Trendforschung & Customer Insights-Analyse im DIY-Bereich

Für viele Unternehmen im Konsumgüterbereich bieten Online-Plattformen nicht nur die Möglichkeit mit Kunden in Interaktion zu treten, darüber hinaus stellen sie auch eine höchst dynamische Informationsquelle dar: Deren Analyse ermöglicht es, aktuelle und potenzielle Kunden in allen Lebensbereichen noch besser und persönlicher kennenzulernen sowie latente Bedürfnisse aufzudecken.

Auch die STAEDTLER Mars GmbH & Co. KG möchte mithilfe dieses Wissens Ihre Produkte und Services weiterentwickeln. Daher analysiert die Forschungsgruppe Future Engineering – eine Kooperation des Fraunhofer IIS und der TH Nürnberg Georg Simon Ohm – in diesem Projekt mehr als eine halbe Million öffentliche Online-Beiträge, um tiefgehende Customer Insights zu gewinnen und insbesondere die Entwicklung oder mögliche Verlagerung von Kundeninteressen auf der Basis von hochdynamischen Kommunikationsmedien zu untersuchen.

Ziel dieses Projektes ist es, die Stimmungen und Einstellungen von bestehenden und potenziellen Kunden zum Produkt FIMO – einer Modelliermasse als Kreativ- und DIY-Produkt für Kinder, Hobbykreative und professionelle Anwender – zu untersuchen und konsumentenorientiert konkrete Fragestellungen rund um die Bereiche »Denken«, »Fühlen« und »Handeln« zu beantworten. Auf Basis dieser Erkenntnisse können wichtige Entscheidungen zur Produkt- und Geschäftsfeldentwicklung getroffen werden.

Die Datenbasis (Online-Beiträge) bilden YouTube-Kommentare, Amazon-Rezessionen und Blogbeiträge, welche wertvolle Einblicke in die Gedanken- und Gefühlswelten von Konsumenten geben. Um die Fragen zu beantworten, kommen verschiedene Methoden des Natural Language Processing (NLP) zum Einsatz: Das Sprachmodell BERT, eine KI-Technologie, wird für die Textanalyse genutzt, um automatisch relevante Inhalte, basierend auf dem Kontext eines Wortes (»Embedding«) zu extrahieren und zu gruppieren. Die Sentiment-Analyse baut darauf auf und gibt Aufschluss darüber, welche Stimmungen in den extrahierten Fakten überwiegend vertreten sind. Topic Modeling wird ergänzend eingesetzt, um vorherrschende Themen innerhalb einer durch die Textanalyse erfassten Gruppierung (z. B. als positiv empfundene Produkteigenschaften) sichtbar zu machen. Ein »Topic« bezieht sich dabei auf eine Gruppe von Wörtern, die in einem Text besonders häufig im Zusammenhang genannt werden. 

Um beispielsweise herauszufinden, in welchem Anwendungskontext Kunden FIMO nutzen, wurden aus der Datenbasis mittels der sprachmodellbasierten Textanalyse automatisiert diejenigen Beiträge extrahiert, in denen es um den Einsatz bzw. die Verwendung von Modelliermasse geht. Ein Cluster-Algorithmus fasst zu einem Anwendungskontext gehörende Textbeiträge zu »Topics« zusammen und gibt inhaltlichen Aufschluss darüber, zu welchen Themen und Motiven Kunden Artefakte aus Modelliermasse schaffen.

Die gewonnenen Erkenntnisse sind somit für viele verschiedene unternehmerische Bereiche relevant und können mehrfach genutzt werden:
 

1. Zielgruppenanalyse: Erkenntnisse bezüglich der Ziele und Motivationen sind essenziell, um den Bedürfnissen der bestehenden und potenziellen Kunden gerecht zu werden.
   
   
2. Usability-Analyse: Produktspezifisches, zeitnahes Kundenfeedback ist entscheidend in einem agilen Entwicklungsprozess.
   
   
3. Image Profiling: Durch die langfristige Beobachtung der Kundeneinstellungen können Schlussfolgerungen darüber entstehen, wie sich Konsumentenwahrnehmungen im Laufe der Zeit oder als Reaktion auf bestimmte Ereignisse entwickeln.
   
   
4. Trend Detection: Das regelmäßige Screening der Nutzerkommentare ermöglicht es, Rückschlüsse auf wichtige Trends (z. B. im Umgang mit den Produkten) zu ziehen. Diesen Trends kann proaktiv mit Produktinnovationen und geeigneten Kommunikationsmaßnahmen begegnet werden.