Aktueller Status des Einsatzes von künstlicher Intelligenz Social Media Analytic Tools

Über 7.000 Tools sind zur Zeit am Markt verfügbar die Social Media Daten, Inhalte und Sentiments (Stimmungen) analysieren, optimale Postingzeiten und Netzwerke identifizieren und Content generieren. Diese übernehmen die automatisierte quantitative und qualitative:

• Datensammlung
• Datenstrukturierung
• Datenverknüpfung
• Datenkorrelation
• Datenanalyse und
• Datengenerierung,

mit dem Ziel (potentielle) Kunden / Zielgruppen zu identifizieren und diese von der Marke, dem Produkt oder der Dienstleistung so zu verstehen, zu begeistern, zu binden, dass diese es Kaufen und aktiv in den Social Media-Kanälen durch Kommentare und Posting bewerben. Die Wahrscheinlichkeit ist immer noch am Höchsten, dass Content zu Kaufentscheidung führt, wenn dieser in Form von Postings von echten Menschen, die nur Nutzer der Plattform sind, geschaffen wird.

Drei verschiedene Formen der Datenanalyse werden unterschieden.

Echtzeit Datenanalyse

In der Echtzeit Datenanalyse werden all die Informationen gewonnen, die für ein direkte reaktive Marketing Maßnahmen wichtig erscheinen.

Das ist zum Beispiel wichtig für:

• Krisenmanagement,
• Reaktion auf Beschwerden,
• Verfolgung/Befeuerung von Trends
• Identifizierung / Gewinnung von Influencer
• Optimierung der Postings, Channels, Zielgruppen etc.

Historische Datenanalyse

Die Ergebnisse der historischen Datenanalyse dienen der Optimierung der bisherigen Marketingmaßnahmen:

• Analyse der Beziehung zwischen verbrauchergenerierten Inhalten und Verkaufsergebnis
• Trendanalyse
• Erfassung der Kundenstimmungen (Sentiments),
• Plattform Verortung, Zahl der Follower,
• Demografie und Geolokalisierungen
• Identifizierung profitabler Kunden- Gruppen,
• Influencer-Analyse
• etc.

Predictive Daten

Ziel der predictiven Analyse ist die Entwicklung der Konversionen und Posts der nächsten Minuten, Stunden, Tage und Woche zu berechnen. Diese prediktive Berechnung dient der Früherkennung von aufkommenden Bedürfnissen und Trends:

Dies ist zum Beispiel wichtig für:

• Themen
• Verändertes Kundenverhalten
• Neue Influencer
• Neue Channels
• Produkte
• Pricings
• Etc.

Die Social Media Datenanalyse ist auch für die Beaobachtung des Wettbewerbs wichtig.

In Bezug auf den Wettbewerb können auch eine Fülle von spannenden Informationen gewonnen werden. Hier werden operative Informationen zum Monitoring von: Preisen, Kampagnen, Produkten, News Alerts, Schlagzeilen, Beförderungen, Fusionen, Akquisitionen, etc. gewonnen. Hier ist zum Beispiel das Ziel umgehend z.B. auf neue Kampagnen des Wettbewerbs zu reagieren.

Die Historische Datenanalyse wird durchgeführt um strategische und taktische Informationen gewinnen. Wie zum Beispiel:

• Trends
• Analyse der Reaktionen von Verbrauchern auf die Produkte, Preise etc. der Wettbewerber
• Trendanalyse der Wettbewerber
• Preisgestaltung
• Entwicklung neuer Produkte
• Kunden-Dienstleistungen,
• Technologie-Entwicklung
• Etc.

Zur Früherkennung von Aktivitäten des Wettbewerbs oder dem Aufkommen von neuen Wettbewerbern dient die prediktive Analyse. Ziel ist es Marketingkampagnen und –maßnahmen, Kooperationen, Produkte und Services, Neue Märkte, etc. möglichst früh zu erkennen.

Die Tools, die hierzu eingesetzt werden, um auch präzise die Inhalte der Postings, Conversionen, Video und Potcasts zu heben und auch Word-Print Analysen um das Schreibmuster der Sentiments und Postings jedes Einzelnen zu erkennen und zu interpretieren. Verhalten zu analysieren, verwendete Attribute und Hashtags einzuordnen basieren auf Methoden der Statistik. Einige Tools verwenden Methoden der künstlichen Intelligenz und hier primär Methoden des Machine Learnings.

