Home » Case Studies » Case Study – Airline

Case Study: Airline

Flugreisende nutzen Social Media, um über Ihre Erfahrungen mit Fluglinien zu berichten. Besonders in der Hauptsaison kommen pro Tag einige hundert Postings in den verschiedenen Social Networks zusammen, die wichtige Informationen für die betroffenen Airlines und Carrier beinhalten.

1. Herausforderung: Rauschen in Social Media Daten, Verwässerung der Analysen
Für die betrachtete Airline wurden insgesamt ca. 12.000 Postings im Betrachtungszeitraum
über die verschiedenen Social Networks registriert.
Natürlich ist nicht jedes Posting und jeder Kommentar relevant. Die Modelle von Deep Data Analytics trennen hier zuverlässig Rauschen, Spam und Postings in Sprachen oder aus Ländern, die nicht Gegenstand der Analyse sind. Nach Beseitigung des Rauschens stehen knapp 7.000 Kommentare für die Analyse der Nutzererfahrung mit der betrachteten Fluglinie zur Verfügung.

2. Herausforderung: Stimmungsbild
Es liegt in der Natur von Social Media, dass vor allem Nutzer mit negativen Erfahrungen sich zu Wort melden. Diese Erfahrungen sind nicht repräsentativ für die Gesamtheit aller Nutzer, geben aber wichtige Hinweise auf Pain Points und Herausforderungen für Service und Markenkommunikation.

3. Herausforderung: Themen
Das grundlegende Stimmungsbild kann erste Einblicke zur Zufriedenheit der Nutzer geben, ist durch Social Media Mechaniken aber oft verzerrt. Viel spannender ist daher die Frage, was sind die Auslöser für die unterschiedlichen Stimmungen und Meinungen?

Mittels Machine Learning werden die unterschiedlichen Stimmungsbilder weiter inhaltlich analysiert. So können Cluster gebildet werden, die thematische Zusammenhänge offenlegen.

In diesem Fall wurden innerhalb der großen Gruppe sehr negativer bis negativer Postings zwei signifikante Cluster identifiziert. Ein Cluster von Postings legt nahe, dass es an einem Drehkreuz der Airline zu Problemen mit dem Handling der aufgegebenen Gepäckstücke bei Kurzstreckenflügen kommt. Die Gepäckstücke wurden entweder beschädigt oder gingen verloren. Dabei ist eine bestimmte Flugverbindung zwischen dem Drehkreuz und einem Reiseziel überproportional vertreten.
Der andere Cluster offenbart Probleme mit einem unfreiwilligen Downgrade von Business Class Passagieren auf Economy während Langstreckenflügen.

4. Herausforderung: Zeitliche Einordnung
Für Unternehmen ist nicht nur wichtig, was gesagt wurde, sondern wann und in welchem Kontext. Nur so können Einflüsse von Kampagnen gemessen und kontrolliert werden.

Mittels Time Series Analysen konnte festgestellt werden, dass die Beschwerden über Downgrades nach Anlauf einer Social Media Kampagne stark zugenommen haben. Die Kampagne hatte das Ziel, mehr Nutzer für die Vorteile der Business Class zu begeistern. Dies führte zu einer Aus- bzw. Überbuchung auf Flügen, die in der Kampagne beworben wurden.

5. Herausforderung: Near Time Analyse
Nach der Identifizierung der Probleme, wurden Kampagnen erstellt, um diese Probleme zu beheben. Neben der reinen Reichweite sind hier besonders Feedback Loops entscheidend, um den Wirkungsgrad der Kampagnen auf das Ziel der Nutzerzufriedenheit und Markenwahrnehmung zu überprüfen.

Menü