Themenanalyse vs. Keyword-Analyse: Was findet wirklich die relevanten Themen?

In der Textanalyse stehen Unternehmen vor einer grundlegenden Entscheidung: Sollen sie Texte mit vordefinierten Keyword-Listen durchsuchen oder eine KI-gestützte Themenanalyse einsetzen, die Themen eigenständig erkennt? Die Antwort hat weitreichende Konseqünzen – für die Qualität der Ergebnisse, die Effizienz der Analyse und letztlich für die Entscheidungen, die auf Basis dieser Daten getroffen werden.

Dieser Artikel vergleicht beide Ansätze systematisch, zeigt ihre Stärken und Schwächen und erklärt, wann welcher Ansatz sinnvoll ist – mit einem konkreten Praxisbeispiel, das den Unterschied deutlich macht.

Bei der Keyword-Analyse (auch wörterbuchbasierte Analyse oder Dictionary-Ansatz) definieren Analysten vorab eine Liste von Suchbegriffen oder Wortkombinationen. Jeder Text wird dann gegen diese Liste geprüft: Enthält ein Kundenfeedback das Wort „Lieferzeit", wird es dem Thema „Logistik" zugeordnet. Enthält es „Preis" oder „teuer", landet es bei „Pricing".

Die Methode ist einfach zu verstehen und schnell umgesetzt. In vielen Unternehmen funktioniert sie mit Excel-Filtern, einfachen Suchfunktionen oder regelbasierten Tools. Und für manche Anwendungsfälle reicht das tatsächlich aus.

Stärken der Keyword-Analyse

• Einfach zu implementieren – keine KI-Infrastruktur nötig
• Transparent und nachvollziehbar – jede Zuordnung ist erklärbar
• Gut kontrollierbar – Analysten bestimmen exakt, wonach gesucht wird
• Schnell bei kleinen, überschaubaren Datensätzen
• Geeignet für stark regulierte Kontexte, in denen exakte Begriffe gesucht werden (z. B. Compliance-Keywords)

Schwächen der Keyword-Analyse

• Nur bekannte Themen werden gefunden – unbekannte Themen bleiben unsichtbar
• Synonyme und Umschreibungen werden verpasst (z. B. „zu langsam" statt „Lieferzeit")
• Kontextblindheit: „Die Verpackung war nicht schlecht" wird als negativ gewertet, obwohl es ein Lob ist
• Enormer manüller Aufwand bei der Erstellung und Pflege umfangreicher Keyword-Listen
• Skaliert nicht: Neue Märkte, Produkte oder Themen erfordern ständige Aktualisierung
• Zusammengesetzte deutsche Wörter (z. B. „Lieferzeitverlängerung") erfordern aufwendige Wortstammanalyse

KI-gestützte Themenanalyse – oft als Topic Modeling oder KI-Themenextraktion bezeichnet – funktioniert fundamental anders. Statt vordefinierter Begriffe analysiert ein KI-Modell die gesamte Textmenge und erkennt selbstständig, welche Themen vorkommen. Das Modell gruppiert semantisch ähnliche Aussagen und identifiziert Themenschwerpunkte, die sich aus den Daten ergeben – nicht aus den Annahmen der Analysten.

Moderne Ansätze nutzen dabei Transformer-basierte Sprachmodelle, die den Kontext jedes Wortes verstehen. Sie erkennen, dass „ewig gewartet", „Lieferung hat gedauert" und „kam erst nach drei Wochen" zum selben Thema gehören – ohne dass jemals jemand diese Begriffe in eine Liste eingetragen hat.

Stärken der KI-Themenanalyse

• Entdeckt unbekannte Themen – findet Muster, die kein Analyst auf der Suche hatte
• Versteht Kontext und Synonyme – semantische Ähnlichkeit statt Wortgleichheit
• Skaliert auf beliebig große Datenmengen – tausende oder Millionen Texte
• Erkennt aufkommende Trends frühzeitig (z. B. ein neues Produktproblem, bevor es eskaliert)
• Kein manüller Wartungsaufwand für Wortlisten
• Funktioniert sprachübergreifend (DE/EN) mit entsprechenden Modellen

Schwächen der KI-Themenanalyse

• Erfordert ausreichend Datenvolumen – bei 20 Texten ist eine Keyword-Suche sinnvoller
• Ergebnisse müssen interpretiert werden – Themencluster brauchen menschliche Benennung
• Weniger deterministisch – leicht unterschiedliche Ergebnisse bei wiederholter Ausführung
• Initiale Einrichtung komplexer als eine einfache Keyword-Liste

Stellen Sie sich einen Datensatz von 5.000 Kundenfeedbacks eines Versicherungsunternehmens vor. Die CX-Abteilung möchte verstehen, welche Themen Kunden beschäftigen.

