Details
Automatisierte Sentiment Analyse als betriebswirtschaftlicher Erfolgsfaktor
1. Auflage
|
28,00 € |
|
| Verlag: | diplom.de |
| Format: | |
| Veröffentl.: | 10.03.2014 |
| ISBN/EAN: | 9783842815414 |
| Sprache: | deutsch |
| Anzahl Seiten: | 45 |
Dieses eBook erhalten Sie ohne Kopierschutz.
Beschreibungen
Einleitung:
Motivation:
Die Zahl der Online-Käufer in Deutschland ist im Jahr 2011 auf 69 % der Bevölkerung (im Alter von 14 – 65 Jahren) gestiegen. In den vergangenen Jahren ist dabei ein stetiger Anstieg der Zahl der Käufer wie auch deren Kauffrequenz festzustellen. Üblicherweise informieren sich Kunden vor einem Online–Kauf auch im Internet über die jeweilige Produktkategorie. Dabei zieht mehr als die Hälfte (60 %) der Kunden Bewertungen oder Kommentare anderer Nutzer als Informationsquelle heran. In knapp drei Viertel der Fälle gaben diese Bewertungen auch den Ausschlag für einen Kauf bzw. Nicht–Kauf.
Aufgrund dieser Relevanz für die Kaufentscheidung kommt Kundenkommentaren eine äußerst wichtige betriebswirtschaftliche Bedeutung zu. Die Vorteile werden einerseits auf Kundenseite gesehen, da potentiellen Käufern bei der Entscheidung geholfen wird. Gleichzeitig besteht auch ein direkter Einfluss auf die Reputation und den Umsatz des betroffenen Unternehmens. Die Option, aus dieser Information Nutzen zu ziehen um die betriebliche Geschäftstätigkeit zu verbessern wird von Organisationen oft vernachlässigt. Eine Untersuchung der veröffentlichten Kritik ist gerade hier sinnvoll, da es sich um konkrete Kritik handelt, die auf Erfahrungswerten von Käufern basiert und wertzuschätzen ist.
Dies ist der Ansatzpunkt für eine Sentiment Analyse, mit der sich die Dokumente auf Basis der enthaltenen Meinung untersuchen und kategorisieren lassen. Unterschieden werden dabei die manuelle Analyse und automatisierte Verfahren, die aus Erkenntnissen aus dem Information Retrieval in Kombination mit linguistischen Ansätzen bestehen. Eine manuelle Bearbeitung ist aufgrund der gestiegenen Datenmenge, die die im Internet veröffentlichten Kundenrezensionen darstellen nicht rentabel und daher nicht zu empfehlen. Dies bekräftigt die Bedeutung automatisierter Verfahren für die Sentiment Analyse, auf die in dieser Arbeit eingegangen wird.
Zielsetzung:
Motivation:
Die Zahl der Online-Käufer in Deutschland ist im Jahr 2011 auf 69 % der Bevölkerung (im Alter von 14 – 65 Jahren) gestiegen. In den vergangenen Jahren ist dabei ein stetiger Anstieg der Zahl der Käufer wie auch deren Kauffrequenz festzustellen. Üblicherweise informieren sich Kunden vor einem Online–Kauf auch im Internet über die jeweilige Produktkategorie. Dabei zieht mehr als die Hälfte (60 %) der Kunden Bewertungen oder Kommentare anderer Nutzer als Informationsquelle heran. In knapp drei Viertel der Fälle gaben diese Bewertungen auch den Ausschlag für einen Kauf bzw. Nicht–Kauf.
Aufgrund dieser Relevanz für die Kaufentscheidung kommt Kundenkommentaren eine äußerst wichtige betriebswirtschaftliche Bedeutung zu. Die Vorteile werden einerseits auf Kundenseite gesehen, da potentiellen Käufern bei der Entscheidung geholfen wird. Gleichzeitig besteht auch ein direkter Einfluss auf die Reputation und den Umsatz des betroffenen Unternehmens. Die Option, aus dieser Information Nutzen zu ziehen um die betriebliche Geschäftstätigkeit zu verbessern wird von Organisationen oft vernachlässigt. Eine Untersuchung der veröffentlichten Kritik ist gerade hier sinnvoll, da es sich um konkrete Kritik handelt, die auf Erfahrungswerten von Käufern basiert und wertzuschätzen ist.
Dies ist der Ansatzpunkt für eine Sentiment Analyse, mit der sich die Dokumente auf Basis der enthaltenen Meinung untersuchen und kategorisieren lassen. Unterschieden werden dabei die manuelle Analyse und automatisierte Verfahren, die aus Erkenntnissen aus dem Information Retrieval in Kombination mit linguistischen Ansätzen bestehen. Eine manuelle Bearbeitung ist aufgrund der gestiegenen Datenmenge, die die im Internet veröffentlichten Kundenrezensionen darstellen nicht rentabel und daher nicht zu empfehlen. Dies bekräftigt die Bedeutung automatisierter Verfahren für die Sentiment Analyse, auf die in dieser Arbeit eingegangen wird.
