Peaks & Pies Logo
Business Intelligence
12. März 2026- Aktualisiert am 12. März 20266 Min. Lesezeit

Sentimentanalyse für Social Listening mit Google Cloud: Drei Ansätze im Vergleich

Soziale Netzwerke sind heute eine der wichtigsten Quellen für Kundenfeedback. Nutzer teilen ihre Meinungen zu Produkten, Services und Marken täglich auf Plattformen wie Instagram, TikTok, YouTube oder LinkedIn. Diese Kommentare enthalten wertvolle Informationen darüber, wie Produkte wahrgenommen werden und welche Themen für Kunden besonders relevant sind.

Für Unternehmen stellt sich jedoch eine zentrale Herausforderung: Social-Media-Daten entstehen in sehr großen Mengen und liegen meist in unstrukturierter Textform vor. Eine manuelle Analyse dieser Inhalte ist zeitaufwendig und schwer skalierbar.

In diesem Artikel stellen wir drei Ansätze zur automatisierten Sentimentanalyse mit Google Cloud vor:

  • Sentimentanalyse mit der Google Cloud Natural Language API
  • Sentimentanalyse mit einem Custom Agent auf Basis des Google Agent Development Kit (ADK)
  • Sentimentanalyse mit BigQuery AI Functions

Wir zeigen, wie diese Methoden eingesetzt werden können, um Social-Media-Daten effizient zu analysieren und Kundenstimmungen automatisiert zu erkennen.

Problemstellung

Zu verstehen, wie Kunden Produkte oder Dienstleistungen auf Social Media wahrnehmen, ist entscheidend für das Monitoring der Markenwahrnehmung und das frühzeitige Erkennen von Problemen.

Social-Media-Plattformen generieren täglich eine große Menge an:

  • Kommentaren
  • Produktbewertungen
  • Diskussionen
  • Nutzerfeedback

Diese Inhalte enthalten wichtige Hinweise auf:

  • Kundenzufriedenheit
  • Produktprobleme
  • Verbesserungsvorschläge
  • neue Trends in der Nutzung von Produkten

In vielen Organisationen erfolgt die Analyse dieser Daten jedoch noch teilweise manuell. Dies bringt mehrere Herausforderungen mit sich:

  • hoher Zeitaufwand
  • eingeschränkte Skalierbarkeit
  • inkonsistente Klassifikation
  • verzögerte Erkenntnisse

Um Social Listening effektiv zu nutzen, ist daher eine automatisierte und skalierbare Sentimentanalyse notwendig.

Ziel

Das Ziel dieses Projekts war es, eine automatisierte Pipeline für die Analyse von Social-Media-Kommentaren zu entwickeln, die folgende Anforderungen erfüllt:

  • schnelle Verarbeitung großer Datenmengen
  • einfache Integration in bestehende Datenpipelines
  • Vergleichbarkeit verschiedener Analyseansätze
  • Skalierbarkeit für große Datensätze

Dafür wurden drei unterschiedliche Lösungen mit Google Cloud Technologien untersucht.

Ansatz 1: Sentimentanalyse mit der Google Cloud Natural Language API

Der erste Ansatz nutzt die Google Cloud Natural Language API, die vortrainierte Modelle für Natural Language Processing bereitstellt.

Für die Analyse wurden zwei zentrale Funktionen verwendet:

  • AnalyzeSentiment, um die Stimmung eines Textes zu bestimmen
  • classifyText, um den Text einer thematischen Kategorie zuzuordnen

Die API liefert mehrere wichtige Kennzahlen.

Sentiment Score

Der Sentiment Score beschreibt die emotionale Bewertung eines Textes und liegt im Bereich zwischen -1 und +1.

  • -1 entspricht einem sehr negativen Sentiment
  • 0 entspricht einem neutralen Sentiment
  • +1 entspricht einem sehr positiven Sentiment

Sentiment Magnitude

Die Magnitude beschreibt die Stärke des Sentiments, unabhängig davon, ob es positiv oder negativ ist. Ein stark emotionaler Text hat daher eine höhere Magnitude als ein neutral formulierter Kommentar.

Textkategorie

Zusätzlich kann der Text einer Kategorie zugeordnet werden. Diese Kategorien basieren auf einer hierarchischen Taxonomie, auf der das Modell trainiert wurde.

Confidence Score

Der Confidence Score beschreibt die Sicherheit, mit der das Modell die jeweilige Kategorie erkannt hat.

Ansatz 2: Sentimentanalyse mit dem Google Agent Development Kit

Der zweite Ansatz basiert auf einem Custom AI Agent, der mit dem Google Agent Development Kit (ADK) entwickelt wurde.

Anstatt eine feste API aufzurufen, analysiert der Agent Texte mithilfe eines Prompt-basierten Ansatzes.

Der Workflow sieht folgendermaßen aus:

  • Ein Datensatz wird aus BigQuery abgefragt
  • Die Spalte mit dem Kommentartext wird extrahiert
  • Der Text wird an einen Custom Agent übergeben
  • Der Agent analysiert den Inhalt mithilfe eines Prompts
  • Die Ergebnisse werden strukturiert in einer neuen BigQuery-Tabelle gespeichert

Der Agent liefert mehrere strukturierte Informationen zurück:

  • sentiment_score
  • sentiment_magnitude
  • category
  • label

Kategorieerkennung

Der Agent identifiziert, auf welches Produkt oder welche Produktkategorie sich der Kommentar bezieht.

