Was ist Named Entity Recognition?
Wie findest du in 10.000 Bewertungen alle Stellen, an denen eine bestimmte Marke oder Filiale vorkommt, auch wenn sie anders geschrieben ist? Mit Named Entity Recognition, kurz NER, auf Deutsch Entitätenerkennung.
NER gehört zum Natural Language Processing, also der maschinellen Sprachverarbeitung. Microsoft beschreibt die Funktion so: Sie erkennt und kategorisiert Entitäten in unstrukturiertem Text, etwa Personen, Orte, Organisationen und Mengen. Aus dem Satz „Anna hat im Hamburger Store bei Müller 40 Euro bezahlt“ wird:
- Person: Anna
- Ort: Hamburg
- Organisation: Müller
- Betrag: 40 Euro
Wichtig: NER sagt dir, wer oder was vorkommt, nicht wie es gemeint ist. Für die Stimmung brauchst du Sentiment-Analyse. Beides zusammen ergibt erst den Satz „Marke X wird wegen Lieferzeiten kritisiert“.
Wofür du NER im Marketing nutzt
Überall, wo viel Text liegt und du Namen brauchst:
Aufgabe
Das bringt NER
Social Listening
Marken und Produkte finden
Feedback
Filialen, Produkte zuordnen
CRM
Felder aus Mails füllen
SEO
Eigene Texte gegenprüfen
Datenschutz
Namen vor der Analyse maskieren
Belastbare Marketing-Fallstudien mit Zahlen sind rar. Eines gilt aber immer: Standardmodelle kennen deine Nischenprodukte nicht. Bei AWS und Microsoft trainierst du dafür eigene Entitäten, also Custom NER.
Wie gut funktioniert NER auf Deutsch?
Gemessen wird mit dem F1-Score. Er verbindet zwei Fragen: Wie viele Treffer stimmen (Precision), und wie viele vorhandene Namen wurden gefunden (Recall)? 100 wäre perfekt.
F1-Score
F1 = 2 × Precision × Recall ÷ (Precision + Recall)
Beispiel: Precision 85,3 % und Recall 84,5 % → F1 = 84,9 % (spaCy, großes deutsches Modell)
Textsorte
F1
spaCy Deutsch, klein
82,1
spaCy Deutsch, groß
84,9
Forschung GermEval
88,45
Englische Tweets
62,9
Die Werte stammen aus verschiedenen Tests und lassen sich nicht direkt vergleichen. Sie zeigen aber die Richtung. Saubere Nachrichtentexte laufen gut, soziale Medien deutlich schlechter. Bei den englischen Tweets lagen Personen bei 81, Firmennamen nur bei 49.
Deutsch ist zudem schwieriger als Englisch. Alle Nomen werden großgeschrieben, die Großschreibung verrät also wenig. Und Komposita wie „Telekom-Kunden“ verschmelzen Namen mit Nomen.
Was NER kostet
Wenig. Eine Beispielrechnung für 10.000 Bewertungen mit je 500 Zeichen, Listenpreise, Stand November 2026:
Dienst
Kosten
Google Cloud
rund 5 $
Amazon Comprehend
rund 5 $
Das ist eine eigene Rechnung. Bei Google sind 5.000 Einheiten pro Monat frei, danach kostet 1.000 Einheiten 1 $, wobei eine Einheit 1.000 Zeichen umfasst. Amazon nimmt 0,0001 $ je 100 Zeichen, die Menge läge dort im ersten Jahr im Gratiskontingent. Kostenlos und lokal läuft spaCy, das braucht aber jemanden, der programmieren kann. Für Einzeltexte taugen auch Claude oder ChatGPT.
Häufige Fehler
Fehler 1 · Benchmark für die eigenen Daten halten
Spitzenwerte stammen meist aus Nachrichtentexten. Slang, Tippfehler und Hashtags drücken die Qualität. Die Modellkarte des verbreiteten Modells bert-base-NER warnt selbst, dass sich Nachrichtendaten nicht auf alle Bereiche übertragen lassen.
Fehler 2 · Maskieren für Anonymisieren halten
NER hilft, Namen zu entfernen, findet aber nicht alles. Im Projekt AnGer der Uni Erlangen-Nürnberg fand ein Standardmodell in deutschen Gerichtsurteilen je nach Testset nur 12 bis 27 % der relevanten Stellen. Mit Nachtraining waren es 90 %. Gefordert waren über 99 %.
Dazu kommt das Recht. Pseudonymisierte Daten bleiben für dich personenbezogen, solange du den Schlüssel hast. Und das Open-Source-Werkzeug Presidio warnt selbst, dass es keine Garantie gibt, alle sensiblen Daten zu finden.
Fehler 3 · Die falsche Sprache einplanen
Lies die Sprachliste, bevor du planst. Amazon Comprehend erkennt personenbezogene Daten nur auf Englisch und Spanisch. Microsoft Azure kann das auch auf Deutsch. Googles Stimmungsanalyse je Entität gibt es nicht auf Deutsch.
Fehler 4 · NER für ein SEO-Rankingsignal halten
Manche Tools versprechen bessere Rankings über Entitätswerte. Eine Google-Quelle dafür gibt es nicht. Das Feld „Salience“ fehlt in der aktuellen API-Version sogar. Nutz die Analyse als Spiegel für deinen Text, nicht als Rankingformel.
Häufige Fragen
Was ist der Unterschied zwischen NER und Sentiment-Analyse?
NER findet, worüber gesprochen wird: Marke, Ort, Produkt. Sentiment-Analyse misst, wie darüber gesprochen wird: positiv, negativ, neutral. In der Praxis laufen beide oft hintereinander.
Brauche ich NER noch, wenn ich ChatGPT oder Claude habe?
Für einzelne Texte oft nicht. Bei großen Mengen sind spezialisierte Modelle günstiger und gleichmäßiger. In einem Forschungsvergleich auf französischen Texten erreichte feinabgestimmtes BERT F1 0,93, GPT-4o mit wenigen Beispielen 0,70. Sprachmodelle stellen sich dafür schneller auf neue Kategorien ein.
Hilft NER bei SEO?
Indirekt. Du siehst, welche Entitäten eine Software in deinem Text erkennt, und ob dein Thema klar rüberkommt. Eine Rankingformel ist das nicht. Google hat keine Schwellenwerte für solche Werte veröffentlicht.
Sind Daten nach der NER-Maskierung anonym?
Nicht automatisch. Seltene Namen und Tippfehler rutschen durch, und im Text können weitere Hinweise auf eine Person stecken. Behalte einen Schlüssel, bleiben die Daten für dich personenbezogen. Prüf deshalb Stichproben und lass heikle Fälle rechtlich bewerten.
Quellen
