Stimmungs- und Kundenfeedback-Analyse (Bewertungen, NPS, Umfragen)

Unternehmen sammeln Tausende Freitextkommentare in Bewertungen, NPS-Umfragen, Support-Tickets und Beschwerden, doch die meisten bleiben ungelesen oder werden nur stichprobenartig von Hand ausgewertet. KI liest jeden Kommentar. Sie erkennt die Gesamt- und aspektbezogene Stimmung („Lieferung langsam, Produkt großartig") und ordnet jeden Kommentar einer stabilen Themen-Taxonomie zu. So sehen Sie, welche Themen den Score treiben. Außerdem meldet sie neue Probleme, bevor sie in der Kennzahl ankommen. LLMs haben das Feld verändert: Codepläne brauchen keine monatelange Regelarbeit oder Annotation mehr, eine brauchbare Taxonomie steht heute in wenigen Tagen, mit Begründungen und zitierten Originalkommentaren statt eines bloßen Polaritätswerts.

Problem & Nutzen

• Heute: NPS/CSAT-Dashboards zeigen, dass sich Werte bewegen, aber nicht warum. Offene Antworten werden selektiv gelesen, von Hand in Tabellen oder von Marktforschungsagenturen kodiert oder mit Schlagwortregeln abgeglichen, die Verneinung, Ironie und neues Vokabular übersehen. Bewertungen auf Dutzenden Plattformen und Standorten werden nur gelesen, wenn sich jemand laut beschwert.
• KI-Nutzen: 100 % des Feedbacks statt Stichproben; über die Zeit konsistente Kodierung; schnellere Erkennung von Produktmängeln, Lieferproblemen oder Verschiebungen der Preiswahrnehmung; Rückkopplung mit Kritikern (Close the Loop); belastbare Grundlage für die Priorisierung von Produkt und Service.
• Belege: Anbieter von Feedback-Analytik veröffentlichen große Einsätze. Das sind Herstellerangaben, keine unabhängigen Studien: Caplena berichtet, dass IKEA mehr als 3 Millionen Feedback-Kommentare in 40 Sprachen analysiert und DHL das Werkzeug für die Stimme seiner Mitarbeitenden nutzt [5]. Medallia gibt an, seine Textanalyse unterstütze über 1.000 Programme mit Hunderten vorgefertigten Branchenmodellen [6]. Keine unabhängige Studie misst den ROI der Stimmungsanalyse selbst verlässlich. Der Wert entsteht durch die ergriffenen Maßnahmen, messen Sie ihn daher in Ihrem eigenen Pilot.

Varianten

• KMU / lokale Betriebe (Gastgewerbe, Praxen, Handwerk, Handel): Bündelung von Bewertungen von Google, Tripadvisor, Booking.com, Jameda, ProvenExpert mit Stimmung + Thema pro Standort; das Beantworten von Bewertungen ist ein eigener Anwendungsfall → LANG-038.
• E-Commerce & Marktplätze: Auswertung von Produktbewertungen nach Merkmalen (Passform, Qualität, Verpackung), um Produktseiten zu speisen, Retouren zu senken und die Lieferantenqualität zu verbessern; Prüfung auf gefälschte Bewertungen → ANOM-010.
• Enterprise-VoC-/CX-Programme: NPS/CSAT-Beziehungs- und Transaktionsumfragen kombiniert mit Tickets, Chats und Gesprächsprotokollen (aus SPEECH-002) in einer Taxonomie; Treiberanalyse und Close-the-Loop-Workflows im CRM.
• Software-/App-Unternehmen: App-Store-Bewertungen, In-App-Feedback und Funktionswünsche, geclustert im Produkt-Backlog.
• Mitarbeitendenfeedback (Engagement-Umfragen, Austrittsgespräche): gleiche Technik, aber nur aggregierte Ergebnisse mit Mindestgruppengrößen berichten. In Deutschland gilt die Mitbestimmung des Betriebsrats (§87 Abs. 1 Nr. 6 BetrVG) [10]. Individuelle Leistungsbeurteilung ist ausgeschlossen; siehe LANG-036.
• Öffentlicher Sektor: Bürgerzufriedenheitsumfragen, Beschwerdemanagement und Feedback aus Service-Portalen; Massenbeteiligungen und Einwendungen → LANG-026.
• Marktforschungsinstitute: Kodierung offener Antworten in quantitativen Umfragen; tiefe qualitative Kodierung von Interviews → LANG-019.
• Privatnutzung: Zusammenfassen von Vor- und Nachteilen aus Hunderten Produktbewertungen vor einem Kauf, was allgemeine Assistenten und Marktplätze inzwischen als eingebaute Bewertungszusammenfassungen anbieten.

