Handel
Data Science beschleunigt die Welt.
Wir synchronisieren Ihr Unternehmen.
Handel
Kontinuierliche Customer-Experience-(CX)-Befragungen 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 ihrer Integration, 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.
Automatisierte Textanalysen für zielführende Erkenntnisse
Sie haben eine Vielzahl an unstrukturierten Texten? All diese Texte zu lesen und systematisch auszuwerten, kostet viel Zeit, Geld und Know-how. Mit unseren Textanalysen bekommen Sie in kürzester Zeit eine tagesaktuelle Auswertung. Wie wir das machen? Wir bieten Ihnen KI-basierte, automatisierte Textanalysen, um aus Produktbewertungen, Reviews und Freitextfeldern in kurzer Zeit zielführende Erkenntnisse zu gewinnen.
Textanalysen schlagen im Feedback-Programm von REWE die Brücke zwischen klassischer Kundenbefragung an verschiedenen Touchpoints und der eigentlichen 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 sie gegebenenfalls praktisch umsetzen können.
SKOPOS ELEMENTS unterstützt uns seit einigen Jahren bei der Analyse unserer gesamten Datenbasis und erschafft uns damit einen 360-Grad Blick auf unsere Daten, der es uns ermöglicht, eine Basis für operative Maßnahmen und strategische Entscheidungen zu schaffen. Ein besonders wichtiger Teil der Zusammenarbeit sind die modernen, KI-gestützten Textanalysen, die uns dabei helfen, den sich ändernden Ansprüchen der Märkte erfolgreich zu begegnen. Das macht die Textanalyse innerhalb des Feedback-Programmes zu einem zentralen Element. Mit der Vision einer Weiterentwicklung hin zur Betrachtung der gesamten Customer Journey sind die Analysen von SKOPOS ELEMENTS zu einem unverzichtbaren Teil der Gesamtstrategie von REWE geworden.
Bastian Morasch
Product Owner Customer Feedback von REWE Group Handel Deutschland
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 ermöglichen.
Damit der Prozess automatisiert läuft und sich die End-User 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 und haben bestehende Themenmodelle und Codepläne aus vergangenen Marktforschungsprojekten zusammengeführt. Außerdem war uns wichtig, dass wir verschiedene Perspektiven (Marktforschung, Customer Experience, Category Management, Marketing) integrieren und sie 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 zu 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.
OpenFaas im Einsatz
Wir haben Michael, unseren Experten für Machine- und Deep-Learning-Modelle, gefragt, wie OpenFaas die Nutzung von Machine-Learning Modellen und ähnlichen Funktionen der Datenverarbeitung einfacher gestaltet, welche Vorteile sich daraus ergeben, wie die Plattform überhaupt funktioniert und an welchen Stellen auch er manchmal noch vor einigen Herausforderungen steht.
Im interaktiven Dashboard können Projekt-Teams 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 auf die Anforderungen der User zugeschnitten .
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.
Automatisierte Textanalysen für zielführende Erkenntnisse
Sie haben eine Vielzahl an unstrukturierten Texten? All diese Texte zu lesen und systematisch auszuwerten, kostet viel Zeit, Geld und Know-how. Mit unseren Textanalysen bekommen Sie in kürzester Zeit eine tagesaktuelle Auswertung. Wie wir das machen? Wir bieten Ihnen KI-basierte, automatisierte Textanalysen, um aus Produktbewertungen, Reviews und Freitextfeldern in kurzer Zeit zielführende Erkenntnisse zu gewinnen.
Dr. Christopher Harms
Co-Founder & Managing Director
Kontaktieren Sie uns für eine individuelle Beratung
Sie müssen den Inhalt von reCAPTCHA laden, um das Formular abzuschicken. Bitte beachten Sie, dass dabei Daten mit Drittanbietern ausgetauscht werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von Facebook. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie müssen den Inhalt von reCAPTCHA laden, um das Formular abzuschicken. Bitte beachten Sie, dass dabei Daten mit Drittanbietern ausgetauscht werden.
Mehr Informationen