Wie eine Regionalbank 3.000 Kundenstimmen in 2 Tagen auswertet

Hinweis: Unternehmensname auf Wunsch des Kunden anonymisiert.

Ausgangssituation

Ein mittelgroßes Finanzinstitut mit rund 180.000 Kunden in Österreich stand vor einer bekannten Herausforderung: Kundenfeedback existierte in Hülle und Fülle – auf Google, auf Bewertungsplattformen, in App-Store-Reviews und in Supportgesprächen. Aber niemand hatte die Zeit oder die Tools, dieses Feedback systematisch auszuwerten.

Quartalsweise Stimmungsanalysen wurden manuell erstellt: Ein Analyst verbrachte 3–4 Wochen damit, Bewertungen zu lesen, zu kategorisieren und in PowerPoint-Präsentationen aufzubereiten. Das Ergebnis war wertvoll, aber veraltet sobald es fertig war.

Die Herausforderung

Das Produktteam des Finanzinstituts wollte verstehen, wie Kunden die neue Mobile-Banking-App bewerten – nicht nur insgesamt, sondern aufgeschlüsselt nach spezifischen Funktionen: Überweisungen, Kontoverwaltung, Sicherheitsfeatures, Benachrichtigungen.

Außerdem sollte ein Vergleich mit den Apps zweier Hauptwettbewerber möglich sein: Was kritisieren Kunden dort? Wo kann die eigene App differenzieren?

Vorgehen mit marketwhisperer.ai

Nach einem zweistündigen Onboarding konfigurierte das Team drei Analyse-Projekte:

Projekt 1: App-Store-Reviews der eigenen App (iOS + Android) der letzten 12 Monate Projekt 2: App-Store-Reviews von zwei Wettbewerbern im gleichen Zeitraum Projekt 3: Erwähnungen des Finanzinstituts in relevanten Finanzforen und sozialen Medien

Die Plattform analysierte insgesamt 3.200 Kundenstimmen automatisch und erstellte eine aspekt-basierte Sentimentanalyse.

Ergebnisse

Was die Analyse zeigte

Die Auswertung nach 48 Stunden enthüllte mehrere nicht-intuitive Erkenntnisse:

Stärke, die intern unterschätzt wurde: Die Sicherheitsfeatures (TAN-Verfahren, Biometrie) wurden von Kunden durchgängig positiv bewertet – deutlich besser als bei beiden Wettbewerbern. Diese Stärke war in der internen Wahrnehmung kein herausragendes Differenzierungsmerkmal.

Schwäche mit hoher Dringlichkeit: Das Onboarding für neue App-Nutzer wurde in 18 % aller negativen Reviews als Hauptkritikpunkt genannt. Konkret: zu viele Schritte für die erste Einrichtung, unklare Anweisungen für ältere Nutzer.

Wettbewerbslücke: Wettbewerber A wurde für sein Haushaltsbuch-Feature stark gelobt. 12 % seiner positiven Reviews erwähnten dieses Feature explizit – ein Feature, das die eigene App nicht hatte.

Konkrete Maßnahmen

Basierend auf den Ergebnissen priorisierte das Produktteam für das nächste Quartal:

1. Onboarding-Überarbeitung als Sprint-Priorität Nr. 1 – messbare Verbesserung in 3 Monaten angestrebt
2. Sicherheits-Marketing gestärkt: “Sicherheit” als explizites Kommunikationsargument in App-Store-Beschreibung und Werbemitteln
3. Haushaltsbuch-Feature auf die 12-Monats-Roadmap gesetzt

Quantifizierbarer Nutzen

Der direkteste messbare Nutzen: Die Analyse, für die ein Analyst früher 3–4 Wochen benötigte, war in 2 Tagen verfügbar. Hochgerechnet auf quartalsweise Wiederholung: 10–12 Wochen Analysezeit pro Jahr eingespart.

Inhaltlich wertvoller war der nicht direkt quantifizierbare Nutzen: Die Produktentscheidungen des Quartals basieren auf 3.200 Kundenstimmen statt auf 20–30 manuell gelesenen Reviews und gefilterten Anekdoten aus dem Supportteam.

Stimme des Kunden

“Was uns am meisten überrascht hat: Wir dachten, wir kennen unsere Kunden gut. Aber die Analyse hat uns gezeigt, dass wir in einigen Bereichen systematisch andere Prioritäten gesetzt hatten als unsere Kunden. Das war ein wertvoller Reality Check.”

— Produktverantwortlicher, österreichisches Finanzinstitut

Fazit

Das Beispiel zeigt einen typischen Nutzen von KI-gestützter Sentimentanalyse: nicht die Revolution, sondern die Systematisierung. Kundenfeedback, das bisher aus Zeit- und Kapazitätsgründen nur bruchstückhaft ausgewertet werden konnte, wird in seiner vollen Breite zugänglich.

Die Erkenntnis, die das Team am meisten beeinflusst hat, kam nicht aus einer neuen Methode – sie kam aus einer neuen Skalierung einer alten Methode: Kunden zuhören.