Twitter verfügt über 330 Millionen monatlich aktive Nutzer, wodurch Unternehmen ein breites Publikum erreichen und ohne Vermittler mit Kunden in Kontakt treten können. Auf der anderen Seite gibt es so viele Informationen, dass es für Marken schwierig ist, negative soziale Erwähnungen, die ihrem Geschäft schaden könnten, schnell zu erkennen.

Aus diesem Grund ist die Sentimentanalyse, bei der Emotionen in Gesprächen auf Social-Media-Plattformen überwacht werden, zu einer Schlüsselstrategie im Social-Media-Marketing geworden.

Analysieren Sie die Stimmung auf Twitter in Echtzeit

Wenn Sie hören, wie sich Kunden auf Twitter fühlen, können Unternehmen ihr Publikum verstehen, den Überblick über ihre Marke und ihre Wettbewerber behalten und neue Trends in der Branche entdecken.

In diesem Handbuch erfahren Sie, wie Sie Sentiment-Analyse-Tools verwenden können, um Ihren Kunden auf Twitter zuzuhören, und folgen Sie unserem Tutorial, wie Sie Sentiment-Analysen in nur wenigen einfachen Schritten durchführen.

  • Was ist Sentiment-Analyse?
  • So führen Sie eine Twitter-Stimmungsanalyse durch: Tutorial
  • Twitter Stimmungsanalyse Anwendungsfälle

Was ist Stimmungsanalyse?

Sentimentanalyse ist der automatisierte Prozess zur Identifizierung und Klassifizierung subjektiver Informationen in Textdaten. Dies kann eine Meinung, ein Urteil oder ein Gefühl zu einem bestimmten Thema oder Produktmerkmal sein.

Die häufigste Art der Stimmungsanalyse ist die Polaritätserkennung und beinhaltet die Klassifizierung von Aussagen als positiv, negativ oder neutral. Ein Polarity-Sentiment-Analysemodell markiert diesen Tweet beispielsweise automatisch als positiv:

Twitter-Kommentarbeispiel, das die Stimmung zeigt: "Ich liebe die neue Sicherheitsfunktion".

Testen Sie mit Ihrem eigenen Text

Ergebnisse

Stichwortvertrauen
Positiv98.9%

Die Stimmungsanalyse verwendet Natural Language Processing (NLP), um die menschliche Sprache zu verstehen, und maschinelles Lernen, um automatisch genaue Ergebnisse zu liefern.

Verbinden Sie Sentiment-Analyse-Tools direkt mit Ihren sozialen Plattformen, so dass Sie Ihre Tweets überwachen können, wie und wann sie kommen, 24/7, und erhalten Sie up-to-the-minute Einblicke aus Ihren sozialen Erwähnungen.

So führen Sie eine Stimmungsanalyse für Ihre Twitter-Daten durch

Die Durchführung einer Stimmungsanalyse für Twitter-Daten umfasst fünf Schritte:

  1. Sammeln Sie relevante Twitter-Daten
  2. Bereinigen Sie Ihre Daten mithilfe von Vorverarbeitungstechniken
  3. Erstellen Sie ein Modell für maschinelles Lernen zur Stimmungsanalyse
  4. Analysieren Sie Ihre Twitter-Daten mithilfe Ihres Stimmungsanalysemodells
  5. Visualisieren Sie die Ergebnisse Ihrer Twitter-Stimmungsanalyse

In diesem Abschnitt jede dieser Phasen bietet Tools für Programmierer und Nicht-Programmierer, sodass Sie sofort mit der Stimmungsanalyse beginnen können.

Twitter-Daten sammeln

Es ist wichtig, dass Ihre Twitter-Daten repräsentativ für das sind, was Sie herausfinden möchten, da Sie sie verwenden, um:

  • Trainieren Sie Ihr Stimmungsanalysemodell
  • Testen Sie die Leistung Ihres Modells bei Twitter-Daten

Sie sollten auch die Art der Tweets berücksichtigen, die Sie analysieren möchten:

  • Aktuelle Tweets: Nützlich, um Keywords oder Hashtags in Echtzeit zu verfolgen.

