Sentimentanalyse in de klantenservice betekent dat je leest wat klanten schrijven en zeggen, in tickets, chats, e-mails, reviews en enquêtes, om te begrijpen hoe ze zich voelen over je product, je service en de ondersteuning die ze kregen. Meestal gebeurt dat met natural language processing, dat feedback als positief, neutraal of negatief labelt. Supportteams gebruiken het om frustratie vroeg te zien en in te grijpen voordat er een escalatie van komt.
In het kort
- Sentimentanalyse maakt van klantfeedback een beeld van hoe klanten zich voelen, niet alleen van wat ze vroegen.
- Ze dekt ook de klanten die CSAT-enquêtes missen, want enquêtes vangen vooral de meest tevreden en de meest boze klanten.
- Supportteams gebruiken vier soorten: aspectgebaseerde analyse, fijnmazige analyse, emotieherkenning en intentieanalyse.
- De meeste teams beginnen het best met emotie- en intentieanalyse op eerdere supporttickets, omdat beide gegevens gebruiken die ze al hebben.
- Sentiment werkt het best naast QA-scores en de empathie van medewerkers, zodat je ziet hoe de klant zich voelde en hoe de medewerker ermee omging.
Wat is sentimentanalyse in de klantenservice?
Sentimentanalyse in de klantenservice is een methode waarmee supportmanagers klantfeedback snel en nauwkeurig beoordelen. Ze kijkt naar de taal die klanten gebruiken om te bepalen of ze positief, neutraal of negatief gestemd zijn, en waarover. Het resultaat laat patronen in klantreacties zien, zodat het team strategieën kan bouwen die klanttevredenheid en klantervaring verbeteren.
Over het algemeen draait sentimentanalyse op algoritmes die klantgegevens analyseren, zoals e-mails, opmerkingen, reviews, enquêtes en zelfs telefoongesprekken. Met die bronnen wordt de gebruikte taal beoordeeld en bepaald hoe een klant zich voelt.
Deze analyse helpt om pijnpunten, voorkeuren en verbeterpunten van klanten te vinden. Ze helpt leidinggevenden ook om trends in klantfeedback te zien en betere beslissingen te nemen over hoe ze op de behoeften of problemen van klanten reageren. In Kaizo valt dit onder Inzichten & analyse voor de klantenservice, naast oorzaakanalyse en rapportage.
Wil je de algemene techniek erachter kennen, ook buiten de klantenservice, dan legt ons artikel over wat sentimentanalyse is (in het Engels) de basis uit.
Waarom is sentimentanalyse in de klantenservice belangrijk?
Sentimentanalyse is belangrijk omdat je geen goede klantervaring kunt bieden zonder te begrijpen hoe klanten zich voelen. Het laat zien hoe klanten over een product of dienst denken, inclusief de ondersteuning die ze kregen, en het helpt supportteams problemen te zien voordat ze groter worden. Wie sentiment in de tijd volgt, ziet negatieve trends terwijl er nog tijd is om ze op te lossen.
Als je beter ziet wat je klanten van je bedrijf vinden (en voelen), neem je betere beslissingen bij het plannen en leveren van de ervaring. Weet je precies wat ze wel of niet waarderen aan je product en service, dan kun je:
- persoonlijke ervaringen bieden
- proactieve ondersteuning (in het Engels) geven
- betere keuzes maken voor de toekomst van je product en je gebruikers
- het rendement verhogen van campagnes die meerdere afdelingen in je organisatie draaien
- de reputatie van je merk veilig beheren en voorkomen dat risico’s escaleren
Door het klantsentiment in de tijd te volgen, zie je negatieve trends en kun je er op tijd iets aan doen. Dat is vooral belangrijk omdat je zo klachten voor bent en de klanttevredenheid op topniveau houdt.
Zodra supportteams begrijpen hoe klanten zich voelen en wat ze denken, kunnen ze ook persoonlijke klantervaringen creëren, zodat elke koper de hulp krijgt die hij nodig heeft. In het CX Trends-onderzoek 2022 van Zendesk zei 90% van de consumenten bereid te zijn meer uit te geven bij bedrijven die de klantenservice-ervaring persoonlijk maken.
Hoe verbetert sentimentanalyse de klantervaring?
Sentimentanalyse verbetert de klantervaring doordat ze trends en patronen laat zien die standaard supportmetrics verbergen. Ze geeft het verhaal achter een cijfer als CSAT, laat zien welke problemen klanten vanaf hun eerste bericht frustreren en vertelt medewerkers wanneer een antwoord een boze klant waarschijnlijk nog bozer maakt. Twee leiders in klantenservice legden ons uit hoe zij het gebruiken.
