Web2.0 gilt als ein System, das das Potential hat, Krisenherde um das eigene Unternehmen und sein Produktportfolio frühzeitig zu erkennen. Insbesondere dann, wenn auch die internen Quellen wie z.B. der E-Mails, Umfrageergebnisse oder CRM-Notizen mit ihren umfangreichen und relevanten Aussagen über das Unternehmen, seine Marken, Produkte, Leistungen, sein Markauftreten und seine Konkurrenten in die Betrachtung miteinbezogen werden würden. Um aus diesen allen Informationen verwertbares Wissen zu gewinnen, müssen automatisch ablaufende Analyseprozesse einbezogen werden, die die Konversationen „verstehen“ und die zu fallspezifisch richtigen Entscheidungen führen. Generell gelten die „Voice of the Customer“ aus den internen und externen Quallen als das "heiliger Gral" der richtigen Entscheidungen. Erfahrungen zeigen aber, dass die Betrachtung der Stimmungen erst dann als sinnvoll gilt, wenn man sie mit dem WARUM, mit der Ursache ihrer Entstehung, verknüpfen kann: Warum ist der Kunde wirklich verärgert oder warum ist er sehr zufrieden? Erst dieses Verständnis und – selbstverständlich – die Beseitigung der Ursache der Unzufriedenheit sind es, die die Umdrehung der Stimmung in positive Richtung ermöglicht. Die Technologie der „Allumfassenden Extraktion“ „versteht“ die Syntax und den Kontext jeder Aussage, kann zwischen vielen verschiedenen Formen und Modi wie Verneinungen, Bedingungen usw. unterscheiden, die anaphorischen Verbindung „verstehen“ und die unterschiedlichen, positiven und negativen, Ausdruckweisen des Kunden fein granuliert wahrnehmen und bewerten. Die Engine extrahiert in Near-Real-Time und in einer sehr präzisen Art und Weise aus dem in verschiedensten Kanälen veröffentlichten unstrukturierten Text Fakten, Beziehungen und Stimmungen. Dieser in strukturiertem relationalem Datenformat erstellte Output wird anschliessend mit den bestehenden internen strukturierten relationalen Daten (Data Warehouse) gekoppelt. Die auf diese Art kombinierten Informationen können dann mit den bestehenden BI-Anwendungen automatisiert untersucht, die besonderen Vorkommnisse ursächlich zurückgeführt und zu Frühwarnungen angewendet werden. Das Frühwarnsystem ermöglicht es der Organisation von überall und jederzeit in nahezu Echtzeit die internen und externen Kundengespräche zu verfolgen. Mit dem Ansatz „Allumfassende Extraktion“ reagiert das Frühwarnsystem sofort auf die identifizierten Warnsignale, strukturiert und ordnet die Konversationen für die Beantwortung und befördert gleichzeitig die erstellten Einsichten über die Aufgaben und Ursachen quer durch das Unternehmen zu allen zuständigen Organisationseinheiten und Personen. Das Drehbuch zur Erstellung des firmenspezifischen Frühwarnsystems der Kundeninteraktion folgt folgenden logischen Schritten (der ZAZA-Ansatz): 1. Zuhören den Kundenkonversationen über alle Kanäle – E-Mail, Telefon, Chat, SMS, Social Media oder auch über traditionelle

1. scopeKM
Knowledge Management
Ein Frühwarnsystem für Social Media
Die Stimmungen spielen keine Rolle – so lange man das
„Warum“ hinter diesen nicht beantworten kann.