Einsatz Künstlicher Intelligenz bei Social Media Analytic Tools

Auch wenn es keine allgemeingültige Definition von künstlicher Inteligenz gibt, ist folgende Beschreibung von SAS sinnvoll, um ein grundlegendes Verständnis dieser Methoden zu gewinnen. Künstliche Intelligenz (KI) versetzt Maschinen in die Lage, aus Erfahrung zu lernen, sich auf neu eingehende Information einzustellen und Aufgaben zu bewältigen und von sich aus Lösungen zu entwickeln.

Die Methoden, die am häufigsten bei Social Media Analytic Tools einsetzt werden, sind jene des Maschinellen Lernens. Die Methoden des Maschinellen Lernens verfügen nach Vera Demberg über folgende Eigenschaften:

• Künstliche Generierung von Wissen aus Erfahrung
• Erkennung komplexer Muster und Regelmäßigkeiten in vorhandenen Daten
• Ziel: Verallgemeinerung (Generalisierung) ̈ Uber das Nachschlagen bereits gesehener Beispiele hinausgehen
• Beurteilung unbekannter Daten
• Beispiele:Die Gleichung einer Geraden anhand zweier Punkten bestimmen.
• Die Bedeutung eines Wortes in einem neuen Text basierend auf derBedeutung des Wortes in anderen Texten bestimmen

Im Rahmen der Methoden des Maschinellen Lernens greifen die Social Media Analytic Tools auf symbolische Methoden zurück. Symbole sind zum Beispiel Phrasen, Wörter oder Zahlen.

Auffällig ist das Social Media Analytic Tools sehr häufig mit KI werben aber bezüglich Datenhebung, Datenauswertung und Datengenerierung häufig „nur“ auf statistische Verfahren zurückgreifen. Aber der Einsatz dieser statisitischen Methoden ist auch schon im Ergebnis sehr hilfreich, aber intelligent sind diese Tools deshalb nicht. Es ist sinnvoll zwei – drei Tools mit ähnlichen Funktionalitäten zu verwenden und zu vergleichen welche in der Ausführung die besseren, weil wirksameren Ergebnisse liefern. Die Unterschiede können hier sehr beträchtlich sein. Ausschlaggebend ist hier nicht der Markenname, sondern wie häufig das Tool in ähnlichen Fragestellungen von anderen Kunden bereits eingesetzt worden ist, je häufiger das der Fall war, desto besser werden möglicherweise die Ergebnisse sein.

In dieser (siehe Titelbild) komprimierten Entscheidungsbaum-Darstellung der eingesetzten Machine Learing Methoden, sind die am Häufigsten der Sentiment Analyse eingesetzte fett markiert.

Ziel von Sentiment Analysen ist es Stimmungen, Gefühlsorientierung und die Gefühlsubjektivität (Meinungen versus Tatsachen) in den Kommentaren und Postings und Kommentaren zu identifizieren, bzw. das Chatbots bei bestimmten z.B. Themen gewünschte Gefühle, Stimmungen und Gefühl-Subjektivitäten äußern.

Sehr fortschrittliche Systeme generieren in Millisekunden die User Stories und den Content von Webseiten und den Inhalt von Artikeln, wie auch Audios und Videos passend zum User.

Exkurs Chatbots

Chatbots bieten eine Konversationserfahrung, bei der künstliche Intelligenz und natürliche Sprachverarbeitung (Natural Language Processing NLP) eingesetzt werden, um Gespräche mit echten Menschen zu führen. Kanäle in denen Chatbots eingesetzt werden sind u.a.:

Amazon Alexa, Android chat, Cortana, Discord, Facebook Messenger, Google Assistant, iOS Chat, IVR by Twilio, IVR by Nexmo, IVR by Cisco, LINE, Microsoft Teams, MS Bot Framework, Skype, Slack, SMS by Nexmo, Telegram, Twitter, Wechat, WhatsApp, etc.

Chat Bots können über Conntectors an andere Unternehmenssoftware-Lösungen angebunden werden: Blue Prism, UiPath, Salesforce.com, SAP, Amadeus, Bold360, Cention, Live Chat Inc., LivePerson, Google ASR, Amazon, Apple, Microsoft, Nuance, and RightNow.

