Wie Sie in nur 5 Minuten herausfinden, was LinkedIn an Ihrer App optimieren sollte.

Der Endkunde hat heute so viele Möglichkeiten wie noch nie, sein Feedback zu Produkten und Dienstleistungen abzugeben. Egal ob per Mail, Messenger, Soziales Netzwerk, App Bewertungen, Amazon, TrustedShops, eKomi und viele viele mehr. Dies führt zu einer unglaublich großen Anzahl an Freitext-Feedback, welches nur mit sehr großem Aufwand überblickt und vor allem verstanden werden kann. Allerdings ist es auch klar, dass wenn sich ein Unternehmen seinem Kundenfeedback annimmt, dies ein unglaublich großer Wettbewerbsvorteil ist.

Eine neuartige und innovative Art und Weise Kundenfeedback automatisiert zu überblicken sowie zu verstehen, bietet die Software des Unternehmens liCili. Mit Hilfe dieser Software wurden beispielhaft über 5.000 App Bewertungen des Unternehmens LinkedIn analysiert und in folgendem Artikel vorgestellt.

Die Projektübersicht

Bevor es um die konkreten Inhalte der Freitexte geht, gilt es erstmal, sich einen Überblick zu verschaffen. Dazu gibt es weitere Informationen über den Datensatz in der Projektübersicht. Hier ist zu erkennen, dass insgesamt 5.157 Feedbacks analysiert wurden, welche eine durchschnittliche Bewertung von 3,5 Sterne haben. Der Zeitraum der Erhebung ist zwischen dem 27.10.2018 und dem 23.01.2019. Auch ist zu erkennen, wie die Sterne verteilt sind. Hierbei gibt es vor allem zwei große Segmente: 2.470 Nennungen mit fünf Sterne und 1.299 Feedbacks mit einem Stern. Woran dies liegt? Dazu später mehr. Auch ist zu erkennen, dass die iOS App eine sehr viel schlechtere durchschnittliche Bewertung hat (1,8 Sterne), wie die Android App mit 3,7 Sternen.

Die Projektübersicht dient dazu, eine bessere Übersicht über den Datensatz und Feedbacks zu erhalten, ohne auf die inhaltliche Ebene zu gehen.

Das Themencluster

Die Schnellfilter „Android“ oder „iOS“ und der Button Clustering führen zu der inhaltlichen Ebene und der Themenübersicht (Siehe Abbildung 2). Diese gibt Aufschluss darüber, welche Themen in welcher Häufigkeit besprochen worden sind. Mit dem Mouseover werden zu den jeweiligen Themen die absolute und relative Anzahl an Freitexten angezeigt.

In der Beispielauswertung von LinkedIn sind die drei größten Themen „Update“, „Problem“ und „Verbindung“.  

Über die Filtermöglichkeit kann das Feedback nach Zielgruppen oder weiteren Informationen eingegrenzt werden. Bei der Beispielauswertung sind die Attribute Betriebssystem, Bewertung, Sprache, Datum und Version vorhanden (Vergleiche dazu Abbildung 3). Dies ermöglicht es genauere Informationen und Themenübersichten für einzelne Zielgruppen zu erhalten.

Ein mögliches Vorgehen um den Datensatz zu analysieren ist es zum Beispiel die Themen von Kunden die zufrieden sind (Attribut Bewertung: 5) mit den Themen von eher unzufriedenen Kunden zu vergleichen (Attribut Bewertung: 1+2).

Kunden verstehen

Wendet man den Filter nach eher unzufriedenen Kunden an ergibt sich ein neues Bild an Themen, welches in Abbildung 4 dargestellt ist.  

Dabei ist deutlich zu erkennen, dass das Thema „Update" hier noch größere Rolle spielt. Zusätzlich sind die Themen „Nachrichten“, „Benachrichtigung“ und „Zeit“ stärker ausgeprägt. Durch diese Anpassung ist also sofort zu erkennen, über welche Themen die unzufriednen Kunden, in welcher Häufigkeit sprechen.

Um den Kunden wirklich besser zu verstehen, ist es im nächsten Schritt wichtig, die besprochenen Themen genauer zu betrachten. Durch den Klick auf ein Cluster, zum Beispiel  „Update", öffnet sich eine Liste mit allen Feedbacks zu diesem Thema. Dass spannende hierbei ist, dass diese nach der Relevanz sortiert wurden. Dies führt dazu, dass ganz oben das spannendste Feedback steht und weiter unten die unrelevanten Freitexte. Dank dieser Sortierung ist sofort am ersten Feedback zu erkennen, dass nicht das Update an sich nicht funktioniert, sondern der Prozess beim Update aufspielen fehlerhaft ist. Somit stellt sich direkt, innerhalb der ersten paar Freitexte heraus, um was es genau geht. Ohne, dass hunderte oder auch tausende Freitexte durchgelesen werden müssen. Ein zweites spannendes Thema ist zum Beispiel das Cluster „Benachrichtigungen“. Durch die Sortierung der Feedbacks ist sofort zu erkennen, dass es den Kunden nervt, wenn Fake Bewertungen angezeigt werden, nur um die App wieder zu öffnen.

Mindestens genauso spannend ist es zu betrachten, über welche Themen den die zufriedenen Kunden sprechen. Nach der Anwendung des Filters auf fünf Sterne-Bewertungen, ergibt sich eine komplett andere Themenübersicht (Siehe Abbildung 5).

Das größte Thema ist nun vielmehr „Jobs“ und „Kontakte“. Auch hier ist anhand der ersten Freitexte zu erkennen, dass die Kunden es sehr schätzen ihre Erfahrungen für die Jobsuche teilen zu können und dass sie sich eine zusätzliche Sortierung für die Kontakte wünschen. Auch dies ist wiederum innerhalb der ersten 3 Feedbacks deutlich geworden.

Zusammenfassung

Anhand der Analyse wurde erkannt, dass vor allem Verbesserungsbedarf bei dem Aufspielen des letzten Updates und bei den Benachrichtigungen. Hier sollten die gefälschten Benachrichtigungen zurückgefahren und die Nutzer nur mit echten Content in die App gelockt werden.

Positiv ist vor allem die Verbindung mit dem Thema Job und auch die Jobsuche. Hierzu eignet sich die Plattform sehr gut, vor allem aufgrund des Teilens von Erfahrungen und den vielen Informationen. Wünschenswert wäre eine bessere Kategorisierung der Kontakte und eine bessere Suchfunktion in den eigenen Kontakten.

Darüber hinaus können Sie sich gerne kostenlos unter dem folgenden Link registrieren, um die Auswertung selber durchzuschauen: https://app.licili.io/register

‍