  • Historische Tweets: Nützlich, um Gefühle über verschiedene Zeiträume zu vergleichen.

Jetzt fragen Sie sich wahrscheinlich, wie Sie Daten aus Twitter extrahieren können, wenn Sie sie nicht bereits in Ihrem Helpdesk oder in einer Excel-Datei gespeichert haben. Es gibt verschiedene Möglichkeiten, dies zu tun. Werfen wir einen genaueren Blick auf einige der Optionen:

Erstellen Sie einen Zap in Zapier

Zapier ist eine Plattform, die es verschiedenen Teams (Marketing, HR, Kundensupport, Produkt usw.) ermöglicht, die von ihnen verwendeten Apps zu verbinden, damit sie zusammenarbeiten können. Es eignet sich hervorragend für nicht-technische Benutzer, da Sie keine einzige Codezeile schreiben müssen, um Tweets zu sammeln.

Um einen automatisierten Workflow auf Zapier (ein Zap) zu erstellen, wählen Sie einfach eine App als Auslöser (dies ist die App, aus der Sie Daten extrahieren) und eine andere App (oder Apps) als Aktion (wo die Daten gesendet werden).

Angenommen, Sie möchten Tweets extrahieren, die Ihre Marke in Echtzeit erwähnen. Sie können Zapier verwenden, um Twitter mit Google Sheets zu verbinden und Tweets zu sammeln, sobald der Zap Ihren Markennamen in Tweets erkennt:

 Schritte zum Festlegen von Twitter als Trigger-App beim Erstellen eines Zap.

Gehen Sie noch einen Schritt weiter und verbinden Sie Zapier mit MonkeyLearn, um automatisch Stimmungsanalysen für Ihre eingehenden Twitter-Daten durchzuführen. Erfahren Sie, wie Sie mit MonkeyLearn einen Zap für die Stimmungsanalyse erstellen.

Verbinden Sie Twitter-Daten mit IFTTT

IFTTT bedeutet ‚wenn dies, dann das‘. Wie Zapier können Sie mit diesem Tool eine Verbindung zu verschiedenen Apps herstellen, um eine Aktion festzulegen, wenn bestimmte Kriterien erfüllt sind. Verwenden Sie es, um Twitter-Daten mit null Codezeilen zu erhalten.

Twitter-Daten mit Tweet exportieren verfolgen

Mit Tweet exportieren können Sie ein Keyword, einen Hashtag oder ein Konto in Echtzeit verfolgen oder nach historischen Daten suchen. Die kostenlose Version hat jedoch Einschränkungen und wir empfehlen ein Upgrade, um die Plattform voll auszunutzen.

Laden Sie Ihre Daten mit Tweet Download herunter

Mit Tweet Download können Sie die Tweets zusammen mit den Antworten und Erwähnungen von Ihrem eigenen Konto herunterladen. Dies ist besonders nützlich für Marken, die verfolgen möchten, welche Inhalte am besten mit Benutzern funktionieren, was die wichtigsten Dinge sind, die Benutzer über ihr Produkt behaupten usw.

Verwenden der Twitter-API

Mit der Twitter-API können Sie auf öffentliche Twitter-Daten zugreifen und mit ihnen interagieren.

Verwenden Sie die Twitter-Streaming-API, um eine Verbindung zu Twitter-Datenströmen herzustellen und Tweets mit Schlüsselwörtern, Markenerwähnungen und Hashtags oder Tweets von bestimmten Benutzern zu sammeln.

Verwenden Sie die Standard-Such-API, um historische Tweets zu erhalten, die vor bis zu 7 Tagen veröffentlicht wurden. Alternativen sind historische Such-APIs (wie historische PowerTrack und Full-Archive Search), die Tweets von so früh wie 2006 sammeln können.

