Wie liest eine globale Beratungsfirma die Reaktionen auf ein Smartphone weltweit? - Fallstudie zur integrierten Analyse von Bewertungen und Kundenstimmen aus 7 Ländern

"Warum ist der Umsatz in Deutschland gesunken?" - Konferenz, bei der niemand antworten konnte

Denken Sie an die Quartalsüberprüfungskonferenz des globalen Marketingteams zurück. Der Umsatz in Deutschland ist deutlich gesunken. Als nach den Gründen gefragt wurde, übersetzte ein Analyst 20 deutsche Bewertungen mit einem Übersetzungstool und schrieb: "Es scheint ein Problem mit der Wettbewerbsfähigkeit der Preise zu sein." Basierend auf dieser einen Zeile wurde das Rabattbudget erhöht. Ein paar Wochen später stellte sich heraus, dass die eigentliche Mehrheit der Beschwerden nicht den Preisen, sondern der Kamerabildqualität galt.

Es ist eine Szene, die sich immer wieder zwischen dem globalen Smartphone-Markenstrategieteam und den beratenden Organisationen wiederholt. Das Hauptquartier hat nur die Verkaufszahlen aus 9 Ländern in der Hand, aber das "Warum" ist in den verstreuten Bewertungen in verschiedenen Ländern, Sprachen und Plattformen verstreut.

• Mehrsprachige Bewertungen werden letztendlich auf "ein paar englische Beispiele" reduziert. Die anfängliche Unzufriedenheit in Japan, die Preisempfindungen in brasilianischem Portugiesisch und die Authentizitäts- und Lieferprobleme in Indonesisch werden auf dem Hauptquartierbildschirm überhaupt nicht erfasst.
• Die Bewertungen auf der US-Amazon-Website sind mit 4,2 recht solide, aber auf YouTube und Reddit wird über Überhitzungsprobleme heftig diskutiert. Die Konferenz dreht sich darum, "welcher Kanal die echte Meinung repräsentiert".
• Selbst wenn in Indien die Bewertungen abnehmen und sich Beschwerden über Überhitzung während des Ladevorgangs häufen, vergehen 3 Wochen, bis der monatliche Bericht des Unternehmens veröffentlicht wird. In der Zwischenzeit schließt sich das Fenster, das durch ein Firmware-Update behoben werden könnte.

Das Öffnen von Websites für jedes Land, um Bewertungen zu lesen, ermöglicht keinen einheitlichen Vergleich der Reaktionen weltweit. Die Stichproben bleiben immer oben auf dem Bildschirm und es gibt keine Möglichkeit zu überprüfen, ob diese Stichproben ein bestimmtes Ländermeinung angemessen repräsentieren.

Sammeln von Bewertungen und VOC aus verschiedenen Ländern und Märkten in einem Schema

Mit Hashscraper können Sie Bewertungen und Produktgemeinschaften, Videos und Meinungen (VOC) aus verschiedenen Ländern und Märkten in einer Struktur sammeln. Da sie unabhängig von Land und Plattform unter derselben Kategorie zusammengefasst werden, können Sie mit dem Vergleich beginnen, anstatt nur zu sammeln.

Beispiel für tatsächliche Crawling-Daten - Marktplatzbewertungen (mehrsprachig)

{
  "Country": "Germany",
  "Marketplace": "Amazon.de",
  "Product Name": "글로벌 스마트폰 브랜드 보급형 5G 모델",
  "Spec": { "OS": "Custom OS", "RAM": "8GB", "Storage": "256GB" },
  "Rating": 4.3,
  "Review Count": 512,
  "Star Distribution": { "5": "58%", "4": "17%", "3": "9%", "2": "6%", "1": "10%" },
  "Review": {
    "Reviewer": "A. K.",
    "Rating": 2,
    "Date": "2026-06-14",
    "Title": "Enttäuschend",
    "Body": "Sehr enttäuschend – der Kundenservice reagiert kaum ...",
    "Verified": "Y"
  },
  "Collected At": "2026-07-03"
}

