Quantifizierung der Kund:innenstimmung zur Analyse der Markenwahrnehmung von Automobilen mittels maschinellen Lernens auf Twitter

Warum Stimmungen in sozialen Medien für Autohersteller wichtig sind

Jeden Tag sprechen Millionen Menschen in sozialen Medien über Marken, oft ehrlicher als in einer formellen Umfrage. Für Automobilhersteller offenbaren diese beiläufigen Beiträge, was Fahrer wirklich über ihre Fahrzeuge und den Service denken. Dieser Artikel untersucht, wie Tweets über fünf große Automarken in eine einzige, leicht lesbare Kennzahl überführt werden können, die zeigt, ob die öffentliche Stimmung eher positiv oder negativ ist — und wie sich diese Stimmung im Laufe der Zeit verändert.

Vom Online-Gespräch zur messbaren Stimmung

Die Forschenden gehen von einer einfachen Idee aus: Statt Leute langsam und teuer zu befragen, hört man dem zu, was sie bereits online sagen. Sie sammeln fast 16.000 englischsprachige Tweets, die BMW, Mercedes‑Benz, Porsche, Tesla oder Toyota erwähnen, und schließen dabei sorgfältig Beiträge der Marken selbst aus, um gewöhnliche Nutzer:innen zu fokussieren. Mit einem speziell auf Tweets trainierten fortgeschrittenen Sprachmodell wird jede Nachricht als positiv oder negativ etikettiert. Neutrale, rein sachliche Beiträge werden beiseitegelegt, weil sie nicht klar zeigen, wie Menschen fühlen.

Eine einzige Kennzahl für Markengutwillen

Mit positiven und negativen Tweets in der Hand entwickelt das Team einen Brand Polarity Score (BPS). Diese Zahl reicht von −1 bis +1 und vergleicht, wie viele wohlwollende Erwähnungen eine Marke erhält gegenüber wie vielen Beschwerden. Ein Wert über null bedeutet mehr Lob als Kritik; darunter würde eine Problemzone für die Marke angezeigt. Für den untersuchten Monat lagen alle fünf Hersteller im positiven Bereich, wobei Porsche und BMW führten und Tesla die gemischteste Stimmung zeigte. Im Gegensatz zu reinen Zählungen positiver Tweets gewichtet der BPS Lob und Kritik zusammen und liefert so ein klareres Bild des gesamten Gutwillens.

Stimmungsschwankungen im Zeitverlauf verfolgen

Die öffentliche Meinung verläuft selten geradlinig. Ein viral gehendes Lob, eine Rückrufmeldung oder eine große Produktankündigung kann die Stimmung für einige Tage schnell kippen. Um diese Schwankungen zu erfassen, verfolgen die Autor:innen den Brand Polarity Score Tag für Tag für jede Marke. Sie führen dann eine zweite Messgröße ein, den Brand Polarity Position Indicator (BPPI), der wie ein gleitender Durchschnitt wirkt: Er akkumuliert vergangene Tage und glättet Rauschen. Spitzen im Tageswert erscheinen im BPPI als sanftere Knicke und heben langsamere, aussagekräftigere Veränderungen der Reputation hervor statt kurzlebiger Ausbrüche.

Wessen Stimme zählt mehr?

Nicht alle Tweets sind gleichwertig. Ein positiver Kommentar von einem Account mit vielen Followern oder eine weit verbreitete Beschwerde kann deutlich mehr Menschen erreichen als ein Einzelkommentar ohne Engagement. Um dies abzubilden, erstellt die Studie einen Influence-weighted Brand Polarity Score (IwBPS). Jeder Tweet erhält ein Gewicht basierend darauf, wie viel Aufmerksamkeit er erhielt und wie prominent sein Autor ist, angepasst an das Alter sowohl des Tweets als auch des Accounts. Die Forschenden definieren außerdem eine kumulative Version dieses Werts, IwBPPI, um die längerfristigen Auswirkungen einflussreicher Stimmen zu verfolgen. Diese Maße zeigen, welche Marken durch Beiträge, die sich tatsächlich weit auf der Plattform verbreiten, gehoben oder gesenkt werden.

Die Zahlen auf die Probe stellen

Um zu prüfen, dass ihre Messgrößen zuverlässig sind, führen die Autor:innen mehrere Validierungen durch. Sie vergleichen ihr bevorzugtes Tweet-Modell mit anderen gängigen Werkzeugen und stellen fest, dass es auf einem großen, gelabelten Datensatz am genauesten ist. Sie zeigen, dass plötzliche Sprünge in ihren Kennzahlen mit realen Nachrichtenereignissen übereinstimmen, wie Sicherheitsskandalen oder Ankündigungen neuer Technologien. Sie vergleichen außerdem Ergebnisse ihres Modells mit einem kommerziellen System eines großen Cloud-Anbieters und finden eine starke Übereinstimmung der Muster. Schließlich testen sie, wie empfindlich die Scores gegenüber Stichprobenfehlern und zufälligen Störungen sind, und zeigen, dass die täglichen und kumulativen Indikatoren stabil bleiben, selbst wenn einige Labels absichtlich vertauscht werden.

Was das für das Alltagsverständnis bedeutet

Einfach ausgedrückt zeigt die Studie, dass sich unordentliches, schnelllebiges Social‑Media‑Gespräch in eine kleine Reihe klarer, verlässlicher Zahlen verwandeln lässt, die abbilden, wie Menschen über Automarken denken. Die Basiskennzahl gibt an, ob die Konversation überwiegend positiv oder negativ ist, die kumulativen Indikatoren offenbaren längere Reputationstrends, und die einflussgewichteten Versionen zeigen, ob große Veränderungen von lauten, weithin gehörten Stimmen getrieben werden. Für Nicht‑Spezialist:innen lautet die Lehre: Marken müssen nicht mehr raten, wie die Online‑Menge denkt, oder monatelang auf Umfrageergebnisse warten; indem sie öffentliche Tweets mit modernen Sprachwerkzeugen sorgfältig lesen, können sie ihren Standing nahezu in Echtzeit überwachen und reagieren, bevor kleine Missstimmungen zu nachhaltendem Schaden werden.

Zitation: Mathew, S.S., Hayawi, K., Venugopal, N. et al. Quantifying customer sentiment for automobile brand perception analysis using machine learning on Twitter. Sci Rep 16, 5703 (2026). https://doi.org/10.1038/s41598-026-35637-9

Schlüsselwörter: Stimmung in sozialen Medien, Automarken, Twitter-Analyse, Markenreputation, maschinelles Lernen