{"id":25460,"date":"2023-12-08T12:01:19","date_gmt":"2023-12-08T11:01:19","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=25460"},"modified":"2023-11-27T11:04:45","modified_gmt":"2023-11-27T10:04:45","slug":"innovator-nlp","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=25460","title":{"rendered":"Innovator NLP?"},"content":{"rendered":"\n

Autor\/Redakteur: Enrico Abate-Daga, Circle Lead Analytics and Digital Process Automation von Skaylink<\/a>\/gg<\/p>\n\n\n\n

Das Internet ist voll von Kundenfeedback, aus dem mit einer gezielten Analyse konkreten Handlungsempfehlungen f\u00fcr Unternehmen werden. Natural Language Processing (NLP) ist mittlerweile so weit, dass es diese Analysen fahren kann \u2013 mit dem richtigen Training.<\/p>\n\n\n\n

\"\"<\/a>
Quelle: Skaylink<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Der Erfindergeist in Deutschland lahmt, hei\u00dft es vom Institut der Deutschen Wirtschaft<\/a> (IW). Deutsche Erfinder meldeten 2022 fast f\u00fcnf Prozent weniger Patente an. Und das, obwohl die Forschungsausgaben auf einem Rekordhoch sind. Und auch das Europ\u00e4ische Patentamt in M\u00fcnchen habe gut zu tun. 2,5 Prozent mehr Erfindungen wurden im vergangenen Jahr eingereicht \u2013 nur eben aus anderen L\u00e4ndern. Das IW macht fehlenden Fachkr\u00e4fte f\u00fcr den Trend verantwortlich, verweist aber auch auf zu wenig Innovationen in zukunftsweisenden Bereichen.<\/p>\n\n\n\n

Es gibt viele Ans\u00e4tze, wie die Innovationsf\u00e4higkeit im Land erh\u00f6ht werden k\u00f6nnte. F\u00fcr Unternehmen ist dabei vor allem wichtig, Themen und Trends herauszufiltern, die f\u00fcr den eigenen Gesch\u00e4ftserfolg in Zukunft von Bedeutung sind und f\u00fcr die passende Produkte und Dienstleistungen entwickelt werden k\u00f6nnen. Klassischerweise wurden daf\u00fcr bisher sogenannte Trendscouts losgeschickt. Mittlerweile kann dieser Job aber auch von einer KI \u00fcbernommen werden.<\/p>\n\n\n\n

Sentimentanalyse f\u00fcr mehr Innovation<\/strong><\/p>\n\n\n\n

Gemeint ist das Natural Language Processing dessen Hauptanwendung die Sentiment-Analyse ist. Durch die Verarbeitung gro\u00dfer Mengen von Kundenbewertungen, Feedback und Social-Media-Beitr\u00e4gen kann NLP bestimmen, ob Kunden positiv, neutral oder negativ \u00fcber ein Unternehmen oder Produkt sprechen. Und daraus l\u00e4sst sich weit mehr ablesen, also die reine Kundenzufriedenheit. Die Sentiment-Analyse liefert wertvolle Einblicke in die emotionalen Reaktionen der Kunden in Bezug auf ein Produkt, eine Dienstleistung oder eine Marke. Dieses tiefergehende Verst\u00e4ndnis der Stimmungslage erm\u00f6glicht es Unternehmen, nicht nur oberfl\u00e4chliche Meinungen, sondern die zugrunde liegenden Gef\u00fchle und Einstellungen zu erfassen. Indem Unternehmen diese Informationen nutzen, k\u00f6nnen sie ihre Gesch\u00e4ftsstrategien flexibel anpassen, um aufkommende Bedenken gezielt zu adressieren und positive R\u00fcckmeldungen als starke Basis f\u00fcr weiteres Wachstum zu nutzen.<\/p>\n\n\n\n

Dieser aktive und datengest\u00fctzte Ansatz stellt sicher, dass Unternehmen einen klaren Einblick in die Pr\u00e4ferenzen und Erwartungen ihrer Kunden erhalten. Die F\u00e4higkeit, das Sentiment der Kunden zu verstehen und angemessen zu reagieren, er\u00f6ffnet einen wertvollen Raum f\u00fcr kontinuierliche Verbesserungen und eine st\u00e4rkere Kundenbindung. Unternehmen k\u00f6nnen auf eine authentische Weise auf die Bed\u00fcrfnisse ihrer Kunden eingehen und somit langfristige Beziehungen aufbauen, die auf Vertrauen und gegenseitigem Verst\u00e4ndnis beruhen.<\/p>\n\n\n\n

KI nur so gut wie die Trainingsdaten<\/strong><\/p>\n\n\n\n

Dabei ist klar, dass die Ergebnisse der KI immer nur so gut sind, wie die Trainingsdaten, die zur Verf\u00fcgung stehen. Und hier hat die menschliche Sprache mit ihren nicht-logischen Mustern und subjektiven Nuancen die KI bisher vor Herausforderungen gestellt. Mittlerweile ist NLP jedoch so weit, menschliche Sprache nicht nur zu analysieren und zu verarbeiten, sondern daraus im Fall eines konkreten, beispielsweise als Freitext verfassten Kundenfeedbacks sogar explizite Handlungsempfehlungen f\u00fcr Unternehmen abzuleiten. Die St\u00e4rken von NLP sind dabei vielf\u00e4ltig: Die Technologie kann sowohl die Stimmung zu einem Produkt oder ein f\u00fcr ein Unternehmen wichtiges aufkeimendes neues Thema herausfiltern, automatisierte Feedbackanalysen fahren oder sogar f\u00fcr personalisierte Kundeninteraktionen eingesetzt werden. Stichwort: negative Bewertungen. Und mit der fortschreitenden Evolution der K\u00fcnstlichen Intelligenz werden sich die Anwendungsgebiete des Natural Language Processing weiter ausdehnen und den Unternehmen ein noch umfassenderes Spektrum an M\u00f6glichkeiten er\u00f6ffnen.<\/p>\n\n\n\n

