Jedes Unternehmen sitzt auf einem Berg nicht kategorisierter Texte – Ticket-Warteschlangen, Vertragsklauseln, Umfragekommentare und Gesprächsprotokolle, um nur einige zu nennen. Beim manuellen Durchsehen schafft man höchstens ein paar hundert Zeilen, und ein Stichwortfilter übersieht das Ticket, in dem steht, dass die Rechnungsberechnung nicht zu stimmen scheint, statt dass ein Abrechnungsfehler gemeldet wird.
Eine Support-Warteschlange, die sich innerhalb eines Quartals verdoppelt, wirft die Frage auf. Ein Geschäftsführer bittet um eine Aufschlüsselung nach Ursachen, etwa Abrechnungsunklarheiten, Versandverzögerungen oder einem Integrationsfehler, der unter verschiedenen Beschreibungen immer wieder auftaucht. Diese Kategorien finden sich nur in Sätzen, die in Tickettexten verborgen sind; daher muss jemand genügend davon lesen, um die Kategorien zu finden, bevor jemand mit dem Zählen beginnen kann.
Diese Arbeit hat einen Namen: Textanalyse. Es gibt drei echte Möglichkeiten, das zu tun:
- Schreiben Sie benutzerdefinierten Code
- Kaufen Sie ein dediziertes Tool
- Fügen Sie Text Mining zur Workflow-Plattform hinzu, die bereits alles andere übernimmt
Die Tragweite geht ebenfalls über eine einzelne Support-Warteschlange hinaus. Unstrukturierte Quellen wie diese machen nach Schätzungen von Gartner-Analysten, die dieses Jahr auf dem Data & Analytics Summit in London sprachen, 70 % bis 90 % der Daten aus, über die Unternehmen verfügen. Der größte Teil dessen, was ein Unternehmen über seine Kunden, Verträge und Betriebsabläufe weiß, steckt genau in dieser Art von Freitext.
Die Entscheidung, selbst zu entwickeln, zu kaufen oder zu integrieren
Jeder Weg hat seine eigenen Vor- und Nachteile, die zu berücksichtigen sind:
- Erstellen Sie es. Übergeben Sie das Problem einem Data Scientist oder werden Sie vorübergehend selbst einer und schreiben Sie Code unter Verwendung einer Open-Source-NLP-Bibliothek. Der Ansatz ist flexibel und auf die jeweiligen Daten zugeschnitten – bis die Person, die ihn geschrieben hat, in ein anderes Team wechselt und das Modell zu einer Datei wird, an die sich niemand gefahrlos herantraut. Dieser Weg setzt außerdem voraus, dass ein Data Scientist verfügbar ist, dem man das Problem übergeben kann – eine größere Annahme, als es zunächst klingt. Im 2025 Future of Jobs Report des Weltwirtschaftsforums nannten 63 % der Arbeitgeber Qualifikationslücken als das größte Hindernis dafür, mehr Wert aus ihren Daten- und KI-Investitionen zu schöpfen. Eine spezialisierte NLP-Fachkraft ist oft der Engpass, auf den ein Team warten muss.
- Kaufen Sie eine Punktlösung. Lizenzieren Sie ein dediziertes Tool für Sentiment- oder Textanalysen. Es liefert gute Ergebnisse für den Use Case, für den es entwickelt wurde, ist aber nicht in den übrigen Analyse-Workflow integriert. Die kategorisierten Ergebnisse müssen exportiert, erneut zusammengeführt und der Person, die für den nachgelagerten Bericht verantwortlich ist, erneut erklärt werden – ein manueller Zwischenschritt, der in jedem Zyklus neu eingerichtet wird.
- Betten Sie es ein. Führen Sie Text Mining als Schritt innerhalb derselben Plattform durch, die bereits Datenzusammenführung, Verknüpfungen und Berichterstattung übernimmt, sodass ein Sentimentwert oder Themenlabel einfach zu einer weiteren Spalte wird, die in denselben Bericht wie alles andere einfließt.
Alle Optionen bringen Zielkonflikte mit sich, und die Belege für den Weg der Eigenentwicklung sind besonders ernüchternd. Eine viel zitierte mit dem MIT verbundene Studie zur Einführung von KI in Unternehmen ergab, dass nur ein kleiner Anteil maßgeschneiderter KI-Tools für Unternehmen jemals den Produktivbetrieb erreicht, vor allem, weil sie darauf ausgelegt sind, in einer Demo zu beeindrucken, statt in einem Workflow unbeaufsichtigt weiterzulaufen, der auch bei Personalfluktuation funktioniert.
