Wir sind ein Teil der SKOPOS GROUP für zeitgemäße Marktforschung.
Eine breit aufgestellte Unternehmensgruppe, die alle zeitgemäßen Marktforschungs-Dienstleistungen unter einem Dach vereint. Digital und innovativ. Von national bis international. Von Kunden-Befragung über UX-Research bis Insight-Community. Von Mitarbeiter-Befragung über Mystery-Shopping bis Customer-Experience und Data Science decken wir alle relevanten Themen und Methoden ab.
Leistungsumfang
Daten-Quellen
Kontinuierliche Customer-Experience-Befragungen (CX) erfassen laufend Feedback. Das manuelle Codieren von Kundenfeedback ist dabei bei wachsender Anzahl an Antworten sehr zeitraubend und kann den Erfolg des Projekts gefährden. Unsere automatisierte, auf Machine Learning basierende Codierung hilft deshalb dabei, tagesaktuelle Auswertungen über die wichtigsten Themenfelder zu erhalten.
Bei der Entwicklung eines individuellen Modells werden die branchenspezifischen, sprachlichen Besonderheiten von REWE beim Training berücksichtigt. Dank der von uns entwickelten Tableau-Reporting-Landschaft und der Integration dieser, steht bei REWE somit die Arbeit mit den Ergebnissen im Mittelpunkt. Wir kümmern uns um den ganzen Rest.
In diesem Case beschreiben wir detailliert wie wir vorgegangen sind und wie REWE bei der täglichen Arbeit mit Kundenfeedbacks von unserer Lösung profitiert.
Textanalysen schlagen im Feedback-Programm von REWE die Brücke zwischen klassischer Kundenbefragung an verschiedenen Touchpoints und eigentlicher Arbeit mit den Daten. Sie sind sozusagen die „Goldgrube“ des Projektes, in der viel Potential steckt. Hier kommen täglich mehrere tausend Interviews zusammen. Eine manuelle Auswertung dieser Feedbacks ist aufgrund der Größenordnung nicht möglich, vor allem in Hinblick auf tagesaktuelle Auswertungen. Um die Ergebnisse effektiv nutzen zu können, braucht es eine automatisierte Lösung, die auch die geschriebenen Texte berücksichtigt.
Die Ergebnisse müssen anschließend in eine bestehende Reporting-Landschaft integriert werden, aus der tagesaktuelle Ergebnisse genauso wie monatliche KPI-Berichte exportiert werden können. Die Verfügbarkeit der Ergebnisse ist dabei für alle Ebenen der Vertriebsstruktur besonders relevant, damit alle Stakeholder bei REWE mit den Ergebnissen tatsächlich arbeiten können. Um mit dem Kundenfeedback systematisch zu arbeiten hilft es deshalb nicht, lediglich die Marktforschungsabteilung einzubeziehen. Vielmehr liegt der Fokus darauf alle Mitarbeitenden von REWE, zum Beispiel Vertrieb oder Marketing einzubeziehen, damit sie mit den Ergebnissen aus der Textanalyse arbeiten und diese gegebenenfalls praktisch umsetzen können.
Um die Anforderungen von REWE optimal zu bedienen, haben wir eine individuelle, KI-gestützte Textanalyse-Lösung entwickelt. Mit unserer Erfahrung bei der Entwicklung von Machine Learning- und Textanalyse-Lösungen konnten wir REWE so optimal beraten und unterstützen. Herzstück sind dabei verschiedene Algorithmen, die im Zusammenspiel sehr genaue Zuordungen ermöglichen. So werden tagesaktuell eingehende Feedbacks systematisch Kategorien zugeordnet, die ein effizientes und strukturiertes Arbeiten mit den Kundenfeedbacks ermöglicht.
Damit der Prozess automatisiert läuft und sich die Enduser auf die Ergebnisse konzentrieren können, haben wir vom Training bis hin zur Implementierung alle Schritte übernommen, um REWE ein „All Inclusive“-Paket zu bieten. Das individuelle Training des Klassifikationsmodells erlaubt es uns, Besonderheiten aus der Lebensmittelbranche zu berücksichtigen und das Modell laufend weiterzuentwickeln.
