Shitstorms - Wie Unternehmen diese verhindern können

Shitstorms bzw. Empörungswellen können ein möglicher Auslöser für Unternehmenskrisen sein. Der Einsatz maschineller Lernmethoden bietet Möglichkeiten diese frühzeig zu erkennen und das Risiko für Unternehmen zu minimieren.

Wie können uns maschinelle Lernmodelle dabei helfen Empörungswellen bzw. Shitstorms frühzeitig zu erkennen?
Die Dissertation „IT-gestützte Früherkennung digitaler unternehmensbezogener Empörungswellen in sozialen Medien“ befasst sich mit dieser Fragestellung. Die Grundlage der Studie bilden Daten entsprechender Empörungswellen des sozialen Netzwerks Twitter.

Unternehmen und soziale Medien

Durch soziale Medien entstehen neue Möglichkeiten für die Außenkommunikation von Unternehmen. Zwischen den Nutzergruppen der Plattformen und dem Unternehmen kann ein proaktiver Austausch in Echtzeit stattfinden, welcher für das Unternehmen Vor- und Nachteile birgt.

Persönlichkeiten, Handlungen, Entscheidungen oder Leistungen können das Risiko negativer Kritik steigern. Denn durch die “Pseudoanonymität” wird die Hemmschwelle der Rezipienten gesenkt, sodass sich Plattformnutzer online weniger scheuen, negative Kommentare zu verfassen als im analogen Leben. Um auf solche Fälle vorbereitet zu sein, müssen Unternehmen ihr Krisenmanagement an die Gegebenheiten sozialer Medien anpassen. Dies kann mithilfe von technischen, psychologischen und kommunikative Fähigkeiten geschehen, welche in ihrer Gesamtheit der Prophylaxe von Empörungswellen dienen.

Krisen und Krisenphasen

Durch Empörungswellen ausgelöste Krisen lassen sich in drei verschiedenen Bereichen unterteilen:

Vorkrisenphase:
Die in dieser Phase zunächst angewandte Krisenvorbereitung umfasst das Identifizieren der Schwachstellen, die Bildung von Krisenteams und Sprechern, das Erstellen von Krisenmanagementpläne sowie die Strukturierung der Krisenkommunikation.

So werden bei der Signalerkennung Quellen auf Informationen analysiert, die für das Identifizieren von Warnzeichen verantwortlich sind.

Krisenphase:
Wurde eine Empörungswelle identifiziert, beginnt die Krisenphase. Die Krisenbewältigung konzentiert sich dabei auf die Reaktion des Unternehmens, den Inhalt der Reaktion und das Umsetzen der Krisenmaßnahmen bezüglich der Krise. Die dazugehörige Krisenakzeptanz beinhaltet Maßnahmen zur Erhebung krisenbezogener Daten sowie das Verstehen der Situation.

Nachkrisenphase:
Sobald die Krise als beendet gilt, wendet sich das Unternehmen wieder dem Tagesgeschäft zu und wendet das aus der Krise Gelernte an.

Prozessanpassungen und die Bewältigung einer entsprechenden Krise minimieren die Wahrscheinlichkeit einer vergleichbaren Situtation.

Maschinelles Lernen als Prophylaxe

Ein äußerst wirksames Werkzeug zur Früherkennung potentieller Empörungswellen könnte zukünftig das maschinelle Lernen sein. Die hierfür entwickelten Modelle werden nach ihrer Entwicklung in einem Softwareartefakt genutzt, um Empörungswellen IT gestützt zu erkennen und involvierte Unternehmen sowie Agenturen zu warnen.

Der für die beiden unterschiedlichen maschinellen Lerntypen bedeutsame Klassifikationsalgorithmus besteht aus drei Konfigurationstypen: der Eingabevariante, dem Parameter und der Ausgabevariante.
Für die Eingabevariante werden die Kombinationen aus den Merkmalen der Empörungswelle genutzt. Die Parameter werden im Voraus bestimmt, da es stets individuelle Werte und Ausprägungen sind, die bei jedem Algorithmus neu bestimmt werden müssen.

Die Ausgabevariante wird je nach Algorithmustyp kategorial, numerische oder als eine Kombination aus beidem berechnet.

Die erzeugte Konfiguration aller Werte bildet mit dem dazugehörigen Algorithmus ein Lernmodell. Durch dieses erzeugte Lernmodell können viele Kombinationen ausgetestet werden, die somit einen Ansatz für das maschinelle Lernen bilden.