Diese Anbindungen haben viele Vorteile. Die Social Plattform Ausrichtung der Chatbots kann optimiert werden. Oder wenn der Chatbot im Kundenservice eingesetzt wird, kann dieser zum Beispiel Veränderungen z.B. in der Preisgestaltung, der Verträge, etc. sofort berücksichtigen. Ist der Chatbot an das CRM-System eines Unternehmens angebunden, dann ist dieser umgehend über die Kundenhistorie und laufende Verträge im Bilde.

Chatbots werden mit unterschiedlicher Zielrichtung eingesetzt

Verbesserung der Kundenaquisition

• Optimierung des Points of Sale
• Wahrnehmung als innovatives und fortschrittliches Unternehmen
• Befähigung direkt auf Kundenanfragen möglichst optimal zu reagieren und damit die Skalierung zu unterstützen
• Steigerung der Sichtbarkeit des Unternehmens durch Nutzung von Chat-Schnittstellen

Steigerung des Gewinns pro Kunde

• Effizienzsteigerung des KundenserviceVerstärkte Einsetzung des Kundenservice-Teams in den Verkauf
• Verstärkte Einsetzung des Kundenservice-Teams in den Verkauf
• Chance, durch die gewonnenen Kommunikationsdaten mehr über die Kunden zu lernen und die Produkte zu verbessern

Abwanderung reduzieren

• Steigerung der Qualität des Kundenservice
• 24/7 Verfügbarkeit des Kundenservice

Es gibt drei unterschiedliche Arten von Chatbots

FAQ Chatbots

• FAQ-Chatbots sind vielleicht die einfachste Form eines Chatbots, die bereits einen großen Nutzen bringen kann. Er kann Fragen verstehen und gibt dem Benutzer die relevanteste Antwort.
• Selbstlernende Chatbots, die auf einer Webseite platziert werden, können die Anzahl der Telefonanrufe bei einem Servicedesk zur Beantwortung, der am häufigsten gestellten Fragen drastisch reduzieren.

Virtuelle Assistenten

• Ausgeprägtere Rechenleistung die stärker in die Unternehmenssysteme integriert ist.
• Ausführung von grundlegende Aktionen z.B: Buchung von Programmierleistungen.

Virtuelle Agents

• Können Mitarbeiter vollständig ersetzen.
• Diese Bots können mit den komplexesten Dialogen, Prozessen und Sicherheitsprotokollen umgehen.

Im Prinzip werden drei unterschiedliche Methoden bei Chatbots eingesetzt:

Linguistic Based

• NLP (Natural Language Processing), NLU (Natural Language Understanding), NLG (Natural Language Generating)
• Regel basiert
• Liefern fein abgestimmte Kontrolle und Flexibilität
• Einsatzgebiete z.B: E-commerce Website, oder Facebook Messenger.

Machine learning (AI Chatbots)

• komplexer als regelbasierte Chatbots
• eher gesprächig, datengesteuert und vorausschauend
• Einsatz sehr engen Bereich von Szenarien, in denen statistische Algorithmen wirklich ausgezeichnet sind

Hybrid Model

Kombination von statistischen Algorithmen neben der linguistischen Konditionierung. Anbieter sind u.a. Teneo, IBM Bluemix, Google Cloud Plattform, Rasa, Micosoft Cognitive Systeme.

Chatbots um Chatbots zu identifizieren.

Einer der spannesten Trends sind Chatbots und Programme die Chatbots identifizieren, um diese aus der eigenen Analyse zu filtern oder gar zu blockieren, damit diese zum Beispiel nicht den Kundenservice Chatbot überlasten, wenn ein Chatbot den Chatbot im Kundenservice kontaktiert. Es ist ein Problem für die Social Media Analytic wenn in den eigenen Sentiments nur oder hauptsächlich Chatbot-Konversionen enthalten sind oder wenn Chatbots damit beschäftigt sind nur oder hauptsächlich mit anderen Chatbots zu unterhalten.

Botometer und BotOrNot sind hier nur zwei Anbieter. Allerdings ist es sehr schwer geworden noch moderne Chatbots zu identifizieren, da diese mittlerweile auch mich Reaktionsverzögerungen arbeiten und die Schrift, wie auch die Sprechsprache von der menschlichen eigentlich kaum noch unterscheidbar ist. Immer wieder wird beobachtet, das Chatbots in Sozialen Medien in der Kommunikation untereinander ihre eigene Sprache entwickeln.

Dr. Katharina von Knop