Anliegen erkennen: Was Kunden wirklich wollen – und wie KI es findet

Wenn Kunden Feedback geben, drücken sie nicht nur Zufriedenheit oder Unzufriedenheit aus — sie äußern Absichten. "Ich überlege, zu wechseln" ist keine bloße Kritik, sondern ein Churn-Signal. "Wäre super, wenn ihr eine App hättet" ist kein Kommentar, sondern ein Feature Request. Und "Ich werde euch auf jeden Fall weiterempfehlen" ist keine nette Floskel, sondern ein Promotor-Signal.

Intent-Erkennung (auch Intent Detection) ist die KI-Disziplin, die diese Absichten automatisch aus Texten extrahiert. Sie geht einen entscheidenden Schritt weiter als Sentiment-Analyse: Während Sentiment sagt, wie ein Kunde sich fühlt, sagt Intent, was ein Kunde will.

Intent-Erkennung ist ein Teilbereich des Natural Language Processing (NLP), der die Absicht hinter einer Textäußerung identifiziert. Ursprünglich wurde die Technologie vor allem für Chatbots und Sprachassistenten entwickelt — um zu verstehen, ob ein Nutzer eine Frage stellt, eine Bestellung aufgeben will oder eine Beschwerde einreicht.

Im Kontext von Kundenfeedback-Analyse geht Intent-Erkennung jedoch weit darüber hinaus. Hier werden nicht einzelne Chat-Nachrichten klassifiziert, sondern offene Feedbacktexte — Umfrageantworten, Bewertungen, Support-Tickets, NPS-Kommentare — auf ihre zugrundeliegende Absicht analysiert.

Ein einzelner Kommentar kann dabei mehrere Intents enthalten:

In diesem Kommentar stecken drei Intents: eine Beschwerde (Service-Qualität), ein Churn-Signal (Kündigungsabsicht) und ein Feature Request (Mobile App).

Sentiment und Intent werden oft verwechselt oder gleichgesetzt — dabei liefern sie fundamental unterschiedliche Informationen:

Sentiment beantwortet: "Ist der Kunde zufrieden oder unzufrieden?"

Intent beantwortet: "Was will der Kunde?"

Zwei Beispiele verdeutlichen den Unterschied:

Beispiel 1: "Die App ist langsam und stürzt ständig ab."

Sentiment: Negativ. Intent: Beschwerde über technisches Problem.

Beispiel 2: "Die App ist langsam und stürzt ständig ab. Ich wechsle zu [Wettbewerber]."

Sentiment: Negativ. Intent: Beschwerde UND Churn-Signal.

Der Sentiment-Wert ist in beiden Fällen identisch — aber der Intent in Beispiel 2 erfordert eine Reaktion. Genau hier liegt der Mehrwert der Intent-Erkennung: Sie macht sichtbar, welche Kommentare Handlungsbedarf anzeigen.

In der Praxis lassen sich die meisten Kundenintents in folgende Kategorien einteilen:

1. Beschwerden (Complaints)

Der häufigste Intent-Typ. Kunden beschreiben ein Problem und erwarten eine Lösung. Beschwerden lassen sich weiter differenzieren nach Schwere (leichtes Ärgernis vs. schwerwiegender Fehler) und nach Thema (Produkt, Service, Preis, Prozess).

Typische Formulierungen: "Funktioniert nicht", "Ich bin enttäuscht", "Das darf nicht passieren", "Seit dem Update läuft nichts mehr".

2. Churn-Signale (Abwanderungsabsichten)

Der wertvollste Intent für Unternehmen — weil ein ausdrücklich genannter Kündigungswunsch ein Anlass ist, den Kunden gezielt anzusprechen. Churn-Signale äußern sich allerdings oft indirekt:

• "Ich überlege, ob ich wechsle"
• "Mein Vertrag läuft bald aus, und so wie es läuft..."
• "Bei [Wettbewerber] bekomme ich das günstiger"
• "Wenn sich nichts ändert, bin ich weg"

Studien zeigen, dass es 5–7x teurer ist, einen neuen Kunden zu gewinnen, als einen bestehenden zu halten. Intent-Erkennung macht ausdrücklich genannte Kündigungsabsichten in großen Textmengen auffindbar.