Mit Tweepy verbinden

Tweepyist eine benutzerfreundliche Python-Bibliothek für den Zugriff auf die Twitter-API. Beginnen Sie mit Tweepy mit diesem Tutorial oder entdecken Sie andere beliebte Bibliotheken, die Sie mit der Twitter-API verwenden können:

  • Python: Twython, Python Twitter Werkzeuge, python-twitter,
  • Rubin: Twitter Rubin Edelstein
  • Knoten: twit
  • PHP: twitter-api-php

Bereiten Sie Ihre Daten vor

Sobald Sie die Tweets gesammelt haben, die Sie für Ihre Stimmungsanalyse benötigen, müssen Sie Ihre Daten vorbereiten. Social-Media-Daten sind unstrukturiert und müssen bereinigt werden, bevor sie zum Trainieren eines Stimmungsanalysemodells verwendet werden können.

Die Vorverarbeitung eines Twitter-Datensatzes umfasst eine Reihe von Aufgaben, z. B. das Entfernen aller Arten irrelevanter Informationen wie Emojis, Sonderzeichen und zusätzlicher Leerzeichen. Es kann auch Formatverbesserungen beinhalten, doppelte Tweets löschen oder Tweets, die kürzer als drei Zeichen sind.

In dieser Anleitung erfahren Sie, wie Sie Ihre Daten vorbereiten.

Erstellen Sie ein Twitter-Stimmungsanalysemodell

MonkeyLearn ist eine Plattform für maschinelles Lernen, mit der sich Stimmungsanalysen einfach erstellen und implementieren lassen. Sie können sofort mit einem der vortrainierten Sentiment-Analysemodelle beginnen oder Ihr eigenes mit Ihren Twitter-Daten trainieren.

Melden Sie sich in jedem Fall bei MonkeyLearn an, um Zugriff auf die vortrainierten Modelle und den Modellbauer zu erhalten.

Folgen Sie dann diesem Tutorial, um eine Stimmungsanalyse für Ihre Twitter-Daten durchzuführen.

Tutorial zur Twitter-Stimmungsanalyse

1. Wählen Sie einen Modelltyp

Gehen Sie zum MonkeyLearn-Dashboard, klicken Sie auf die Schaltfläche in der rechten Ecke: ‚Modell erstellen‘ und wählen Sie dann ‚Klassifikator‘:

 MonkeyLearn's Sentiment Analysis Builder: Wählen Sie ein Modell

2. Wählen Sie aus der Liste der Klassifizierungstypen aus, welche Art von Klassifizierung Sie durchführen möchten

; klicken Sie auf ‚Stimmungsanalyse‘:

 Monkeylearns Model Builder: Wählen Sie eine aus Stimmungsanalyse, Themenklassifizierung und Absichtsklassifizierung

3. Importieren Sie Ihre Twitter-Daten

Die Daten, die Sie importieren, sind Ihre Trainingsdaten, die zum Trainieren Ihres maschinellen Lernmodells verwendet werden. Laden Sie Twitter-Daten aus einer CSV- oder Excel-Datei hoch und wählen Sie dann die Spalten aus, die Sie verwenden möchten:

 Modellbauer: der Schritt zum Importieren von Twitter-Daten durch Hochladen einer Excel- oder CSV-Datei

 Model Builder: Der Schritt zum Auswählen der Spalte mit den Twitter-Daten, die Sie analysieren möchten

5. Kennzeichnen Sie Daten, um Ihren Klassifikator zu trainieren

Jetzt ist es an der Zeit, Ihr Stimmungsanalysemodell zu trainieren, indem Sie jeden der Tweets basierend auf der Polarität der Meinung manuell als positiv, Negativ oder neutral kennzeichnen. Nach dem Markieren der ersten Tweets beginnt das Modell, eigene Vorhersagen zu treffen. Sie können sie korrigieren, wenn die Antwort nicht korrekt ist:

So markieren und trainieren Sie Ihr Stimmungsanalysemodell, um Emotionen in Tweets zu erkennen

6. Testen Sie Ihren Klassifikator

Nachdem Sie Ihr Modell mit einigen Beispielen trainiert haben, können Sie Ihre eigenen Texte einfügen, um zu sehen, wie das Stimmungsanalysemodell es klassifiziert:

 testen des Sentiment-Analysators, um festzustellen, ob Tweets korrekt kategorisiert werden

MonkeyLearn bietet verschiedene Statistiken, um die Leistung Ihres Sentiment-Analyse-Klassifikators zu messen. Dies sind Genauigkeit, F1-Score, Präzision und Rückruf. Sie finden auch eine Twitter-Keyword-Cloud mit den häufigsten Begriffen für jedes Sentiment.

