Conversational Analytics: Welche 3 Dialogquellen wirklich zählen, und warum die eigene Fragen-Seite meist nicht mitgezählt wird

1. Einführung: Conversational Analytics im Überblick

Im Kundengespräch fällt derselbe Satz seit Monaten: „Ich habe das vorher schon nachgefragt.“ Nicht bei Google, sondern in einem Chatfenster. Zwischen Suchfeld und Angebot liegt inzwischen ein Dialog, und der Weg vom Suchfeld zum Gespräch verändert, was Sie überhaupt messen können.

Conversational Analytics ist die Auswertung von Dialogdaten. Gemeint sind Gespräche in natürlicher Sprache, die zwischen Kunden und einem Unternehmen entstehen: am Telefon, im Chat, im Ticket, in einer Bewertung. Aus diesen Texten werden Themen, Stimmung und Absicht abgeleitet. Ausgewertet wird also nicht ein Klickpfad, sondern der Wortlaut.

Was das für Sie heißt: Ihre Kunden erklären Ihnen jeden Tag, was sie brauchen, wo sie zweifeln und was sie vergleichen. Diese Sätze liegen bei Ihnen im Haus, in Anrufnotizen, Mailverläufen und Formularen. Bislang liest sie niemand im Zusammenhang. Genau darin steckt der Unterschied zwischen einem Bauchgefühl und einer belegten Aussage über Ihre Kunden.

Dazu kommt eine zweite Bühne. Ein großer Teil der Fragen zu Ihrer Branche wird heute einem KI-Chatbot gestellt, und diese Dialoge sehen Sie nicht. Wie weit die eigene Marke in solchen Antworten überhaupt auftaucht, klärt ein GEO-Audit als Ausgangsmessung.

2. Zwei Bedeutungen, ein Begriff: Was Anbieter jeweils meinen

Wer den Begriff heute sucht, landet auf zwei sehr verschiedenen Sorten von Seiten. Die eine Hälfte des Marktes meint eine Funktion in Auswertungswerkzeugen: Man fragt seine eigenen Zahlen in natürlicher Sprache ab, statt sich durch Dashboards zu klicken. In Looker, Looker Studio, Data Studio und BigQuery von Google Cloud heißt das Data Agents, und laut Dokumentation sind Conversations dort gespeicherte Chats mit einer Datenquelle.

Die Funktion selbst läuft unter dem Namen Gemini in Looker, die zugehörige Programmierschnittstelle heißt Conversational Analytics API und gehört zum Dach Gemini für Google Cloud. Angebunden werden strukturierte Daten, nicht Gespräche.

Die andere Hälfte meint das Gegenteil der Blickrichtung: nicht Fragen an Zahlen, sondern Zahlen aus Gesprächen. Hier geht es um Kundendialoge, um Speech Analytics für Telefonate und um Themen- und Stimmungsauswertung über alle Kanäle.

Beide Lager verkaufen Conversational Analytics Software, und beide haben recht.

Für die Auswahl ist die Unterscheidung entscheidend: Das eine Werkzeug macht Ihre Business Intelligence bequemer, das andere erschließt eine Datenquelle, die Sie noch nie ausgewertet haben.

Der Markt ist englischsprachig, und die Überschriften wiederholen sich. „What is Conversational Analytics and How Does it Work?“ fragt nach Definition und Ablauf, „How conversational analytics works“ beschreibt dieselben drei Stufen. „Use cases of conversational analytics“ sammelt Anwendungsfälle, meist aus dem Kundenservice, und „Conversational Analytics vs. Traditional Analytics“ grenzt gegen die klassische Kennzahlen-Analyse ab.

Als technischen Kern nennen diese Seiten „NLP and Machine Learning“, also Sprachverarbeitung und maschinelles Lernen, und sie trennen „Conversational Analytics, Speech Analytics, and Conversation Intelligence“ voneinander. Wer „Conversational Analytics Tools“ oder „Analytics Platforms“ vergleicht, findet überall dieselben Bausteine; „AI-powered Analytics“ und „Real-time Analytics“ sind die Werbeformeln dafür. Nützlich ist die Übersetzung, nicht die Formel.

