Trainieren Sie ein Modell mit Ihren Umfrageantworten – und bewerten Sie alle anderen

SurveyAnalytica

10 Sep 2026

Nur etwa jeder achte Kunde beantwortet Ihre Umfrage. So nutzen Sie deren Antworten als Trainings-Labels, damit ein Modell Ihnen sagt, wie es den anderen sieben ergeht.

Etwa jeder achte Kunde füllt Ihre Umfrage aus. Ihre Reports beruhen auf diesen Antworten. Die anderen sieben sagen Ihnen nichts — aber deren Daten haben Sie längst: was sie gekauft haben, wann sie sich zuletzt angemeldet haben, wie oft sie den Support kontaktiert haben, worauf sie geklickt haben. Sie wissen, was sie getan haben. Sie wissen nur nicht, wie sie es erlebt haben.

Dieser Beitrag zeigt Screen für Screen, wie Sie diese Lücke in SurveyAnalytica schließen: Daten verknüpfen, Features bauen, mit Ihren Umfrageantworten als Labels trainieren und die Kunden bewerten, die nie geantwortet haben.

Etwa jeder achte Kunde füllt Ihre Umfrage aus. Ihre Reports beruhen auf diesen Antworten.

Die anderen sieben sagen Ihnen nichts. Aber deren Daten haben Sie längst: was sie gekauft haben, wann sie sich zuletzt angemeldet haben, wie oft sie den Support kontaktiert haben, worauf sie geklickt haben. Sie wissen, was sie getan haben. Sie wissen nur nicht, wie sie es erlebt haben.

Genau diese Lücke schließen wir hier.

Verhaltens- & Transaktionsdaten~100%

Die haben Sie für alle, jederzeit. Sie zeigen, was Menschen getan haben, nicht, wie sie es erlebt haben.

Umfrageantworten~12%

Nur ein kleiner Teil antwortet. Aber nur diese Menschen haben Ihnen gesagt, wie es sich angefühlt hat.

Statt einer höheren Rücklaufquote hinterherzujagen, nutzen Sie also die Antworten, die Sie schon haben, um einem Modell beizubringen, was das Verhalten bedeutet. Und wenden es dann auf alle an.

Ihre Umfrage ist nicht mehr der Report. Sie wird zum Lösungsschlüssel.

Der Aufbau

Sieben Schritte. Jeder Screen unten ist echt, die Buttons heißen genau so, wie Sie sie vorfinden.

Schritt 01

Die Events landen lassen — und die Menschen dazu

Warum dieser SchrittEin Modell lernt nur aus Daten, die es auch sehen kann. Im Moment liegen Ihre Bestellungen im einen System und Ihre Kundendaten im anderen, und keines von beiden hat eine Form, mit der sich trainieren lässt. Dieser Schritt bringt beides an einen Ort.

Workspace ▸ Data ▸ Create Data Hub · Contact Lists ▸ Import Contacts

Sie brauchen zwei Dinge. Ein Dataset enthält die Events: Bestellungen, Sitzungen, Tickets, Clickstream. Eine Kontaktliste enthält die Menschen, zu denen diese Events gehören. Wählen Sie From a flow, wenn laufend Daten eintreffen, oder Upload a file für einen einmaligen Import.

Create Data Hub

Upload a fileCSV, Excel, Bilder oder Dokumente von Ihrem Rechner.

Industry dataEin kuratiertes öffentliches Dataset in Ihren Workspace klonen.

From a flowEine Automatisierung schreibt Zeilen in dieses Dataset.

Assistent:UploadPrepareRefinePublishAnalyze

Clickstream hat einen eigenen Weg: Connectors Marketplace ▸ Clickstream Publisher ▸ Create Clickstream workflow, dann das SDK installieren — Vanilla JS, Next.js, React, React Native, Flutter oder iOS.

Kontakte kommen auf denselben zwei Wegen herein: Upload CSV oder ein Flow, der sie anlegt, sobald sie in Ihren Systemen auftauchen. Danach richten Sie die Felder ein — hier landet später die Antwort des Modells.

