Stimmung: warum Lob mit Beschwerde eine eigene Klasse braucht
Positiv, negativ, neutral: Für Kundenfeedback sind drei Schubladen zu wenig. Wer die Beratung lobt und im selben Absatz die Rechnung reklamiert, ist nicht neutral. Wie aus der vierten Klasse eine verlässliche wurde, und was das gekostet hat.
Von Howzer Team, Modelle ·
Eine Rückmeldung beginnt damit, dass die Beratung am Telefon hervorragend war, und endet damit, dass die Rechnung trotzdem falsch ist. Ein Modell mit drei Klassen muss sich an dieser Stelle entscheiden, und jede Entscheidung ist zur Hälfte falsch. Meistens wählt es neutral, weil Lob und Beschwerde sich rechnerisch fast aufheben. Das ist die ungünstigste aller Antworten: Der Fall sieht danach aus wie eine Nachricht ohne Anliegen und rutscht in der Sichtung nach unten.
Gemischt ist keine Verlegenheit, sondern eine Aussage
Deshalb arbeitet das Stimmungsmodell mit vier Klassen: positiv, negativ, neutral und gemischt. Gemischt liegt nicht zwischen den anderen dreien, es ist etwas anderes. Die Klasse sagt: Hier steht beides, und beides ist ernst gemeint. Für ein Team, das eingehende Rückmeldungen sichtet, ist das eine andere Information als eine reine Beschwerde, denn das Lob benennt, was funktioniert und bleiben soll.
- Lob und Beschwerde im selben Text heben sich zu neutral auf.
- Die Beschwerde verliert die Dringlichkeit, mit der sie geschrieben wurde.
- Das Lob geht verloren, obwohl es die brauchbarste Information im Text ist.
- Gemischt ist ein eigenes Ergebnis mit eigener Behandlung.
- Beide Anteile der Nachricht bleiben sichtbar.
- Die Sichtung kann nach gemischt filtern, statt danach zu suchen.
Version 1: ein eigenes Modell statt geliehener Urteile
Die erste eigene Version entstand auf 933 handannotierten Beispielen. Handannotiert heißt, dass Menschen jeden dieser Texte gelesen und eingeordnet haben, gerade die unangenehmen Grenzfälle. Alle vierzig Produktions-Testfälle bestand das Modell, und damit ging es in Betrieb.
Version 2: nachtrainiert an dem, was im Betrieb auffiel
Im Betrieb fällt anderes auf als im Test. Auf kuratierten deutschen Realdaten zeigte sich eine zusammenhängende Fehlergruppe: Wut in Großbuchstaben, Polemik, und höfliche Kündigungen, die freundlich klingen und es nicht sind. Version 2 wurde gezielt gegen diese Gruppe nachtrainiert statt gegen den Durchschnitt, denn der Durchschnitt war nie das Problem.
Was es gekostet hat
- Zwei Fälle auf dem eingefrorenen Testsplit, die vorher richtig lagen und jetzt nicht mehr.
- Eine leichte Erosion bei neutral: Wo beide Klassen infrage kommen, entscheidet das Modell etwas häufiger für gemischt.
- Ironie bleibt offen. Ein Satz, der wörtlich lobt und das Gegenteil meint, wird weiterhin wörtlich gelesen.
Wie gut das Modell heute trifft, steht nicht in diesem Text, sondern auf seiner Messseite: mit Referenzsatz, Umfang und Konfidenzintervall, und dort wird es nach jedem Referenzlauf nachgezogen.