Craig Stoss, Director of CX Transformation bij PartnerHero, zegt dat het klantsentiment moet passen bij de metrics en doelen die je in een supportcontext meestal meet, of die moet bijsturen:
“Als we bijvoorbeeld melden dat onze klanttevredenheidsscore (CSAT) is gestegen, weten we dat CSAT niet helemaal klopt, omdat het meestal de meest tevreden en de meest boze klanten vangt, niet de klanten daartussen.
Het is heel goed mogelijk dat je, zodra je het sentiment uit je social media, reviewreacties, ticketdata of andere gegevens samenvoegt, iets leert dat de metrics tegenspreekt die je elke dag bekijkt. Dat komt doordat je een bredere set gegevens gebruikt, zonder het filter van wie enquêtes en gerichte vragen beantwoordt.”
Voor Craig is dat alleen al wezenlijk voor hun missie: de klant echt begrijpen en samen met hem positieve klantervaringen creëren:
“Sentiment is belangrijk voor de samenwerking. Als we met onze klanten over waarde praten, weten we dat niet de metric het belangrijkst is, maar het verhaal achter de metric, wat we op basis van dat verhaal gaan doen om de metric te verbeteren, en de impact van die acties. Dat alles samen met de metric geeft elke supportorganisatie meer waarde.”
Vertellen je CSAT en je kwaliteitsscores verschillende verhalen, dan legt onze gids kwaliteitsscore vs CSAT: wie heeft er gelijk? uit hoe je het verschil leest.
Jaakko Jutila, Vice President of Customer Support bij Basware, vertelt dat zijn team door sentimentanalyse toe te passen op de eerste en de volgende opmerkingen van een klant ziet welke specifieke problemen de klant vanaf het begin frustreren. Die informatie is doorslaggevend bij het prioriteren van productontwikkeling, zodat ze frustrerende functies kunnen schrappen en de hele productervaring kunnen verbeteren.
Door het klantsentiment te analyseren, laat het team van Jaakko supportmedewerkers weten wanneer een bepaald antwoord de boosheid van de klant zal verergeren, zodat medewerkers passend en effectief kunnen communiceren.
Jaakko merkt verder op dat een van de duidelijkste voordelen is dat het escalaties van tickets voorkomt:
Wat escalaties betreft: lees hoe supportteams escalaties in de klantenservice aanpakken.
Welke soorten sentimentanalyse in de klantenservice zijn er?
In de klantenservice zijn er vier belangrijke soorten sentimentanalyse: aspectgebaseerde analyse, die gevoelens koppelt aan specifieke onderdelen van een product of dienst; fijnmazige analyse, die woorden en emoties gedetailleerd labelt; emotieherkenning, die toon en houding in gesprekken leest; en intentieanalyse, die achterhaalt wat de klant hierna wil doen.
Aspectgebaseerde sentimentanalyse
Wat het is:
Aspectgebaseerde sentimentanalyse is een techniek die je dieper inzicht geeft in wat klanten vinden van specifieke aspecten (of onderdelen) van je producten of diensten. Deze analyse gaat verder dan klantfeedback simpelweg als positief, negatief of neutraal indelen, omdat ze laat zien welke aspecten klanten waarderen of juist niet.
Zo krijgen supportteams een gedetailleerder beeld van hoe klanten denken. Krijg je bijvoorbeeld een klacht, dan vertelt aspectgebaseerde sentimentanalyse je precies met welke onderdelen van een product of dienst de klant een probleem had, op basis van de woorden die hij gebruikt om zijn ervaring te beschrijven. Zo kun je het onderliggende probleem achter een klacht vinden en oplossen voordat de situatie escaleert. Onze gids over oorzaakanalyse in de klantenservice behandelt die volgende stap.
Zo begin je:
Voor een aspectgebaseerde sentimentanalyse bepaal je eerst welke hoofdaspecten (onderdelen of functies) van je product of dienst klanten belangrijk vinden.
Dat kunnen factoren zijn als specifieke functies, prijs, gebruiksgemak of klantenservice. Als supportmanager richt je je op dat laatste. Dat betekent niet dat je deze analyse alleen moet uitvoeren. Het is juist een goed idee om samen te werken met de andere afdelingen in je organisatie.
Zodra de aspecten duidelijk zijn, gebruik je meestal machine learning (ML) of natural language processing (NLP) om grote hoeveelheden klantfeedback te analyseren. Bronnen voor deze inzichten zijn onder meer klantreviews, enquêtes, berichten op social media en supporttickets.
