Analyse sozialer Netze

Damit eine derartige Analyse automatisch abläuft, sind laut Martin drei Applikationen nötig: Ein Crawler, der das Web nach vorgegebenen Kriterien durchsucht, ein Data Warehouse, das die Daten speichert, sowie Module für die Textanalyse, welche die Daten untersuchen und aufbereiten. „Die Crawler ziehen wie ein Staubsauger die Daten aus dem Internet ab", erklärt Martin. Damit das kein Webmaster merkt und womöglich Gegenmaßnahmen ergreift, können sie auch bewusst langsam arbeiten, um einen menschlichen Leser vorzutäuschen."

Die Auswertung der unstrukturierten Informationen im Data Warehouse übernehmen Applikationen für die Textanalytik: „Die Tools kombinieren linguistische Verfahren von Suchmaschinen mit Data und Text Mining sowie maschinellem Lernen", erläutert Martin. Im ersten Schritt identifizieren sie Identitäten, also zum Beispiel Personen, Wohnort und Hobbys. Sie erkennen Beziehungen zwischen den Entitäten sowie positive oder negative Stimmungen. Im nächsten Schritt bauen sie Klassifikationen auf und visualisieren die Ergebnisse. „So erkennen die Unternehmen ihr Image in den sozialen Netzen und sehen, wo die Meinungsmacher aktiv sind", so Martin.

Dem Text Mining sowie der Sentiment Analysis, also der Erforschung der Meinungsbildung, widmen sich sowohl Spezialhersteller als auch die klassischen Analyse-Champions, wie Martin berichtet. „In Deutschland sind hier beispielsweise Rapid-I aktiv, ein Spin-Off der Universität Dortmund, sowie Texttech, ein Spin-Off der Uni Leipzig, und die französische Temis Group." Diese Unternehmen analysieren, welche Meinungen über Produkte und Hersteller in den Blogs vorherrschen. Auftraggeber sind unter anderem der Daten- und Adresshändler Schober oder die Gesellschaft für Konsumforschung.

Bei den klassischen Data-Mining-Anbietern nennt Martin IBM-SPSS, SAS Institute und SAP Business Objects. Auch der Dokumentenmanagement-Anbieter Opentext bewegt sich über die Technologie des im Februar dieses Jahres übernommenen Analyseanbieters Nstein in Richtung Textanalytik. „Data Mining machen wir schon lange, die Integration von strukturierten und unstrukturierten Daten ist das Feld der Zukunft", berichtet Michael Unger, Account Executive SPSS bei IBM Deutschland.

IBM bietet Unternehmen Komplettlösungen wie IBM SPSS Modeler Premium und IBM Content Analytics an, welche unstrukturierte Daten aus dem Internet oder aus unternehmensinternen Kundeninformationen mit den strukturierten Kundendaten zusammenführen und gemeinsam auswerten. Über die Konnektoren von IBM Content Analytics lassen sich neben den Kundeninformationen auch Textdaten aus anderen Beständen in die Analyse einbeziehen.

Das Crawling, also das Absaugen von Informationen aus dem Internet, erledigt IBM mit der Technologie eines Partnerunternehmens. Big Blue selbst konzentriert sich auf das Text Mining: „Unsere Text-Mining-Kapazitäten haben wir unter anderem durch den Zukauf des Anbieters Lexiquest gezielt ausgebaut", berichtet Unger. „Inzwischen kann unsere Lösung nicht nur nach Stichworten suchen, sondern sie versteht über Natural Language Processing den Bedeutungszusammenhang ganzer Sätze. So finden wir heraus, ob eine Aussage positiv oder negativ ist." Der Unterschied: Während statistische Lösungen lediglich zählen, wie häufig bestimmte Stichworte in einem Text auftauchen, deckt Natural Language Processing (NLP) über linguistische Verfahren die Mehrdeutigkeit von Texten auf. Über eine semantische Analyse erkennt NLP auch Worte, die je nach Kontext eine völlig unterschiedliche Bedeutung haben. Das Verfahren unterscheidet beispielsweise, ob das Wort Bank eine Sitzgelegenheit oder ein Geldinstitut bezeichnet.

