Text Mining: Definition, Verfahren und Abgrenzungen

Text Mining ist der Sammelbegriff für Verfahren, die aus freiem Text (E-Mails, Tickets, Verträgen, Rezensionen) strukturierte Informationen herausziehen, also klar zuordenbare Angaben wie Namen, Beträge, Themen oder die Stimmung eines Textes (Sentiment). Damit lassen sich Textbestände auswerten, filtern und für Entscheidungen nutzbar machen. Text Mining ist die Variante des Data Mining (Muster-Erkennung in Daten) für Text und kombiniert Sprachverarbeitung mit statistischen und lernenden Verfahren, heute zunehmend mit LLMs (Large Language Models, große Sprachmodelle) für die Extraktion.

Was ist Text Mining?

Der Begriff entstand Ende der 1990er Jahre als Erweiterung des Data Mining auf Textquellen. Die Informatikerin Marti Hearst grenzte ihn 1999 in ihrem Aufsatz „Untangling Text Data Mining" von der klassischen Suche (Information Retrieval, also „passende Dokumente zu einer Anfrage finden") ab: Eine Suchmaschine liefert Dokumente, Text Mining zieht aus den Dokumenten neue, bisher nicht sichtbare Fakten heraus. Das Standardwerk von Feldman und Sanger, „The Text Mining Handbook" (2007), etablierte die typische Verarbeitungskette und den Kanon der Methoden. Hintergrund der Disziplin ist eine einfache Beobachtung: Der größte Teil dessen, was in Unternehmen geschrieben wird (E-Mails, Support-Tickets, Verträge, Berichte, Kundenrezensionen), liegt als Fließtext vor und lässt sich ohne vorherige Aufbereitung nicht analytisch auswerten.

Eine klassische Text-Mining-Pipeline durchläuft mehrere Stufen: Ingestion und Bereinigung (Encoding, Boilerplate-Entfernung, Duplikat-Erkennung), Tokenisierung (Zerlegung in Wörter, Subwörter oder Zeichen-N-Gramme), Normalisierung (Stemming, Lemmatisierung, Stoppwort-Filterung), linguistische Annotation (Part-of-Speech-Tagging, syntaktisches Parsen), Named Entity Recognition (Erkennung von Personen, Organisationen, Orten, Beträgen, Zeitangaben) und Feature-Konstruktion (Bag-of-Words, TF-IDF, Embeddings). Auf dieser strukturierten Grundlage laufen dann die eigentlichen Analyse-Verfahren.

Die typischen Aufgaben-Typen umfassen Klassifikation (Ticket-Kategorien, Spam-Erkennung, Ton-Einordnung), Named Entity Recognition (Extraktion definierter Entitätsarten), Topic Modeling (Themen-Entdeckung in großen Korpora, klassisch mit Latent Dirichlet Allocation), Sentiment- und Emotions-Analyse, Zusammenfassung, Beziehungs-Extraktion (wer arbeitet für welche Firma, welches Medikament interagiert mit welchem) und Fakten-Extraktion aus Verträgen und Regulatorik. Der Methoden-Bogen reicht von regelbasierten Ansätzen mit Wörterbüchern und Grammatiken über statistische Modelle (Support Vector Machines auf TF-IDF-Vektoren) und Embeddings (Word2Vec, GloVe, FastText) bis zu Transformer-basierten Sprachmodellen und modernen Extraktions-LLMs, die klassische Pipeline-Stufen in einem Aufruf zusammenfassen.

Einsatzfelder liegen quer über die Branchen: Voice-of-Customer aus Rezensionen und Umfragen, Kategorisierung und Routing von Support-Tickets, Vertragsanalyse im Contract Lifecycle Management, Regulatorik- und Compliance-Monitoring, Social-Media-Monitoring, AML- und Fraud-Textprüfung in Finanzinstituten sowie Literatur-Extraktion in Pharma und Biotech.

Abgrenzung zu verwandten Begriffen

Text Mining wird häufig mit benachbarten Begriffen synonym verwendet, obwohl sie unterschiedliche Rollen spielen. Die Abgrenzung verläuft entlang von Methoden-Familie, Aufgaben-Umfang und Umsetzungs-Weg.