Fijnmazige sentimentanalyse
Wat het is:
Stel je voor dat je elke zin opdeelt in woorden en die indeelt als positief, neutraal of negatief (in het Engels). Door taalsignalen te analyseren zoals emoticons, leestekens, sentimentomkeerders en versterkers, kan een algoritme op basis van fijnmazige sentimentanalyse klantberichten (zelfs telefoongesprekken en audiobestanden) indelen volgens de sentimentlabels waarop het is getraind.
De inzichten uit fijnmazige sentimentanalyse helpen supportteams om problemen te prioriteren, processen te verbeteren, FAQ-antwoorden en kennisbankartikelen aan te passen en gerichter te reageren op individuele klantvragen.
Zo begin je:
Voor fijnmazige sentimentanalyse heb je een model nodig dat is getraind op een grote dataset van tekstvoorbeelden, gelabeld met specifieke emoties zoals angst, tevredenheid, aarzeling en boosheid. Dat model pas je vervolgens toe op klantreviews, opmerkingen, e-mails, transcripties en enquêtes.
Het resultaat is meestal een reeks markeringen in de tekst die verschillende emoties laten zien. Op basis daarvan kun je voorrang geven aan klanten die sterke negatieve emoties zoals boosheid tonen. Of je volgt emoties in de tijd om te zien hoe klanten reageren op een verandering, zoals nieuwe functies of een aangepaste interface.
Analyse gericht op emotieherkenning
Wat het is:
Emoties in het oog houden is misschien wel een van de populairste soorten sentimentanalyse in de klantenservice, omdat het eenvoudig toe te passen is en geen ingewikkelde AI-modellen vraagt.
Het draait simpelweg om het analyseren van de toon, emoties en houding die klanten laten zien in hun contact met je bedrijf via kanalen als e-mail, social media, reviewsites, enquêtes en chatgesprekken.
Wat is in dit geval je doel? Begrijpen hoe mensen echt denken over de service en de ervaring die je medewerkers bieden. Door tickets door te nemen, zie je bijvoorbeeld negatieve emoties en kansen om te verbeteren. Zo kun je met je medewerkers praten en betere werkwijzen invoeren voor de manier waarop ze met klanten communiceren.
Zo begin je:
Het belangrijkste is dat je begrijpt hoe je deze tickets, berichten, posts, reviews of transcripties leest.
Als klanten bijvoorbeeld een negatieve ervaring hebben met je supportteam, uiten ze hun frustratie en teleurstelling vaak direct, en sturen ze zo nodig meerdere keren een herinnering. Maar ze kunnen die ontevredenheid ook in neutrale of zelfs positieve taal uitdrukken. Juist daarom doe je de analyse het best zelf en houd je de context in het oog, met extra aandacht voor subtiele ontevredenheid en eerdere interacties.
Onthoud: let niet alleen op de woorden die klanten gebruiken. Context, grammatica, leestekens, witruimte, emoji’s en zelfs non-verbale signalen helpen je om emoties goed te herkennen.
Focus op intentieanalyse
Wat het is:
Wil je precies weten wat klanten hierna gaan doen, of ongeveer inschatten wanneer ze klaar zijn om te kopen? Dan komt intentieanalyse in beeld.
Deze techniek helpt medewerkers de bedoeling of het doel te begrijpen achter wat een klant zegt. Supportmedewerkers kunnen dan betere, gerichtere antwoorden geven op klantvragen. Bovendien is het een handig hulpmiddel als je je sales- of productteam extra inzichten wilt geven.
Zo begin je:
Intentie leid je grotendeels af uit de context. Klanten kunnen zelfs verschillende woorden gebruiken voor dezelfde onderliggende intentie. Een klant vraagt bijvoorbeeld “Kan ik meer foto’s van het product krijgen?” of “Wat is jullie retourbeleid?”. Achter beide vragen zit een vorm van koopintentie. Het enige probleem: elk van deze klanten kan zich in een andere fase van de levenscyclus bevinden. En precies daar helpt de context je om de meest waarschijnlijke intentie te voorspellen.
Als medewerkers de intentie in elke fase begrijpen, kunnen ze hun antwoorden verbeteren en voorkomen dat ze een prospect of klant kwijtraken. Als manager kun je eerdere interacties tussen medewerkers en klanten analyseren om te zien hoe je medewerkers reageren en bij te sturen. Kleine aanpassingen kunnen het oplossingspercentage bij het eerste antwoord, de productiviteit van medewerkers (in het Engels) en de klanttevredenheid (in het Engels) verbeteren.