So funktioniert es

1. Erfassung (Bewertungs-APIs, Export/Webhook des Umfragetools, Ticketsystem, CRM)
2. Normalisierung & Deduplizierung (Spracherkennung, Spam-/Fake-Filter, PII-Schwärzung)
3. Segmentierung (Satz / Teilsatz)
4. Stimmung: Dokument- + Aspektebene (Aspekt, Meinung, Polarität, Intensität)
5. Themenkodierung gegen den Codeplan (Multi-Label; Entdeckung neuer Themen über Embeddings + Clustering)
6. Anreicherung mit Metadaten (Bewertung, Segment, Produkt, Standort, Kanal)
7. Analyse: Treiberanalyse vs. NPS/CSAT, Trend- & Anomaliewarnungen
8. Ergebnisse: Dashboards, LLM-Zusammenfassungen der Erkenntnisse mit zitierten Originaläußerungen, Close-the-Loop-Aufgaben

• Klassifikationsmaschine: Ein Produktivsystem mit hohem Volumen arbeitet meist in zwei Stufen. Ein günstiger Klassifikator übernimmt Polarität und häufige Themen: ein feingetuntes Encoder-Modell oder ein kleines LLM. Ein größeres LLM übernimmt Aspektextraktion, Zweifelsfälle, Codeplan-Vorschläge und Zusammenfassungen. Mit strukturierten Ausgaben liefert das LLM JSON mit Aspekt, Polarität und einem belegenden Zitat.
• Codeplan-Pflege: Ein LLM schlägt Kandidatenthemen durch Clustering von Embeddings vor (im Stil von BERTopic), Analysten genehmigen, führen zusammen und benennen sie. Der freigegebene Codeplan bleibt danach stabil, sodass Trends von Monat zu Monat vergleichbar sind. LANG-016 behandelt Topic Modelling ausführlich.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten verantworten den Codeplan. Sie prüfen Ergebnisse mit geringer Sicherheit und neu entdeckte Themen und validieren monatlich eine Stichprobe gegen menschliche Kodierung. Der Close-the-Loop-Kontakt mit Kritikern erfolgt durch Menschen.

Datenaufbereitung

Benötigte Daten: Bewertungstexte (Google Business Profile, Trustpilot, App-Stores), NPS/CSAT-Freitexte mit Score und Metadaten, offene Umfrageantworten, Support-Tickets und Beschwerde-E-Mails. Im KMU liegen diese in Umfragewerkzeugen, im Ticketsystem, im Shop oder CRM, in Postfächern und oft in Excel-Exporten; Kommentarkarten auf Papier sind selten, kommen aber im Gastgewerbe und im Handel vor.

Typische Lücken: Kommentare ohne Score, Segment oder Produktbezug; Duplikate über Plattformen hinweg; gemischte Sprachen und Slang; personenbezogene Daten und Namen im Freitext; kein vereinbartes Kategorienschema (Codeplan); verstreute Zuständigkeiten für die Quellen.

Aufbereitungsschritte: 1. Die Quellen und ihre Verantwortlichen erfassen und per API oder Konnektor exportieren (siehe PREP-005, GUIDE-003). 2. In einer Tabelle mit ID, Datum, Kanal, Score, Produkt und Sprache zusammenführen; Duplikate entfernen (PREP-011). 3. Vor der Klassifikation einen kleinen Codeplan mit Themen festlegen (PREP-019) und 100-200 Kommentare mit Fachleuten als Testmenge labeln (PREP-018). 4. Namen, E-Mail-Adressen und Bestellnummern maskieren, bevor Daten Ihre Systeme verlassen (PREP-022).

Werkzeuge: die Exportfunktionen von Umfrage- und Ticketwerkzeugen, Excel oder Power Query, n8n für geplante Abrufe.

Aufwandsanteil: etwa 30-40 % des Projekts, überwiegend für die Zusammenführung und den Codeplan, nicht für das Modell.