Beispiel für tatsächliche Crawling-Daten - YouTube-Review-Videos und Kommentare

{
  "Source": "유튜브 리뷰영상 댓글",
  "Video Title": "보급형 5G 스마트폰 내구성 테스트",
  "Channel": "테크 리뷰 채널",
  "Subscribers": "800만",
  "Views": 1920000,
  "Comment": {
    "Author": "@user***",
    "Posted": "3개월 전",
    "Body": "카메라는 괜찮은데 게임하면 발열이 좀 있네요",
    "Likes": 128
  },
  "Collected At": "2026-06-18"
}

Beispiel für tatsächliche Crawling-Daten - Produktgemeinschaftsbeiträge

{
  "Source": "제품 커뮤니티",
  "Board": "모바일 > 스마트폰",
  "Title": "업데이트 후 배터리 문의",
  "Author": "user***",
  "Views": 320,
  "Likes": 4,
  "Comments": 7,
  "Posted At": "2026-06-28 14:12"
}

Marktplatzbewertungen enthalten Bewertungsverteilungen und den Haupttext, während YouTube- und Community-Beiträge den Text und die Reaktionen zusammenfassen. Die Originaltexte der deutschen Bewertungen werden in der lokalen Sprache gesammelt und strukturiert, einschließlich der Verifizierung (echter Kauf) und des Herkunftslandes des Verfassers. Da die drei Arten von Daten in derselben Struktur zusammengefasst sind, können regionale Beschwerden anhand von Vollzählungen und nicht nur Stichproben festgestellt werden, wenn Übersetzungen, Sentimentanalysen und Attributklassifizierungen hinzugefügt werden.

Anwendungsfall: Smartphone-Marktanalyse eines globalen Beratungsunternehmens

Ein globales Beratungs- und Strategieunternehmen führte ein Projekt durch, um die Reaktionen der Verbraucher auf eine bestimmte Smartphone-Marke weltweit zu diagnostizieren. Da sich der Zielmarkt über mehrere Kontinente erstreckte, war es entscheidend, die Bewertungen und Meinungen, die in verschiedenen Ländern verstreut waren, nach denselben Kriterien zu sammeln.

Crawling-Einstellungen

• Marktplätze: Amazon USA, Deutschland, Großbritannien, Frankreich, Japan, Indien, Brasilien und asiatische Marktplätze (Coupang, Tokopedia)
• VOC-Kanäle: Offizielle Produktgemeinschaft des Herstellers, YouTube-Review-Videos und -Kommentare, ausländische Gemeinschaften (Reddit)
• Gesammelte Elemente: Produktspezifikationen, Bewertungsverteilung, einzelne Bewertungen und Kommentare (mehrsprachig), Autor, Datum, Land des Verfassers, Verifizierungsstatus, Reaktionszahlen
• Crawling-Zyklus: Regelmäßige Sammlung pro Kanal

Analysierbare Elemente aus den Crawling-Daten

Quantitative Leistungen

Als die verstreuten Reaktionen in einer Tabelle zusammengefasst wurden, begannen die Fragen, die zuvor auf Konferenzen gestellt wurden, nun durch Daten beantwortet zu werden.

• "USA 4,2 vs. Brasilien 3,8, wie viele Stichproben und wann wurden sie gesammelt?" - Die regelmäßige Sammlung ermöglichte einen Vergleich unter gleichen Bedingungen zwischen Ländern und basierend auf verifizierten Standards. Der Moment, in dem das Vertrauen in die gesamte Vergleichstabelle ins Wanken geriet, verschwand.
• "Wie hoch ist der Prozentsatz der Beschwerden über Überhitzung?" - Anstatt qualitativer Aussagen wie "weit verbreitet" wurde der Prozentsatz der Erwähnungen von Überhitzung nach Ländern in Zahlen aufgeführt.
• "Offizielle Gemeinschaften sind ruhig, aber in sozialen Medien herrscht Streit" - Anstatt nur offizielle Kanäle zu betrachten und sie als "zufriedenstellend" zusammenzufassen, wurden Marktplatzbewertungen, offizielle Gemeinschaften, YouTube und Reddit in einem Datensatz zusammengefasst, um die Temperaturunterschiede zwischen den Kanälen aufzuzeigen.