Wenn Sie nicht alle Statistiken sehen können, müssen Sie möglicherweise weitere Daten markieren. In diesem Fall benötigt das Modell beispielsweise mehr Trainingsdaten für die Kategorie.:

 Sentiment-Scores und -Ergebnisse, um Ihnen zu zeigen, wie Ihr Sentiment Classifer abschneidet

Denken Sie daran, dass Ihr Klassifikator umso genauer wird, je mehr Trainingsdaten Sie markieren. Eine weitere Möglichkeit, die Genauigkeit Ihres Modells zu verbessern, besteht darin, alle falsch positiven und falsch negativen Ergebnisse zu überprüfen und die falschen erneut zu markieren. So geht’s:

 eine Liste der Tweets und die entsprechenden Polaritäts-Tags

Analysieren Sie Ihre Twitter-Daten auf Stimmung

Jetzt haben Sie ein Stimmungsanalysemodell, mit dem Sie Tonnen von Tweets analysieren können! Der nächste Schritt besteht darin, die Twitter-Daten, die Sie analysieren möchten, in das soeben erstellte Stimmungsanalysemodell zu integrieren. Es gibt drei Möglichkeiten, dies mit MonkeyLearn zu tun:

  • Chargenanalyse: Gehen Sie zu ‚Batch‘ und laden Sie eine CSV- oder Excel-Datei mit neuen, unsichtbaren Tweets hoch. Der Klassifikator verarbeitet alle Tweets und stellt eine neue Datei mit den Ergebnissen der Stimmungsanalyse bereit.

  • Integrationen: Es stehen verschiedene Integrationen zur Verfügung, mit denen Sie neue Daten mit Ihrem Stimmungsanalysemodell analysieren können. Sie können beispielsweise Google Sheets als Eingabe für Ihre Daten oder Zapier verwenden, um Twitter-Daten mit MonkeyLearn zu verbinden.

 verfügbare Integrationen: Zapier, Rapidminer, Google Sheets, Zendesk

  • Monkeylearns API: wenn Sie wissen, wie man programmiert, können Sie die Stimmungsanalyse-Tools von MonkeyLearn in Python (und anderen Programmiersprachen) aufrufen, um neue Tweets zu analysieren.

 API-Code-Snippet

Um zu erfahren, wie Sie Ihre Twitter-Daten in Python mit der API von MonkeyLearn analysieren können, lesen Sie diese Anleitung zur Durchführung von Sentiment-Analysen in Python

Visualisieren Sie Ihre Ergebnisse

Datenvisualisierungstools erklären die Ergebnisse der Sentiment-Analyse auf einfache und effektive Weise.

Sehen Sie sich an, wie MonkeyLearn Studio die Ergebnisse einer aspektbasierten Stimmungsanalyse von Twitter-Daten visualisiert. MonkeyLearn Studio ist eine All-in-One-Suite für Textanalyse und Datenvisualisierung mit vorgefertigten Geschäftsvorlagen.

Führen Sie sofort eine Stimmungsanalyse Ihrer Twitter-Daten durch und filtern Sie Ihre Ergebnisse im Dashboard von MonkeyLearn, damit Sie negative oder positive Kommentare verbessern und unterwegs datenbasierte Entscheidungen treffen können.

Das Analytics Dasboard von MonkeyLearn Studio zeigt die Ergebnisse einer aspektbasierten Twitter-Stimmungsanalyse.

Weitere beliebte Datenvisualisierungstools sind:

  • Google Data Studio

Mit dieser kostenlosen und einfachen Google-Plattform können Sie interaktive Berichte erstellen. Für den Import Ihrer Daten stehen mehr als 100 Quellen zur Verfügung, darunter CSV, Excel und Google Tabellen. Sobald Sie Ihren visuellen Bericht entworfen haben, können Sie ihn mit anderen Teams oder Einzelpersonen teilen.