Als Kundenbeispiel nennt Unger den Autohersteller BMW: Das Unternehmen durchsuche Blogs, um herauszufinden, was die Fahrer beim Modell Mini stört. „Eine Analyse hat beispielsweise ergeben, dass Fahrer mit sehr großen Füßen Probleme mit dem Abstand zwischen Gas- und Bremspedal haben", erinnert sich Unger. „Diese Ergebnisse werden direkt in die Produktentwicklung zurück gespiegelt." Mit einem solchen Wissen könnten beispielsweise bei einem Problem mit fehlerhaften Gaspedalen sehr schnell Gegenmaßnahmen eingeleitet werden. Als weitere Anwender nennt Unger Mobilfunkanbieter, welche die Qualität ihres Kundendiensts prüfen, und Finanzinstitute, die Kundenpräferenzen sowie das Image ihrer Beratung erforschen.

Auch der Analysespezialist SAS Institute hat vor wenigen Wochen unter dem Namen SAS Social Media Analytics eine Applikation für die Analyse von Xing, Twitter & Co vorgestellt. „Unsere Lösung wertet Inhalte im Web 2.0 aus und führt eine Sentiment Analysis durch", berichtet Karsten Winkler, Business Expert im Competence Center Customer Intelligence bei SAS Deutschland. „Sie kategorisiert Inhalte, so dass Unternehmen erkennen, ob ihre Produkte dort eher in einem positiven oder einem negativen Licht erscheinen."

Technisch funktioniert die Applikation von SAS Institute ähnlich wie das Pendant von IBM SPSS. In einem Document Warehouse werden Texte und andere unstrukturierte Daten abgelegt. Für die Analyse werden diese Informationen mit Metadaten, beispielsweise einer Produkthierarchie oder der Historie der Produktentwicklung angereichert. „Bei der Analyse setzen wir auf automatisierte Verfahren, die durch manuelle Regeln ergänzt werden", erklärt Winkler. „Wir verbinden die automatisch gesammelten Internet-Informationen mit Kundenwissen von Branchenexperten. So erzielen wir bei der Kategorisierung eine sehr hohe Qualität."

Die aggregierten Ergebnisse stellt die SAS-Lösung in einem Unternehmensportal dar. „Unsere Endbenutzer kommen aus der Marketing-Abteilung sowie aus der Wettbewerbsbeobachtung", so Winkler. „Sie interessieren sich nicht für textanalytische Feinheiten, sondern wollen die Ergebnisse einfach und verständlich in einem grafischen Dashboard sehen."

SAS Institute hat für diese Lösung zwar noch keine Referenzkunden, verweist aber auf Gespräche mit amerikanischen Banken und Hotelketten. Die Banken wollen wissen, ob und wie durch die Finanzkrise ihre Beratungsthemen negativ besetzt sind. Die Hotels interessieren sich dafür, wie Reisende in Verbraucherportalen die Qualität von Unterkunft, Verpflegung und Service beurteilen.

Auch wenn die Text-Mining-Lösungen beispielsweise von IBM und SAS Institute dem Namen nach als Komplettlösungen daherkommen, heißt das nicht, dass diese Applikationen Out of the Box einsatzbereit sind, wie Martin beschreibt: „Diese Art der Analyse stellt im Moment ein arbeitsintensives und sehr lohnendes Feld für Consulter dar. Eine individuelle Beratung ist notwendig, bis einerseits die Unternehmen entsprechende Kenntnisse aufgebaut haben und andererseits die Hersteller ihre Tools soweit standardisiert und parametrisiert haben, dass die Anwender damit aus vordefinierten Bausteinen bestimmte Klassen von Lösungen erstellen können."

„Zur Projektvorbereitung arbeiten unsere Berater etwa drei bis vier Wochen mit dem Kunden zusammen", erklärt SAS-Manager Winkler. Die Hauptaufgabe dabei ist das Anpassen der Vokabularsammlung und der Taxonomien, also der Klassifizierung der Begriffe in bestimmte Kategorien. „Wir haben zwar einige vordefinierte Sprachpakete, diese müssen aber immer auf den konkreten Anwendungsfall beim Kunden zugeschnitten werden", erklärt Winkler. Im Lauf der Zeit entstehen aus solchen Anpassungen Branchenpakete, die sich dann an mehrere Finanzinstitute oder Hotelketten verkaufen lassen. Dabei sind dann die Grundfragen bereits vordefiniert, und die Anpassung beschränkt sich auf die individuellen Fragestellungen eines Unternehmens. „Die Grundfragen einer Branche sind ähnlich, aber die Details unterscheiden sich", erläutert Winkler. „Bei der Deutschen Bank wird es beispielsweise wesentlich stärker um Investment-Banking gehen als bei einer Sparkasse."