Contact List — Manage Contact Fields

Import ContactsUpload CSVQuick Add Standard Fields

Field ID	Display Label	Type
email	Email	Email
plan	Plan	Dropdown
tenure_months	Tenure (months)	Number
experience_flag	Experience	Dropdown

Add Custom FieldSave Field Schema

Legen Sie experience_flag jetzt an und lassen Sie es leer. Schritt 07 schreibt die Vorhersage hinein. Auf demselben Screen filtern Sie später danach, um ein Segment zu bauen.

Schritt 02

Verhalten und Feedback über Ihre eigene ID verknüpfen

Warum dieser SchrittEin Modell lernt aus Beispielen, und ein Beispiel braucht das Verhalten und die Antwort in derselben Zeile. Getrennt haben Ihre Bestelltabelle und Ihre Umfrageantworten nichts zu lehren. Verknüpft sagt jede Zeile: Das ist passiert, und so hat die Person es erlebt.

Workspace ▸ Analytics model ▸ Data & Relationships

Ziehen Sie Ihre Quellen auf die Canvas und verbinden Sie sie. Die Kontaktliste ist das Rückgrat: Alles wird an sie angebunden, weil sie die eine Tabelle ist, die sich darüber einig ist, wer der Kunde ist.

Die Umfrageseite ist bereits verknüpft

Wenn Sie die Umfrage an eine Kontaktliste verteilt haben, müssen Sie nichts abgleichen. Jede Einladung trägt eine Session-ID, die mit Kontakt-ID, Liste, E-Mail und Name erzeugt wurde — die Antwort kommt also gestempelt zurück, von wem sie stammt.

Und meistens verschicken Sie eine Umfrage zu einem konkreten Vorgang: zu einer Bestellung, die gerade versandt wurde, zu einem Ticket, das gerade geschlossen wurde, zu einer Lieferung, die gerade angekommen ist. Geben Sie diese Referenz als Custom Variable mit — Bestellnummer, Ticketnummer, Transaktions-ID — und sie landet ebenfalls auf der Antwort. Dasselbe gilt für Umfragen aus Ihrem eigenen ESP oder über einen Link auf Ihrer Website.

Die Antwort kommt also nicht lose auf Kundenebene zurück. Sie hängt genau an dem Vorgang, um den es ging.

Die Matching-Optionen unten sind deshalb für die Systeme gedacht, die Sie nicht kontrollieren: die Bestelldatenbank, den Helpdesk-Export, die Tabelle aus der Buchhaltung. Ihre Feedback-Daten kommen sauber an.

Für die erledigen How to match und Normalize keys die Abweichungen, ohne dass daraus ein Datenbereinigungsprojekt wird.

Analytics model — Data & Relationships

Basic DetailsData & RelationshipsPreview

Verfügbare Datenquellen — zum Hinzufügen auf die Canvas klicken

Contact List · das Rückgrat

customers · contactId · email · plan · tenure_months · experience_flag

Survey · Labels — kommt verknüpft an

csat_responses · contactId · orderId · sid

Dataset · Verhalten

orders_2026 · orderId · customer_email

Wie sollen die beiden Schlüssel abgeglichen werden?

Exact match

Ignore case

Starts with · Contains

Close match (fuzzy) · Max differences: 2

Within range · Near (distance)

Normalize source field

trim spaces

Normalize target field

lowercase

Achten Sie auf das Muster: Verhalten ist für alle gefüllt, Umfrageantworten nur für einen Teil. Diese Lücke ist der springende Punkt. Die Zeilen mit Antworten trainieren das Modell. Die Zeilen ohne sind die, die Sie vorhersagen.

Dabei lohnt sich ein Moment, denn genau das können die meisten Umfrage-Tools nicht. Eine Bewertung, die mit einer Bestellnummer ankommt, sagt Ihnen, welche Bestellung sie ausgelöst hat. Sie raten nicht, welche der vierzig Transaktionen eines Kunden die Zwei-Sterne-Bewertung verursacht hat — Sie wissen es, und das Modell weiß es auch.

