gominga - Natural Language Processing für eine optimale User Experience

Kundenrezensionen sind eines der wichtigsten Kriterien für die Kaufentscheidung - online wie offline. Sie beeinflussen nicht nur den Konsumenten selbst, sondern auch die Suchergebnisse der Online Shops. Insbesondere wenn die eigenen Produkte auch über Marktplätze wie z.B. Amazon, OTTO oder Ähnliche angeboten werden, können für ein und dasselbe Produkt sehr viele Bewertungen auf den unterschiedlichen Plattformen zusammenkommen. Je nach Produkt und Kategorie zählt man mitunter mehrere hundert oder gar tausend Rezensionen pro Produkt. Für Hersteller ist es schwer, dabei den Überblick zu behalten. Gezielte Analysen zu machen kann dann recht komplex und aufwändig werden.

gominga bietet seinen Kunden ein Tool an, um Bewertungen über alle Marktplätze und Shops hinweg zentral zu managen. Der gominga Review Manager ermöglicht dabei Monitoring und Analyse aller Rezensionen sowie das Kommentieren von einzelnen Bewertungen und die Beantwortung von Fragen.

gominga kam auf uns zu, um ihr Produkt für ihre Kunden noch einfacher und intelligenter zu gestalten. Dabei lag der Fokus auf einem Feature mit dem die Kunden von gominga auswerten können, welche Stichwörter in den Kundenrezensionen zu einem bestimmten Produkt häufig verwendet werden und ob diese positiv oder negativ konnotiert sind. Dadurch kann z.B. das Marketing- oder Produktmanagement aus dem Kundenfeedback erkennen, welche Stärken und Schwächen das eigene Produkt aus Sicht der Nutzer hat. Der Ausgangspunkt dieser aspekt-basierten Sentiment Analyse waren u.a. eine Wordwolke, lange Stichwort-Listen, sowie die Hervorhebung der Stichworte in den Bewertungstexten, die der Hersteller einzeln durchgehen musste.

Wir haben mit einem Team aus UX Design und Data Science eng zusammengearbeitet. Unser Anspruch war es, eine einfache und schnelle Lösung zu erreichen. Konkret wollten wir eine intuitiv bedienbare UI und eine komprimierte Liste. Um das zu erreichen, haben wir mit Machine Learning die semantische Ähnlichkeit berechnet und diese für die Vereinfachung der Stichwortliste genutzt.

Wir sind sehr stolz auf das Ergebnis

• Das qualitative Feedback ist sehr positiv ausgefallen.
• Insgesamt haben wir es auch geschafft, die Listen deutlich zu komprimieren, z.B. von 35.000 Stichwörter auf 400 Begriffe (die auch Varianten der Stichwörter abdecken).
• Dank unserer iterativen Arbeitsweise konnten wir unsere Lösung bereits nach 7 Tagen vollständig implementieren.
• Netter Nebeneffekt: durch den engen Austausch von UXD und Data Science vom Projektstart an konnten wir sogar das Backend einfacher und schlanker gestalten.

Wie wir das geschafft haben?

• Unser Fokus lag darauf, die größten Pain Points der Tool-Nutzer zu lösen und ihnen das tägliche Arbeiten zu erleichtern. Um dieses Ziel zu erreichen wurde der Einsatz von AI geprüft und die passenden Machine Learning Ansätze ausgewählt. Durch die enge Zusammenarbeit von UX Design und Data von Projektstart an, haben wir uns gegenseitig auf neue Ideen gebracht und auch Machbarkeiten geprüft.
• Unser iterativer Ansatz war sehr pragmatisch, mit den ersten Data und UX Papierprototypen sind wir direkt in den Kundendialog gegangen.
• Wir haben uns auf eine einfach Lösung fokussiert - uns ist der Impact wichtig und nicht nur fancy Design und die neuesten AI Algorithmen.

Natürlich haben wir auch direkt eine Vision für die Tool-Weiterentwicklung erarbeitet, um weitere Potenziale zu erreichen.

Wie sieht genau die technische Lösung aus?

Allgemein kombinieren wir bei der Implementierung von Machine Learning Modellen hohe Engineering Standards (Testbarkeit, Erweiterbarkeit, Performance, Resilience, Skalierbarkeit, …) mit einem pragmatischen und kundenorientierten Ansatz. Passend zur Aufgabenstellung und vorhandener Softwarelandschaft beim Kunden finden wir eine Lösung mit dem richtigen Maß an Aufwand. In der Zusammenarbeit mit gominga waren wir erst zufrieden, als unsere Lösung ins Produkt integriert und produktiv eingesetzt werden konnte.

Um die Auswertung der Rezensionen nach bestimmten Stichwörtern zu vereinfachen, sollen ähnliche (“elektronisch” und “elektronishc”) aber auch verwandte Begriffe (Bildschirm und Monitor) unter einem einheitlichen Begriff zusammengefasst werden. Um diese Ähnlichkeiten zu erfassen haben wir word embeddings verwendet. Damit wird Wörtern, die häufig im gleichen Kontext auftauchen, eine größere Nähe zugewiesen als Wörtern, die selten oder nie im gleichen Zusammenhang erscheinen. Dann mussten nur noch die nah beieinander liegenden Wörter geclustert werden.