2. scopeKM
Knowledge Management
1. Das „Warum“ als Herausforderung
Wie nie zuvor haben jetzt die Kunden die Möglichkeit, ihr Wissen über Produkte gezielt einzusetzen
und das Verhalten der Anderen bezüglich deren Beschaffung oder Nutzung direkt zu beeinflussen.
Dynamische Meinungsbildungsprozesse können von Jedermann gestartet und kommentiert werden.
Und in den Social Media – in den Weblogs, Foren und Portalen, in Twitter, Facebook usw. – werden
die Unternehmen, Produkte und Dienstleistungen im Rahmen von öffentlichen Diskursen gerne
bewertet. Dieser teilweise Kontrollverlust hat aber auch einen positiven Aspekt: Web2.0 gilt als ein
System, das das Potential hat, Krisenherde um das eigene Unternehmen und sein Produktportfolio
frühzeitig zu erkennen. Insbesondere dann, wenn auch die internen Quellen wie z.B. der E-Mails,
Umfrageergebnisse oder CRM-Notizen mit ihren umfangreichen und relevanten Aussagen über das
Unternehmen, seine Marken, Produkte, Leistungen, sein Markauftreten und seine Konkurrenten in
die Betrachtung miteinbezogen werden würden.
Um aus diesen allen Informationen verwertbares Wissen zu gewinnen, benötigte man bestimmte
Fertigkeiten: die Kundenkonversationen aus allen Kanälen müssten in automatisch ablaufenden
Analyseprozessen solcher Art einbezogen werden, die die Konversationen „verstehen“ ,analysieren und
solche Informationen „herausziehen“, die zu fallspezifisch richtigen Entscheidungen führen.
Stimmungen sind ebenfalls ein breit diskutiertes Thema im Bereich der Sozial-, Markt- und Kunden-
analyse in diesem Zusammenhang. Generell gelten die „Voice of the Customer“ aus den internen und
externen Quallen als das "heiliger Gral" der richtigen Entscheidungen. Erfahrungen zeigen aber, dass
die Betrachtung der Stimmungen erst dann als sinnvoll gilt, wenn man sie mit dem WARUM, mit der
Ursache ihrer Entstehung, verknüpfen kann: Warum ist der Kunde wirklich verärgert oder warum ist
er sehr zufrieden? Warum reagiert er in scheinbar gleichen Fällen unterschiedlich? Erst die
Beantwortung des „Warum“ hinter den Fakten ermöglicht es, Massnahmen mit richtiger Wirkung zu
ergreifen. Dies möchten wir mit folgendem Beispiel illustrieren.
Eine grosse amerikanische Technologiefirma war mit der Tatsache konfrontiert, dass ihre Net
Promoter TM Score eine starke Abwärtstendenz zeigte. Ursächlich verantwortlich gemacht hat man für
dies den Kundenservice, insbesondere auch, weil ein Teil der Servicedienstleistungen an eine Übersee-
firma outsourcet wurde. Kombinierte Analyse der umfragegestützten Aussagen zu der Kundezu-
friedenheit mit denen in den Social Media ergab aber ein gänzlich anderes und unerwartetes Bild. Den
Umfrageergebnissen entsprechend gab es zwar in den Konversationen deutlich negative Stimmung, es
stellte sich aber sehr schnell und klar heraus, dass diese etwas mit der letzten Version eines als
bahnbrechend bezeichneten Produkts der Firma zu tun hatte, einer im Hintergrund jeden PC‘s
ablaufenden Software. Die Funktionalitäten der neuen Version der SW waren zwar hervorragend, die
Software als solche aber hatte grosse Leistungsprobleme, die praktisch jeder Anwender beklagte.
Ein Frühwarnsystem für Social Media -2-

3. scopeKM
Knowledge Management
Nach der Analyse und der Gewinnung entsprechender Einsichten entschloss sich die Firma deshalb zu
einem Radikalschritt– sie reorganisierte die Entwicklungs- sowie QM-Abteilung und baute ein „Center
of Competence“ auf. In bloss einigen Monaten wurde die neue Version des Produkts komplett
überholt, die Leistungsfähigkeit der Software mit der Hardware optimiert und dies bei den Kunden
kommuniziert. Nach der Markt-Neueinführung verbesserte sich in Folge der verbesserten
Kundenzufriedenheit auch die Stimmung in den einschlägigen Foren signifikant.
Hier, wie auch in vielen anderen Fällen, war das WARUM hinter den Stimmungen wichtig. Erst dieses
Verständnis und – selbstverständlich – die Beseitigung der Ursache der Unzufriedenheit waren es, die
die Umdrehung der Stimmung in positive Richtung ermöglichte. Darüber hinaus konnte auch der
Fokus richtig gestellt werden: Während man anfänglich den Kundenservice als die Ursache der
mangelnden Kundenzufriedenheit vermutete, war es in der Tat das Produkt selbst.
2. Die Technologie als Grundlage der VoC „Voice of the Customer“-
Analyse
Die Technologie der „Allumfassenden Extraktion“ „versteht“ die Syntax und den Kontext jeder
Aussage, kann zwischen vielen verschiedenen Formen und Modi wie Verneinungen, Bedingungen usw.
unterscheiden, die anaphorischen Verbindung „verstehen“ und die unter-schiedlichen, positiven und
negativen, Ausdruckweisen des Kunden fein granuliert wahrnehmen und bewerten. Die Engine
extrahiert in Near-Real-Time und in einer sehr präzisen Art und Weise
Im Semantic Annotation Server wird die Technologie der Allumfassenden Extraktion angewendet
Ein Frühwarnsystem für Social Media -3-