Damit haben Sie zwei Wege, den Trainingsdatensatz zu bauen, und Sie wählen nach der Frage, die Sie stellen:

Eine Antwort, eine Transaktion. Verknüpfen Sie die Antwort mit der Bestellung oder dem Ticket, aus der sie stammt. Jede Zeile ist eine einzelne Interaktion und ihr Ergebnis — die Lieferung kam drei Tage zu spät, der Checkout brauchte vier Anläufe, und der Kunde vergab zwei Sterne. Dieses Modell sagt eine Interaktion vorher: Läuft diese Bestellung auf Ärger zu?
Ein Kunde, viele Transaktionen. Aggregieren Sie die Events pro Person — Anzahl der Bestellungen, durchschnittliche Lieferverzögerung, Tickets im letzten Quartal — und stellen Sie daneben, wie die Person Sie insgesamt bewertet. Dieses Modell sagt eine Beziehung vorher: Verlieren wir diesen Kunden gerade?

Beide sind nützlich, und sie beantworten unterschiedliche Fragen. Das erste fängt ein schlechtes Erlebnis ab, solange es sich noch reparieren lässt. Das zweite sagt Ihnen, wen Sie diesen Monat anrufen sollten. Sie können beide aus derselben verknüpften Sicht bauen; das Aggregieren passiert im nächsten Schritt.

Schritt 03

Die Features bauen, die Signal tragen

Warum dieser SchrittModelle können mit Rohspalten wenig anfangen. „Letzter Login: 3. März“ sagt einem Modell nichts. „47 Tage seit dem letzten Login, sonst sind es 4“ sagt ihm viel. Wenn Sie die kundenbezogene Sicht aus dem letzten Schritt bauen, passiert hier auch das Aggregieren — Anzahlen, Mittelwerte und Summen machen aus vierzig Bestellzeilen eine Zeile über einen Menschen.

Analytics ▸ Predictions ▸ Feature Engineering ▸ Open Studio

Wählen Sie eine Transformation aus der Liste oder schreiben Sie den Ausdruck selbst. Für das Label gilt dasselbe: Ein roher 0–10-Wert ist schwer vorherzusagen, gruppiert in Promotoren, Passive und Detraktoren wird es unkompliziert.

Feature Studio — Transformationen

ScalingEncodingCleaningInteractionsDatetimeTextSelection

Bin / Bucket

One-Hot Encode

Normalize (0-1)

Standardize

Ratio

Cross Features

Extract Components

Fill Missing

TF-IDF

Word Count

Polynomial

Log Transform

Add Custom Feature — Expression (SQL)

— Detraktor-Antworten pro Account, letzte 90 Tage
COUNTIF(nps_score <= 6) OVER (PARTITION BY customer_id)

Preview resultApply Selection

Auch geschriebene Kommentare zählen. Word Count und TF-IDF machen aus dem Freitextfeld, für das nie jemand Zeit hatte, etwas, das das Modell nutzen kann.

Schritt 04

Ein Modell wählen und das Label festlegen

Warum dieser SchrittHier leistet die Umfrage ihre eigentliche Arbeit. Target Column ist die Antwort, die das Modell erzeugen lernen soll — Ihre Umfrageantwort. Feature Columns sind das, woraus es lernt. Stimmt diese Paarung, ist der Rest Mechanik.

Analytics ▸ Predictions ▸ Model Selection → Data Preparation → Training

Der Katalog deckt Classification, Regression, Forecasting, Clustering, Image und Text ab. Wenn Sie lieber nicht selbst wählen, schlägt AI Recommend anhand Ihrer Spalten ein Modell und ein Ziel vor.

Predictions — Training Studio

Model SelectionData PreparationTrainingResults & Comparison

Model Name

Experience Predictor v1

Model type

Boosted Tree Classifier

Feature Columns

sessions_30ddays_since_last_sessiontickets_per_monthlate_deliveries_qweekday_of_orderverbatim_wordcount

Target Column

nps_band ← das Umfrage-Label

Train / Test Split

80 / 20

Start TrainingTrain with Grid Search

Schritt 05

Versionen vergleichen, dann eine live schalten

Warum dieser SchrittIhr erstes Modell ist selten Ihr bestes, und die Accuracy-Zahl schmeichelt ihm. Wenn 90 % Ihrer Kunden zufrieden sind, kommt ein Modell, das jedes Mal „zufrieden“ sagt, auf 90 % Accuracy und ist trotzdem nutzlos. In diesem Schritt fällt das auf.

Analytics ▸ Predictions ▸ Results & Comparison ▸ Versions

Schauen Sie auf Precision und Recall statt auf Accuracy. Trainieren Sie ein zweites Modell, vergleichen Sie beide und drücken Sie bei dem, dem Sie vertrauen, auf Mark as Live.

Model Performance

0.87Accuracy

0.79Precision

0.71Recall

0.91ROC AUC

Version	Primary metric	Trained
v3 · Boosted Tree	0.91 ROC AUC	heute	LIVE
v2 · Logistic Reg.	0.84 ROC AUC	vor 2 Tagen	Mark as Live

Feature Importance und Confusion Matrix finden Sie unter Detailed Metrics.

Schritt 06

Ausrollen — und dem Modell Ihre Sprache beibringen

Warum dieser SchrittEin Modell, das im Tab Predictions liegt, kann nichts ausrichten. Erst das Deployment macht daraus etwas, das ein Flow aufrufen kann. Hier machen Sie außerdem aus einer Zahl wie 0,83 ein Wort, mit dem Ihr Team arbeiten kann, denn niemand führt ein Retention-Meeting anhand einer Spalte voller Dezimalzahlen.

Predictions ▸ Deploy as Agent, then Agents ▸ open the agent ▸ Deploy

Das Deployment gibt Ihnen einen Service, der weiß, welche Eingaben er braucht und was er zurückgibt. Den generierten Code können Sie selbst bearbeiten — Sie ergänzen also genau die Ausgabe, die Ihr Team wirklich braucht.

Agent Builder — ML Prediction Agent

index.jspackage.jsonInput SchemaOutput SchemaEnvironment

// den Zustand ableiten, den Ihr Team prüft, nicht einen rohen Float
const pos = probs.find(p => String(p.label) === ‘detractor’);
out.experience_flag = pos
? (pos.prob >= 0.7 ? ‘at_risk’ : pos.prob >= 0.4 ? ‘watch’ : ‘healthy’)
: null;

Deklarieren Sie experience_flag im Tab Output Schema, damit es im Flow Designer auftaucht.

BuildTestDeploySave Agent

Machen Sie die Umrechnung hier, einmal. Packen Sie die Schwelle 0,7 stattdessen in neun einzelne Automatisierungen, macht ein erneutes Training des Modells alle neun still und leise falsch.

Schritt 07

Beim Ereignis bewerten, nicht über Nacht

Warum dieser SchrittEine Vorhersage ist nur so lange etwas wert, wie Sie den Verlauf noch ändern können. Wer sich gerade durch Ihren Checkout gequält hat und dann von Ihnen hört, hört auch zu. Morgen ist die Person weiter, und Sie entschuldigen sich bei jemandem, der längst entschieden hat. Lassen Sie das per Timer laufen, verschenken Sie den größten Teil des Nutzens.

Flows ▸ Design ▸ Trigger, then Add Component

Starten Sie den Flow also dann, wenn das Ereignis eintritt. Clickstream für das, was Menschen auf Ihrer Website oder in Ihrer App tun. Webhook für Ihr Bestell- oder Helpdesk-System. Survey Response, wenn Feedback eintrifft. Contact List, wenn sich ein Profil ändert.

Der Knoten AI Agent ruft Ihr Modell auf. Condition schickt danach verschiedene Kunden auf verschiedene Pfade.

Flow Designer

+ Add Component
Search actions…
In seriesParallel branch

Trigger · Clickstreamcheckout_error · payment_retry

AI AgentExperience Predictor → experience_flag

Conditionexperience_flag is at_risk

Email · Service Recovery+ Task für den Account Owner

Else BranchStandard-Nurture läuft weiter

Wait5 Tage

Campaign Engagementopened · clicked · bounced

Contact List · updateexperience_flag → Profil schreiben

+−⤢

TestSaveActivate

Ziehen Sie einen Knoten aus Add Component, legen Sie ihn auf der Canvas ab, verbinden Sie ihn. Eine Condition teilt den Pfad; alles unterhalb eines Zweigs läuft nur für die Datensätze, die dort gematcht haben.

Dieselben drei Bausteine erledigen auch den eingehenden Fall. Schreibt Ihnen ein Kunde über WhatsApp, per E-Mail oder über ein Webformular, startet ein Message Channel-Trigger den Flow. Das Modell liest die Nachricht zusammen mit allem, was Sie ohnehin über die Person wissen, und der Zweig entscheidet, ob hier ein Mensch ran muss oder sofort geantwortet werden kann.

Flow Designer — eingehend

Trigger · Message Channeleingehend WhatsApp · E-Mail · Web

AI AgentNachricht + Profil → experience_flag

Conditionexperience_flag is at_risk

Task · an einen MenschenAn den Account Owner weiterleiten, mit Kontext

Email · Auto-ReplySofort antworten, keine Eskalation

Contact List · updateInteraktion protokollieren

+−⤢

Gleicher Trigger, gleiches Modell, gleiche Condition, nur auf ein anderes Signal gerichtet. Ein gefährdeter Kunde, der schreibt, landet bei einem Menschen. Alle anderen bekommen sofort eine Antwort.

Legen Sie das Feld zuerst über Manage Fields ▸ Add Custom Field in der Liste an, filtern Sie dann in Advanced Filters danach und drücken Sie Create Dynamic List — das Segment wird bei jedem Versand neu ausgewertet.

Behalten Sie einen Schedule-Trigger für das, was wirklich langsam ist: Vertragsverlängerungen, Vertragslaufzeit, einen monatlichen Durchlauf über alle, die der Event-Stream nie berührt hat. Schnelle Signale am Ereignis, langsame Signale per Timer. Vermeiden sollten Sie, dass ein dringendes Signal in einem Nachtjob liegen bleibt.

Die Unterscheidung, die das Ganze ehrlich hält

Eine Vorhersage ist eine Vermutung, kein Zitat. Das Modell hält diesen Kunden für unzufrieden. Gesagt hat der Kunde das nie. Halten Sie beides in Ihren Reports auseinander, und sagen Sie niemandem, Sie wüssten, wie er sich fühlt.

Deshalb fragen Sie auch weiterhin. Neue Antworten sind Ihre Kontrolle, ob das Modell noch richtig liegt. Und wenn ein Modell danebenliegt, tut es das leise: Die Scores kommen weiter herein, alle vertrauen ihnen weiter, und es kommen immer weniger echte Antworten, die das auffangen könnten.

Worauf es ankommt

Sagen Sie etwas vorher, worauf Sie auch reagieren würden. Niemand behandelt eine 7 anders als eine 8. Fassen Sie den Wert in die Gruppen zusammen, auf die Sie tatsächlich reagieren, und sagen Sie diese vorher.
Sagen Sie, welches Ergebnis Sie interessiert. Der Konfidenzwert des Modells bezieht sich auf die Antwort, die es gewählt hat. Ein sicheres „alles in Ordnung“ und ein sicheres „die Person springt ab“ kommen beide als 0,93 zurück — benennen Sie also die Antwort, auf die Sie achten.
Fragen Sie nach dem Warum, nicht nur nach dem Wie schlimm. Wer drei offene Tickets hat, will eine Entschuldigung und einen Rückruf. Wer sich nicht mehr anmeldet, will Hilfe beim Einstieg. Derselbe Rabatt löst das eine und verärgert das andere.
Lassen Sie Menschen wieder heraus. Bestellt jemand erneut, markieren Sie die Person als zurückgewonnen und stoppen Sie die Sequenz. Nichts macht eine Rettung schneller zunichte als drei weitere Win-back-Mails, nachdem der Kunde längst zurück ist.
Behalten Sie eine Gruppe, die Sie nicht kontaktieren. Öffnungsraten sagen Ihnen nicht, ob das hier funktioniert hat. Der Vergleich mit Kunden, die Sie bewusst in Ruhe gelassen haben, schon.