Begriff	Achse	Kernunterschied
NLP (Natural Language Processing)	Methoden-Familie	NLP ist der breite Sammelbegriff für sprachverarbeitende Verfahren, einschließlich Verstehen, Erzeugen, Übersetzen und Suchen. Text Mining ist die extraktive und analytische Ausprägung: aus Text strukturierte Merkmale gewinnen. Text Mining nutzt NLP als Werkzeug.
Sentiment Analysis	Aufgaben-Umfang	Teilmenge des Text Mining, spezialisiert auf Meinungs- und Stimmungsbestimmung (positiv/negativ, Aspekt-basiert).
Named Entity Recognition	Aufgaben-Umfang	Einzelaufgabe innerhalb einer Text-Mining-Pipeline: Extraktion einer definierten Entitätsart (Personen, Firmen, Orte, Beträge). Text Mining umfasst zusätzlich Klassifikation, Topic Modeling, Sentiment und Beziehungs-Extraktion.
Information Retrieval	Ziel	IR findet passende Dokumente zu einer Anfrage (Suchmaschinen-Logik). Text Mining extrahiert aus den Dokumenten strukturierte Informationen. Hearst hat die Grenze 1999 explizit gezogen.
LLM-Extraction	Umsetzungs-Weg	Moderner Ansatz, bei dem ein Sprachmodell klassische Pipeline-Stufen (Tokenisierung, POS, NER, Klassifikation) in einem Aufruf ersetzt, oft mit erzwungener JSON-Struktur. Text Mining bleibt der Zweck-Begriff, LLM-Extraction ist ein Weg zur Umsetzung.
Data Mining	Datentyp	Text Mining ist Data Mining auf unstrukturiertem Text mit vorgelagerter NLP-Verarbeitung. Data Mining läuft auf strukturierten Daten, Text Mining bringt Text erst in eine strukturierte Form.

Die praxisrelevante Grenze verläuft heute zwischen klassischer Pipeline und LLM-Extraktion. Klassische Verfahren sind schnell, günstig und deterministisch, brauchen aber gelabelte Trainingsdaten für jede neue Aufgabe. LLM-Extraktion verkürzt die Iteration (Few-Shot statt Labeling-Runde), verschiebt aber Kosten in Inferenz und Qualitätssicherung. In der Regel koexistieren beide: Klassifikations- und NER-Verfahren übernehmen den hochvolumigen Standard-Fall, LLMs übernehmen komplexe Extraktionen und lange, semantisch verschachtelte Texte.

Beispiel: Support-Ticket-Analyse im Handel

Ein Retail-Unternehmen erhält monatlich mehrere zehntausend Freitext-Support-Tickets über E-Mail, Chat und Kontaktformular. Ziel ist die automatische Kategorisierung nach Anliegen, die Priorisierung nach Dringlichkeit und die Extraktion strukturierter Felder für das Ticketing-System.

Die Pipeline kombiniert klassische und moderne Verfahren. Nach Ingestion und Bereinigung (Boilerplate wie Signaturen und E-Mail-Fußzeilen entfernen) klassifiziert ein Modell auf TF-IDF-Vektoren jedes Ticket in eine der Kategorien Rechnung, Versand, Retoure, Produktdefekt oder Sonstiges. Ein zweites Modell, ein feinabgestimmter Transformer, ordnet die Dringlichkeit ein (niedrig, mittel, hoch). Named Entity Recognition zieht Bestellnummern, Produkt-IDs und Beträge aus dem Freitext. Für komplexe Reklamationen mit mehreren Bezugspunkten übernimmt ein LLM-Extraktions-Schritt die Strukturierung: Aus dem Fließtext entsteht ein JSON-Objekt mit Bestellnummer, betroffenem Artikel, gemeldetem Fehler, Wunsch-Lösung und Empfindlichkeit des Kunden. Die Ausgabe fließt zurück ins Ticketing-System als Routing-Entscheidung und als aggregierte Beschwerde-Themen ins Reporting.

Ein zweites, häufiges Einsatzfeld ist die Vertragsanalyse. In einer Vertrags-Datenbank mit mehreren tausend Rahmenverträgen extrahiert Text Mining Vertragsparteien (NER), Laufzeit-Klauseln, Haftungsbegrenzungen, Preisanpassungs-Mechanismen und Kündigungsfristen. Die extrahierten Felder speisen ein Contract-Repository und ermöglichen Portfolio-Analysen (welche Verträge laufen in den nächsten sechs Monaten aus, welche enthalten unlimitierte Haftung, welche haben eine Anpassungs-Klausel an Inflationsindizes). Der Wert entsteht durch die Überführung ins strukturierte Format, nicht durch die Textsuche selbst.