Umsetzungswege

Welcher Weg für wen

• KMU — A: ausgereifte Feedback-Analytik-Produkte mit EU-Hosting und Konnektoren gibt es zu KMU-Preisen, und die Auswertung von Bewertungen/NPS ist ein Standardprozess.
• Enterprise — B: Feedback ist strategisch, die Volumina machen Lizenz- oder Pro-Kommentar-Gebühren hoch, und die Ergebnisse müssen in eigene CX-Datenmodelle und Dashboards fließen.
• Entwickler — B: Cloud-LLM- und Embedding-APIs mit einem gepflegten Codeplan ermöglichen den schnellsten Eigenbau; Selbstbetrieb nur, wenn die Daten es verlangen.
• Öffentlicher Sektor — C: Bürgerfeedback und Vergaberegeln sprechen für einen souveränen, selbst betriebenen oder deutschen Cloud-Stack mit offenen Modellen.

Weg A — Kaufen (für die meisten KMU empfohlen)

• Enterprise-CX/XM-Suiten: Qualtrics XM (Text iQ), Medallia (Text Analytics und Ask Athena), InMoment, Forsta. Sie passen, wenn die Umfrageplattform bereits vorhanden ist.
• Spezialisierte Feedback-Analytik: Caplena (Zürich, CH; DSGVO- und SOC-2-Nachweise, Konnektoren zu Qualtrics, Medallia, Zendesk und Power BI) [5], Netigate Insights (früher Lumoa; Netigate ist schwedisch, und Netigate gibt an, dass alle Daten in der EU bleiben) [7], Chattermill (UK), SentiSum (UK), Thematic, Keatext.
• Bewertungsmanagement mit integrierter Stimmungsanalyse: Trustpilot, TrustYou (DE, Gastgewerbe), Birdeye, Yext, ReviewTrackers. Ticketsysteme wie Zendesk und Freshdesk ergänzen Tickets um Stimmung.
• A wählen, wenn: das Volumen einige Tausend bis Millionen Kommentare pro Jahr aus Standardquellen beträgt und das Team keine Data Scientists hat. Prüfen Sie vor dem Kauf EU-Hosting, Konnektoren, Qualität bei deutscher Sprache, Codeplan-Bearbeitung und den Export der Roh-Codes.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Klassische NLP-APIs: Azure Language Stimmungsanalyse und Opinion Mining (aspektbezogen, Container-Option für On-Premises). Microsoft stellt diese Funktionen zum 31. März 2029 ein und verweist neue Projekte auf Foundry-Modelle [3]. AWS Comprehend Targeted Sentiment unterstützt nur Englisch [4], und Google Cloud Natural Language bietet analyzeSentiment und Entity Sentiment. Diese APIs sind günstig und schnell, liefern aber eine generische Polarität, nicht Ihren Codeplan.
• LLM-basiert (für Neuentwicklungen empfohlen): Mistral (EU-Anbieter) oder Claude, Gemini oder GPT über Endpunkte mit EU-Datenresidenz (Azure OpenAI EU Data Zone, Vertex AI EU, Amazon Bedrock Frankfurt). Geben Sie ihnen den Codeplan und Few-Shot-Beispiele im Prompt vor und verlangen Sie strukturierte JSON-Ausgabe. Batch-APIs senken die Kosten bei nächtlichen Läufen.
• Pipeline: n8n / Power Automate oder Python-Jobs holen Daten aus Bewertungs-APIs (Google Business Profile API, Trustpilot API) und Umfrageexporten. Die Ergebnisse landen in einem Data Warehouse (BigQuery/Snowflake/Postgres) und gehen an BI (Power BI, Metabase). Embeddings plus pgvector ermöglichen „zeige mir ähnliche Beschwerden".

Weg C — Selbst betreiben (Open Source)

• Encoder-Klassifikatoren (auf CPU möglich, HW1): oliverguhr/german-sentiment-bert (MIT-Lizenz, trainiert mit 1,834 Millionen deutschen Beispielen aus Bewertungen und sozialen Medien; F1 micro 0,96 auf HolidayCheck-Bewertungen, aber nur 0,75 auf GermEval) [1]. Außerdem cardiffnlp/twitter-xlm-roberta-base-sentiment für 8 Sprachen [2] und SetFit für Few-Shot-Themenklassifikatoren.
• Offene LLMs für Aspekte und Themen (HW2): Qwen3, Mistral Small, Gemma 3 oder Modelle der Llama-Familie mit etwa 8–30 Mrd. Parametern. Betreiben Sie sie mit vLLM oder Ollama und nutzen Sie geführtes JSON-Decoding.
• Themenentdeckung: BERTopic (MIT-Lizenz, unterstützt LLM-Themenbezeichnungen) [8] mit mehrsprachigen Embeddings (z. B. multilingual-e5, BGE-M3). Speichern Sie Vektoren in pgvector oder Qdrant.
• PII: Microsoft Presidio vor Speicherung oder Prompting. Hardware: HW1 genügt für reine Encoder-Pipelines; HW2 (eine GPU mit 24–32 GB) genügt für ein LLM, das Zehntausende Kommentare pro Tag verarbeitet.

