Zum Inhalt springen

Leitfaden

Was ist Text Analytics? So funktioniert es, mit Beispielen

Was ist Text Analytics? Wie es Tickets, Chats und E-Mails in Themen, Stimmung und Anliegen verwandelt, mit Beispielen aus Kundenservice und QA.

· Aktualisiert · 5 Min. Lesezeit

Geprüft von Dominik Blattner, Gründer von Kaizo

Was ist Text Analytics? Text Analytics (automatisierte Textanalyse) ist die automatisierte Analyse geschriebener Texte wie Tickets, Chats und E-Mails, um Themen, Stimmung und Anliegen in großem Umfang zu erkennen. So kann ein Supportteam jede schriftliche Konversation verstehen statt nur einer kleinen Stichprobe, und es ist die Textseite der Konversationsanalyse.

Kurz gesagt

  • Text Analytics macht aus unstrukturierter Sprache Daten, die Sie messen und durchsuchen können.
  • Es arbeitet in vier Schritten: sammeln, bereinigen, klassifizieren und berichten.
  • In der QA im Support zeigt es Qualitätsmängel und Coaching-Anlässe.
  • Für das Kundenerlebnis zeigt es, was Kunden wollen und wie es ihnen dabei geht.
  • Die besten Tools verknüpfen jeden Score mit dem genauen Wortlaut dahinter.

Wie Text Analytics funktioniert

Text Analytics sammelt schriftliche Konversationen, bereinigt den Text, klassifiziert ihn mit Natural Language Processing und liefert die Ergebnisse als Felder, die ein Team filtern und im Verlauf beobachten kann.

Schritt 1: Den Text sammeln

Der Text kommt von dort, wo die Konversationen ohnehin liegen: aus dem Helpdesk, dem Chat-Tool, dem E-Mail-Postfach, aus Umfragekommentaren oder Bewertungsportalen. Weil Text Analytics automatisch in diesen Systemen läuft, kann es das gesamte Ticket- und Chatvolumen laufend verarbeiten statt des kleinen Anteils, den ein Team von Hand lesen könnte.

Schritt 2: Den Text bereinigen und strukturieren

Rohe Konversationen enthalten Signaturen, zitierte Antworten, automatische Antworten und Tippfehler. Der Text wird in Nachrichten aufgeteilt, bei jeder Nachricht wird der Absender markiert (Kunde oder Agent), und Störendes wird entfernt, damit die Analyse liest, was tatsächlich gesagt wurde.

Schritt 3: Mit Natural Language Processing klassifizieren

Sprachmodelle klassifizieren dann jede Nachricht oder Konversation: Sie ordnen sie Themen zu, bewerten die Stimmung als positiv, neutral oder negativ und erkennen das Anliegen des Kunden, zum Beispiel eine Erstattung, eine Fehlermeldung oder eine Kündigung. Ältere Systeme arbeiteten mit Stichwortregeln; aktuelle Modelle lesen den Kontext, sodass die höfliche Nachricht eines unzufriedenen Kunden seltener übersehen wird.

Schritt 4: Berichten und handeln

Das Ergebnis sind strukturierte Daten: Mengen pro Thema, Stimmungstrends und Anteile der Anliegen, die ein Team filtern und bis ins Detail aufschlüsseln kann. Entscheidend ist der letzte Schritt, in dem sich jedes Muster bis zu den Konversationen dahinter öffnen lässt und an jemanden geht, der das Problem beheben kann.

Was Text Analytics herausliest

Text Analytics verwandelt frei formulierten Text in fünf Arten von Signalen: Themen, Stimmung, Anliegen, Qualität und Trends, die ein Team jeweils filtern und bearbeiten kann.

SignalWas es erfasstBeispiel im Support
ThemenDie Themen, zu denen Kunden schreiben, automatisch gruppiert„Abrechnung“, „Login“, „Lieferverzögerung“
StimmungOb der Ton des Kunden positiv, neutral oder negativ istWachsender Frust in Tickets zur Lieferung
AnliegenWas der Kunde will: eine Erstattung, eine Lösung, eine Kündigung und mehrMehr Kündigungsanfragen nach einer Preisänderung
QualitätWie gut die schriftliche Antwort eines Agents Ihre Kriterien erfülltFehlender Verifizierungsschritt bei Kontoänderungen
TrendsWie sich Themen und Stimmung über die Zeit verschiebenEin neues Thema taucht nach einem Release auf

Text Analytics im Kundenservice

Im Kundenservice liest Text Analytics jedes Ticket, jeden Chat und jede E-Mail und zeigt, warum Kunden schreiben, wie es ihnen geht und wie gut Agents geantwortet haben, sodass QA- und CX-Teams mit dem gesamten Volumen arbeiten.

In der Qualitätssicherung im Support macht Text Analytics es erst möglich, schriftliche Konversationen in großem Umfang zu bewerten: Tickets und Chats nach einer Scorecard bewerten und die Momente sichtbar machen, die ein Coaching wert sind. Für das Kundenerlebnis zeigt es die Stimme des Kunden in der Summe: die wiederkehrenden Gründe, aus denen Menschen schreiben, wo die Stimmung kippt und welche Probleme wachsen.