3. Kaufinteresse / Upsell-Signale

Nicht jedes Feedback ist negativ. Manche Kunden signalisieren Interesse an erweiterten Leistungen oder zusätzlichen Produkten:

• "Gibt es auch eine Premium-Version?"
• "Kann man das auch für andere Abteilungen buchen?"
• "Wir würden gerne auf ein größeres Paket upgraden"

Diese Signale an das Vertriebsteam weiterzuleiten, kann direkt zu Umsatz führen.

4. Feature Requests

Kunden wissen oft genau, was ihnen fehlt. Feature Requests aus Kundenfeedback sind eine der wertvollsten Quellen für die Produktentwicklung — vorausgesetzt, sie werden systematisch erfasst und nicht in Einzeltickets verloren.

• "Wäre toll, wenn man auch PDF-Exporte machen könnte"
• "Eine API-Anbindung würde uns viel Arbeit sparen"
• "Ich vermisse eine Filterfunktion im Dashboard"

5. Lob und Empfehlung

Auch positives Feedback hat einen Intent: Kunden, die aktiv loben oder Weiterempfehlungen aussprechen, signalisieren hohe Bindung und können als Markenbotschafter aktiviert werden.

• "Absolut empfehlenswert, ich sage das jedem"
• "Bester Kundenservice, den ich je erlebt habe"
• "Nutze ich seit drei Jahren und bin immer noch begeistert"

6. Informationsbedarf (Information Seeking)

Manche Kommentare drücken Verwirrung oder Wissenslücken aus. Dieser Intent zeigt Optimierungspotenzial in Kommunikation, Onboarding oder Dokumentation:

• "Ich verstehe nicht, wie die Abrechnung funktioniert"
• "Wo finde ich die Einstellungen für..."
• "Warum gibt es keine Anleitung für dieses Feature?"

Die automatische Erkennung von Intents in Freitexten ist technisch anspruchsvoller als in Chatbot-Szenarien. Warum? Weil Kundenfeedback typischerweise länger, unstrukturierter und mehrdeutiger ist als eine einzelne Chatbot-Nachricht.

Moderne Intent-Erkennungssysteme nutzen einen mehrschichtigen Ansatz. Die folgenden Bausteine beschreiben die Methodik allgemein, nicht den Funktionsumfang eines bestimmten Produkts:

1. Kontextuelle Sprachmodelle: Transformer-basierte Modelle (wie BERT oder GPT-Varianten), die den gesamten Kontext eines Textes verstehen — nicht nur einzelne Keywords
2. Multi-Label-Klassifikation: Ein Text kann mehrere Intents gleichzeitig enthalten. Das System ordnet nicht einen einzigen Intent zu, sondern erkennt alle vorhandenen Absichten
3. Konfidenzwerte: Manche Systeme geben für jeden erkannten Intent eine Wahrscheinlichkeit an, wie sicher sie sich sind. Das ermöglicht es, unsichere Fälle manuell zu prüfen
4. Domänenanpassung: Durch Fine-Tuning auf branchenspezifische Daten lässt sich ein Modell an Sprache und Kontext einer Branche anpassen. "Ich überlege zu wechseln" ist im Telco-Kontext ein Churn-Signal, im Kontext einer Möbelbewertung eher nicht

Beispiel 1: Versicherung

Eine Versicherung analysiert jedes Jahr Zehntausende Beschwerden und Feedback-Texte. Die Intent-Erkennung zeigt:

• Churn-Signale – die eindeutigen Fälle lassen sich zuerst prüfen
• Feature Requests – etwa zu digitaler Schadenmeldung, App-basierter Kommunikation und schnellerer Bearbeitung
• Upsell-Signale – Interesse an Zusatzversicherungen oder Paket-Upgrades

Das Retention-Team kann die ausdrücklich genannten Kündigungsabsichten gezielt ansehen und an den Service weitergeben.