Weg D — Eigenes Training

Feintuning lohnt sich bei hohem Volumen, wenn ein fester Codeplan mit mehr als 30 Themen günstig und konsistent laufen muss, oder bei Fachjargon (Schadenmeldungen von Versicherungen, Telekom-Tarife, Arztpraxen). In einer Auswertung von 2024 über 13 SemEval-Datensätze schlugen LoRA-getunte LLMs mit 7–8 Mrd. Parametern vollständig feingetunte kleine Modelle bei ABSA. Bei der schwierigsten Teilaufgabe (Aspect-Sentiment-Quad-Vorhersage) erreichte das feingetunte LLaMA3-8B 57,97 F1, während GPT-4 mit abgerufenen Few-Shot-Demonstrationen 40,79 erreichte [9]. Typischer Datenbedarf sind 1.000–5.000 von Menschen kodierte Kommentare pro Codeplan. Korrekturen der Analysten aus der Prüfoberfläche sind der natürliche Trainingsdatensatz. Sie können auch die Labels eines großen LLM in ein kleines Modell destillieren.

Stand der Technik (2026)

• LLM-first-Kodierung: Zero- und Few-Shot-LLMs beherrschen heute Polarität, Aspekte und Multi-Label-Themenkodierung auf Deutsch und in den meisten EU-Sprachen ohne gelabelte Daten. Anbieter sind von regel- und schlagwortbasierten Taxonomien zu LLM-generierten Codeplänen und dialogorientierten „Frag dein Feedback"-Agenten übergegangen (Caplena Insight Agent, Netigate Ask AI, Medallia) [5][6][7].
• Benchmarks: Die SemEval-2014–2016-ABSA-Aufgaben bleiben die Referenz. Die Forschung zeigt, dass LLMs bei einfacher Polarität mit feingetunten Modellen mithalten. Strukturierte Aufgaben wie die Extraktion von Tripeln und Quadrupeln begünstigen weiterhin feingetunte Modelle, und die Auswahl der Few-Shot-Beispiele spielt eine Rolle: hybrider BM25- + semantischer Abruf schlägt zufällige Auswahl [9].
• Klassische APIs sind rückläufig. Microsofts Einstellungsankündigung für die Stimmungsanalyse in Azure Language zeigt, dass die Branche zu allgemeinen Foundation-Modellen übergeht [3].
• Grenzen: Ironie und Sarkasmus, gemischte Stimmung, domänenspezifische Polarität („günstig" kann Lob oder Kritik sein) und Abweichungen zwischen Score und Text (ein NPS von 9/10 mit einer Beschwerde). Kleine Gruppen erzeugen Scheintrends. LLMs können driften, wenn sich Prompt oder Modellversion ändern, was die Vergleichbarkeit der Zeitreihen zerstört; fixieren Sie daher Modellversionen und validieren Sie nach jeder Änderung erneut an einer Referenzmenge (Gold Set). Bewertungsdaten sind zu den Extremen hin verzerrt und können gefälschte Bewertungen enthalten.