Mit denselben Daten erhält jeder Bereich unterschiedliche Antworten

Verschiedene Abteilungen werfen unterschiedliche Fragen auf, basierend auf demselben integrierten Datensatz. Und die meisten dieser Fragen wurden bisher aufgrund von "Gefühl" beantwortet.

Insbesondere für das Qualitäts- und Kundendienstteam ist die "Zeitachse" besonders wichtig. Wenn dieselben Mängel zuerst in YouTube-Kommentaren auftreten, dann einige Wochen später die Sterne auf Amazon fallen und dann zu offiziellen Community-AS-Anfragen führen, ist es wichtig, dass die Kanäle getrennt sind, um das Vorzeichenmuster von "YouTube-Kommentare steigen an → 3 Wochen später fallen die Sterne" zu erkennen. Wenn die Verantwortlichkeiten auf die Kanäle aufgeteilt sind, kann niemand das Vorzeichenmuster erkennen. Wenn alles in einem Datensatz zusammengefasst wird, erscheint dieser Fluss als eine Linie.

Wenn die lokale Niederlassung "In Indien gibt es besonders starke Beschwerden über Überhitzung" und ein Beweis für lokale Budgets verlangt, aber das Hauptquartier mit "Der globale Durchschnitt beträgt 4,3, hast du Beweise?" antwortet, ändert sich die Situation, da sie nun in derselben Sprache über das prozentuale Vorkommen nach Ländern sprechen.

In eine Form übersetzen, die mehrsprachige Bewertungen lesen kann

Bewertungen aus 7 Ländern haben jeweils ihre eigene Sprache und Ausdrucksweise. Es reicht nicht aus, sie nur zu sammeln. Hashscraper analysiert die Originaltexte mithilfe von KI und strukturiert sie in eine analysierbare Form.

• Übersetzung und Sentimentanalyse: Lokale Bewertungen werden übersetzt und in positiv und negativ klassifiziert.
• Attributklassifizierung: Sätze werden nach erwähnten Kategorien wie Batterie, Kamera, Bildschirm, Überhitzung, Preis usw. gruppiert. Selbst Ausdrücke in verschiedenen Sprachen werden als dasselbe Attribut zusammengefasst.
• Kanal- und Signalnormalisierung: Marktplatzbewertungen (echter Kauf), offizielle Community, YouTube- und Reddit-Kommentare werden auf derselben Achse ausgerichtet, wobei das Gewicht auf verifizierten Signalen liegt.

Auf diese Weise wird der verstreute Text zu einem vergleichbaren Diagramm. Wenn beispielsweise der Anteil an negativen Erwähnungen nach Attributen nach Ländern nebeneinander aufgeführt wird, wird sofort ersichtlich, wo ein Problem besteht.

Anteil an negativen Erwähnungen nach Attributen (Beispiel)

Dank dieser Struktur können übertriebene Aussagen wie "explodiert auf YouTube" oder übermäßig verstärkte Meinungen in bestimmten Communitys als Verzerrungen reduziert werden. Es ermöglicht, regionale und attributbasierte Diagnosen auf Länderebene zu erstellen.

Warum ist es schwierig, dies intern zu tun?

Teams, die versucht haben, diese Aufgabe intern zu erledigen, stoßen auf gemeinsame Hindernisse. Im Großen und Ganzen lassen sie sich in Probleme bei der Handhabung der Daten und in Betriebsprobleme unterteilen.