3. Wie Conversational Analytics technisch funktioniert

Der Ablauf hat drei Stufen, und er ist überschaubarer als die Preislisten vermuten lassen. Zuerst werden die Gespräche gesammelt und aufbereitet, dann sprachlich verarbeitet, am Ende verdichtet. Jede Stufe entscheidet mit darüber, wie belastbar die Zahl am Schluss ist.

• Sammeln und aufbereiten: Anrufe werden verschriftet, Chats und Tickets zusammengeführt, Anreden und Signaturen entfernt.
• Verarbeiten: Hier arbeitet Natural Language Processing, kurz NLP, also die maschinelle Verarbeitung natürlicher Sprache. Sie erkennt Themen, Namen, Stimmung und Absicht im Text.
• Auswerten und berichten: Aus den erkannten Merkmalen entstehen Kennzahlen, Verläufe und Insights, die im Dashboard neben den übrigen Zahlen stehen.

Die dritte Stufe wird gern überschätzt. Sprachmodelle und maschinelles Lernen liefern eine Kennzeichnung, keine Wahrheit: Ein Modell, das Stimmung vergibt, wurde auf Training Data trainiert, die mit Ihrer Kundschaft wenig zu tun haben muss. Wer die Anzeige ohne den Rohtext liest, hält einen Kassenbon ohne Artikelnamen in der Hand.

Deshalb gilt für jede dieser Werkzeugklassen dieselbe Prüffrage: Komme ich vom Balken in der Auswertung zurück zum Satz, aus dem er entstanden ist?

4. Voraussetzungen: Welche Dialogdaten in Ihrem Haus liegen

Vor jedem Werkzeug steht eine Inventur. Dialogdaten entstehen in fast jedem Betrieb, nur eben verstreut: Anrufnotizen im CRM, Chatverläufe im Support, Freitextfelder aus Formularen, Rezensionen, die Fragen-Seite auf der Website. Das ist der Schuhkarton mit Telefonzetteln, nur digital, und genau darin steckt der Wert. Was in Freitexten steckt, ist in der Übersicht bislang nicht vorgesehen.

Die technische Voraussetzung ist niedriger, als viele annehmen, die organisatorische höher. Nach der jüngsten Erhebung des Statistischen Bundesamts setzten 26 Prozent der Unternehmen mit mindestens zehn Beschäftigten KI-Technologien ein, bei 10 bis 49 Beschäftigten 23 Prozent, ab 250 Beschäftigten 57 Prozent. Werkzeuge sind also vorhanden. Zuständigkeiten für Dialogdaten oft nicht.

Wie es um die sichtbarste dieser Quellen steht, haben wir selbst nachgesehen. Aus der redaktionellen Linkliste der Verbände auf verbaende.com wurden 1.659 Organisationen mit eigener Domain systematisch gezogen und 57 geprüft, davon 53 auswertbar. Ergebnis: 9 verlinken eine Seite mit häufigen Fragen, bei keiner einzigen stehen die Frage-Antwort-Paare maschinenlesbar im Seitenquelltext. Bei 25 der 53 Startseiten fanden sich weniger als 500 Wörter Text im ausgelieferten Quelltext.

Der Dialog liegt also vor. Auswertbar ist er nicht.

5. Die dritte Quelle: Dialoge, die Ihnen nicht gehören

Fast alle Ratgeber zu diesem Thema teilen eine stille Annahme: Der Dialog, der ausgewertet wird, gehört dem Unternehmen. Unsere Position: Diese Annahme deckt den kleineren Teil ab. Der größere Teil der Gespräche über Ihre Kategorie läuft in fremden Oberflächen, ohne Ticket, ohne Chatverlauf, ohne Zeile in Ihrer Auswertung. Es ist das Gespräch am Nachbartisch: Sie hören es nicht, es findet trotzdem statt.