Ergebnis mit Keyword-Analyse

Das Team definiert 15 Keyword-Kategorien: Schadensmeldung, Wartezeit, Freundlichkeit, Preis, Kündigung, App, Erreichbarkeit, Formulare, Erstattung etc. Nach der Analyse zeigt sich:

• 68% der Texte werden mindestens einer Kategorie zugeordnet
• 32% bleiben in der Restkategorie „Sonstiges"
• Die häufigsten Themen: Wartezeit (22%), Schadensmeldung (18%), Preis (15%)

Ergebnis mit KI-Themenanalyse

Dieselben 5.000 Texte werden durch ein Themenanalyse-Modell verarbeitet. Ergebnis:

• 94% der Texte werden einem identifizierten Thema zugeordnet
• Neben den erwarteten Themen entdeckt die KI drei überraschende Cluster:
  • „Digitaler Schadensprozess" – Kunden beschreiben Probleme mit dem Upload von Fotos und Dokumenten
  • „Kommunikationslücke nach Meldung" – ein Muster von Beschwerden über fehlende Statusupdates nach der Schadensmeldung
  • „Partnerwerkstatt-Erfahrung" – positives und negatives Feedback zu den Werkstätten, an die Kunden verwiesen werden

Diese drei Themen waren in keiner Keyword-Liste enthalten – und doch betrafen sie 23% aller Feedbacks. Ohne KI-Themenanalyse wären sie im „Sonstiges"-Topf verschwunden.

Trotz der Überlegenheit der KI-Themenanalyse bei großen Datenmengen gibt es Szenarien, in denen Keyword-Ansätze ihre Berechtigung haben:

1. Compliance-Monitoring: Wenn exakte Begriffe gesucht werden (z. B. „Beschwerde", „Anwalt", „Klage"), ist eine Keyword-Suche präzise und ausreichend
2. Sehr kleine Datenmengen: Bei weniger als 100 Texten ist manülles Lesen oder Keyword-Suche oft effizienter
3. Bekannte, stabile Themen: Wenn sich die Themenlandschaft kaum ändert (z. B. regulierte Branchenberichte), reichen vordefinierte Kategorien
4. Ergänzung zur KI-Analyse: Keywords können als Validierung dienen – wenn die KI ein Thema findet, prüfen Keywords, ob bestimmte Signalwörter enthalten sind

Das Themenanalyse-Modul in deepsight Cloud kombiniert modernste NLP-Technologie mit praktischer Anwendbarkeit:

1. Upload: Sie laden Ihre Textdaten hoch – ob CSV, Excel oder per API
2. Automatische Analyse: Das Modell erkennt Themen, gruppiert Texte und erstellt eine Themenlandkarte
3. Interaktive Exploration: Sie können Themen umbenennen, zusammenführen oder aufteilen
4. Kombination mit Sentiment: Jedes Thema erhält eine Stimmungsanalyse – so sehen Sie nicht nur was, sondern auch wie darüber gesprochen wird
5. Export & Integration: Ergebnisse fließen per API oder als Report in Ihre Systeme

Entscheidend ist: Die KI übernimmt die explorative Schwerarbeit – das Finden und Gruppieren von Themen in tausenden Texten. Die inhaltliche Bewertung bleibt bei Ihrem Team. So entsteht eine Kombination aus maschineller Effizienz und menschlicher Expertise.

Hier ein zusammenfassender Vergleich der beiden Ansätze:

• Erkennung unbekannter Themen: Keyword = Nein | KI = Ja
• Synonyme & Umschreibungen: Keyword = Manüll pflegen | KI = Automatisch
• Skalierbarkeit: Keyword = Begrenzt | KI = Sehr hoch
• Transparenz: Keyword = Sehr hoch | KI = Hoch (mit Erklärbarkeit)
• Einrichtungsaufwand: Keyword = Niedrig (initial) | KI = Mittel (initial)
• Wartungsaufwand: Keyword = Hoch (laufend) | KI = Niedrig
• Kontextverständnis: Keyword = Keins | KI = Ja
• Geeignet für: Keyword = Bekannte Begriffe, Compliance | KI = Explorative Analyse, große Datenmengen

Die Keyword-Analyse beantwortet die Frage: Kommen meine vordefinierten Themen in den Texten vor? Die KI-Themenanalyse beantwortet eine viel mächtigere Frage: Welche Themen gibt es tatsächlich in meinen Daten?

Für Unternehmen, die wirklich verstehen wollen, was ihre Kunden bewegt, ist die KI-Themenanalyse der entscheidende Schritt. Sie deckt blinde Flecken auf, erkennt aufkommende Trends und liefert Erkenntnisse, die keine Keyword-Liste der Welt hätte liefern können.

Erleben Sie den Unterschied selbst: Testen Sie die Themenanalyse in deepsight Cloud – oder starten Sie direkt mit Ihren eigenen Daten.

Jetzt kostenlos testen und sehen, welche Themen in Ihren Texten stecken.