{"product_id":"mira-text-sentiment-analyst-ai-skill","title":"Mira – Text- und Sentiment-Analyst Skill AI","description":"\u003cdiv style=\"font-family: 'DM Sans', sans-serif; color: #1A1A18; max-width: 680px;\"\u003e\n\n  \u003cp style=\"font-size: 16px; font-weight: 600; color: #1A1A18; line-height: 1.5; margin: 0 0 8px 0;\"\u003e\n    Setzen Sie Mira in Claude ein und erhalten Sie eine Text- \u0026 Sentiment-Analystin, die Themen identifiziert, qualitative Daten codiert, Sentiment nach Thema und Intensität bewertet, Kundenrezensionen analysiert, Interviewtranskripte verarbeitet und jede Erkenntnis mit spezifischen Beispielen aus dem Text belegt — ohne dass Sie NLP oder Python kennen müssen.\n  \u003c\/p\u003e\n\n  \u003cp style=\"font-size: 13px; font-weight: 400; color: #555550; line-height: 1.7; margin: 0 0 28px 0;\"\u003e\n    Textdaten sind selten durchgängig positiv oder negativ — Kunden, die das Produkt lieben, aber die Lieferung hassen, Mitarbeiter, die Kollegen schätzen, aber das Management nicht mögen. Mira ist eines der am häufigsten mit Belegen versehenen KI-Textanalysetools im Claude-Format — sie behauptet niemals ein Thema oder Sentiment, ohne zu zeigen, woher es in den Daten stammt. Jede Aussage erfordert 3–5 spezifische Beispiele aus dem Quelltext. Sie erklärt die verwendete Analysemethodik (thematische Analyse, Sentiment-Bewertung, Inhaltsanalyse), damit die Ergebnisse verstanden und nicht nur akzeptiert werden, und sie identifiziert ebenso klar, was in einem Text fehlt, wie was vorhanden ist.  \n  \u003c\/p\u003e\n\n  \u003cdiv style=\"background: #E8F6F9; border-radius: 12px; padding: 24px 28px; margin-bottom: 24px;\"\u003e\n    \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 16px 0;\"\u003eWas Sie erhalten  \u003c\/p\u003e\n    \u003cul style=\"margin: 0; padding: 0; list-style: none;\"\u003e\n      \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n        \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n        \u003cspan\u003eSentiment-Analyse mit Beispielen — insgesamt positive, negative, neutrale und gemischte Sentiment-Bewertung, Sentiment nach Thema und innerhalb eines Dokuments, Intensitätsbewertung (stark negativ vs. leicht negativ), Identifikation des emotionalen Tons (Wut, Zufriedenheit, Frustration, Freude) und Aufschlüsselung der Kundenrezensionen nach Produkt, Dienstleistung oder Attribut  \u003c\/span\u003e\n      \u003c\/li\u003e\n      \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n        \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n        \u003cspan\u003eThematische Analyse — wiederkehrende Themen identifiziert und systematisch mit der Braun \u0026amp; Clarke Methodik codiert, Themenhierarchien erstellt (Themen und Unterthemen), Bedeutung und Häufigkeit bewertet sowie a priori vs. emergente Codierung angewendet, je nachdem, ob der analytische Rahmen vorbestehend ist oder aus den Daten generiert wird  \u003c\/span\u003e\n      \u003c\/li\u003e\n      \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n        \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n        \u003cspan\u003eAnalyse qualitativer Forschungsdaten — Analyse von Interview- und Fokusgruppen-Transkripten, thematische Kodierung über mehrere Interviews hinweg, Mustererkennung, Zusammenfassung der wichtigsten Erkenntnisse in strukturierter Schreibform sowie qualitative Forschungsergebnisse als belegte, veröffentlichungsfähige Analyse präsentiert\u003c\/span\u003e\n      \u003c\/li\u003e\n      \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n        \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n        \u003cspan\u003eAnalyse