Die Lösung

Unsere individuelle Lösung für SEAT besteht aus verschiedenen Machine-Learning-Verfahren, die miteinander kombiniert werden, um ein handlungsleitendes Ergebnis zu erhalten. Aus den automatisiert ins Englische übersetzten Texten werden mittels vortrainierter Sprachmodelle und Netzwerkanalysen Aspekte extrahiert, über die die befragten Kunden sprechen. Eine Aspekt-basierte Sentiment-Analyse gibt Auskunft darüber, ob Kunden über die genannten Themen eher positiv oder eher negativ sprechen. Diese Informationen fließen in ein Treibermodell ein, das die angesprochenen Themen mit der abgefragten Kundenzufriedenheit in Verbindung bringt.

So erhält SEAT nicht nur einen Überblick, welche Themen wie oft genannt wurden, sondern auch Erkenntnisse darüber, wie wichtig diese Themen für die Kundenzufriedenheit und mittelfristig für die Kundenbindung sind.

Die Umsetzung

Um die Daten für unsere Analyse nutzbar zu machen, haben wir mit Alteryx einen einfachen ETL-Prozess entwickelt, der die Daten aus der Befragung extrahiert und für die nachfolgenden Schritte vorbereitet. Die eigentliche Textanalyse-Lösung wurde mittels Python entwickelt und verbindet frei verfügbare Sprachmodelle mit selbst entwickelten Analysen und neu trainierten Modellen. Während jeder Baustein für sich bereits einen wichtigen Einblick in die Kundenwahrnehmung erlaubt, entsteht der besondere Mehrwert unserer Analyse durch die Verbindung der Einzelteile. Wie ein Motor, der aus einer Vielzahl verschiedener Bausteine zusammengesetzt ist, um Dich von A nach B zu bringen.