Zunächst die Daten. Sprache - Es ist unmöglich, 20 Bewertungen aus 7 Ländern manuell zu lesen, und letztendlich konzentriert sich die Stichprobe auf die bequemeren englischsprachigen Bewertungen.

Format - Selbst auf derselben Amazon-Website variieren die Sternebewertungen, die Bewertungskartenstruktur und das Verifizierungsetikett je nach Land, und Coupang und Tokopedia haben wiederum unterschiedliche Bildschirme. Wenn Sie jedes Mal das Schema manuell anpassen müssen, enden Sie bis kurz vor dem Abschluss bei der "Datenbereinigung".

Kontrolle - Wenn Sie an verschiedenen Tagen in verschiedenen Ländern sammeln, sind Zeitpunkt und Stichprobengröße unterschiedlich, sodass die Vergleichsbedingungen nicht erfüllt sind.

Das größte Hindernis ist jedoch die fortlaufende Durchführung dieser Sammlung. Das Sammeln von Webdaten ist keine einmalige Entwicklung, sondern ähnelt eher einem täglichen Betrieb, bei dem Sie sich mit Websites befassen, die sich ständig ändern.

• Wartungsaufwand: E-Commerce-Websites und Communities ändern alle 3-6 Monate ihr Bildschirmlayout. Jedes Mal, wenn sich dies ändert, stoppt der Crawler ruhig, und der Entwickler muss die Selektoren und Parsing-Logik neu anpassen. Wenn Sie 9 Märkte mit mehreren VOC-Kanälen kombinieren, wird dieses Problem zu einer dauerhaften Aufgabe anstelle eines einmaligen Projekts.
• Kontinuierliches Monitoring: Das Crawlen bedeutet nicht, dass Sie es einfach "laufen lassen", sondern dass Sie es "überwachen". Wenn in einem Land 0 Beiträge eingehen oder nur die Hälfte aufgrund einer Blockierung gesammelt werden oder ein bestimmtes Feld leer bleibt, entstehen Datenlöcher, wenn niemand diese Probleme bemerkt. Es ist ein separates System erforderlich, um Sammlungsfehler oder -ausfälle zu erkennen und automatisch neu zu sammeln.
• Aufbau und Verwaltung der Sammelinfrastruktur: Für die umfangreiche Sammlung im Ausland sind fließende IPs, Proxies, Browser-Fingerabdrücke, Captcha-Handling, Headless-Browser-Pools, Scheduler und große Speicher erforderlich. Dies aufzubauen und zu pflegen erfordert dedizierte Arbeitskräfte und Serverkosten, und diejenigen, die sich um die Infrastruktur kümmern, binden die Hände derjenigen, die die Analyse durchführen sollten.

Hashscraper übernimmt die Last dieser Daten- und Betriebsprobleme vollständig. Es sammelt mehrsprachige Originaltexte regelmäßig nach denselben Kriterien und kontrolliert die Reaktion auf Website-Änderungen und Blockaden, überwacht Sammelfehler und -ausfälle und kontrolliert die Sammelzeitpunkte zwischen Ländern. Da die Infrastruktur, die Hashscraper bereits hat, genutzt wird, müssen die Kunden keine separate Infrastruktur aufbauen, sondern können sich auf die bereinigten Daten konzentrieren.

Von Rohdaten zu Berichten und Dashboards

Die gesammelten Daten werden als Rohdaten bereitgestellt. Letztendlich müssen diese Daten erneut verarbeitet und in Berichte oder Dashboards umgewandelt werden. In einem 4- bis 6-wöchigen Projekt, wenn bis zum letzten Tag vor dem Abschluss nur Bildschirme nach Ländern gesammelt und im Excel-Format angepasst werden, bleibt keine Zeit für Erkenntnisse.

Hashscraper kann bis zu diesem letzten Schritt mithelfen. Wenn Länder-spezifische Sternever