Feedback-Labels

Zusätzlich werden Kommentare anhand ihres Inhalts klassifiziert. Mögliche Labels sind:

  • Praise
  • Critique
  • Complaint
  • Recommendation
  • Comparison
  • Other

Beispielabfrage

1You are a sentiment analysis agent. Output only valid JSON that matches the schema. No extra text.
2
3Return:
4
5sentiment_score (-1 to 1) where -1 is extremely negative, 0 is neutral, and 1 is extremely positive.
6
7sentiment_magnitude (>=0) representing the strength of the sentiment regardless of being positive or negative. For eg. a sentence with a strong negative or positive sentiment would have a high magnitude, while a neutral sentence would have a low magnitude.
8
9category (what the text is about, be specific), return the name of the product mentioned in the text or the category it belongs to.
10
11Label as one of the following: [praise, critique, complaint, recommendation, comparison, other]
12
python

Der große Vorteil dieses Ansatzes liegt in seiner Flexibilität. Durch Anpassung des Prompts können Analyseziele leicht verändert oder erweitert werden.

Ansatz 3: Sentimentanalyse mit BigQuery AI Functions

Der dritte Ansatz nutzt BigQuery AI Functions, die eine Textklassifikation direkt innerhalb von SQL-Abfragen ermöglichen.

Damit kann Sentimentanalyse ohne zusätzliche APIs oder separate Services durchgeführt werden.

Diese Funktionen erlauben es, Texte direkt innerhalb der Datenbank zu klassifizieren und sind besonders hilfreich für schnelle Analysen oder Prototypen.

Zu den wichtigsten Vorteilen dieses Ansatzes gehören:

  • keine externen APIs notwendig
  • minimaler Implementierungsaufwand
  • direkte Integration in bestehende SQL-Workflows
  • schnelle Experimente auf großen Datensätzen

Beispielabfrage

1SELECT
2
3AI.CLASSIFY(
4
5CONCAT('Classify the posting by sentiment: ', text),
6
7categories => [
8
9('positive','The posting is positive.'),
10
11('neutral','The posting is neutral.'),
12
13('negative','The posting is negative.')
14
15]
16
17)
18
19FROM {dataset.table_name}
sql

Der Nachteil ist jedoch, dass die Anpassungsmöglichkeiten im Vergleich zu einem Custom Agent begrenzt sind.

Vergleich der Ansätze

Alle drei Ansätze verfolgen unterschiedliche Strategien für die Sentimentanalyse und haben jeweils spezifische Stärken.

Die Natural Language API basiert auf einem vortrainierten NLP-Modell und liefert konsistente Sentimentbewertungen.

Der Agent-basierte Ansatz bietet eine hohe Flexibilität und ermöglicht zusätzliche Klassifikationen, die speziell auf Business-Anforderungen zugeschnitten sind.

Die BigQuery AI Functions ermöglichen eine sehr einfache Integration direkt in bestehende Datenpipelines.

Erkenntnisse

Aus der Analyse lassen sich mehrere wichtige Erkenntnisse ableiten.

Natural Language API liefert sehr konsistente Ergebnisse

Die API erzeugte stabile Sentiment Scores über verschiedene Kommentararten hinweg. Dadurch eignet sie sich besonders gut für langfristiges Monitoring und Reporting.

Agentenbasierte Analyse eignet sich besonders für Feedback-Klassifikation

Der Agent konnte Kommentare effektiv in Kategorien wie Praise, Complaint oder Recommendation einordnen. Diese zusätzliche Klassifikation liefert wertvolle Einblicke in die Art des Kundenfeedbacks.

BigQuery AI Functions sind besonders einfach zu implementieren

Da diese Funktionen direkt in SQL verwendet werden können, eignen sie sich hervorragend für schnelle Experimente oder einfache Analysepipelines.

Fazit

Die automatisierte Analyse von Social-Media-Kommentaren ermöglicht es Unternehmen, große Mengen an Kundenfeedback effizient auszuwerten und wichtige Trends frühzeitig zu erkennen.

Mit Google Cloud stehen mehrere leistungsfähige Ansätze für Sentimentanalyse zur Verfügung:

  • Google Cloud Natural Language API
  • Google Agent Development Kit
  • BigQuery AI Functions

Je nach Anwendungsfall kann eine Kombination dieser Technologien eine besonders leistungsfähige Lösung darstellen.

Durch die Integration solcher Methoden in bestehende Datenpipelines lassen sich Social-Media-Daten systematisch analysieren und in wertvolle Erkenntnisse für Produktentwicklung, Marketing und Customer Experience übersetzen.

Referenzen

[1] https://google.github.io/adk-docs/

[2]https://docs.cloud.google.com/natural-language/docs/reference/rpc/google.cloud.language.v1#google.cloud.language.v1.LanguageService.AnalyzeSentiment

[3]https://docs.cloud.google.com/natural-language/docs/reference/rest/v2/documents/classifyText

[4]https://docs.cloud.google.com/bigquery/docs/reference/standard-sql/bigqueryml-syntax-ai-classify

Lust auf einen
Austausch?

Schreiben Sie uns
Crocodile illustration
Paperplane

Newsletter

Als Erstes informiert, wenn es Neuigkeiten in der digitalen Welt gibt!

Durch die Bereitstellung Ihrer E-Mail-Adresse erklären Sie sich damit einverstanden, Newsletter und Werbe-E-Mails von uns zu erhalten. Wir respektieren Ihre Privatsphäre und werden Ihre Informationen nicht an Dritte weitergeben. Sie können sich jederzeit abmelden.

You've reached the end
BER

Google Maps

Linienstrasse 222, 10119 Berlin

HAM

Google Maps

Raboisen 30, 20095 Hamburg

hello@peaksandpies.com

LinkedIn

Flower illustration