  • Looker

Dies ist eine Business Data Analytics-Plattform, die entwickelt wurde, um alle Arten von Daten in den verschiedenen Bereichen eines Unternehmens zu verwalten. Sie können mit verschiedenen Datenbanken verbinden und Diagramme und Datentabellen erstellen. Erfahren Sie, wie Sie beginnen.

  • Tableau

Als Business Intelligence- und Analysesoftware können Sie mit Tableau mit einer großen Anzahl von Datenquellen arbeiten, um dynamische Dashboards und überzeugende Datenvisualisierungen zu erstellen. Eines der besten Dinge an Tableau ist, dass es sehr einfach zu bedienen ist und keine Programmierkenntnisse erfordert. Es bietet jedoch verschiedene Arten von Produkten an, von denen sich einige an Entwickler richten.

Twitter Sentiment Analyse Anwendungsfälle

Twitter Sentiment Analyse bietet viele spannende Möglichkeiten. Die Möglichkeit, Tweets in Echtzeit zu analysieren und die Stimmung zu bestimmen, die jeder Nachricht zugrunde liegt, fügt dem Social Media Monitoring eine neue Dimension hinzu.

Hier sind einige der häufigsten Geschäftsanwendungen der Twitter-Stimmungsanalyse.

Social Media Monitoring

Die Online-Reputation ist eines der wertvollsten Vermögenswerte für Marken. Eine schlechte Bewertung in sozialen Medien kann für ein Unternehmen teuer werden, wenn sie nicht effektiv und schnell abgewickelt wird.

Mit der Twitter-Stimmungsanalyse können Sie verfolgen, was über Ihr Produkt oder Ihre Dienstleistung in sozialen Medien gesagt wird, und Sie können verärgerte Kunden oder negative Erwähnungen erkennen, bevor sie zu einer großen Krise werden.

Gleichzeitig kann die Twitter-Sentimentanalyse interessante Erkenntnisse liefern. Was lieben Kunden an Ihrer Marke? Welche Aspekte werden am negativsten erwähnt? Dieser Tweet zeigt zum Beispiel, dass schneller Versand einer der am meisten geschätzten Aspekte für diesen Amazon-Kunden ist:

Positiver Tweet über Amazon Prime

Die aspektbasierte Stimmungsanalyse mit Twitter kann Ihnen zeigen, welche Aspekte Ihres Unternehmens verbessert werden müssen und was Sie von Ihren Mitbewerbern abhebt.

Kundenservice

Twitter ist zu einem unverzichtbaren Kanal für den Kundenservice geworden. Tatsächlich verfügen immer mehr Unternehmen über spezielle Teams, die für die Bereitstellung des Kundensupports über diese Social-Media-Plattform verantwortlich sind. Schnelle Antworten sind der Schlüssel, da 60% der Kunden, die sich in sozialen Medien beschweren, eine Antwort innerhalb einer Stunde erwarten.

Aber wie können Sie die Leistung Ihres Kundensupports auf Twitter bewerten? Mit Twitter Sentiment Analysis können Sie alle Interaktionen zwischen Ihrer Marke und Ihren Kunden verfolgen und analysieren. Dies kann sehr nützlich sein, um die Kundenzufriedenheit basierend auf der Art des Feedbacks zu analysieren, das Sie erhalten.

Dieser Tweet zeigt beispielsweise einen enttäuschten Kunden nach einer Interaktion mit dem Kundensupportteam von Southwest Airlines:

 Negativ tweet über SouthWest Airlines

Marktforschung

Twitter ist eine wichtige Quelle für Verbraucherinformationen. Tatsächlich verwenden Menschen es, um alle möglichen Gefühle, Beobachtungen, Überzeugungen und Meinungen zu einer Vielzahl von Themen auszudrücken.