Ähnlich argumentiert IBM-Manager Unger: „Für die Strukturierung und Kategorisierung beim Text Mining haben wir Standardmodule für die Wort- und Spracherkennung. Um die Ergebnisse zu optimieren, empfiehlt sich allerdings ein individuelles Finetuning. Vor kurzem habe ich beispielsweise ein Pilotprojekt für einen Hersteller von Kaffeeautomaten aufgesetzt. Da mussten wir jede Menge Spezialbegriffe im Vokabular unterbringen." Für den Crawler hingegen fällt die Vorarbeit geringer aus: Ein Unternehmen muss lediglich definieren, welche Blogs und Foren in einem bestimmten Zeitraum ausgelesen werden sollen.

Während die Textmining-Anbieter bei der Projektvorbereitung ähnlich argumentieren, unterscheiden sich ihre Ansichten beim Betriebsmodus der Applikation, also der Frage, ob die Anwendung im On-Demand-Modus oder im Rechenzentrum des Kunden läuft. „Unsere Lösung startet immer als On-Demand-Lösung in einem spezialisierten Rechenzentrum in den USA oder Europa", berichtet SAS-Manager Winkler. „Für Unternehmen, welche die Applikation inhouse betreiben wollen, entwickeln wir ein Migrationsszenario." Für den Start im On-Demand-Modus spricht laut Winkler die Tatsache, dass Spezialisten für Textanalytik bislang nur in sehr wenigen Unternehmen verfügbar sind. „Der Kunde nutzt das Wissen von SAS und kann damit sehr schnell starten. Gleichzeitig halten sich typische Inhouse-Anwender wie Banken und Versicherungen einen späteren Systemumzug ins eigene Haus offen."

IBM streicht zwar seit Jahren die Vorteile von On-Demand-Computing heraus, doch beim Text Mining äußert Unger keine Präferenz in Sachen IT-Delivery: „Wir sind in alle Richtungen offen. Wenn ein Kunde die Lösung als Application Service Providing haben will, bekommt er das. Ebenso gerne liefern wir Inhouse-Lösungen aus." Eine Hürde für Inhouse-Anwender sind allerdings die enormen Datenmengen, die schnell die Petabyte-Schwelle überspringen. Sowohl IBM als auch SAS empfehlen daher, dass Unternehmen nicht die Volldaten speichern, sondern lediglich die aggregierten Ergebnisse: „Für die kurzfristige Historie wird man mehr Details speichern wollen. Langfristig interessieren aber eher die Ergebnisse", erklärt Unger.

Ausschließlich auf den On-Demand-Betrieb setzt hingegen der Cloud-Computing-Pionier Salesforce mit dem 2009 vorgestellten Produkt Salesforce CRM for Twitter.

Diese Applikation zielt auf den Kundendienst. Sie hilft Unternehmen, die Millionen täglicher Tweets zu durchsuchen. Wurde ein relevanter Beitrag identifiziert, zeichnet das System den ursprünglichen Eintrag sowie alle Antworten darauf auf. Schließlich können Unternehmen über Salesforce CRM for Twitter bei technischen Problemen mit ihren Produkten den Anwendern Lösungsvorschläge unterbreiten.

Nach Vorstellung von Salesforce soll diese sogenannte Service Cloud die klassischen Call Center erweitern. Der Grundgedanke lautet, die unternehmensinterne Wissensbasis um externe Inhalte zu ergänzen. Durch die Kombination von Salesforce-Applikationen mit Google, Facebook und Twitter werden relevante Unterhaltungen identifiziert und das Wissen von Experten aus der Community angezapft.

„Nur maßgeschneiderte Werkzeuge, die sich nahtlos in das Web einfügen, erlauben es Unternehmen wirklich an ihre Communities heranzurücken und Marktentwicklungen rechtzeitig aufzuspüren", argumentiert Joachim Schreiner, Area Vice President Central Europe von Salesforce."Traditionelle Software ist solchen Anforderungen aufgrund ihrer Starrheit und Artfremdheit gegenüber dem Internet nicht gewachsen. Eine passende Lösung kann entsprechend der Natur der neuen Kommunikationskanäle nur webbasiert sein." jf