Abstract
Die Meinungsvielfalt und die Meinungsverbreitung insbesondere von Konsumenten über Produkte und Dienstleistungen im World Wide Web macht es für Unternehmen notwendig, diese Bewertungen in Form von objektiven und subjektiven Meinungen zu identifizieren und zu klassifizieren. Im Fokus dieser Arbeit steht hierbei die subjektive Meinungsanalyse im Teilgebiet des Opinion Mining und seiner untergeordneten Teildisziplin dem Sentiment Classification. Die Arbeit nimmt eine Einführung in die Begriffswelt dieser Forschungszweige vor und gibt einen Überblick über aktuelle automatisierte Identifikations-, Analyse- und Auswertungsansätze. Die Ergebnisse dieser automatisierten Analyseverfahren beeinflussen die Marketingaktivitäten von Unternehmen, so dass ein weiterer Bestandteil der Arbeit das Aufzeigen von Implikationen im Marketingkontext sowie die Darstellung einiger Anwendungsbeispiele im Marketing-Mix ist. Ferner zeigt die Arbeit die Schwächen und offenen Fragestellungen der automatisierten Meinungsanalyse, sodass ein Ausblick weiteren Forschungsbedarf in diesem Themengebieten erläutert.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung und Zielsetzung
1.2 Aufbau der Arbeit
2 Theoretische Grundlagen der Sentiment Classification
2.1 Einordnung und Begriffserläuterungen
2.2 Methodischer Verarbeitungsprozess
3 Methoden der Sentiment Classification
3.1 Methoden auf Dokumentebene
3.2 Methoden auf Satzebene
3.3 Methoden auf Wortebene
4 Anwendung im Marketingkontext
4.1 Paradigmenwechsel in der Marketingkommunikation
4.2 Anwendungsmöglichkeiten der Sentiment Classification
5 Fazit und Ausblick
Zielsetzung & Themen
Diese Bachelorarbeit adressiert die Notwendigkeit für Unternehmen, die enorme Menge an subjektiven Kundenmeinungen im Internet durch automatisierte Verfahren zu identifizieren und zu klassifizieren, um daraus strategische Marktvorteile abzuleiten. Die Arbeit untersucht den aktuellen Forschungsstand zu Methoden des Opinion Mining und der Sentiment Classification und analysiert deren praktische Anwendungsmöglichkeiten im modernen Marketing-Mix.
- Grundlagen und Definitionen der automatisierten Meinungsanalyse (Sentiment Classification)
- Vergleich verschiedener technischer Analyseverfahren (Dokument-, Satz- und Wortebene)
- Analyse des Paradigmenwechsels in der Marketingkommunikation durch Web 2.0
- Anwendungsbeispiele für Sentiment Classification im Marketing-Mix (Produkt-, Preis-, Distributions- und Kommunikationspolitik)
- Diskussion von Herausforderungen, Grenzen und zukünftigem Forschungsbedarf
Auszug aus dem Buch
3.1 Methoden auf Dokumentebene
Methoden auf Dokumentebene haben das Ziel, das gesamte Dokument auf die allgemeine Stimmung des Kunden zu untersuchen. Das Dokument ist eine Informationseinheit mit einer Objektbewertung eines Konsumenten. Um die Stimmungspolarität eines Dokuments zu klassifizieren, werden Methoden des maschinellen Lernens, des überwachten und des nicht-überwachten Lernens verwendet. Eine auf überwachtem Lernen basierende Methode wurde von Pang et al. (2002) entwickelt. Hier wurden drei verschiedene Muster in drei verschiedenen Klassifikationsalgorithmen, dem Naïve-Bayes Algorithmus, dem Vector Support Machines Algorithmus und dem Maximum Entropy Algorithmus angewendet. Ziel war es, Kundenmeinungen basierend auf Bewertungen der Kinofilmen-Domäne in zwei Dokumentkategorien, positive und negative Meinungen, einzuteilen.