Wie diese Wege verlaufen, hat ein Team um Michael Iannelli an verknüpften Nutzungsdaten untersucht. Erhoben wurden Prompts, also die eingetippten Fragen, zusammen mit den beobachteten Suchen und Seitenaufrufen derselben Personen. In 34,1 Prozent der Sitzungen mit einem Assistenten gab es keinen beobachteten Schritt ins offene Web, gegenüber 19,5 Prozent bei suchzentrierten Sitzungen derselben Personen.

Für Ihre Messung heißt das: Der Assistent sitzt nicht am Anfang der Reise, sondern mitten darin, und ein Drittel dieser Sitzungen endet ohne Klick. Wer nur Besuche zählt, hält das für Nachfrageschwäche. Was Antwort statt Seitenaufruf für die eigenen Zahlen bedeutet, gehört deshalb vor jede Werkzeugentscheidung.

Auch die Themen sind gut dokumentiert. Nach einer Analyse von 1,5 Millionen Gesprächen durch Aaron Chatterji und Kollegen sind Praktische Anleitung, Informationssuche und Schreiben die drei häufigsten Themen und machen fast 80 Prozent aller Gespräche aus. Genau in den ersten beiden Feldern fallen Kaufentscheidungen.

Dieselbe Untersuchung zeigt, wie stark der Alltag durchschlägt: Der Anteil privater Gespräche steigt von rund 35 Prozent an Werktagen auf knapp 50 Prozent am Wochenende, Rezeptfragen sind um 18 Uhr 2,3 Mal häufiger als im Tagesmittel. 93 Prozent der Gespräche münden in ein greifbares Ergebnis, meist eine Erklärung (17 Prozent), ein Dokument (15 Prozent) oder eine Handlungsempfehlung (11 Prozent).

Für Deutschland liefert eine Befragung von 1.000 Personen zwischen 18 und 69 Jahren die Gegenprobe. 60,8 Prozent nutzen KI-Werkzeuge persönlich, und 19,9 Prozent haben sie binnen vier Wochen für Kaufentscheidungen, Produktauswahl oder Preisvergleiche eingesetzt. Den Kauf selbst haben dort nur 1,4 Prozent abgeschlossen. Der Dialog findet statt, der Abschluss woanders.

Gerade für KMU verschiebt das die Aufgabe: Sichtbar wird man in diesen Antworten vor allem über Belege, die andere setzen. Erwähnungen in verlässlichen Medien gehören daher zur Messgröße, nicht nur zur Werbung.

6. Schritt für Schritt: Conversational Analytics einführen

Fünf Schritte reichen für den Anfang, und keiner davon benötigt eine neue Plattform. Ziel ist es, in vier Wochen von Vermutungen zu einer belegten Aussage zu kommen.

Schritt 1: Eine Frage festlegen, die eine Entscheidung auslöst

Nicht das Werkzeug steht am Anfang, sondern eine Frage, deren Antwort etwas verändert. „Woran scheitern Anfragen zwischen Erstkontakt und Angebot?“ ist so eine Frage. „Wie ist die Stimmung?“ ist keine, weil auf jede Antwort dieselbe Ratlosigkeit folgt.

Schritt 2: Die eigenen Dialogquellen inventarisieren

Notieren Sie in einer Tabelle, wo Gespräche anfallen, in welcher Form sie vorliegen und wie lange sie aufbewahrt werden. Drei Quellen mit sauberem Text sind mehr wert als zehn halb angebundene. Datenschutz und Löschfristen gehören in dieselbe Tabelle, nicht in eine späte Rückfrage.

Schritt 3: Ein kleines Kategorienschema von Hand bauen

Lesen Sie 100 echte Dialoge und sortieren Sie sie in maximal zwölf Themen. Dieses Schema ist die Grundlage jeder späteren Automatisierung, denn ein Modell kann nur einordnen, was vorher benannt wurde. Der Nachmittag Handarbeit ersetzt später Wochen an Nachjustierung.

Schritt 4: Fremde Dialoge über eine feste Frageliste erheben

Formulieren Sie 15 bis 25 echte Kundenfragen und stellen Sie sie planmäßig mehreren KI-Systemen: ChatGPT, Claude, Copilot, Gemini, Perplexity und Grok. Halten Sie je Lauf fest, ob Ihr Name fällt, in welchem Zusammenhang und welche Quellen genannt werden. Ein einziger Lauf ergibt eine Momentaufnahme, keine Messreihe.

