15. Integration der Kundenmeinung ins Geschäftsmodell

Heute tauschen Menschen ihre Gedanken und Meinungen auf unterschiedlichen Social-Media-Plattformen, auf Online-Marktplätzen, Webshops und Foren aus. In Online-Shops und auf Social-Media-Seiten entstehen auf diese Weise täglich bewusst oder unbewusst Millionen neuer Produkt- und Dienstleistungsbewertungen. Wie in Kap. 3 eingehend erwähnt ist für Unternehmen die Kenntnis der Einstellung von Konsumenten zu einem Produkt oder der eigenen Marke wesentlich, um die Produktqualität oder die damit zusammenhängenden Dienstleistungen und Absatzkanäle und damit die Kaufentscheidung der Konsumenten zu beeinflussen (Hu & Liu, 2004; Kostyra et al., 2016). Trotzdem wissen Anbieter häufig nicht, wie Kunden ein Produkt einschätzen oder welche Änderungen sie sich wünschen. Diese online vorhandenen Daten könnten zur Verbesserung der Produkte und dem dahinterliegenden Geschäftsmodell genutzt werden.

Dieses Kapitel stammt aus dem Forschungsprojekt AKKORD (siehe Kap. 1 und 2). Er setzt sich zum Ziel Texte aus Onlinequellen, wie Webshops und Social-Media-Plattformen, systematisch zu erfassen und automatisiert auszuwerten. Dabei besteht aufgrund des Charakters der Daten, also der geschriebene Ausdruck einer persönlichen Meinung über das Produkt, natürlich ein Fokus auf die Kundensicht innerhalb des Geschäftsmodells.

Die Wertschöpfungskette lässt sich mitsamt ihren Aktivitäten und Ressourcen im Modell des Business Model Canvas (BMC, Osterwalder & Pigneur, 2010), eine etablierte grafische Methode zur Bearbeitung und Überarbeitung von Geschäftsmodellen, einordnen. Dies erlaubt es eine simplifizierte Übersicht über das Geschäftsmodell eines Unternehmens zu erstellen, was eine vereinfachte Bewertung und subsequente Anpassungen von einzelnen Bereichen ermöglicht. Aufgrund des vorzeitigen Ausscheidens des Anwendungspartners Brabant & Lehnert konnte sich der Anwendungsfall nicht auf die Erfassung und Verarbeitung von Produktionsdaten erstrecken. Dadurch wurde der Anwendungsfall auf die Kundensicht beschränkt, da es hier möglich war ausreichende Datenmengen zu Bewertungen von Produkten oder Dienstleistungen zu erfassen. Durch die Reduzierung auf die Betrachtung der Kundensicht kann jedoch keine ganzheitliche Bewertung des Geschäftsmodells erfolgen. Mögliche Bereiche, in denen Kundenmeinungen eingeordnet werden können, finden sich im rechten Teil des BMC. Auf der obersten Ebene zählen dazu die folgenden Aspekte:

Das im Kapitel vorgestellte Verfahren der automatischen Erfassung von Kundenmeinungen adressiert dabei den Punkt „Nutzenversprechen“.