Testen Sie den Ansatz anhand von fünf Kriterien
Bevor Sie Plattformen vergleichen, ist es hilfreich, genau festzulegen, was „gut“ bedeutet, unabhängig davon, welchen Weg ein Team einschlägt:
- Genauigkeit bei der Sprache, die Ihr Team verwendet: Interne Abkürzungen, Branchenjargon und Tippfehler verhalten sich anders als der saubere Bewertungstext, den die meisten Produktdemos verwenden.
- Wiederholbarkeit ohne eine dauerhafte Anfrage an das Datenteam: Die nächste Quartalscharge von Tickets, Kommentaren oder Verträgen erfordert eine konsistente, planmäßige Bearbeitung, ohne dass dafür ein Projekt erneut gestartet werden muss.
- Ein Prüfprotokoll: Irgendwann wird jemand fragen, wie ein Sentimentwert oder ein Themenlabel zugewiesen wurde. „Ein Modell, das jemand vor zwei Jahren entwickelt hat“ ist keine Antwort, mit der die IT oder die Compliance-Abteilung arbeiten kann.
- Integration mit dem restlichen Analyse-Workflow: Eine Kategoriebezeichnung, die in einem separaten Export vorliegt, ist nur durch einen manuellen Arbeitsschritt mit dem Bericht verbunden, in den sie einfließen soll.
- Eine Kosten- und Tarifstruktur, die dazu passt, wie das Team bereits Software einkauft: Ein spezialisiertes Tool für einen bestimmten Zweck ist ein weiterer Kostenpunkt, ein weiterer Anbieter und ein weiterer Benutzerzugang, der eingerichtet und wieder deaktiviert werden muss.
Vergleich der drei Pfade anhand dieser Balken
Die drei Ansätze gehen an unterschiedlichen Stellen Kompromisse zwischen Leistungsfähigkeit und Kontrolle ein.
| Individuell entwickelt (Python/Data Science) | Eigenständiges Textanalyse-Tool | In eine Analytics-Plattform eingebettetes Text Mining | |
|---|---|---|---|
| Für den Start erforderliche Fähigkeit | Expertise in Data Science/ML | Minimal – größtenteils Konfiguration | Analystenniveau, keine Programmierung erforderlich |
| Zeit bis zum ersten nutzbaren Ergebnis | Wochen bis Monate | Days | Von Stunden zu Tagen |
| Im nächsten Quartal wiederholbar | Nur wenn der Eigentümer des Modells noch da ist und es weiterhin betreut | Ja, solange das Abonnement aktiv bleibt | Ja – wird als geplanter Workflow-Schritt ausgeführt |
| Prüfprotokoll | Hängt vollständig von der eigenen Dokumentation der erstellenden Person ab | Vom Anbieter verwaltet, oft exportierbar | Dieselbe Governance wie im restlichen Workflow |
| Kostenmodell | Einmalige Entwicklungskosten plus laufende Wartung | Wiederkehrendes Abonnement pro Lizenz (Seat) oder pro Volumen | In einer bestehenden Plattformlizenz enthalten, abhängig von der Lizenzstufe |
| Wo es typischerweise scheitert | Wenn die erstellende Person das Unternehmen verlässt oder sich Prioritäten verschieben | Wenn die Ausgabe manuell wieder mit dem Rest der Analyse zusammengeführt werden muss | Wenn die erforderliche Sprache oder der Use Case den aktuellen Umfang des Tools übersteigt |
Die Tabelle verweist auf einen einzigen entscheidenden Faktor: welcher Ansatz noch unbeaufsichtigt läuft, nachdem die Person, die ihn eingerichtet hat, sich anderen Aufgaben zugewandt hat.
In einer Support-Ticket-Warteschlange: Textvorverarbeitung, Stimmungs- und Themenerkennung
Stellen Sie sich das Supportteam aus dem einleitenden Beispiel vor, das nun versucht, einen Rückstand an Freitexten aus Tickets abzuarbeiten, ohne zusätzliches Personal einzustellen. Ein in einen Workflow eingebetteter Ansatz unterteilt das Problem in Schritte, die ein Analyst ohne Hilfe erstellen und erneut ausführen kann:
Zunächst wird der unbearbeitete Tickettext mithilfe eines Schritts zur Textvorverarbeitung tokenisiert und bereinigt, der Füllwörter entfernt und die Formatierung vereinheitlicht. Ein wichtiger Hinweis: In der Produktdokumentation zu diesem Tool wird ausdrücklich davor gewarnt, es unmittelbar vor der Stimmungsbewertung auszuführen, da der Bereinigungsschritt einige der konkreten Wörter entfernt, auf die ein Stimmungsmodell angewiesen ist, um den Tonfall zu erkennen. Die beiden Tools lösen unterschiedliche Probleme und funktionieren in diesem Fall am besten, wenn sie getrennt eingesetzt werden.
