Social Listening

Social Listening im Überblick

Social Listening überwacht, was Menschen online über deine Marke, Produkte und Branche sagen. KI analysiert automatisch, ob die Stimmung positiv, negativ oder neutral ist.

Was wird überwacht:

Markenerwähnungen:
├── Direkt: @DeinUnternehmen
├── Indirekt: "DeinUnternehmen" ohne Tag
├── Produkte: "Produkt XY ist super/schlecht"
└── Hashtags: #DeinProdukt

Wettbewerber:
├── Vergleiche: "X ist besser als Y"
├── Wechselabsichten: "Suche Alternative zu X"
└── Beschwerden: Chance für dich

Branche:
├── Trends: Aufkommende Themen
├── Pain Points: Ungelöste Probleme
└── Influencer: Wer prägt die Diskussion

Technisch betrachtet

Sentiment-Analyse

from transformers import pipeline

# Sentiment-Modell laden
sentiment = pipeline("sentiment-analysis", 
                     model="nlptown/bert-base-multilingual-uncased-sentiment")

def analyze_mentions(mentions):
    results = []
    for mention in mentions:
        analysis = sentiment(mention["text"])[0]
        results.append({
            "text": mention["text"],
            "sentiment": analysis["label"],
            "score": analysis["score"],
            "source": mention["source"],
            "timestamp": mention["timestamp"]
        })
    return results

# Aggregieren
def get_sentiment_summary(results):
    positive = sum(1 for r in results if "positive" in r["sentiment"].lower())
    negative = sum(1 for r in results if "negative" in r["sentiment"].lower())
    neutral = len(results) - positive - negative
    
    return {
        "positive_percent": positive / len(results) * 100,
        "negative_percent": negative / len(results) * 100,
        "neutral_percent": neutral / len(results) * 100,
        "net_sentiment": (positive - negative) / len(results) * 100
    }

Krisen-Erkennung

def detect_crisis(mentions, baseline_negative_rate=0.1):
    recent = mentions[-100:]  # Letzte 100 Erwähnungen
    
    negative_count = sum(1 for m in recent if m["sentiment"] == "negative")
    current_rate = negative_count / len(recent)
    
    # Alert wenn 3x höher als normal
    if current_rate > baseline_negative_rate * 3:
        return {
            "alert": True,
            "severity": "high" if current_rate > 0.5 else "medium",
            "negative_rate": current_rate,
            "top_issues": extract_topics(recent)
        }
    
    return {"alert": False}

Dashboard-Metriken