Kundenfeedback mit KI clustern

Use Case

Mit KI können Sie große Mengen offenen Kundenfeedbacks in Themencluster zerlegen und Häufigkeiten sichtbar machen. Die KI liefert die Vorsortierung, Ihre fachliche Prüfung sorgt für Verlässlichkeit.

Für: Marketing / Kundenservice · Niveau: Mittel · Tools: ChatGPT, Claude, Microsoft Copilot, NotebookLM

Für wen ist dieser Use Case geeignet?

Dieser Use Case eignet sich für Marketing, Kundenservice, Produktmanagement, Service-Design und alle, die offenes Feedback systematisch auswerten: aus Umfragen, Reviews, Beschwerden, Onboarding-Fragen.

Besonders hilfreich ist er bei mehreren hundert Stimmen, bei denen manuelles Lesen zu lange dauert, eine reine Stichprobe aber zu wenig zeigt.

Ausgangsproblem

Offenes Kundenfeedback ist wertvoll, aber schwer auszuwerten. Wer manuell lesen, sieht das Lauteste. Wer nur Stichprobe nimmt, übersieht Muster. Wer Stichworte auswertet, verfehlt die Nuance.

KI kann hier helfen, indem sie Aussagen thematisch clustert und Häufigkeiten zeigt. Die KI ersetzt aber keine fachliche Bewertung. Sie zeigt, was oft gesagt wird, nicht was wichtig ist.

Schritt-für-Schritt-Anleitung

Schritt 1: Datenquelle aufbereiten

Sammeln Sie die Feedback-Stimmen in einer Liste oder Tabelle. Achten Sie darauf, dass jede Stimme einzeln steht. Entferne vorab:

  • personenbezogene Daten (Namen, Mailadressen)
  • interne Kommentare
  • doppelte Einträge
  • leere Antworten

Schritt 2: Cluster-Auftrag definieren

Bevor die KI clustert, lege fest: Geht es um Themen, um Stimmungen, um konkrete Funktionen, um Customer-Journey-Stationen? Ohne klaren Auftrag liefert die KI gemischte Cluster.

Schritt 3: KI clustern und auszählen lassen

Übergeben Sie die Daten und lass die KI Themencluster bilden, mit Anzahl der Treffer pro Cluster, einem treffenden Cluster-Namen und drei Beispielzitaten je Cluster.

Schritt 4: Cluster fachlich prüfen

Lesen Sie die Cluster durch. Sind sie inhaltlich sauber getrennt? Gibt es Doppelungen? Ist eine Stimme im falschen Cluster gelandet? Manuell nachjustieren ist normaler Teil der Arbeit.

Schritt 5: Priorisieren und kommunizieren

Cluster nach Häufigkeit reichen nicht. Bewerten Sie zusätzlich nach Wirkung und Umsetzbarkeit. Erst die Kombination ergibt eine sinnvolle Priorisierung für Maßnahmen.

Beispielprompt

Clustere das folgende Kundenfeedback nach Themen.

Datenformat: jede Zeile ist eine Einzelstimme.
Ziel-Cluster: thematisch, nicht nach Tonalität (Tonalität nur als Zusatz-Tag).

Aufgabe:
1. Bilde 5-8 thematische Cluster.
2. Vergib pro Cluster einen knappen, aussagekräftigen Namen.
3. Zähle pro Cluster die Anzahl der zugeordneten Stimmen.
4. Liefere pro Cluster drei wörtliche Beispielzitate.
5. Liste am Schluss Aussagen, die in kein Cluster sauber passen, separat.

Wichtig:
- Erfinde keine Zitate.
- Verändere die Stimmen sprachlich nicht.
- Wenn ein Cluster nur eine Stimme enthält, weise darauf hin.

Hier sind die Stimmen:
[Liste einfügen]

Qualitätscheck

Nach dem Clustern prüfe:

  • Sind die Cluster inhaltlich klar getrennt?
  • Stimmen die Beispielzitate mit den Cluster-Namen überein?
  • Sind häufige Themen wirklich häufig oder nur prominent?
  • Sind Randstimmen sichtbar oder verschwunden?
  • Passt die Cluster-Tiefe zur Maßnahmenplanung?

Ein guter Test: Könnte eine andere Person mit denselben Daten zu ähnlichen Clustern kommen? Wenn nicht, ist der Cluster-Auftrag noch zu vage.

Risiken und Grenzen

KI clustert plausibel, aber nicht immer sinnvoll. Sie kann verschiedene Aussagen mit gleichen Wörtern zusammenwerfen oder ähnliche Aussagen mit verschiedenen Wörtern trennen. Wer den Output nicht prüft, riskiert falsche Prioritäten.

Außerdem zeigt Häufigkeit nicht Wichtigkeit. Eine kleine Anzahl kritischer Stimmen kann strategischer sein als ein großes Cluster mit Allgemeinplätzen. Die Auswertung braucht weiterhin fachliches Urteil.

Datenschutzhinweis

Kundenfeedback enthält oft personenbezogene Inhalte. Vor der Eingabe in KI-Tools: Namen, Mailadressen und identifizierende Angaben entfernen oder anonymisieren. Nur freigegebene Tools nutzen, die mit Kundendaten umgehen dürfen.

In Unternehmen sollte die Datenschutzbeauftragte vorab klären, welche Daten in welchen Tools verarbeitet werden dürfen und wie lange Eingaben gespeichert werden.

Passende Tools

  • ChatGPT: gut für strukturiertes Clustern bei mittlerer Datenmenge
  • Claude: gut bei großen Mengen Text und differenzierten Clustern
  • Microsoft Copilot: sinnvoll bei Daten direkt in Excel oder SharePoint
  • NotebookLM: praktisch, wenn Feedback aus mehreren Quellen kommt und zitierbar bleiben soll

Passende Glossarbegriffe

Passende Kurse

Verwandte Use Cases