So sieht das in der Praxis bei drei typischen Fragen einer Supportleitung aus:

FrageWas Text Analytics zeigtNächster Schritt
Warum ist das Ticketvolumen letzte Woche gestiegen?Ein Thema, „Passwort zurücksetzen“, hat sich nach einem Release verdoppeltBeispiele an das Produktteam schicken, einen Hilfeartikel veröffentlichen
Welche Kunden stehen kurz vor der Kündigung?Kündigungsabsicht und negative Stimmung bei denselben KontenDiese Konversationen an einen erfahrenen Agent weiterleiten
Wo brauchen Agents Coaching?Niedrige Qualitäts-Scores bei einem Kriterium in Abrechnungs-ChatsZu diesem Kriterium mit echten Beispielen coachen

Kaizo wendet das auf Supportkonversationen an: Es bewertet jeden Anruf, jeden Chat und jede E-Mail nach Ihren eigenen Kriterien, verfolgt Stimmung und Empathie in 100 % der Nachrichten und zeigt, ob ein Einbruch von einem fehlerhaften Prozess, von Reibung im Produkt oder von einer Kompetenzlücke kommt. Wie Sie von Erkenntnissen zu Lösungen kommen, zeigt unser Leitfaden zu Kundenservice-Insights.

Text Analytics vs. Text Mining, Sentimentanalyse und Speech Analytics

Text Analytics ist der Oberbegriff für die Analyse geschriebener Sprache; die Sentimentanalyse ist eines seiner Ergebnisse, Text Mining ist ein nahes Synonym, und Speech Analytics erledigt dieselbe Aufgabe für Anrufe.

BegriffWas es tutWie es mit Text Analytics zusammenhängt
Text MiningFindet Muster in großen TextmengenOft als Synonym verwendet; manche meinen damit nur den Schritt der Mustersuche
SentimentanalyseBewertet den Ton einer NachrichtEin Ergebnis von Text Analytics
Speech AnalyticsAnalysiert aufgezeichnete Anrufe, meist nach der TranskriptionDas Gegenstück für gesprochene Sprache
Conversation IntelligenceWertet Telefon und Text nebeneinander aus und ergänzt WorkflowsBaut auf Text und Speech Analytics auf

Verwandte Themen

Beginnen Sie mit einer Frage, die Ihre Tickets beantworten sollten

Wählen Sie eine Frage aus der Tabelle oben, etwa warum das Volumen letzte Woche gestiegen ist, und prüfen Sie, ob Ihre aktuellen Berichte sie anhand des Textes selbst beantworten können. Wenn nicht, zeigen wir Ihnen in einer Live-Demo mit Beispieldaten, wie Kaizo jede schriftliche Konversation liest und jede Zahl mit den Nachrichten dahinter verknüpft.

Sprechen wir Kaizo Insights ansehen

Häufig gestellte Fragen

Ist Text Analytics dasselbe wie Stimmungsanalyse?

Nein. Die Stimmungsanalyse ist ein Teil von Text Analytics und bewertet den Ton einer Nachricht als positiv, neutral oder negativ. Text Analytics ist breiter: Es liest aus schriftlichen Konversationen auch Themen, Anliegen und Qualitätssignale heraus und zeigt, wie sie sich über die Zeit verändern. Die meisten Text-Analytics-Tools liefern die Stimmung als eines von mehreren Ergebnissen.

Worin unterscheidet sich Text Analytics von Speech Analytics?

Text Analytics liest geschriebenen Text wie Tickets, Chats und E-Mails. Speech Analytics arbeitet mit Sprache am Telefon und transkribiert Anrufe, bevor es sie analysiert. Sobald ein Anruf transkribiert ist, lassen sich auf beides dieselben Techniken anwenden. Conversation Intelligence verbindet beides, sodass ein Team ein Kundenproblem über jeden Kanal hinweg sieht, in dem es angesprochen wurde.

Was bringt Text Analytics Supportteams?

Ein Team kann damit jede schriftliche Konversation messen statt einer manuellen Stichprobe. Es sieht Qualitäts-Scores für die QA, die Themen und Anliegen, die Kunden ansprechen, und wie sich die Stimmung in der Queue entwickelt. So wird aus einem Bauchgefühl wie „Abrechnungstickets wirken gereizter“ eine Zahl, die Sie verfolgen und nach der Sie handeln können.

Welche Signale liest Text Analytics aus Supportkonversationen heraus?

Fünf: Themen, zu denen Kunden schreiben, die Stimmung (positiv, neutral oder negativ), das Anliegen des Kunden, die Qualität der schriftlichen Antwort eines Agents gemessen an Ihren Kriterien und Trends, also wie sich Themen und Stimmung über die Zeit verschieben.

Kann Text Analytics mehrere Sprachen verarbeiten?

Modernes Text Analytics auf Basis großer Sprachmodelle kann Themen, Stimmung und Anliegen in vielen Sprachen klassifizieren, sodass ein globales Supportteam sein gesamtes schriftliches Volumen in jeder Sprache auf dieselbe Weise auswerten kann. Prüfen Sie die Ergebnisse anfangs in jeder Sprache mit einer muttersprachlichen Person, denn die Genauigkeit hängt von der Sprache und der Datenmenge ab.

Auf dieser Seite

Weiterlesen

Sehen Sie das in einer Live-Demo

Wir führen Sie mit realistischen Beispielkonversationen durch Kaizo, damit Sie sehen, wie das Beispiel bewertet, erklärt und gecoacht wird.

Von globalen Supportteams genutzt

  • Foot Locker
  • Canva
  • GetYourGuide
  • Instacart
  • BlaBlaCar
  • UiPath