Zielsetzung:
Einleitung:
Motivation:
Die Zahl der Online-Käufer in Deutschland ist im Jahr 2011 auf 69 % der Bevölkerung (im Alter von 14 – 65 Jahren) gestiegen. In den vergangenen Jahren ist dabei ein stetiger Anstieg der Zahl der Käufer wie auch deren Kauffrequenz festzustellen. Üblicherweise informieren sich Kunden vor einem Online–Kauf auch im Internet ...
Motivation:
Die Zahl der Online-Käufer in Deutschland ist im Jahr 2011 auf 69 % der Bevölkerung (im Alter von 14 – 65 Jahren) gestiegen. In den vergangenen Jahren ist dabei ein stetiger Anstieg der Zahl der Käufer wie auch deren Kauffrequenz festzustellen. Üblicherweise informieren sich Kunden vor einem Online–Kauf auch im Internet ...
Inhaltsverzeichnis:
|Abbildungsverzeichnis|2
1.|Einleitung|3
1.1|Motivation|3
1.2|Zielsetzung|4
1.3|Aufbau der Arbeit|4
2.|Einführung in die Sentiment Analyse|5
2.1|Sentiment Analyse als meinungsbasierte Form der Textkategorisierung|5
2.2|Sentiment Analyse als binäres Klassifikationsproblem|7
2.3|Ansprüche an eine automatisierte Sentiment Analyse|7
3.|Verfahren für die automatisierte Sentiment Analyse|10
3.1|Vorverarbeitung|10
3.1.1|Vektordarstellung|11
3.1.2|Sprachbasierte Modifikationen|12
3.1.3|Merkmalsauswahl|14
3.1.4|Part-Of-Speech-Tagging|15
3.2|Klassifikationsalgorithmen des maschinellen Lernens|18
3.2.1|Bewertung der Verfahren|19
3.2.2|Support Vector Machines|19
3.2.3|Naive Bayes Klassifikator|21
3.2.4|Klassifikator-Training|23
4.|Anwendung im betriebswirtschaftlichen Umfeld|24
4.1|Automatisierte Sentiment Analyse zur Verbesserung der Geschäftstätigkeit|24
4.1.1|Betriebswirtschaftliche Bedeutung von Kundenrezensionen|24
4.1.2|Ablauf der Analyse|25
4.1.3|Einflussfaktoren auf die Genauigkeit im Analyseverfahren|26
4.1.4|Grenzen der automatisierten Sentiment Analyse bei Kundenrezensionen|29
4.2|Nutzungsmöglichkeiten der Analyseergebnisse|30
4.2.1|Nutzenbetrachtung anhand des Marketing-Mix|31
4.2.2|Auswirkungen auf einzelne Funktionsbereiche|34
4.2.3|Weitere Nutzungsmöglichkeiten|35
5.|Fazit und Ausblick|36
5.1|Implikationen für die Praxis|36
5.2|Offene Forschungsfragen|37
5.3|Potential für die Zukunft|38
6.|Literaturverzeichnis|39
|Abbildungsverzeichnis|2
1.|Einleitung|3
1.1|Motivation|3
1.2|Zielsetzung|4
1.3|Aufbau der Arbeit|4
2.|Einführung in die Sentiment Analyse|5
2.1|Sentiment Analyse als meinungsbasierte Form der Textkategorisierung|5
2.2|Sentiment Analyse als binäres Klassifikationsproblem|7
2.3|Ansprüche an eine automatisierte Sentiment Analyse|7
3.|Verfahren für die automatisierte Sentiment Analyse|10
3.1|Vorverarbeitung|10
3.1.1|Vektordarstellung|11
3.1.2|Sprachbasierte Modifikationen|12
3.1.3|Merkmalsauswahl|14
3.1.4|Part-Of-Speech-Tagging|15
3.2|Klassifikationsalgorithmen des maschinellen Lernens|18
3.2.1|Bewertung der Verfahren|19
3.2.2|Support Vector Machines|19
3.2.3|Naive Bayes Klassifikator|21
3.2.4|Klassifikator-Training|23
4.|Anwendung im betriebswirtschaftlichen Umfeld|24
4.1|Automatisierte Sentiment Analyse zur Verbesserung der Geschäftstätigkeit|24
4.1.1|Betriebswirtschaftliche Bedeutung von Kundenrezensionen|24
4.1.2|Ablauf der Analyse|25
4.1.3|Einflussfaktoren auf die Genauigkeit im Analyseverfahren|26
4.1.4|Grenzen der automatisierten Sentiment Analyse bei Kundenrezensionen|29
4.2|Nutzungsmöglichkeiten der Analyseergebnisse|30
4.2.1|Nutzenbetrachtung anhand des Marketing-Mix|31
4.2.2|Auswirkungen auf einzelne Funktionsbereiche|34
4.2.3|Weitere Nutzungsmöglichkeiten|35
5.|Fazit und Ausblick|36
5.1|Implikationen für die Praxis|36
5.2|Offene Forschungsfragen|37
5.3|Potential für die Zukunft|38
6.|Literaturverzeichnis|39
Diese Produkte könnten Sie auch interessieren:
