Social Listening

Einfach erklärt

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

Technischer Deep Dive

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

Metrik	Beschreibung	Ziel
Share of Voice	Anteil an Branchengesprächen	Steigend
Net Sentiment	Positiv minus Negativ	Positiv
Response Time	Zeit bis zur Reaktion	Unter 1h
Reach	Potenzielle Reichweite	Steigend
Trending Topics	Häufige Themen	Überwachen