Der Naïve-Bayes Algorithmus errechnet auf Basis von Trainingsdaten die Wahrscheinlichkeit eines Wortes in den zu analysierenden Textdokumenten. Das Wort klassifiziert das gesamte Dokument in einer der definierten Polaritäten. Der Vector Support Machines Algorithmus bestimmt anhand von Wörtern aus Trainingsdaten eine Trennfunktion. Die Trennfunktion repräsentiert die Abgrenzung von zwei Polaritätsklassen. Bei der Analyse der Dokumente wird für jedes Wort die Vektorenlänge zur Trennfunktion errechnet. Die Vektorenlänge bestimmt die Polarität eines Dokumentes. Der Maximum Entropy Algorithmus ist eine Alternative des Naïve-Bayes Algorithmus. Jedoch werden hier die Wörter gewichtet, mit der dieses Wort die Polarität des Dokumentes beeinflusst. Die höchste Genauigkeit des überwachten Lernens liefert der Vector Support Machines Algorithmus von 83%. Die Genauigkeit ist ein Maß der intrinsischen Datenqualität und zeigt wie korrekt und zuverlässig die Daten für konkrete Aufgaben angesehen werden.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Relevanz der automatisierten Meinungsanalyse im Web 2.0 ein und definiert die Problemstellung sowie das Ziel der Arbeit.
2 Theoretische Grundlagen der Sentiment Classification: Dieses Kapitel erläutert fachliche und technische Begriffe der Meinungsanalyse und beschreibt den allgemeinen schematischen Verarbeitungsprozess.
3 Methoden der Sentiment Classification: Hier werden verschiedene Ansätze zur Stimmungsanalyse detailliert nach Dokumenten-, Satz- und Wortebene differenziert dargestellt.
4 Anwendung im Marketingkontext: Dieses Kapitel analysiert den Paradigmenwechsel in der Kommunikation und zeigt konkrete Anwendungsmöglichkeiten der Sentiment Classification für die verschiedenen Instrumente des Marketing-Mix auf.
5 Fazit und Ausblick: Das Fazit fasst die Erkenntnisse zusammen, diskutiert Nachteile und Herausforderungen und gibt einen Ausblick auf die zukünftige Entwicklung und Forschungsnotwendigkeit.
Schlüsselwörter
Sentiment Classification, Opinion Mining, Marketing, Web 2.0, Kundenmeinungen, Maschinelles Lernen, Textanalyse, Polarität, Produktattribute, Marketingkommunikation, Automatisierte Analyse, Kundenrezensionen, Datenqualität, Informationsgewinnung, Algorithmen
Häufig gestellte Fragen
Worum geht es in dieser Bachelorarbeit grundsätzlich?
Die Arbeit befasst sich mit der automatisierten Identifikation und Klassifizierung von subjektiven Kundenmeinungen im Internet, dem sogenannten Sentiment Classification, und dessen Bedeutung für moderne Marketingstrategien.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Felder sind die Grundlagen des Opinion Minings, die technischen Analysemethoden (auf Dokument-, Satz- und Wortebene) sowie die konkrete Anwendung dieser Erkenntnisse im Marketing-Mix.
Was ist das primäre Ziel der Forschungsarbeit?
Ziel ist eine aktuelle Bestandsaufnahme der theoretischen Forschungsarbeiten über automatisierte Methoden zur Analyse subjektiver Kundenbewertungen und das Aufzeigen der daraus resultierenden Implikationen für das unternehmerische Marketing.
Welche wissenschaftliche Methode kommt zum Einsatz?
Die Arbeit basiert auf einer fundierten Literaturrecherche und Bestandsaufnahme der existierenden Ansätze des maschinellen Lernens und linguistischer Analyseverfahren für das Opinion Mining.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische Einordnung, eine detaillierte methodische Erläuterung der Analyseansätze (z.B. Naïve-Bayes, Vector Support Machines) und eine anschließende Übertragung dieser Verfahren auf Anwendungsfälle im Marketing.
Durch welche Schlüsselwörter lässt sich die Arbeit am besten charakterisieren?
Zu den Kernbegriffen zählen Sentiment Classification, Opinion Mining, Marketing, Kundenrezensionen, Maschinelles Lernen und Marketing-Mix.
Welchen Vorteil bietet die automatisierte Analyse für das Unternehmen gegenüber manuellen Befragungen?
Sie ermöglicht eine effiziente Auswertung einer riesigen Informationsbasis aus Foren, Blogs und Netzwerken in Echtzeit, wodurch aufwendige und kostenintensive manuelle Marktforschungsstudien oder Fokusgruppen teilweise ersetzt werden können.
Wie unterscheidet sich die Analyse auf Wortebene von der auf Dokumentebene?
Während die Dokumentebene die Stimmung eines gesamten Textes als eine Einheit erfasst, ermöglicht die Wortebene eine detaillierte Analyse spezifischer Produktattribute, was tiefere Einblicke in Kundenwünsche oder Kritikpunkte erlaubt.
- Quote paper
- Veronika Hefle (Author), 2011, Sentiment Classification - Anwendung im Marketingkontext, Munich, GRIN Verlag, https://www.hausarbeiten.de/document/183063
