Workshop: Textanalyse
Auf dieser Seite
Workshop-Ziel
Nach dem Schreiben wechseln wir den Fokus: Dieser Workshop schult Sie im Einsatz von Mistral für Analyseaufgaben – die Analyse von Textstimmungen, das Extrahieren von Schlüsselinformationen und die Klassifizierung von Inhalten. Diese Fähigkeiten sind Kernkompetenzen für die Automatisierung der Textdatenverarbeitung im Geschäftsleben. Sobald eine Person Dutzende ähnlicher Texte lesen muss, um dieselbe Informationsmatrix zu extrahieren, liegt hier ein Kandidat für die Automatisierung vor. Sie werden einen gemeinsamen Faden in den drei Übungen erkennen: Die Temperatur bleibt niedrig, da bei der Analyse Konsistenz wichtiger ist als Kreativität.
Übung 1: Analyse der Kundenrezensionsstimmung
Stellen Sie sich dieses Szenario vor: Sie leiten den Kundenservice eines Marktplatzes und erhalten täglich Hunderte von Rezensionen. Das Lesen aller ist unmöglich; Sie müssen diese automatisch analysieren, um wiederkehrende Probleme zu erkennen und Antworten zu priorisieren. Der Systemprompt definiert ein festes Analysegerüst – Stimmung, Themen, Dringlichkeit, Handlung – und erzwingt eine JSON-Ausgabe, damit Ihr Ticketing-Tool das Ergebnis verarbeiten kann.
messages = [
{
"role": "system",
"content": """Sie sind ein Analyst für Kundenerfahrung.
Für jede Rezension geben Sie an:
1. Gesamte Stimmung: positiv / gemischt / negativ
2. Abgedeckte Themen (max. 3)
3. Dringlichkeitsstufe: niedrig / mittel / hoch
4. Empfohlene Handlung (1 Satz)
Antworten Sie in strukturiertem JSON."""
},
{
"role": "user",
"content": """Analysieren Sie diese 3 Kundenrezensionen:
Rezension 1: "Bestellung in 2 Tagen erhalten, sorgfältige Verpackung. Allerdings
ist die Benutzeranleitung nur auf Englisch, was schade ist für ein Produkt,
das in Frankreich verkauft wird. Das Produkt selbst funktioniert sehr gut."
Rezension 2: "Dies ist das DRITTE Mal, dass ich ein defektes Teil erhalten habe.
Der Support hat mich seit 2 Wochen um den heißen Brei herumgeführt. Ich werde
die DGCCRF kontaktieren, wenn sich nichts bewegt."
Rezension 3: "Gutes Preis-Leistungs-Verhältnis. Nichts Besonderes, aber es
erledigt den Job. Standardlieferung, keine Probleme."
Geben Sie eine JSON-Tabelle mit der Analyse jeder Rezension zurück."""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Das erwartete Ergebnis sieht wie folgt aus – beachten Sie, dass Rezension 1, allgemein zufrieden, aber mit einer Einschränkung, als “gemischt” und nicht als “positiv” ausgewertet werden muss, und dass Rezension 2, mit ihrer Drohung, die DGCCRF (die französische Verbraucherschutzbehörde) zu kontaktieren, eine hohe Dringlichkeit auslösen muss:
[
{
"review": 1,
"sentiment": "mixed",
"themes": ["delivery", "documentation", "product quality"],
"urgency": "low",
"action": "Translate the user manual to French for future batches."
},
{
"review": 2,
"sentiment": "negative",
"themes": ["product quality", "customer service", "recurrence"],
"urgency": "high",
"action": "Escalate to support manager for priority handling."
},
{
"review": 3,
"sentiment": "positive",
"themes": ["value for money", "delivery"],
"urgency": "low",
"action": "No action required, standard satisfied review."
}
]
Übung 2: Extrahieren strukturierter Daten
Zweite Situation: Sie erhalten Bewerbungsmails in freiem Text und müssen Schlüsselinformationen extrahieren, um Ihr ATS (Applicant Tracking System) zu speisen. Das Hauptrisiko bei der Extraktion ist die Erfindung: Ein Modell, das ohne Anweisungen bleibt, wird gerne Lücken mit plausiblen Deduktionen füllen. Daher die beiden Kardinalregeln des Systemprompts – “nicht angegeben” für fehlende Informationen und ein absolutes Verbot von Deduktionen.
messages = [
{
"role": "system",
"content": """Sie extrahieren strukturierte Daten aus freiem Text.
Regeln:
- Wenn Informationen nicht erwähnt sind, geben Sie "nicht angegeben" an
- DEDUKTIONEN NIEMALS vornehmen: bleiben Sie strikt am Text
- Daten müssen im Format YYYY-MM-DD sein
- Fähigkeiten müssen normalisierte Begriffe sein"""
},
{
"role": "user",
"content": """Extrahieren Sie Informationen aus dieser Bewerbungsmail:
"Hallo,
ich reiche meine Bewerbung für die Position als Full-stack Developer ein,
die auf LinkedIn veröffentlicht wurde. Mein Name ist Sarah Benali und ich
habe 6 Jahre Erfahrung in der Webentwicklung. Aktuell Lead Developer bei
DataViz (Paris), arbeite ich primär mit React, Node.js und PostgreSQL.
Ich verfüge zudem über starke Erfahrung mit AWS und Docker. Mein aktueller
Tagespreis beträgt €650 und ich bin ab dem 15. Mai 2026 verfügbar.