Die Stimmungsbewertung erfolgt stattdessen anhand des unbearbeiteten Tickettexts und nutzt Stimmungsanalyse, um zu kennzeichnen, welche Tickets frustriert statt lediglich sachlich klingen – nützlich für die Triage, wobei ehrlicherweise anzumerken ist, dass das Tool derzeit nur englische Texte analysiert.
In der Zwischenzeit ordnet die Zero-Shot-Textklassifizierung Tickets Kategorien zu, die der Analyst spontan festlegt – etwa Abrechnungsunklarheiten, Versandverzögerungen oder wiederkehrende Integrationsfehler – ohne zuvor einen Trainingsdatensatz zu sammeln und zu kennzeichnen. Das ist das Detail, das für einen erfahrenen Analysten am wichtigsten ist, wenn kein eigenes Data-Science-Team auf Abruf bereitsteht. Zwischen der Frage und der Antwort liegt kein Schritt zum Trainieren eines Modells.
Eine Analyse desselben Batches mit Topic Modeling deckt etwas auf, das die vordefinierten Kategorien nicht erfassen können – Sprachcluster, an deren Benennung noch niemand gedacht hat, einschließlich der Beschwerde, die es noch auf keine Liste geschafft hat.
Bei einem eingebetteten Ansatz in Alteryx One Designer werden die Text-Mining-Tools als Teil der Alteryx Intelligence Suite ausgeführt. Dabei erzeugt jeder der oben genannten Schritte eine neue Spalte neben den übrigen Ticketdaten, die bereit ist, in denselben Bericht einzufließen, in dem bereits Volumen und Bearbeitungszeit erfasst werden. Es gibt keinen Export, kein manuelles Wiederzusammenführen und kein separates Ergebnis, dessen Aktualisierung man im Blick behalten muss.
Wo der Ansatz an seine Grenzen stößt
Jemand erwähnt, dass ein Drittel der Support-Anfragen über die deutsche Site eingeht. Die Formulierung „analysiert nur englischen Text“, die man in der Dokumentation eines Tools leicht überlesen kann, legt jetzt den tatsächlichen Umfang dessen fest, was diese Einführung in diesem Quartal abdeckt. In Alteryx sind Textvorverarbeitung, Textklassifizierung und Themenmodellierung auch auf Französisch, Deutsch, Italienisch, Portugiesisch und Spanisch verfügbar.
Ein Team in dieser Situation hat drei realistische Optionen: überall Kategorisierung und Themen abzudecken und die Stimmungsbewertung nur dort einzusetzen, wo Englisch gilt, die deutsche Warteschlange auf eine spätere Phase zu verschieben oder die Stimmungsbewertung für diese Sprache vollständig über einen anderen Prozess laufen zu lassen. Jede davon ist ein praktikabler Kompromiss, der zum Vorschein kommt, sobald ein Rollout mit echten Daten statt mit einer Demo in Berührung kommt.
Ein Team, das etwas völlig anderes verlangt – nämlich ein auf Millionen interner Dokumente feinabgestimmtes Modell, das eine einzelne, eng umrissene Entscheidung mit hohem Risiko treffen soll – löst ein anderes Problem als das hier behandelte. Keine noch so ausgefeilten Workflow-Tools können eine gezielte Machine-Learning-Initiative ersetzen, wenn genau das tatsächlich gefragt ist. Die meisten Ticket-Warteschlangen, Vertragsordner und Umfrageexporte sind wiederkehrende Probleme mittleren Umfangs, die jedes Quartal auftreten und einheitlich bearbeitet werden müssen.
Starten Sie diese Woche, nicht erst im nächsten Quartal
Rufen Sie den tatsächlichen Ticketexport der letzten Woche ab, führen Sie ihn durch die obigen Schritte und sehen Sie bis Freitag, wie die Kategorien aussehen – bevor der Backlog des nächsten Quartals die Entscheidung für Sie trifft. Starten Sie eine kostenlose 30-tägige Testversion von Alteryx One, um es mit Ihrer eigenen Warteschlange auszuprobieren.