Wat is text analytics? Text analytics (tekstanalyse) is de geautomatiseerde analyse van geschreven tekst, zoals tickets, chats en e-mails, om op schaal onderwerpen, sentiment en intentie te herkennen. Een supportteam begrijpt er elk geschreven gesprek mee in plaats van een kleine steekproef, en het is de geschreven helft van gespreksanalyse.
In het kort
- Text analytics maakt van ongestructureerde taal data die je kunt meten en doorzoeken.
- Het werkt in vier stappen: verzamelen, opschonen, indelen en rapporteren.
- In de kwaliteitscontrole van support brengt het momenten voor kwaliteit en coaching naar boven.
- In CX laat het zien waar klanten om vragen en hoe ze zich voelen.
- De beste tools koppelen elke score aan de exacte formulering erachter.
Hoe werkt text analytics?
Text analytics werkt door geschreven gesprekken te verzamelen, de tekst op te schonen, die met natural language processing in te delen en de resultaten te rapporteren als velden waarop een team kan filteren en trends kan volgen.
Stap 1: Verzamel de tekst
De tekst komt van de plekken waar gesprekken al staan: de helpdesk, de chattool, de e-mailinbox, opmerkingen in enquêtes of reviewsites. Omdat het automatisch in die systemen draait, kan text analytics continu het volledige volume aan tickets en chats verwerken, in plaats van het kleine percentage dat een team met de hand zou kunnen lezen.
Stap 2: Schoon de tekst op en structureer die
Ruwe gesprekken bevatten handtekeningen, geciteerde antwoorden, automatische antwoorden en typefouten. De tekst wordt opgesplitst in berichten, bij elk bericht wordt vastgelegd wie het schreef (klant of medewerker) en ruis wordt verwijderd, zodat de analyse leest wat er echt gezegd is.
Stap 3: Deel in met natural language processing
Taalmodellen delen daarna elk bericht of gesprek in: ze groeperen het in onderwerpen, scoren het sentiment als positief, neutraal of negatief, en herkennen de intentie van de klant, bijvoorbeeld een terugbetalingsverzoek, een bugmelding of een opzegging. Oudere systemen werkten met trefwoordregels; huidige modellen lezen de context, zodat een beleefd bericht van een ontevreden klant minder snel gemist wordt.
Stap 4: Rapporteer en onderneem actie
Het resultaat is gestructureerde data: aantallen per onderwerp, sentimenttrends en aandelen per intentie waarop een team kan filteren en inzoomen. De nuttigste stap is de laatste, waarin elk patroon doorklikt naar de gesprekken erachter en terechtkomt bij iemand die het kan oplossen.
Wat text analytics uit tekst haalt
Text analytics zet vrij geschreven tekst om in vijf soorten signalen: onderwerpen, sentiment, intentie, kwaliteit en trends, waarop een team telkens kan filteren en handelen.
| Signaal | Wat het vastlegt | Voorbeeld in support |
|---|---|---|
| Onderwerpen | De thema’s waarover klanten schrijven, automatisch gegroepeerd | “Facturatie”, “inloggen”, “vertraagde levering” |
| Sentiment | Of de toon van de klant positief, neutraal of negatief is | Oplopende frustratie in tickets over leveringen |
| Intentie | Wat de klant wil: een terugbetaling, een oplossing, een opzegging en meer | Meer opzeggingsverzoeken na een prijswijziging |
| Kwaliteit | Hoe goed het geschreven antwoord van een medewerker aan je criteria voldoet | Ontbrekende verificatiestap bij accountwijzigingen |
| Trends | Hoe onderwerpen en sentiment door de tijd verschuiven | Een nieuw onderwerp dat opduikt na een release |
Text analytics in de klantenservice
In de klantenservice leest text analytics elk ticket, elke chat en elke e-mail om te laten zien waarom klanten schrijven, hoe ze zich voelen en hoe goed medewerkers antwoordden, zodat QA- en CX-teams met het volledige volume werken.
In de kwaliteitscontrole van support maakt text analytics het mogelijk om geschreven gesprekken op schaal te beoordelen: tickets en chats scoren tegen een scorecard en de momenten naar boven halen waarop het loont om te coachen. In de klantervaring laat het de stem van de klant (in het Engels) als geheel horen: de terugkerende redenen waarom mensen schrijven, waar het sentiment wegzakt en welke problemen groeien.
