Sentiment-Analyse in der PR: Definition, Formeln und Grenzen

In diesem Artikel

Sentiment-Analyse in der PR ordnet den bewertenden Ton von untersuchten Inhalten ein, meist als positiv, neutral oder negativ. Sie beschreibt den Inhalt. Sie misst nicht, was eine Zielgruppe denkt oder fühlt.

Diese Grenze klingt einfach, wird in Reports aber häufig verwischt. Ein positiver Artikel belegt keine positive Reputation. Er belegt, dass der Artikel die festgelegte Regel für positive Inhalte erfüllt hat.

Medientonalität und Marken-Sentiment sind verschieden

Vor der Wahl einer Formel muss klar sein, was bewertet wird.

Allgemeine Medientonalität fragt, ob der Beitrag insgesamt positiv, neutral oder negativ ist. Ein Artikel über eine Branchenkrise kann einen negativen Grundton haben und trotzdem ein einzelnes Unternehmen positiv darstellen.

Marken-Sentiment fragt, wie der Beitrag eine bestimmte Marke behandelt. Derselbe Artikel kann gegenüber Marke A positiv, gegenüber Marke B negativ und gegenüber Marke C neutral sein.

Das sind zwei getrennte Codierfragen. Ein Report sollte nicht unbemerkt zwischen ihnen wechseln.

Sentiment ist eine Output-Kennzahl

Die AMEC Taxonomy of Evaluation ordnet Tonalität, Sentiment und Favorability den Kommunikations-Outputs zu. Sie beschreiben veröffentlichte oder verbreitete Inhalte.

Die Haltung einer Zielgruppe gehört zu den Outcomes und braucht Evidenz aus der Zielgruppe. Befragungen, Interviews, Experimente oder Verhaltensdaten können untersuchen, ob Menschen einer Marke vertrauen, sie bevorzugen oder wählen wollen. Medien-Sentiment kann das nicht.

Dieselbe Grenze gilt für KI-Antworten. Eine positive Beschreibung ist eine beobachtete Inhaltseigenschaft. Sie beweist nicht, dass die nutzende Person diese Sicht übernommen hat.

Sentiment-Verteilung

Der klarste Report zeigt die gesamte Verteilung.

Positiver Anteil = positiv bewertete Beiträge ÷ alle bewerteten relevanten Beiträge × 100

Neutraler Anteil = neutral bewertete Beiträge ÷ alle bewerteten relevanten Beiträge × 100

Negativer Anteil = negativ bewertete Beiträge ÷ alle bewerteten relevanten Beiträge × 100

Angenommen, eine Analyse sammelt 100 relevante Clippings. Davon werden 90 bewertet: 45 positiv, 30 neutral und 15 negativ.

Die Verteilung unter den bewerteten Beiträgen lautet:

• positiv: 45 ÷ 90 = 50%;
• neutral: 30 ÷ 90 = 33,3%;
• negativ: 15 ÷ 90 = 16,7%.

Zehn Beiträge bleiben unbewertet. Dieser fehlende Anteil gehört in den Report.

Bewertungsabdeckung ausweisen

Unbekannte Beiträge dürfen aus dem Sentiment-Nenner ausgeschlossen werden, wenn der Report zusätzlich zeigt, wie viele relevante Beiträge bewertet wurden.

Bewertungsabdeckung = bewertete relevante Beiträge ÷ alle relevanten Beiträge × 100

Im Beispiel beträgt die Bewertungsabdeckung 90%. Ein günstiger Durchschnitt kann irreführen, wenn er nur aus einer kleinen oder verzerrten Teilmenge stammt.

Eine andere vertretbare Methode führt "unbekannt" als vierte Kategorie. Wählt eine Variante, legt sie offen und haltet sie stabil.

Net Sentiment

Net Sentiment verdichtet die Verteilung zu einer Zahl:

Net Sentiment = positiver Anteil minus negativer Anteil

Im Beispiel ergibt sich 50 minus 16,7, also +33,3 Prozentpunkte. Wenn die Anteile als Prozentwerte eingehen, reicht die Skala von -100 bis +100.

Net Sentiment ist eine individuelle Zusammenfassung, kein universeller AMEC-Standard. Unterschiedliche Verteilungen können denselben Wert erzeugen. Eine Stichprobe mit 50% positiven und 20% negativen Beiträgen erreicht denselben Net Score wie eine Stichprobe mit 30% positiven und keinen negativen Beiträgen. Die Kommunikationslagen unterscheiden sich trotzdem.