Mit freundlichen Grüßen,
Sarah Benali"
Erwartetes JSON-Format:
{
"name": "",
"target_role": "",
"experience_years": 0,
"current_role": "",
"current_company": "",
"location": "",
"skills": [],
"daily_rate": "",
"availability": ""
}"""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.0
)
Hier ist die Ausgabe, die Sie erhalten sollten:
{
"name": "Sarah Benali",
"target_role": "Full-stack developer",
"experience_years": 6,
"current_role": "Lead Developer",
"current_company": "DataViz",
"location": "Paris",
"skills": ["React", "Node.js", "PostgreSQL", "AWS", "Docker"],
"daily_rate": "€650",
"availability": "2026-05-15"
}
Beachten Sie die Temperatur bei 0,0: Für die Extraktion wünschen Sie sich eine deterministische Antwort, die dem Quelltext treu bleibt. Beachten Sie auch die Datenumwandlung in das ISO-Format, die in den Regeln explizit angefordert wurde – ohne diese Anweisung hätte das Modell “May 15, 2026” unverändert kopiert.
Übung 3: Klassifizierung von Support-Tickets
Letzte Situation: Ihr Support-Team erhält unklassifizierte Tickets, die automatisch an die richtige Abteilung weitergeleitet werden müssen. Der Schlüssel zu dieser Übung ist die erschöpfende Definition von Kategorien und Prioritäten im Systemprompt. Wenn Sie das Modell zulassen, seine eigene Taxonomie zu erfinden, werden jede Charge von Tickets mit unterschiedlichen Kategorien ausgehen und Ihre Weiterleitung wird unmanagebar.
messages = [
{
"role": "system",
"content": """Sie klassifizieren technische Support-Tickets.
Verfügbare Kategorien:
- BILLING: Zahlungsprobleme, Rechnungen, Abonnements, Rückerstattungen
- TECHNICAL: Bugs, Fehler, Funktionsprobleme, Langsamkeit
- ACCOUNT: Login, Passwort, Einstellungen, Kontolöschung
- FEATURE: Anfragen nach neuen Funktionen, Vorschläge
- OTHER: Alles, was nicht in den obigen Kategorien passt
Prioritäten:
- P1: Dienst nicht erreichbar, Datenverlust, direkte finanzielle Auswirkung
- P2: Degradierter Funktionsumfang, Workaround möglich
- P3: Frage, Informationsanfrage, Vorschlag
Antworten Sie NUR in JSON, kein Text davor oder danach."""
},
{
"role": "user",
"content": """Klassifizieren Sie diese 4 Tickets:
Ticket A: "Seit heute Morgen kann ich mich nicht anmelden. Ich habe versucht,
mein Passwort zurückzusetzen, aber ich erhalte keine E-Mail."
Ticket B: "Wäre es möglich, einen Excel-Export zusätzlich zum CSV hinzuzufügen?"
Ticket C: "Ich wurde zweimal für mein März-Abonnement belastet."
Ticket D: "Die App stürzt ab, wenn ich eine Datei größer als 50 MB importiere.
Fehlermeldung: MEMORY_EXCEEDED."
Format:
[{"ticket": "A", "category": "", "priority": "", "service": "", "summary": ""}]"""
}
]
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.0
)
Das erwartete Ergebnis – beachten Sie, dass Ticket C mit seiner direkten finanziellen Auswirkung in P1 geht, während der technische Absturz in Ticket D bei P2 bleibt, da ein Workaround existiert:
[
{
"ticket": "A",
"category": "ACCOUNT",
"priority": "P2",
"service": "Level 1 Support",
"summary": "Unable to log in, reset email not received"
},
{
"ticket": "B",
"category": "FEATURE",
"priority": "P3",
"service": "Product",
"summary": "Request for Excel export in addition to CSV"
},
{
"ticket": "C",
"category": "BILLING",
"priority": "P1",
"service": "Accounting",
"summary": "Double charge March subscription, refund request"
},
{
"ticket": "D",
"category": "TECHNICAL",
"priority": "P2",
"service": "Development",
"summary": "Crash importing large files (MEMORY_EXCEEDED)"
}
]
Tipps für Analyseaufgaben
Vier bewährte Praktiken fassen die Methode dieses Workshops zusammen. Arbeiten Sie bei der Klassifizierung und Extraktion mit einer Temperatur von 0: Sie wünschen sich Konsistenz, keine Inspiration. Definieren Sie Kategorien explizit im Systemprompt, sonst wird das Modell seine eigenen erfinden. Schließen Sie die Anweisung “nicht angegeben” für fehlende Daten immer ein, sonst wird das Modell Lücken mit plausiblen Erfindungen füllen. Und testen Sie vor jeder Bereitstellung an Grenzfällen: mehrdeutige Texte, Tickets, die in zwei Kategorien fallen, unvollständige Daten – hier zeigt Ihr Gerüst Schwächen, nicht bei Lehrbuchfällen.
Wichtige Erkenntnisse
- Textanalyse mit Mistral funktioniert am besten mit niedriger Temperatur (0–0,2)
- Definieren Sie Kategorien und Ausgabeformat immer im Prompt
- Erzwingen Sie die Regel “nicht angegeben”, um Halluzinationen zu vermeiden
- Few-Shot verbessert die Klassifizierungskonsistenz
- Testen Sie an repräsentativen realen Fällen, bevor Sie in die Produktion gehen