Kann die Kundenzufriedenheit durch Textdaten gemessen werden?

Autor: Bruno Jäger

Klassische Methoden zur Messung der Kundenzufriedenheit, wie Umfragen oder Interviews, sind aufwendig und teuer (vgl. z. B. Magerhans & Engelhardt, 2023). Gleichzeitig stehen Unternehmen riesige Mengen an nutzergenerierten Textdaten zur Verfügung – etwa in Form von Produktbewertungen oder Kommentaren in sozialen Medien. Können diese Daten als alternative Quelle für Einblicke in die Kundenzufriedenheit genutzt werden?

Neue Verfahren, die in der Literatur beschrieben werden, nutzen bestehende Methoden aus der natürlichen Sprachverarbeitung (NLP) und dem maschinellen Lernen («Machine Learning»), um automatisiert Produkteigenschaften aus Texten zu extrahieren und deren Einfluss auf die Gesamtzufriedenheit zu analysieren (z. B. Roelen-Blasberg et al., 2023). Dabei werden Kundenmeinungen analysiert, Attributen zugeordnet (z. B. „Aroma“ bei Bier) und die zugrundeliegende Stimmung (Sentiment) sowie die Wichtigkeit einzelner Merkmale geschätzt.

Die Ergebnisse zeigen: Für viele Produktkategorien liefern diese Verfahren vergleichbare Resultate zu klassischen Ansätzen wie der Conjoint-Analyse – insbesondere bei Produkten mit hohem hedonistischem Wert wie Genussartikeln und Unterhaltselektronik oder geringem Erfahrungswissen. Damit eröffnen sich neue Möglichkeiten, Kundenzufriedenheit kontinuierlich, datenbasiert und kosteneffizient zu messen.

Eine vergleichende Studie von Hartmann et al. (2019) zeigt, dass kein einzelnes Modell in allen Anwendungen gleich gut abschneidet – je nach Kontext können unterschiedliche Verfahren besser geeignet sein. Häufig ist eine Anpassung an den jeweiligen Anwendungsfall notwendig, etwa durch Fine-Tuning oder gezielte Modellwahl.

Literatur

Hartmann, J., Huppertz, J., Schamp, C., & Heitmann, M. (2019). Comparing automated text classification methods. International Journal of Research in Marketing, 36(1), 20–38.

Magerhans, A., & Engelhardt, J.-F. (2023). Messung der Kundenzufriedenheit. In A. Magerhans & J.-F. Engelhardt (Eds.), Kundenzufriedenheit klipp & klar (S. 47-106). Springer Fachmedien Wiesbaden.

Roelen-Blasberg, T., Habel, J., & Klarmann, M. (2023). Automated inference of product attributes and their importance from user-generated content. International Journal of Research in Marketing, 40(2), 164–188.