Schritt 5: Die eigenen Antworten maschinenlesbar hinterlegen

Die häufigsten Fragen samt Antworten gehören als Text in den Seitenquelltext, ergänzt um strukturierte Daten für Frage-Antwort-Paare. So kann derselbe Bestand doppelt genutzt werden: intern für die Auswertung, extern als Beleg. Die Knowledge-Graph-Optimierung setzt genau hier an.

7. Häufige Fehler und wie Sie sie vermeiden

Die teuren Fehler passieren früh, meist beim Zuschnitt. Vier davon sehen wir besonders oft.

• Die Werkzeugfrage vor der Fachfrage. Erst die Entscheidung benennen, dann die Software.
• Die Anzeige ohne den Rohtext glauben. Ein Stimmungswert ohne einsehbares Zitat ist eine Behauptung. Prüfen Sie bei jedem Anbieter, ob Sie an die Gespräche selbst herankommen.
• Nur die eigenen Kanäle messen. Der fremde Teil des Dialogs bleibt sonst dauerhaft ein blinder Fleck, und dort entstehen die Vorentscheidungen.
• Aus einer stillen Sitzung Zufriedenheit lesen. Kein Klick heißt nicht, dass die Frage beantwortet war.

Der letzte Punkt steht so auch in der Untersuchung, aus der die 34,1 Prozent stammen. Dort heißt es: „Dass eine Sitzung im Assistenten bleibt, bedeutet nicht, dass die Aufgabe gelöst ist.“
(„Assistant-contained also does not mean resolved“). Zeitstempel allein belegen weder Zufriedenheit noch Abschluss.

Und ein Hinweis zur eigenen Erhebung: Gemessen wurde nur der ausgelieferte Seitenquelltext. Ein Dialog-Fenster, das erst nach einer Zustimmung geladen wird, ist darin nicht sichtbar. Genau diese Sicht haben allerdings auch die Programme, die für KI-Antworten Seiten abrufen.

8. Fazit

Conversational Analytics zerfällt in drei Quellen: Fragen an die eigenen Zahlen, Auswertung der eigenen Gespräche und Erhebung der fremden Dialoge über Ihr Angebot. Die erste Quelle macht Auswertungen bequemer. Die zweite erschließt Wissen, das ohnehin im Haus liegt. Erst die dritte betrifft den Teil der Kundenreise, der in keinem Bericht auftaucht.

Wer alle drei trennt, kauft gezielter ein und liest jede Zahl vorsichtiger. Das Ziel: eine Aussage über Ihre Kunden, die sich mit einem Zitat belegen lässt.

9. Anhang: Checkliste für die ersten vier Wochen

1. Entscheidungsfrage aufschreiben: ein Satz, eine Entscheidung, ein Termin.
2. Quellen inventarisieren: Kanal, Format, Menge, Aufbewahrungsfrist, Verantwortliche.
3. 100 Dialoge von Hand lesen und in maximal zwölf Themen sortieren.
4. Frageliste bauen: 15 bis 25 Kundenfragen, je Kaufabsicht zwei Umformulierungen.
5. Erste Läufe protokollieren: Datum, System, Frage, Nennung, genannte Quellen.
6. Fragen-Seite prüfen: Steht die Antwort als Text im Quelltext, mit strukturierten Daten?
7. Anbieter befragen: Rohtext einsehbar, Daten ausleitbar, Streuung ausgewiesen?

Disclaimer: Die genannte Stichprobe ist eine Momentaufnahme vom 07.09.2026 und nicht repräsentativ. Geprüft wurde ausschließlich das öffentlich ausgelieferte Rohdokument ohne JavaScript; einzelne Organisationen werden nicht genannt, ausgewertet wurden nur Summen. Externe Zahlen stammen von den jeweils verlinkten Quellen und können sich ändern. Hinweise zu Datenschutz und Aufbewahrung ersetzen keine Rechtsberatung.