Hoe deel je klantberichten in als tevreden, neutraal of ontevreden?
Je deelt een klantbericht in door de woorden, de context en de geschiedenis samen te lezen en het daarna één label te geven: tevreden, neutraal of ontevreden. Woorden alleen misleiden, omdat ontevreden klanten vaak beleefd schrijven. Kijk naar herhaalde contacten, herinneringen en wat de klant daarna vraagt, en label het gesprek, niet alleen één zin.
Hier een illustratief voorbeeld van drie supportberichten en hoe een beoordelaar ze zou labelen:
| Klantbericht | Label | Waarom |
|---|---|---|
| “Dat werkte, bedankt voor de snelle hulp!” | Tevreden | Duidelijk positieve woorden en het probleem is opgelost. |
| “Kun je me de factuur van maart sturen?” | Neutraal | Een gewoon verzoek zonder emotie in welke richting dan ook. |
| “Bedankt. Dit is de derde keer dat ik naar mijn terugbetaling vraag.” | Ontevreden | Beleefd geformuleerd, maar een herhaald contact over hetzelfde probleem. |
De derde rij is degene die tools op basis van trefwoorden vaak missen. Het is het probleem van “neutrale of zelfs positieve taal” uit het deel over emotieherkenning hierboven, en de reden dat context belangrijker is dan welk los woord ook.
Hoe meet Kaizo klantsentiment en empathie?
Kaizo scoort klantsentiment en de empathie van medewerkers in 100% van de supportgesprekken, op elk bericht in plaats van op een steekproef. Managers kunnen filteren op gesprekken die slecht verlopen, zien hoe medewerkers reageerden en beoordelen of ze empathisch genoeg waren. Frustratie wordt zo een trend waarop je kunt handelen, in plaats van een opzegging.
Met Kaizo kun je in tickets het klantsentiment analyseren, zien hoe medewerkers op tickets reageren, begrijpen of ze empathisch genoeg waren, en meer.
De Customer Sentiment-metric van Kaizo is een waardevol hulpmiddel om klanttevredenheid te beoordelen en de servicekwaliteit te verbeteren. Ze geeft inzicht in de totale klantervaring en helpt te zien waar het mogelijk is misgegaan.
Anders dan traditionele maatstaven zoals CSAT gaat deze metric verder dan oppervlakkige beoordelingen en gebruikt ze natural language processing om het sentiment achter klantinteracties te analyseren.
Doordat ze negatief sentiment vroeg herkent, maakt ze het mogelijk problemen proactief te signaleren, snel in te grijpen bij zorgen en de klanttevredenheid te bewaken. De metric laat ook de sterke punten en de trainingsbehoeften van supportmedewerkers zien, wat gerichte coaching en betere prestaties mogelijk maakt.
De Empathy Score-metric van Kaizo is ontworpen om het niveau van empathie te beoordelen en te meten dat supportmedewerkers in hun interacties tonen. Een professionele, empathische en positieve houding is cruciaal voor medewerkers, ook in lastige situaties.
De door AI aangestuurde Empathy Score meet empathie objectief en zorgt voor consistente beoordelingen over verschillende interacties en medewerkers heen. Hij levert datagedreven inzichten door taalpatronen, sentiment en toon te analyseren, zodat het QA-team sterke punten ziet en de gebieden waar extra training nodig kan zijn. Medewerkers krijgen feedback op basis van hun empathiescores, wat hen helpt hun vaardigheden te verbeteren. Hoe sentiment in een scorecard past, lees je in sentimentscoring in QA (in het Engels).
In die feedbackloop zit de tijdwinst. EverHelp, een BPO met meer dan 400 supportexperts, maakt in Kaizo per medewerker coachingkaarten op basis van diens eigen gesprekken, en de voorbereiding voor coaching daalde met 75% over zestien domeinen.
Bekijk het in je eigen gesprekken. We scoren het sentiment in een steekproef van je gesprekken en laten je de patronen zien. Demo boeken.
Hoe begin je met sentimentanalyse in de klantenservice?
Begin met je eerdere supporttickets. Kies de gesprekken die lastig waren of langer duurden dan normaal, kies één of twee soorten sentimentanalyse en zoek naar patronen in hoe klanten zich voelden en hoe medewerkers reageerden. Een combinatie van emotie- en intentieanalyse is de makkelijkste eerste stap, omdat die gegevens gebruikt die je al hebt.
Als je nu één ding moet onthouden, dan is het dat de klantervaring verbeteren (in het Engels) betekent dat je je medewerkers helpt groeien. Maar welke soft skills of hard skills meer ontwikkeling nodig hebben, begrijp je alleen door te kijken hoe ze met klanten omgaan.