Um verschiedene Perspektiven zu berücksichtigen, haben wir gemeinsam mit unterschiedlichen Stakeholdern von REWE über die Themen gesprochen, die sie interessieren, sowie bestehende Themenmodelle und Codepläne aus vergangenen Marktforschungsprojekten zusammengeführt. Außerdem war uns wichtig, dass wir verschiedene Perspektiven (Marktforschung, Customer Experience, Category Management, Marketing) integrieren und diese im Themenmodell abbilden. Hierbei waren die richtige Detailtiefe und die klare inhaltliche Abgrenzung von Themen besonders entscheidend. Der Fokus liegt darauf, dass innerhalb eines Themenmodells noch genug Platz ist, um kurzfristige Trends oder neue Themen zu identifizieren und einzugliedern.
Wenn man das Themenmodell definiert hat, muss dem Algorithmus beigebracht werden, wie er mit diesen Themen arbeiten soll. Und das passiert natürlich nicht ganz von allein. Um ein Machine-Learning-Modell zu trainieren, müssen zunächst Trainingsdaten erstellt werden: Dazu haben wir etwa 20.000 Feedbacks mit bis zu drei Codierern von Hand den abgestimmten Themenfeldern zugeordnet. Anhand dieser Beispiele lernt das Modell, wie die Kundenfeedbacks zu einzelnen Themen gehören. Beim Aufbau der Trainingsdaten steht also die manuelle Arbeit im Vordergrund.
In diesem Schritt geht es darum, das perfekte Modell zu finden. Über verschiedene Iterationen sind wir im Fall von REWE auf eine Kombination von verschiedenen Modelltypen gekommen – ein sogenanntes Ensemble-Modell. Das Ziel: Eine optimale Zuordnungsgenauigkeit erreichen. Dafür werden sowohl Convolutional Neural Networks als auch Gradient Boosting-Verfahren und Pattern Matching miteinander verbunden. Je nach Häufigkeit der Nennung der Themenfelder konnte eine Genauigkeit von bis zu 95% erreicht werden, was dem Niveau von manuellen Codierungen durch Menschen entspricht.
Ganz wichtig ist uns, dass mit den Daten gearbeitet wird. Dafür stellen wir sicher, dass alle Stakeholder auch mit den Daten arbeiten können, egal ob es sich dabei um die Marketing-Abteilung oder Marktleiter:innen handelt. Die Lösung ist ein interaktives Tableau-Dashboard, das allen Mitarbeitenden von REWE die Möglichkeit bietet, tief in die Daten einzusteigen, sich Daten im Zeitverlauf anzuschauen und bestimmte Subgruppen, Regionen oder Märkte zu betrachten. Ein weiterer Vorteil unseres Dashboards ist, dass die tagesaktuellen Ergebnisse, sowie monatliche KPI-Berichte leicht exportierbar sind und somit weiterverwendet werden können.
Um in möglichst vielen Szenarien das entwickelte Modell nutzen zu können, benötigen wir außerdem eine technische Infrastruktur mit verschiedenen Schnittstellen. Das Modell steht mittels OpenFaaS über eine REST API zur Verfügung. So können wir die Textanalyse eng an die Systeme bei REWE anbinden und auch direkt in die Befragung integrieren.
Im interaktiven Dashboard können Projekt-Team und REWE-User auf die Ergebnisse der Textanalyse zugreifen. So können Fragestellungen einfach und zielgerichtet untersucht werden: Weshalb hat sich ein Thema verbessert? Welche Ausreißer gab es im Zeitverlauf? Welches Feedback geben Kund:innen zu einzelnen Aktionen?
Mit verschieden Filter- und Vergleichsmöglichkeiten ist das Dashboard individuell zugeschnitten auf die Anforderungen der User.
Es stehen verschiedene Analyse-Möglichkeiten im Dashboard zur Verfügung. Neben Häufigkeiten im Zeitverlauf, stehen auch Portfolio-Darstellungen und Treiberanalysen zur Auswahl. Mittels ‘Trending Topics’ lassen sich kurzfristig aufkeimende Themen schnell erkennen und untersuchen.
Am Ende stehen die O-Töne für eine qualitative Auswertung zur Verfügung. Dies schafft zusätzliche Akzeptanz bei Usern, die so einen ungefilterten Blick auf das Feedback ihrer Kund:innen erhalten.
Hat Dich der Case inspiriert? Oder hast Du einen anderen Anwendungsfall, den Du gerne mit uns besprechen möchtest?
Super! Schreib uns einfach, was Dich umtreibt bzw. auf welche Fragestellung Du eine Antwort suchst. Wir melden uns so schnell wie möglich bei Dir.