Entscheidend f\u00fcr den erfolgreichen Einsatz von NLP als Hilfsmittel im Umgang mit Kundenfeedback sind die methodischen Lernans\u00e4tze, mit der die KI trainiert wird. Die manuelle Auswertung von Kundenbewertungen zeigt die Herausforderungen auf. Da ist zum einen die schiere Menge, die es zu verarbeiten gilt \u2013 etwas, wof\u00fcr KI nat\u00fcrlich pr\u00e4destiniert ist. Hinzu kommt allerdings die subjektive Sprachwahrnehmung. Legt man verschiedenen Personen denselben Text vor, wird er in der Regel immer etwas anders interpretiert. Auch hier kann die Maschine mit ihrer systematischen, zuverl\u00e4ssigen Einsch\u00e4tzung einen gro\u00dfen Mehrwert liefern \u2013 mit dem richtigen Lernansatz. Unsere Erfahrung zeigt beispielsweise, dass es \u00e4u\u00dferst sinnvoll ist, KI-Modelle ausschlie\u00dflich mit Textdaten zu trainieren, die von mindestens drei Fachexperten einheitlich bewertet wurden. Auf diese Weise wird gew\u00e4hrleistet, dass die KI pr\u00e4zise und vor allem qualifizierte Resultate liefert und die analysierten Informationen zuverl\u00e4ssig die h\u00f6chste Relevanz haben.<\/p>\n\n\n\n

Die richtige Datenerfassung<\/strong><\/p>\n\n\n\n

F\u00fcr die Auswertungsqualit\u00e4t sind dann die Methoden zur Datenerfassung, Analyse und anschlie\u00dfenden Interpretation entscheidend. Projekte, bei denen umfangreiche Datens\u00e4tze zum Einsatz kommen und f\u00fcr die eine KI so trainiert werden muss, dass sie wertvolle Erkenntnisse aus eben diesen Daten ziehen kann, sind anspruchsvoll und haben einen entsprechenden Ressourcenaufwand. Dabei kann die Zusammenarbeit zwischen Unternehmen und IT-Dienstleister durchaus komplex sein \u2013 insbesondere, wenn gr\u00f6\u00dfere Datenmengen zur Verf\u00fcgung gestellt werden m\u00fcssen, f\u00fcr die die DSGVO greift. Hier m\u00fcssen Unternehmen und Drittanbieter eine individuelle L\u00f6sung finden, entweder \u00fcber eine direkte Schnittstelle oder einen regelm\u00e4\u00dfig anders gestalteten Datentransfer.<\/p>\n\n\n\n

Ein gangbarer Weg ist beispielsweise, dass die KI die Texte in kleinere Fragmente unterteilt, um leichter zwischen unterschiedlichen Themen und Sentiments zu unterscheiden. Diese Fragmente werden dann nach im Vorfeld definierte Keywords und Themen analysiert, wof\u00fcr sie DSGVO-konform anonymisiert werden. Der Kunde bestimmt dabei die Abst\u00e4nde, in denen neue Suchen durch die KI angesto\u00dfen werden. Gibt es neue Themen oder Keywords, werden die durch das Projektteam noch einmal best\u00e4tigt, um die Relevanz f\u00fcr die gesteckten Ziele sicherzustellen.<\/p>\n\n\n\n

Verborgenes wirtschaftliches Potenzial<\/strong><\/p>\n\n\n\n

In Freitexten, Kommentaren und Bewertungen von Kunden verbirgt sich also ein enormer Datenschatz, der mithilfe von NLP nach und nach gehoben werden kann. Klar muss dabei sein, dass damit immer ein Initialaufwand verbunden ist, zu dem nicht nur ein durchdachtes Training mit echten Daten geh\u00f6rt. Auch die Zusammenarbeit zwischen IT-Dienstleister und Projektverantwortlichen auf Unternehmensseite muss ebenso klar geregelt sein, wie die Datenschnittstellen und der datenschutzkonforme Austausch. Auch deshalb ist es wichtig, bei solch komplexen, jedoch zukunftsweisenden Projekte auf einen versierten Dienstleister zu setzen. Am Ende eines solchen Projekts stehen im Gegenzug wertvolle Einblicke, die das Tor zu einem besseren Kundenverst\u00e4ndnis und gezielteren strategischen Unternehmensentscheidungen \u00f6ffnen und damit Raum f\u00fcr neue Innovationen schaffen. Es ist ein dynamisches Zusammenspiel zwischen fortschrittlicher NLP-Technologie und kompetenter Beratung, die diese vorhandenen, aber bisher nur schwer zug\u00e4nglichen Daten erschlie\u00dft \u2013 und die k\u00f6nnten in Zukunft der entscheidende Wettbewerbsvorteil sein.<\/p>\n","protected":false},"excerpt":{"rendered":"

Das Internet ist voll von Kundenfeedback, aus dem mit einer gezielten Analyse konkreten Handlungsempfehlungen f\u00fcr Unternehmen werden. Natural Language Processing (NLP) ist mittlerweile so weit, dass es diese Analysen fahren kann \u2013 mit dem richtigen Training.<\/p>\n","protected":false},"author":81,"featured_media":25462,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[16747,6512,17682,9446,16816],"class_list":["post-25460","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-anaylse","tag-innovation","tag-kundenfeedback","tag-nlp","tag-skaylink"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25460","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/81"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=25460"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25460\/revisions"}],"predecessor-version":[{"id":25463,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/25460\/revisions\/25463"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/25462"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=25460"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=25460"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=25460"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}