En dan is er het tweede deel: klantsentiment, behoeften en pijnpunten begrijpen om toekomstige interacties beter af te stemmen.
Om een goed beeld te krijgen van het klantsentiment (en meteen van de prestaties van medewerkers), begin je met het analyseren van eerdere supporttickets. Kies tickets die lastig waren of langer duurden dan normaal. Daarna bepaal je zelf welk soort sentimentanalyse je wilt gebruiken.
Je kunt alle vier soorten sentimentanalyse uitvoeren, maar dat is geen goede oplossing als je snel resultaat wilt. We raden aan te beginnen met een mix van emotie- en intentieanalyse, omdat die makkelijker in te voeren zijn en middelen vragen die je al hebt, zoals toegang tot supporttickets, klantreviews of enquêtes.
Wanneer is sentimentanalyse niet het juiste hulpmiddel?
Sentimentanalyse is niet het juiste hulpmiddel als je te weinig feedback hebt om een patroon te zien, of als je moet weten of een medewerker een proces heeft gevolgd. Een team dat een handvol tickets per week afhandelt, leert meer door ze allemaal te lezen. Sentiment vertelt je hoe de klant zich voelde, niet of het antwoord juist was.
Een paar eerlijke beperkingen om in gedachten te houden:
- Laag volume. Bij enkele tientallen gesprekken per week lees je ze zelf. Geautomatiseerde sentimentanalyse voegt weinig toe als je elk ticket kunt zien.
- Beleefde ontevredenheid. Klanten kunnen neutrale of zelfs positieve woorden gebruiken terwijl ze ontevreden zijn, dus een sentimentlabel zonder context kan misleiden.
- Juistheid en compliance. Een tevreden klant kan toch een fout antwoord hebben gekregen. Dat controleert een QA-scorecard, niet het sentiment.
- Geen plan om te handelen. Sentimentdata levert alleen iets op als iemand eigenaar is van de opvolging: coaching, een productfix of een procesaanpassing.
Ben je klaar om sentiment te koppelen aan oorzaakanalyse en rapportage, begin dan met Inzichten & analyse voor de klantenservice van Kaizo, of boek een demo om het in je eigen tickets te zien.
Veelgestelde vragen
Wat is een voorbeeld van sentimentanalyse in de klantenservice?
Een supportmanager bekijkt de tickets van vorige maand en labelt elk ticket als tevreden, neutraal of ontevreden. Een bericht als “Bedankt. Dit is de derde keer dat ik naar mijn terugbetaling vraag.” krijgt ondanks de beleefde formulering het label ontevreden, omdat het een herhaald contact is. Als je die labels per onderwerp groepeert, zie je welke problemen klanten het meest frustreren.
Welke gegevensbronnen gebruikt sentimentanalyse in de klantenservice?
Elke plek waar klanten zich in hun eigen woorden uiten: supporttickets, chatgesprekken, e-mails, enquêtes, online reviews, berichten op social media en transcripties. Meer bronnen geven een vollediger beeld, want enquêteantwoorden komen alleen van de klanten die ervoor kiezen te reageren.
Is sentimentanalyse hetzelfde als CSAT?
Nee. CSAT is een score die klanten geven als ze een enquête invullen, en die vangt meestal de meest tevreden en de meest boze klanten. Sentimentanalyse leest de gesprekken zelf en dekt daardoor ook de klanten in het midden, die nooit een enquête invullen.
Kan sentimentanalyse escalaties voorkomen?
Het kan helpen. Als negatief sentiment vroeg in een gesprek wordt herkend, kan een manager of medewerker ingrijpen zolang het probleem nog te redden is. Het supportteam van Basware gebruikt sentiment om medewerkers te laten weten wanneer een bepaald antwoord een boze klant waarschijnlijk nog bozer maakt.
Met welk soort sentimentanalyse kan ik het best beginnen?
Begin met een mix van emotieherkenning en intentieanalyse. Beide zijn makkelijker in te voeren dan aspectgebaseerde of fijnmazige analyse, en beide gebruiken middelen die je al hebt, zoals supporttickets, klantreviews en enquêtes.
Hoe helpt sentimentanalyse bij het coachen van supportmedewerkers?
Sentiment laat zien hoe klanten zich voelden in de gesprekken met elke medewerker, en de empathiescore laat zien hoe de medewerker reageerde. Samen wijzen ze concrete gesprekken aan om op te coachen, zodat feedback op bewijs berust in plaats van op een algemene indruk.