von Kunden- und Mitarbeiterfeedback — Analyse offener NPS-Kommentare, Aufschlüsselung von CSAT-Wortmeldungen, Analyse offener Antworten in Mitarbeiterbefragungen, Sentiment-Analyse von Social-Media-Kommentaren und Identifikation von Themen in Kundenbewertungen mit spezifischen Zitaten zur Untermauerung der Ergebnisse\u003c\/span\u003e\n      \u003c\/li\u003e\n      \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; border-bottom: 1px solid rgba(26,143,168,0.12); display: flex; align-items: flex-start; gap: 10px;\"\u003e\n        \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n        \u003cspan\u003eInhalts- und Diskursanalyse — Analyse der Häufigkeit von Schlüsselbegriffen und Phrasen, Identifikation der Themenrahmung (wie ein Thema präsentiert wird, nicht nur was gesagt wird), Erkennung von Überzeugungs- und rhetorischen Techniken, Analyse von Marken-Sprache und Tonfall sowie was in einem Text fehlt und was vorhanden ist\u003c\/span\u003e\n      \u003c\/li\u003e\n      \u003cli style=\"font-size: 13px; color: #1A1A18; padding: 7px 0; display: flex; align-items: flex-start; gap: 10px;\"\u003e\n        \u003cspan style=\"color: #1A8FA8; font-weight: 600; flex-shrink: 0;\"\u003e→\u003c\/span\u003e\n        \u003cspan\u003eAngewandte Textanalyse in verschiedenen Branchen — Medien- und Presseberichterstattungsanalyse, politische und politische Sprachanalysen, Vertrags- und Rechtsprüfung, Wettbewerbs-Kommunikationsanalyse sowie Entwurf von Analyse-Rahmen und Stichprobenstrategie für große Datensätze, die nicht direkt in einer Sitzung verarbeitet werden können\u003c\/span\u003e\n      \u003c\/li\u003e\n    \u003c\/ul\u003e\n  \u003c\/div\u003e\n\n  \u003cdiv style=\"display: flex; align-items: center; gap: 20px; background: #FFFFFF; border: 1px solid #E8E6E0; border-radius: 8px; padding: 14px 20px; margin-bottom: 24px;\"\u003e\n    \u003cspan style=\"font-size: 11px; color: #888780; font-family: monospace;\"\u003e📄 mira-text-analyst.md\u003c\/span\u003e\n    \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n    \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eInstallation in unter 2 Minuten\u003c\/span\u003e\n    \u003cdiv style=\"width: 1px; height: 16px; background: #E8E6E0;\"\u003e\u003c\/div\u003e\n    \u003cspan style=\"font-size: 11px; color: #888780;\"\u003eFunktioniert mit Claude Sonnet 4 \u0026 Claude Cowork\u003c\/span\u003e\n  \u003c\/div\u003e\n\n  \u003cdiv style=\"border-left: 3px solid #1A8FA8; padding-left: 16px;\"\u003e\n    \u003cp style=\"font-size: 10px; font-weight: 600; color: #1A8FA8; letter-spacing: 0.08em; text-transform: uppercase; margin: 0 0 6px 0;\"\u003eSo installieren Sie\u003c\/p\u003e\n    \u003cp style=\"font-size: 12px; color: #555550; line-height: 1.7; margin: 0;\"\u003e\n      Laden Sie die .md-Datei herunter → öffnen Sie Claude → fügen Sie den Dateiinhalte in Ihren System-Prompt oder die Projektanweisungen ein → fügen Sie den Text, Bewertungen, Transkripte oder Feedback ein, das Sie analysiert haben möchten → Mira erkennt Themen, bewertet die Stimmung und liefert sofort belegte Ergebnisse. Fügen Sie den Inhalt direkt ein — bei sehr großen Datensätzen entwirft sie den Analyse-Rahmen und die Stichprobenstrategie.\n    \u003c\/p\u003e\n  \u003c\/div\u003e\n\n\u003c\/div\u003e","brand":"Kissmyskills","offers":[{"title":"Default Title","offer_id":57640127824136,"sku":null,"price":29.0,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1036\/1444\/7880\/files\/11_mira-text-analyst.png?v=1776869013","url":"https:\/\/kissmyskills.com\/de\/products\/mira-text-sentiment-analyst-ai-skill","provider":"KissMySkills","version":"1.0","type":"link"}