Zo ziet dat er in de praktijk uit voor drie vragen die een supportleider vaak stelt:
| Vraag | Wat text analytics laat zien | Volgende stap |
|---|---|---|
| Waarom steeg het ticketvolume vorige week? | Eén onderwerp, “wachtwoord resetten”, verdubbelde na een release | Stuur voorbeelden naar product, publiceer een helpartikel |
| Welke klanten staan op het punt op te zeggen? | Opzeggingsintentie en negatief sentiment bij dezelfde accounts | Stuur die gesprekken naar een ervaren medewerker |
| Waar hebben medewerkers coaching nodig? | Lage kwaliteitsscores op één criterium in chats over facturatie | Coach op dat criterium met echte voorbeelden |
Kaizo past dit toe op supportgesprekken: het scoort elk telefoongesprek, elke chat en elke e-mail op je eigen criteria, volgt sentiment en empathie in 100% van de berichten en laat zien of een dip komt door een kapot proces, frictie in het product of een gat in vaardigheden. Voor de stap van bevindingen naar oplossingen, zie onze gids over klantinzichten in de klantenservice.
Text analytics vs text mining, sentimentanalyse en speech analytics
Text analytics is de overkoepelende term voor het analyseren van geschreven taal; sentimentanalyse is een van de resultaten ervan, text mining is een bijna-synoniem en speech analytics doet hetzelfde werk voor telefoongesprekken.
| Term | Wat het doet | Hoe het zich verhoudt tot text analytics |
|---|---|---|
| Text mining | Vindt patronen in grote hoeveelheden tekst | Vaak gebruikt als synoniem; sommigen bedoelen er alleen de stap mee waarin patronen worden gevonden |
| Sentimentanalyse (in het Engels) | Scoort de toon van een bericht | Eén resultaat van text analytics |
| Speech analytics | Analyseert opgenomen telefoongesprekken, meestal na transcriptie | De tegenhanger voor spraak |
| Conversation intelligence (in het Engels) | Leest spraak en tekst naast elkaar en voegt workflows toe | Bouwt voort op text analytics en speech analytics |
Verwante begrippen
- Interaction analytics
- Sentimentanalyse in de klantenservice
- Rapportage in de klantenservice
- Gespreksanalyse uitgelegd (in het Engels)
Begin met één vraag die je tickets moeten beantwoorden
Kies één vraag uit de tabel hierboven, bijvoorbeeld waarom het volume vorige week steeg, en kijk of je huidige rapporten die kunnen beantwoorden vanuit de tekst zelf. Lukt dat niet, dan laten we je in een live demo met voorbeelddata zien hoe Kaizo elk geschreven gesprek leest en elk cijfer koppelt aan de berichten erachter.
Laten we praten Bekijk Kaizo Insights
Veelgestelde vragen
Is text analytics hetzelfde als sentimentanalyse?
Nee. Sentimentanalyse is één onderdeel van text analytics en scoort de toon van een bericht als positief, neutraal of negatief. Text analytics is breder: het haalt ook onderwerpen, intenties en kwaliteitssignalen uit geschreven gesprekken en laat zien hoe die door de tijd veranderen. De meeste tools voor text analytics bieden sentiment als een van meerdere resultaten.
Wat is het verschil tussen text analytics en speech analytics?
Text analytics leest geschreven tekst zoals tickets, chats en e-mails. Speech analytics werkt op spraak en transcribeert telefoongesprekken voordat het ze analyseert. Zodra een gesprek getranscribeerd is, gelden voor beide dezelfde technieken. Conversation intelligence combineert ze, zodat een team één klantprobleem ziet in elk kanaal waarin het werd aangekaart.
Wat doet text analytics voor supportteams?
Een team kan er elk geschreven gesprek mee meten in plaats van een handmatige steekproef. Het levert kwaliteitsscores voor de kwaliteitscontrole, de onderwerpen en intenties die klanten aankaarten, en laat zien hoe het sentiment in de wachtrij verloopt. Zo wordt een onderbuikgevoel als “tickets over facturatie voelen bozer” een getal dat je kunt volgen en waarop je kunt handelen.
Kan text analytics met meerdere talen omgaan?
Moderne text analytics die op grote taalmodellen is gebouwd, kan onderwerpen, sentiment en intentie in veel talen indelen. Een internationaal supportteam kan zo zijn volledige geschreven volume in elke taal op dezelfde manier lezen. Laat de resultaten in elke taal in het begin controleren door een moedertaalspreker, want de nauwkeurigheid hangt af van de taal en de hoeveelheid data.
Welke gegevens levert text analytics op?
Text analytics zet vrije tekst om in velden: de onderwerpen waarover klanten schrijven, het sentiment, de intentie van de klant, de kwaliteit van het antwoord van de medewerker en de trends daarin door de tijd. Op die velden kun je filteren en sturen.