Beispiel 2: SaaS-Plattform

Ein B2B-SaaS-Unternehmen wertet quartalsweise NPS-Kommentare und Support-Tickets aus. Die Intent-Analyse zeigt:

• Feature Requests: Ein großer Teil betrifft API-Erweiterungen und Integrationen – das Produkt-Team passt die Roadmap an
• Churn-Signale: Sie häufen sich bei Kunden in den ersten Monaten der Nutzung – ein Hinweis auf ein Onboarding-Problem
• Lob: Fokussiert sich überproportional auf den persönlichen Support — ein Argument gegen weitere Automatisierung des Kundenservice

Manche Unternehmen versuchen, Intents über Keywords oder Regeln zu erkennen. Warum das nur begrenzt funktioniert:

Keyword-Ansatz: "kündigen" als Churn-Signal? Scheitert bei "Ich würde nie kündigen" (positiv) oder "Kann man den Newsletter kündigen?" (harmlos).

Regelbasiert: "Wenn Text enthält 'wechseln' UND 'Wettbewerber', dann Churn." Scheitert bei neuen Formulierungen, die das Regelwerk nicht abdeckt.

KI-basiert: Versteht den semantischen Kontext. Erkennt Churn-Signale auch in Formulierungen, die nie explizit trainiert wurden — weil das Modell die Bedeutung versteht, nicht nur die Wörter.

Der ROI von Intent-Erkennung lässt sich in mehreren Dimensionen messen:

• Churn-Reduktion: Ausdrücklich genannte Kündigungsabsichten lassen sich gezielt ansehen und weitergeben
• Produkt-Priorisierung: Feature Requests aus echtem Kundenfeedback sind die zuverlässigste Grundlage für Roadmap-Entscheidungen — validierter als jede interne Annahme
• Umsatzsteigerung: Kaufsignale und Upsell-Intents an den Vertrieb weiterleiten statt auf Zufallstreffer hoffen
• Effizienz: Automatische Kategorisierung von Tickets und Feedback spart Stunden an manueller Arbeit
• Kundenverständnis: Ein vollständiges Bild davon, was Kunden wollen — nicht nur, wie sie sich fühlen

Das Intent-Modul der deepsight Cloud erkennt Kundenabsichten automatisch in offenen Feedbacktexten. Es ist speziell für die Analyse von Kundenfeedback entwickelt — nicht für Chatbot-Steuerung.

Kernfunktionen:

• Kombination mit Sentiment: Intent + Sentiment zusammen liefern das vollständige Bild
• Integration mit NPS: Intents aufgeschlüsselt nach Promotoren, Passiven und Detraktoren
• Für den DACH-Raum: Oberfläche derzeit auf Deutsch, Feedback in anderen Sprachen über die integrierte Übersetzung

Sentiment-Analyse beantwortet die Frage "Wie fühlt sich der Kunde?" Intent-Erkennung beantwortet die weitergehende Frage: "Was will der Kunde?"

In einer Welt, in der Kundenloyalität fragiler denn je ist, macht dieser Unterschied den Unterschied. Wer Kündigungsabsichten gezielt auswertet, Feature Requests systematisch erfasst und Kaufsignale nicht übersieht, hat einen strategischen Vorteil gegenüber Wettbewerbern, die nur auf Scores schauen.

Intent-Erkennung ist kein Nice-to-have — sie ist der nächste logische Schritt nach der Sentiment-Analyse. Und mit den richtigen Tools ist sie einfacher umzusetzen, als viele denken.

Bereit, die Absichten Ihrer Kunden zu verstehen? Lernen Sie deepsight in einer persönlichen Demo kennen. Anschließend erhalten Sie einen Testzugang. Den Testumfang stimmen wir gemeinsam auf Ihr Vorhaben ab.