4. scopeKM
Knowledge Management
aus dem in verschiedensten Kanälen veröffentlichten unstrukturierten Text Fakten, Beziehungen und
Stimmungen. Dieser in strukturiertem relationalem Datenformat erstellte Output wird anschliessend
mit den bestehenden internen strukturierten relationalen Daten (Data Warehouse) gekoppelt. Die auf
diese Art kombinierten Informationen können dann mit den bestehenden BI-Anwendungen
automatisiert untersucht, die besonderen Vorkommnisse ursächlich zurückgeführt und zu
Frühwarnungen angewendet werden.
Beispiel: Leistungsstarke Analyse durch die Kombination der Voice of the Customer-Text-
extraktion mit den bestehenden DWH-Informationen
Das Frühwarnsystem ermöglicht es der Organisation von überall und jederzeit in nahezu Echtzeit die
internen und externen Kundengespräche zu verfolgen. Mit dem Ansatz „Allumfassende Extraktion“
reagiert das Frühwarnsystem sofort auf die identifizierten Warnsignale, strukturiert und ordnet die
Konversationen für die Beantwortung und befördert gleichzeitig die erstellten Einsichten über die
Aufgaben und Ursachen quer durch das Unternehmen zu allen zuständigen Organisationseinheiten
und Personen.
Ein Frühwarnsystem für Social Media -4-

5. scopeKM
Knowledge Management
3. Leistungen des Frühwarnsystems
Die Leistungen des Frühwarnsystems ermöglichen es den Benutzern, weit über das einfache Social
Media Monitoring zu gehen:
€ Integration der Multi-Channel Kundenkonversation aus vielen Millionen Online- und internen
Quellen in unterschiedlichen Sprachen aus:
€ Twitter
€ Facebook
€ Communities und Foren bei unterschiedlichen Providern, wie z.B. Jive, Lithium,
Codecheck usw.
€ Kundenumfragen bei Providern wie Vovici, Allegiance und anderen
€ Notizen aus den internen CRM-Systemen, wie z.B. SAP und Oracle Siebel
€ Contact Center-Interaktionen, beispielsweise E-Mails oder Chats
€ Reportinganwendungen von Webtraffic
€ Identifizierung bedrohlicher Situationen, wie z.B. der Kündigungsabsichten, negativen Berichte
im Frühstadium, Planung der Angriffe auf Produkte
€ Aufdeckung von Chancen, wie z.B. von kaufbereiten, Empfehlungen oder Informationen über
Produkte suchenden potentiellen Kunden
€ Erstellung von Situationsübersichten und deren automatische Lieferung an den Beauftragten
€ Bereitstellung der ansonsten in den Datensilos der Firma unauffindbaren Kundendokumente und
deren kollaborative Bearbeitung.
Frühwarnsysteme wurden zur Verarbeitung grosser Datenmengen konzipiert. Mit der MPP Massively
Parallel Processing-Plattform zur Ausführung von Abfragen kombiniert beispielsweise das Data Grid
die Hardware-Ressourcen mit der auf der obersten Schicht plazierten Koordinations- und
Optimierungs-Software, mit der sog. Big Data von Hunderten von Terabytes um einen Faktor 100
schneller als üblich verarbeitet werden können.
Anderseits kann aber das oben beschriebene Frühwarnsystem mit der Data-Push-Architektur auch
dezentral, auf einem Laptop, iPad, Playbook usw., aufgebaut werden.
Ein Frühwarnsystem für Social Media -5-

6. scopeKM
Knowledge Management
4. Das Fallbeispiel „Hotelkette“
Um die Strategie der kontinuierlichen Qualitätsverbesserung wirtschaftlich optimal durchzusetzen,
entschloss sich die Geschäftsleitung einer der weltweit grössten Hotelkette eine Analyse-Lösung
einzusetzen um zu ermitteln, welche Fehlleistungen sind es, die das Wohlbefinden der Kunden am
meisten beeinträchtigen und sie zu negativen Berichten in Foren und Blogs veranlassen. Die Aufgabe
lautete, solche Bereiche festzulegen und prioritär zu behandeln.
Als die Basis für die Auswertung dienten Hotelumfragen und Sites wie Trip Advisor u.ä., aber auch
Tausende von sozialen Netzwerken, die die Analyse-Lösung täglich ansteuert und analysiert. Mit der
auf dieser Grundlage erstellten Prioritäten-Liste von „Top Things“ auf Liegenschaftsebene konnten die
Verbesserungen angestossen werden, die das Turnaround bezüglich Kundenzufriedenheit und
Kundenkonversationen ermöglichten. Die unterstehende Auswahl von Analysen dient zur Illustration
des Vorgehens.
Weighted Net Advocacy
• Weighted Net Advocacy – Bewertet die Bereitschaft der Kunden zur Produktempfehlung und
ergibt sich aus der Differenz der positiven und negativen Bewertungen; Die beste Zahl ist +100,
die tiefstmögliche Zahl ist -100. Sie bewertet den Einfluss der Kunden auf die Kaufentscheidung
eines potentiellen Kunden bezüglich eines bestimmten Produkts während einer Zeitperiode
• Weighted Positive Advocacy – Das Verhältnis der positiven Kommentare über ein bestimmtes
Produkt oder eine bestimmte Leistung zu der Gesamtzahl der Kommentare. Die Gewichtung
erfolgt nach der Intensität der Stimmung und der Reichweite der Website.
• Weighted Negative Advocacy – Das Verhältnis der negativen Kommentare über ein bestimmtes
Produkt oder eine bestimmte Leistung zu der Gesamtzahl der Kommentare. Die Gewichtung
erfolgt nach der Intensität der Stimmung und der Reichweite der Website.
Ein Frühwarnsystem für Social Media -6-

7. scopeKM
Knowledge Management
Net Advocacy Trend
• Änderung der Bereitschaft zur Empfehlung über die Zeit, als Funktion der Länge der
Marktpräsenz, der Produktverbesserungen, des Marketings usw.
Relevante Attribute/Erfahrungen
€ Reihenfolge der Attribute einer Marke, eines Produkts oder einer Produktgruppe, gemäss der
Häufigkeit der Nennung in den Umfragen
Ein Frühwarnsystem für Social Media -7-

8. scopeKM
Knowledge Management
Einfluss einzelner Faktoren
€ Einfluss einzelner Faktoren auf das Empfinden der Kunden, aufgelistet nach der Relevanz
5. Vorgehen nach einem Drehbuch
Für die Weiterentwicklung und Automatisierung Ihrer Geschäftsprozesse stehen wir Ihnen gerne zur
Verfügung. Unsere Lösungen sind so konzipiert, dass alle wichtigen Probleme, Themen und Trends
automatisch identifiziert, die entsprechenden Informationsflüsse automatisch ausgelöst und diese an
die richtigen Personen zur richtigen Zeit geleitet werden.
Response Lösungen ermöglichen es, Aufgaben zur richtigen Zeit anzupacken, um sie proaktiv auf allen
Kanälen behandeln zu können. Die automatische Überwachung aller erstellten Messages noch vor der
Veröffentlichung stellt dabei sicher, dass die ausgehenden Tweets, E-Mails, Facebook- und andere
Postings den unternehmensinterner Richtlinien entsprechen.
Ein Frühwarnsystem für Social Media -8-

9. scopeKM
Knowledge Management
Das Drehbuch zur Erstellung des firmenspezifischen Frühwarnsystems der Kundeninteraktion folgt
folgenden logischen Schritten (der ZAZA-Ansatz):
1. Zuhören den Kundenkonversationen über alle Kanäle – E-Mail, Telefon, Chat, SMS, Social
Media oder auch über traditionelle Medien. Alle Konversationen werden verarbeitet und
aggregiert, um ganzheitliche, 360°-Sicht auf die Kunden zu erhalten.
2. Analyse dieser Konversationen, um Schlüsselerkenntnisse, die hinter den elementaren
Stimmungen stehen, zu gewinnen. Erstellt werden detaillierte Berichte über Kunden-Feedbacks
über Produkte, Kampagnen, Marken, Service und Support und andere Business-Drivers.
3. Zusammenführen der neuen Erkenntnisse mit den bestehenden Daten aus den CRM-, ERP-,
EFM- und anderen Systemen.
4. Agieren auf der Basis dieser Informationen – unter Berücksichtigung der Kundenbedürfnisse
einerseits und der eigenen Organisationsstrukturen und Geschäftsprozesse andererseits .
Bei Rückfragen steht Ihnen gerne zur Verfügung:
J. Schick
Geschäftsführer
juraj.schick@scopekm.ch
scopeKM GmbH
Knowledge Management
Büchnerstrasse 24
CH-8006 Zürich
Tel. +41 (0) 44 361 62 62
Mobil +41 (0) 76 412 58 01
Ein Frühwarnsystem für Social Media -9-