nachricht kann NLP in Kombination mit Machine Learning eine positive Stimmung für einen kurzen Tweet ermitteln, der sowohl positiv als auch negativ konnotierte Begriffe enthält (übersetzt: Stoppen Sie die Airfrance-Werbung für Pointe-à-Pitre. Es weckt zu schöne Erinnerungen: Ich will dorthin zurück!)

Machine Learning zur besseren Analyse von Gefühlen

III. Text-Klassifizierung

Maschinelles Lernen (Machine Learning) ermöglicht es auch, die gesammelten Daten zu taggen und zu organisieren, um eine effizientere Kategorisierung und Klassifizierung zu ermöglichen. Dies geschieht ebenfalls mittels Text-Mining.

Beispielsweise wird das maschinelle Lernen anhand Ihrer Nutzung verstehen, dass Sie, wenn Sie die Marke "Target" beobachten, an der amerikanischen Einzelhandelskette interessiert sind, nicht aber an den "Zielen". Ebenso wird es verstehen, dass die für Sie relevanten Nachrichten die Ladenkette "Boulanger" betreffen und nicht die handwerklichen Bäcker. Und das, ohne alle Schlüsselwörter auflisten zu müssen, um Ihre Suchanfrage zu präzisieren, wie etwa Geschäft, Elektronik, Internet, Telefon NOT Ziel NOT Sport NOT Bäckerei etc...

Nach einer Lernphase mit Ihnen, dem Nutzer, ermöglicht das maschinelle Lernen in Kombination mit NLP ein besseres Verständnis der mit jedem Tag verbundenen Erwähnungen und taggt automatisch alle gesammelten Nennungen, um eine schnelle und relevante Organisation der Daten zu ermöglichen, die dann klassifiziert werden. Diese Klassifizierung dient Ihnen dann dazu, mit einem Klick die relevanten Daten für Ihre Analysen, Berichte und Dashboards auszuwählen.

Machine Learning zur Kategorisierung von Daten

IV. Image-Mining

Mit Image-Mining können Bilder detailliert analysiert werden. Gegenstand dieses Vorgangs ist die Indexierung und das Information Retrieval von Bildern. Auch Deep-Learning-Algorithmen benötigen Daten, um zu lernen und Probleme zu lösen. Es wird nämlich zur Lösung komplexer Probleme eingesetzt, bei denen die Daten umfangreich, vielfältig und weniger strukturiert sind. Es lernt schrittweise aus Rohdaten und früheren Erfahrungen und korrigiert sich selbst ohne explizite und vorherige Programmierung wie beim Machine Learning.
Eingesetzt wird dieses Instrument hauptsächlich, um Objekte in Bildern automatisch zu beschriften, Werbeanzeigen oder Werbespots zu untersuchen und vor allem, um Bilder aus sozialen Medien zu analysieren. Bei dieser Analyse erkennt das Image-Mining z. B. Logos und Bilder, um die Präsenz einer Marke zu enthüllen, die nicht in einem Text erwähnt wird, aber auch eine Art von Objekt, Person oder Umgebung, die nützlich sind, um das Verhalten der Verbraucher zu verstehen.

Deep Learning für das visuelle Listening

Im 1. Beispiel  hätte der Algorithmus bei einem klassischen Ansatz mit Schlüsselwörtern das Vorhandensein der Marke "Nike" nicht erkennen können, da diese im Text dieses Instagram-Posts nicht erwähnt wird. Deep Learning ermöglicht es hingegen, den Flügel des Nike-Logos auf dem Schuh zu erkennen.
In den anderen 2 Beispielen erkennt Deep Learning die Umgebung (Berge) oder Personen in einer Situation (Frau im Gym). 

Die Bilderkennung über visuelles Listening bietet Marken, Agenturen und Werbetreibenden also vielfältige Möglichkeiten: 

• Erkennung von Logos, die allein vorkommen, ohne jegliche Texterwähnung der Marke (Woosh von Nike, Krokodil von Lacoste, "C" von Carrefour, Muschel von Shell, Meerjungfrau von Starbucks, Apfel von Apple usw.).
• Erkennung der Umgebung des Verbrauchers (Meer, Berge, Stadt, Haus, Familie, Arbeit).
• Erkennung von Geschlecht, Praktiken und Aktivitäten.