Mit der Twitter-Stimmungsanalyse können Sie bestimmte Keywords und Themen verfolgen, um Kundentrends und -interessen zu erkennen. Zu verstehen, was potenzielle Kunden mögen, wie sie sich verhalten und wie sich dies im Laufe der Zeit ändert, ist wichtig, wenn Sie planen, ein neues Produkt auf den Markt zu bringen.

Hier ist ein Beispiel dafür, wie die Twitter-Stimmungsanalyse verwendet wurde, um 4.000 Tweets zu überwachen, in denen Halal-Lebensmittel erwähnt wurden. Diese Informationen ermöglichten es den Forschern, verschiedene Motivationen für den Verzehr von Halal-Lebensmitteln zu identifizieren und ihren Markt in verschiedene Arten von Verbrauchern zu unterteilen.

Die Twitter-Stimmungsanalyse kann Ihnen auch dabei helfen, Ihrer Konkurrenz einen Schritt voraus zu sein. Indem Sie die Schwachstellen der Wettbewerber identifizieren, können Sie sich bei der Werbung für Ihr Unternehmen auf diese Bereiche konzentrieren.

Brand Monitoring

Unabhängig davon, ob Sie eine neue Funktion auf Ihrer Plattform, ein Website-Redesign oder eine neue Marketingkampagne starten, möchten Sie möglicherweise die Kundenreaktionen auf Twitter verfolgen. Maßnahmen zu ergreifen und Änderungen oder Verbesserungen in Echtzeit vorzunehmen, trägt zur Aufrechterhaltung der Kundenbindung bei.

Tweet über das neue Branding von MailChimp

Politische Kampagnen

Ein großer Teil der Twitter-Konversation dreht sich um Nachrichten und Politik. Das macht es zu einem hervorragenden Ort, um die öffentliche Meinung zu messen, insbesondere während des Wahlkampfs. Die Twitter-Stimmungsanalyse kann interessante Erkenntnisse darüber liefern, wie sich die Menschen zu einem bestimmten Kandidaten fühlen (und Sie können sogar die Stimmung im Laufe der Zeit verfolgen, um zu sehen, wie sie sich entwickelt).

Während der US-Wahlen 2016 haben wir mit MonkeyLearn eine Twitter-Stimmungsanalyse durchgeführt, um die Polarität von Twitter-Erwähnungen im Zusammenhang mit Donald Trump und Hillary Clinton zu analysieren. Zunächst konnten wir die Anzahl der positiven und negativen Erwähnungen für jeden Kandidaten während eines bestimmten Zeitraums zählen. Diese Grafik zeigt Trumps Tweets basierend auf der Stimmung:

 Trump Tweet count by sentiment

Im Gegensatz dazu zeigt die folgende Grafik die Anzahl der positiven, negativen und neutralen Erwähnungen für Hillary Clinton:

Clinton Tweet count by sentiment

Eine weitere relevante Erkenntnis bestand darin, die Tweets zu bestimmten Terminen, beispielsweise am Tag der Präsidentendebatte, zu analysieren und negative oder positive Reaktionen sowie die wichtigsten an diesem Tag genannten Schlüsselwörter zu beobachten.

Erste Schritte mit Twitter Sentiment Analysis

Mit Sentiment Analysis können Sie die Emotionen Ihrer Kunden auf Twitter überwachen und verstehen, wie sie sich fühlen. Es fügt den traditionellen Metriken, die zur Analyse der Leistung von Marken in sozialen Medien verwendet werden, eine zusätzliche Ebene hinzu und bietet Unternehmen leistungsstarke Möglichkeiten.

Ja, Sie könnten Daten manuell nach Stimmung sortieren, aber was passiert, wenn Ihre Daten zu wachsen beginnen? Die Stimmungsanalyse mit maschinellem Lernen ist einfach, schnell und skalierbar und kann konsistente Ergebnisse mit hoher Genauigkeit liefern.

Mit einer Plattform für maschinelles Lernen wie MonkeyLearn können Sie ganz einfach mit der Twitter-Stimmungsanalyse beginnen. Kontaktieren Sie uns noch heute und fordern Sie eine personalisierte Demo von einem unserer Experten an

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.