Der vorliegende Anwendungsfall thematisiert die Analyse von Online-Shop- und Social-Media-Daten durch den Einsatz von natürlicher Sprachverarbeitung, um fundierte Rückschlüsse auf das Geschäftsmodell zu ziehen. Der Fokus dieser Analyse liegt darin, potenzielle Risiken sowie Chancen für das Geschäftsmodell aufzudecken und entsprechende Maßnahmen zu ergreifen. Hierbei werden Datenquellen wie Kundenfeedback und Social-Media-Interaktionen analysiert, um das Geschäftsmodell zu optimieren und für zukünftige Marktbedingungen zu rüsten. Dabei werden im ersten Schritt passende Quellen mit Produkt- oder Dienstleistungsbewertungen identifiziert und mithilfe von Softwareschnittstellen oder Webcrawlern angebunden. In einem zweiten Schritt wurde eine mehrstufige Geschäftsmodelltaxonomie auf Grundlage der aus dem BMC ausgewählten Aspekte erstellt. Diese erlaubt es Schlagwörter auf einen der oben genannten Geschäftsmodellaspekte abzubilden. Ähnlich wie in Kap. 9 werden mehrere Verfahren aus dem Bereich der natürlichen Sprachverarbeitung (Natural Language Processing, NLP) durchgeführt, um einzelne Textsegmente einem bestimmten Geschäftsmodellaspekt zuordnen zu können. Diese Abbildung von Textsegmenten auf Geschäftsmodellaspekte erlaubt es, die Ergebnisse der nachfolgenden Sentiment-Analyse direkt mit dem jeweiligen Geschäftsmodellaspekt zu verknüpfen. Das Ergebnis ist dann eine kumulative Bewertung des Kundenempfindens, welches sich mit den jeweiligen Geschäftsmodellaspekten verbinden lässt. Als letzten Schritt werden auf Basis der Bewertung des Geschäftsmodells aus Kundensicht, Empfehlungen generiert, wie das Geschäftsmodell verändert werden kann, um die negativen Aspekte zu negieren oder positive Aspekte zu verstärken. Die Empfehlungen werden dabei in Form von etablierten Geschäftsmodellmustern wie z. B. E-Commerce, Freemium oder Subscription gegeben.

Die im Kapitel durchgeführten Analysen haben gezeigt, dass mithilfe von Natural Language Processing aus, auf den ersten Blick unstrukturierten Daten, wie etwa im Freitext verfasste Produktbewertungen, sinnvolle Rückschlüsse auf Teile eines Geschäftsmodells gezogen werden können. Es wurden Möglichkeiten gezeigt, die Stimmung des Verfassers einer solchen Bewertung zu erfassen, selbst wenn diese sich innerhalb eines Satzes vom Positiven ins Negative wandelt und diese Stimmung in Form einer Bewertung einem Aspekt des Produktes zuzuordnen ist. Die hier gewonnenen Erkenntnisse bieten Unternehmen das Potenzial einen wichtigen Aspekt der Wertschöpfungskette, den Kunden, passiv in ihre Datenanalysen zu integrieren.

Der vorliegende Demonstrator zeigt exemplarisch, wie unstrukturierte Daten aus Produktbewertungen mit dem konkreten Geschäftsmodell eines Unternehmens verknüpft werden können. Weiterhin wird die Stimmung eines Verfassers erhoben, um so die Einstellung zum Produkt oder bestimmten Produkteigenschaften zu ermitteln. Zwar gibt es viele betriebswirtschaftliche Konzepte, die den einzelnen Baustein eines Geschäftsmodells zugrunde liegen, so müssen jedoch konkrete Produkteigenschaften, Absatzkanäle, Zulieferer, etc. und insbesondere Eigennamen individuell pro Unternehmen konfiguriert werden. Weiterhin empfiehlt es sich eine konkrete Auswahl der geeigneten Daten zu ermitteln, um so eine effizientere und zielgerichtetere Suche zu ermöglichen. KMU erhalten somit ein einfaches, aber flexibles Werkzeug, um den Fit ihres Geschäftsmodells auf Basis der aktuellen Datenlage kontinuierlich weiter zu bewerten.

Im Sinne einer Weiterentwicklung des vorgestellten Prototyps in Richtung eines kommerziellen Produktes bedürfte es einer vollständigen Abbildung der vorgestellten Ontologie-basierten Taxonomie in die entsprechenden NLP-Konstrukte. Weiterhin muss der Aufwand für Anwender reduziert werden, in dem die Dateneingabe und -auswahl noch weiter vereinfacht wird und auf branchenspezifische Referenzmodelle zurückgreift.

Zum Abschluss dieses Kapitels sei auf den weiterführenden Ausblick von Kap. 20 verwiesen, die einen Blick auf die künftige Entwicklung Industrieller Datenanalysen vor dem Hintergrund menschlicher, technischer und organisatorischer Einflussfaktoren werfen.