Zeigt deshalb immer die positiven, neutralen, negativen und unbekannten Anteile.

Das Codebuch vor der Analyse festlegen

Die Codierregel bestimmt das Ergebnis. Definiert mindestens:

1. die Einheit, etwa ganzer Artikel, Absatz, Zitat, Markenauftritt oder KI-Antwort;
2. das Ziel, entweder den Ton des gesamten Beitrags oder die Haltung gegenüber einer bestimmten Marke;
3. Kategorien und Schwellenwerte;
4. die Behandlung gemischter Berichterstattung;
5. die Behandlung zitierter Kritik, Ironie, Verneinung und sachlicher Vorwürfe;
6. die Regel für unbekannte oder unzureichende Kontexte.

Ein sachlicher Bericht über sinkende Umsätze kann beispielsweise als negativ gegenüber dem Unternehmen gelten, obwohl die journalistische Sprache neutral bleibt. Ein anderes Codebuch kann "negativ" für ausdrückliche Kritik reservieren. Beide Ansätze sind möglich. Sie dürfen nur nicht als identisch verglichen werden.

Menschliche und automatische Codierung

Menschen verstehen Kontext, können aber unterschiedlich urteilen. Trainiert Codierende mit demselben Codebuch, lasst sie eine gemeinsame Stichprobe prüfen und berichtet bei wichtigen Analysen die Intercoder-Reliabilität.

Automatische Klassifizierung verarbeitet größere Mengen. Sie muss trotzdem anhand menschlich codierter Inhalte aus den relevanten Sprachen, Kanälen und Themen geprüft werden. Sarkasmus, gemischte Perspektiven, Zitate, juristische Berichterstattung und lokale Formulierungen bleiben schwierig.

Validiert nach Änderungen an Modell, Prompt, Schwellenwert oder Codebuch erneut. Ein historischer Trend kann brechen, weil sich die Messung verändert hat, obwohl die Berichterstattung gleich blieb.

Automatisierung skaliert eine definierte Methode. Sie ersetzt die Definition nicht.

Sentiment in aclipp

aclipp hält zwei Konzepte getrennt.

Clipping Sentiment bewertet den Gesamtton eines Medienbeitrags auf einer Skala von 0 bis 100. Das Produkt zeigt negative, neutrale und positive Bereiche. Der Wert gilt für das ganze Clipping und kann auch ohne beobachtete Marke existieren.

AI Brand Sentiment bewertet die Haltung gegenüber einer beobachteten Marke in einem Antwortlauf. aclipp mittelt die vorhandenen Markenwerte unter den ausgewählten Filtern. Unbewertete Zeilen werden ausgeschlossen, weshalb die Zahl der bewerteten Fälle sichtbar bleiben sollte.

Diese Schwellenwerte und Mittelwerte sind Produktkonventionen von aclipp, keine Branchenstandards. Der allgemeine Leitfaden zu AI Visibility zeigt, wie Sentiment mit Erwähnungen, Zitationen und Share of Voice zusammenspielt.

Sentiment mit anderen Inhaltskennzahlen lesen

Sentiment wird nützlicher, wenn es eine konkrete Kommunikationsfrage beantwortet.

• Verbindet es mit Share of Voice, um zu erkennen, ob hohe Präsenz aus günstiger oder kritischer Berichterstattung stammt.
• Verbindet es mit Key Message Pull-through, um die Präsenz einer Botschaft von ihrem Framing zu trennen.
• Prüft Zielmedien und Prominenz, damit viele kleine neutrale Nennungen wenige wichtige kritische Beiträge nicht verdecken.

Multipliziert diese Faktoren nicht zu einem unerklärten Reputationsscore. Haltet die Bestandteile sichtbar, solange keine veröffentlichte Entscheidungsregel einen Gesamtindex erfordert.

Die Grenze von Sentiment-Daten

Content-Sentiment belegt nicht:

• Emotion oder Haltung der Zielgruppe;
• Vertrauen oder Reputation;
• Erinnerung oder Verständnis;
• Kaufabsicht oder Verhalten;
• Ursache eines Geschäftsergebnisses.

Es kann zeigen, ob untersuchte Inhalte unter einer stabilen Methode positiver oder negativer wurden. Danach muss geprüft werden, ob die richtige Zielgruppe diese Inhalte wahrgenommen hat und ob sich etwas verändert hat. Dafür braucht es andere Evidenz.

Unser Leitfaden zu PR-Kennzahlen ordnet Sentiment den Outputs zu und zeigt, welche Methoden für Outtakes, Outcomes und organisatorischen Impact geeignet sind.