Gemeinsame Bausteine & Kombinationen

• Gleicher Textklassifikations-Stack (llm-small + text-classifier + embedding-text): LANG-012 Ticket-/E-Mail-Routing, LANG-014 Moderation, LANG-015 Entitätsextraktion. Ein vLLM-Server plus ein Container für Encoder-Serving (HW2) kann alle bedienen.
• Gleicher Feedback-Korpus, tiefere Analyse: LANG-016 Themen- und Trenderkennung, LANG-019 qualitative Kodierung, LANG-018 Social Listening (öffentliche Social-Media-Daten), DATA-026 verhaltensbasierte UX-Analytik.
• Vorgelagerte Quellen: SPEECH-002 Gesprächsprotokolle, CONV-001 Chatbot-Protokolle, ANOM-010 Filterung gefälschter Bewertungen vor der Analyse.
• Nachgelagerte Aktionen: LANG-038 und LANG-002 für Bewertungsantworten, AGENT-020 für Kundenantworten im E-Commerce, PRED-003 Abwanderungsmodelle (Stimmung als Merkmal) und DATA-001 dialogorientierte BI über den kodierten Ergebnissen.
• Gemeinsame Infrastruktur: eine Vektordatenbank (pgvector/Qdrant), ein Dienst zur PII-Schwärzung (Presidio), Workflow-Automatisierung (n8n) und die BI-Schicht.

Aufwand, Kosten & Kennzahlen

• Weg A: 1–4 Wochen, um Quellen anzubinden und einen Codeplan abzustimmen. SaaS wird pro Lizenz, pro Antwortvolumen oder pro Quelle abgerechnet.
• Weg B: 4–10 Wochen für einen MVP mit zwei oder drei Quellen, einem Codeplan, einem Dashboard und Warnungen. Die LLM-Token-Kosten pro Kommentar sind gering, und Batch-Verarbeitung senkt sie weiter.
• Weg C: 2–3 Monate inklusive Hosting, Monitoring und Bewertung an einer Referenzmenge.
• Kennzahlen: Übereinstimmung mit menschlichen Kodierern (F1/Kappa an einer monatlichen Referenzstichprobe), Anteil kodierter Kommentare, Zeit vom Feedback bis zum erkannten Problem, Close-the-Loop-Quote und -Zeit bei Kritikern sowie die NPS/CSAT-Veränderung bei Themen, zu denen Maßnahmen ergriffen wurden.

Menschen & Veränderung

Wer und wann: Die Geschäftsführung legt Ziel und Budget fest; die Fachabteilungsleitung (CX, Marketing) verantwortet den Codeplan und den Folgeprozess; die IT bindet die Quellen an; die/der Datenschutzbeauftragte wird vor dem Start einbezogen, weil Kommentare personenbezogene Daten enthalten. Die Datenverantwortlichen der Umfrage- und Ticketsysteme geben die Exporte frei. Die Endnutzer (Service- und Produktmitarbeitende) sollten früh Beispielergebnisse sehen.

Betriebsrat: abhängig vom Einzelfall. Die Analyse von Kundenfeedback allein ist selten eine Angelegenheit nach §87 Abs. 1 Nr. 6 BetrVG, doch sobald Tickets oder Chats pro Mitarbeitenden ausgewertet oder Mitarbeitendenbefragungen einbezogen werden, genügt die objektive Eignung zur Leistungsüberwachung (BAG), und die Mitbestimmung greift. Informieren Sie den Betriebsrat trotzdem nach §90 Abs. 1 Nr. 3 und vereinbaren Sie, dass keine Auswertung auf Ebene einzelner Mitarbeitender stattfindet.

Datenschutz: AVV mit jedem Anbieter (Art. 28 DSGVO); eine DSFA ist bei aggregiertem Kundenfeedback meist nicht nötig, prüfen Sie sie aber, wenn Mitarbeitendenbefragungen oder besondere Kategorien auftreten (GUIDE-005).

KI-Kompetenz und Kommunikation: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur KI-Kompetenz der Beschäftigten; eine kurze Schulung, wie die Scores entstehen und wo sie irren, genügt (GUIDE-006). Starten Sie mit einem Pilot in einem Kanal (GUIDE-009) und veröffentlichen Sie die Ergebnisse offen.

