A Framework for Customer Needs Analysis: Integrating Dynamic Sentiment Lexicon Construction with Kano Model

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, das Rätsel zu lösen, was Menschen wirklich von einem Produkt wollen. In der Geschäftswelt nennt man das „Customer Needs Analysis“ (Bedürfnisanalyse der Kunden). Lange Zeit versuchten Unternehmen, dies zu lösen, indem sie Papierumfragen verteilten oder Menschen baten, Formulare auszufüllen. Aber das ist so, als würde man versuchen, die Gedanken einer ganzen Stadt zu erraten, indem man nur fünf Leute an einer Straßenecke fragt – es ist langsam, oft voreingenommen und die Leute sagen vielleicht nicht einmal die Wahrheit.

Hier kommt das Internetzeitalter ins Spiel, in dem Millionen von Menschen eine digitale Spur ihrer Meinungen in Form von Online-Bewertungen hinterlassen. Dies ist eine Goldgrube an Daten, aber sie sind chaotisch. Um sie verständlich zu machen, nutzen Wissenschaftler zwei Hauptwerkzeuge. Zuerst nutzen sie die „Sentiment-Analyse“, die wie ein Stimmungsring für Texte funktioniert; sie versucht herauszufinden, ob ein Wort oder Satz glücklich, traurig, wütend oder begeistert ist. Zweitens nutzen sie das „Kano-Modell“, ein berühmtes Framework, das Bedürfnisse in Kategorien sortiert: Einige sind grundlegend (man muss sie haben, sonst ist man unzufrieden), einige sind linear (je mehr man davon hat, desto zufriedener ist man) und einige sind „Begeisterungsfaktoren“ (unerwartete Extras, die einen vor Freude springen lassen). Das Problem? Traditionelle Stimmungsringe sind „statisch“ – sie verwenden ein festes Wörterbuch, das Slang, Sarkasmus oder Kontext nicht handhaben kann. Und das Kano-Modell basiert normalerweise auf jenen langsamen, subjektiven Umfragen.

Dieses Paper schlägt einen cleveren neuen Weg vor, um diese Werkzeuge zu kombinieren. Die Forscher entwickelten einen „dynamischen“ Stimmungsring, der aus der spezifischen Sprache von Autobesitzern lernt, und nutzten diesen, um das Kano-Modell automatisch zu füttern, wodurch sie Umfragen komplett übersprangen. Sie testeten dies an fast 9.000 Bewertungen von New Energy Vehicles (wie Elektroautos), um genau herauszufinden, was Fahrer lieben, was sie hassen und welche Funktionen Unternehmen zuerst verbessern sollten.

---

Das neue Werkzeugset des Detektivs

Die Forscher, Qiong He und ihr Team von der Beijing Information Science & Technology University, erkannten, dass alte Werkzeuge nicht mehr mit der Art und Weise Schritt halten konnten, wie Menschen online tatsächlich sprechen. Wenn man sagt, ein Auto sei „groß“, könnte ein statisches Wörterbuch dies nur als neutrales Wort sehen. Aber wenn man „großes Geräusch“ sagt, ist das schlecht. Wenn man „großen Kofferraum“ sagt, ist das gut. Ein Standard-Wörterbuch kann den Unterschied nicht erkennen, ohne dass ein Mensch den Kontext erklärt.

Um dies zu beheben, baute das Team ein Dynamisches Sentiment-Lexikon. Stellen Sie sich dies als ein superintelligentes, selbstaktualisierendes Wörterbuch vor, das nicht nur Wörter auswendig lernt, sondern den Vibe eines Gesprächs versteht. Sie verwendeten ein leistungsstarkes KI-Gehirn (genannt BERT), das Sätze so liest, wie Menschen es tun, indem es die Wörter vor und nach einem Begriff betrachtet, um dessen wahre Bedeutung zu verstehen. Sie verwendeten auch einen mathematischen Trick namens TF-IDF-PageRank (eine schicke Art zu sagen: „Finde die wichtigsten Wörter, die zusammen vorkommen“), um die besten Ausgangswörter für ihr Wörterbuch auszuwählen.

Nachdem sie dieses intelligente Wörterbuch erstellt hatten, hörten sie nicht auf. Sie speisten es in das Kano-Modell ein. Normalerweise erfordert das Kano-Modell, dass ein Forscher einen Kunden fragt: „Wie würden Sie sich fühlen, wenn dieses Feature existiert?“ und „Wie würden Sie sich fühlen, wenn es nicht existiert?“. Das Team übersprang den Teil des Fragens. Stattdessen ließ es ihre KI tausende Bewertungen lesen, berechnete, wie glücklich oder wütend Menschen über bestimmte Autoteile waren, und sortierte diese Teile automatisch in die Kano-Kategorien ein.

Der Fall der 9.000 Bewertungen

Das Team stellte sein Framework anhand von 8.970 Online-Bewertungen von New Energy Vehicles (NEVs) auf die Probe, die von einer populären chinesischen Automobilwebsite namens Dongchedi gesammelt wurden. Sie konzentrierten sich auf fünf große Marken: Tesla, BYD, Chang'an, NIO und Lixiang.

Nachdem sie die Daten bereinigt hatten (Duplikate und Unsinn entfernt), identifizierte ihr System erfolgreich neun Schlüsselattribute eines Produkts, die Kunden wichtig sind. Diese reichten von „Reichweite“ (wie weit das Auto mit einer Ladung kommt) und „Platzangebot“ bis hin zu „Intelligenz“ (intelligente Fahrfunktionen) und „Fahrwerkssystem“ (das Skelett des Autos und die Fahrqualität).

Hier geschah die Magie. Die KI listete die Funktionen nicht nur auf; sie klassifizierte sie mithilfe des Kano-Modells und enthüllte die verborgene Psychologie der Fahrer:

• Die „Must-haves“ (Grundbedürfnisse/Must-be Attributes): Das System fand heraus, dass Sitze, das Fahrwerkssystem und das Fahrerlebnis die Grundlagen sind. Wenn diese schlecht sind, sind die Kunden wütend. Aber wenn sie nur „gut“ sind, werden die Kunden nicht begeistert; sie erwarten es einfach. Es ist wie das Dach eines Hauses: Wenn es leckt, ist man wütend, aber wenn es solide ist, feiert man keine Party.
• Die „Linearen“ Merkmale (Ein-dimensionale Attribute): Das Aussehen fällt in diese Kategorie. Je stylischer das Auto aussieht, desto zufriedener ist der Kunde. Es ist eine gerade Linie: Besseres Aussehen bedeutet mehr Lächeln.
• Die „Begeisterungsfaktoren“ (Attraktive Attribute): Das war die große Überraschung. Merkmale wie Reichweite, Platzangebot, Intelligenz, Interieurqualität und Preis wurden als „Begeisterungsfaktoren“ klassifiziert. Das bedeutet, wenn ein Auto in diesen Bereichen glänzt, erzeugt dies einen massiven Anstieg der Kundenzufriedenheit. Wenn ein Auto in diesen Bereichen jedoch nur „okay“ ist, sind die Kunden nicht unbedingt wütend, sie verspüren nur nicht diesen zusätzlichen Funken Freude.

Der „Opportunity“-Score: Wer muss zuerst repariert werden?

Zu wissen, was Menschen wollen, ist gut, aber Unternehmen haben begrenzte Budgets. Sie können nicht alles gleichzeitig reparieren. Deshalb fügten die Forscher einen letzten Schritt hinzu: einen Opportunity-Algorithmus. Dieser fungiert wie eine Prioritätenliste. Er betrachtet zwei Dinge:

1. Wichtigkeit: Wie oft sprechen Menschen über dieses Feature?
2. Zufriedenheit: Wie zufrieden sind die Menschen aktuell damit?

Der Algorithmus berechnet einen „Chance-Score“, um Herstellern zu sagen, wo sie sich konzentrieren sollen. Die Ergebnisse waren eindeutig:

• Höchste Priorität: Platzangebot und Reichweite waren die Gewinner. Sie sind bereits „Begeisterungsfaktoren“ (die Leute lieben sie, wenn sie gut sind), aber es gibt noch Raum, sie noch besser zu machen, um mehr Kunden zu gewinnen.
• Dringende Korrektur: Das Fahrerlebnis war ein „Must-have“, mit dem die Kunden überraschenderweise unzufrieden waren. Obwohl es eine Grundanforderung ist, bedeutete der niedrige Zufriedenheitswert, dass es eine tickende Zeitbombe für die Marken war.
• Niedrige Priorität: Intelligenz und Aussehen hatten niedrigere Opportunity-Scores, was darauf hindeutet, dass sie zwar wichtig sind, die aktuelle Lücke zwischen dem, was Kunden wollen, und dem, was sie haben, jedoch nicht so kritisch ist wie die Probleme beim Fahrerlebnis oder beim Platzangebot.

Das Urteil

Die Studie legt nahe, dass Unternehmen durch die Verwendung dieses dynamischen, KI-gesteuerten Ansatzes von Vermutungen und subjektiven Umfragen abrücken können. Stattdessen können sie direkt der „Stimme des Kunden“ aus dem Chaos der Online-Bewertungen zuhören. Das Framework verwandelte 8.970 chaotische Bewertungen erfolgreich in einen klaren, handlungsorientierten Fahrplan: Reparieren Sie das Fahrerlebnis, um die Verluste zu stoppen, und optimieren Sie das Platzangebot und die Reichweite, um den nächsten großen Hit zu kreieren.

Obwohl die Autoren anmerken, dass ihre Methode derzeit nur an Elektroautos getestet wurde und auf den Daten einer einzigen Website basiert, argumentieren sie, dass dieser Ansatz des „dynamischen Lexikons“ eine wiederholbare, objektive Methode bietet, um zu verstehen, was Kunden wirklich brauchen – und so das Rauschen des Internets in ein klares Signal für Produktverbesserungen verwandelt.