Typische Bedenken: „Das Werkzeug beurteilt meine Arbeit" – klarstellen, dass es Themen analysiert, nicht Personen. „Sarkasmus wird falsch gelesen" – wöchentlich stichprobenartig prüfen; Menschen entscheiden über Maßnahmen (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die typische Kundenfeedback-Analyse hat minimales Risiko, und die KI-Kompetenz nach Art. 4 gilt. Textbasierte Stimmungsanalyse ist kein „Emotionserkennungssystem" im Sinne der Verordnung, denn diese Definition setzt den Rückschluss aus biometrischen Daten voraus (Art. 3 Nr. 39, Nr. 34) [11]. Das Verbot am Arbeitsplatz nach Art. 5 Abs. 1 Buchst. f erfasst Textanalyse daher nicht. Es würde für sprach- oder gesichtsbasierte Emotionsableitung bei Beschäftigten gelten. Wird die Feedback-Analyse zur Bewertung oder Überwachung einzelner Beschäftigter genutzt (z. B. Bewertung von Agenten anhand von Kundenkommentaren), kann sie unter Anhang III Nr. 4 Buchst. b fallen, was sie zum Hochrisiko-System macht; halten Sie Ergebnisse zu Beschäftigten aggregiert. Die Transparenzpflicht nach Art. 50 gilt nur, wenn ein Chatbot mit Kunden interagiert.
• DSGVO: Bewertungen und Freitexte enthalten oft Namen, Bestellnummern und Gesundheitsangaben (z. B. in Praxisbewertungen). Die Rechtsgrundlage ist meist berechtigtes Interesse oder die Einwilligung zur Umfrage. Wenden Sie Datenminimierung und Schwärzung an, schließen Sie einen AVV mit dem Anbieter und nutzen Sie EU-Hosting. Die Rückverknüpfung anonymer Umfragen mit Kunden erfordert vorab einen Transparenzhinweis.
• Mitarbeitendenbefragungen: In Deutschland gilt die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG [10]; vereinbaren Sie daher in einer Betriebsvereinbarung Mindestgruppengrößen (z. B. ≥ 5–10) und ein Verbot der Detailauswertung (Drill-down).
• Bewertungen: Nutzen Sie Plattform-APIs und beachten Sie deren Bedingungen. Scraping kann gegen die Bedingungen und Datenbankrechte verstoßen.
• Risiken: verzerrte oder driftende Klassifikatoren, übermäßiges Vertrauen in Dashboards auf Basis kleiner Stichproben und das Fehllesen von Sarkasmus. Gegenmaßnahmen: Überwachung an einer Referenzmenge, Konfidenzschwellen, angezeigte Stichprobengrößen und Zitate als Beleg.

Erste Schritte

1. Feedbackquellen, Volumina und Sprachen erfassen und die zwei Quellen wählen, die am engsten mit einer Geschäftskennzahl verbunden sind (z. B. NPS-Freitexte und Google-Bewertungen).
2. Mit den Fachverantwortlichen einen Codeplan mit 15–30 Themen entwerfen. Ein LLM schlägt Themen aus einer Stichprobe von 1.000 Kommentaren vor, die Sie anschließend kuratieren.
3. 300–500 Kommentare von Hand kodieren als Referenzmenge und zwei oder drei Werkzeuge oder Prompts daran messen, mit gezielter Prüfung der Qualität auf Deutsch.
4. Warnregeln und einen Close-the-Loop-Workflow für Kritiker und schwere Beschwerden festlegen.
5. Den Codeplan jedes Quartal überprüfen und die Referenzmenge nach jeder Änderung von Modell oder Prompt erneut durchlaufen lassen.

Quellen

1. Hugging Face — oliverguhr/german-sentiment-bert (model card, training data, F1 scores) — https://huggingface.co/oliverguhr/german-sentiment-bert
2. Hugging Face — cardiffnlp/twitter-xlm-roberta-base-sentiment — https://huggingface.co/cardiffnlp/twitter-xlm-roberta-base-sentiment
3. Microsoft Learn — Sentiment analysis and opinion mining in Azure Language (retirement notice 31 March 2029) — https://learn.microsoft.com/en-us/azure/ai-services/language-service/sentiment-opinion-mining/overview
4. AWS — Amazon Comprehend targeted sentiment — https://docs.aws.amazon.com/comprehend/latest/dg/how-targeted-sentiment.html
5. Caplena — AI feedback analytics platform (customer cases IKEA, DHL, Lufthansa) — https://caplena.com/
6. Medallia — Text Analytics — https://www.medallia.com/platform/text-analytics/
7. Netigate — Lumoa is now Netigate Insights — https://www.netigate.net/lumoa-is-netigate/
8. BERTopic — https://github.com/MaartenGr/BERTopic
9. Zhou et al. — A Comprehensive Evaluation of Large Language Models on Aspect-Based Sentiment Analysis (arXiv 2412.02279) — https://arxiv.org/html/2412.02279v1
10. Betriebsverfassungsgesetz §87 — https://www.gesetze-im-internet.de/betrvg/__87.html
11. EU AI Act Service Desk — Article 3 definitions — https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-3
12. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj