De manier waarop klanten je dingen vertellen is gekanteld. Enquêtes maken nog maar zo'n 15 à 20% uit van de feedback die bedrijven binnenkrijgen, terwijl gesprekken, chats en reviews samen goed zijn voor ongeveer 80%, en die indirecte feedback steeg in één jaar met meer dan 60%. Het grootste deel van wat je klanten echt zeggen komt nu binnen als open tekst, geschreven waar ze net zijn, en het meeste wordt nooit door een mens gelezen en nooit door een machine gecategoriseerd.
Tekstanalyse is de discipline die die kloof zou moeten dichten: laat een engine los op de ongestructureerde tekst en krijg thema's, sentiment en een gevoel van prioriteit terug. Het probleem is de pure omvang van de stapel, en het feit dat die blijft groeien: naar schatting 80 à 90% van alle nieuwe bedrijfsdata is ongestructureerde tekst, en die groeit ongeveer drie keer sneller dan gestructureerde data (Gartner). Elk kwartaal wordt de kloof tussen wat klanten schreven en wat iemand las groter, terwijl de marketingtaal stilletjes het verschil verdoezelt tussen een tool die een woordwolk maakt en een tool die je vertelt welk thema je klanten kost.
Het geld is het probleem gevolgd. De markt voor natural language processing zou tegen 2030 zo'n 439,85 miljard euro bereiken, met een groei van 38,7% per jaar (Grand View Research, 2025). Voor dat geld koop je heel wat engines die tekst kunnen samenvatten. Veel minder kunnen die tekst lezen zoals een zorgvuldige menselijke analist het zou doen: aspect per aspect, elke keer op dezelfde manier, in elke taal waarin je klanten toevallig schrijven. Naarmate enquêtescores ruiziger worden en de woorden erachter meer van de betekenis dragen, schuift de kwaliteit van je tekstanalyse-engine van een nice-to-have naar het hart van de beslissing.
De echte vraag voor 2026 is dus niet welke tool een stapel reacties kan samenvatten. Bijna allemaal kunnen ze dat. Het is welke tool tekst analyseert op een manier waarmee je kan handelen, die je in de tijd kan vertrouwen, en die je kan verdedigen tegenover een sceptische directie.
Voor we naar de lijst gaan, helpt het om precies te zijn over wat serieuze tekstanalyse onderscheidt van een grafiekgenerator. Vijf dingen doen het meeste werk:
We beoordeelden het veld op die vijf criteria, met extra aandacht voor de onderliggende NLP-aanpak in plaats van de demoglans. Dit zijn de 10 tekstanalyse-tools die in 2026 een plek op je shortlist verdienen, gerangschikt op hoe goed ze ongestructureerde feedback omzetten in actie.
| Platform | Ideaal voor | Analyse-aanpak | Talen |
|---|---|---|---|
| Hello Customer | Mid-market B2C die actie wil, geen rapporten | Deterministisch, aspectgebaseerd sentiment per topic (ISAAC) | 30+ |
| Chattermill | Digital-first merken die feedback op schaal analyseren | Deep-learning native, ABSA plus GenAI (Lyra AI) | Meertalig |
| Thematic | Bottom-up themadetectie met metric-impact | LLM-themaontdekking plus impactkwantificatie | Meertalig |
| Qualtrics XM | Enterprise-onderzoek en methodologie | Text iQ: cross-linguaal, sentiment op topicniveau | 16 (sentiment), minder voor topics |
| Medallia | Enterprise omnichannel signaalcaptatie | Athena: voorgebouwde modellen, NLU, GenAI-root-cause | Tientallen |
| Sprinklr | Social en digitale tekst op groot volume | AI Studio, eigen modellen over 35+ kanalen | 100+ |
| Forsta (PG Forsta HX) | Zorg en onderzoeksgedreven programma's | Enquête-analyse, deep listening | Breed |
| InMoment | Tekst- en gespreksanalyse gecombineerd | Lexalytics-NLP plus conversational intelligence | 24 |
| NICE Satmetrix | Contactcenter-gedreven NPS en VoC | Contactcenter-native analyse | Breed |
| Verint | Contactcenter spraak- en tekstanalyse op schaal | Spraak- plus tekstanalyse, samengevoegd | 77 en varianten |
Ideaal voor: mid-market B2C-bedrijven die open-tekstfeedback willen omzetten in geprioriteerde actie, en niet in alweer een sentimentdashboard om naar te kijken.
Volledige transparantie: dit zijn wij. We zetten onszelf op één, en de rest van deze lijst is geschreven om je de alternatieven eerlijk te laten beoordelen, inclusief waar ze ons kloppen. We verdienen die eerste plek op één specifieke claim: onze tekstanalyse is gebouwd rond het stuk dat de meeste tools overslaan, namelijk van de open tekst die klanten effectief schreven een beslissing maken over wat je eerst oplost.
Dit is het hart van de categorie, dus laten we concreet zijn. De meeste engines scoren sentiment op documentniveau: één label voor de hele reactie. Onze AI-engine ISAAC leest open tekst in 30+ talen en scoort sentiment per topic, en boort daarbij door een topicboom tot vijf niveaus diep. Neem een echte reactie: "de zelfscan liep twee keer vast en Apple Pay werkte niet, maar de filiaalmanager loste het op." Een tool op documentniveau middelt dat tot neutraal en gaat verder. ISAAC splitst het in aparte aspecten, elk met eigen sentiment, zodat een betaalprobleem en een service-recovery in dezelfde zin opduiken, en je "kassa" verder kan volgen naar "zelfscan" naar "betaling" in plaats van te stoppen bij één breed thema. Dat aspectgebaseerd lezen op meerdere niveaus is het verschil tussen weten dat een reactie "gemengd" is en precies weten welk deel het probleem is.
Determinisme klinkt als een technisch detail, tot je een cijfer moet verdedigen. Laat je dezelfde feedback over zes maanden opnieuw door ISAAC lopen, dan blijven de categorieën staan. Een generiek taalmodel vat dezelfde tekst de ene run anders samen dan de andere, wat stilletjes elke trendlijn erop breekt: je "levering"-thema heet volgend kwartaal misschien "logistiek", en je jaar-op-jaarvergelijking wordt fictie. Een deterministische, voor CX getrainde engine behandelt dezelfde feedback elke keer hetzelfde, en dat heb je net nodig als je een topic over vier kwartalen volgt of een beweging uitlegt aan een finance-team dat tegengas geeft.
Feedback uit elke bron landt onder één taxonomie, zodat een Google-review, een NPS-verbatim en een gesprekstranscript tegen dezelfde topicboom gecategoriseerd worden in plaats van drie aparte schema's die nooit te rijmen zijn. Daarbovenop zit impactanalyse, de functie die klanten als eerste noemen. Die plot elk topic op sentiment en bedrijfsimpact en rangschikt de fixes die je score het meest bewegen: "verbeter levering, verwacht +16 punten CSAT." Dat is een zin waar een CFO mee aan tafel gaat, en een prioriteitenlijst waar een operations-verantwoordelijke deze week mee aan de slag kan, in plaats van een grafiek die bevestigt wat iedereen al vermoedde.
Ask ISAAC is onze conversationele laag bovenop de analyse. In plaats van een rapport te bestellen, typ je "wat zijn de grootste klachten in onze winkels in Antwerpen dit kwartaal?" en krijg je een antwoord uit je eigen feedback, met de onderliggende verbatims erbij zodat je de bron kan checken. Het verlaagt de kost van een vervolgvraag van een week naar een zin.
Een analyse-engine is maar zo goed als wat je erin voedt. We nemen tekst op uit elk kanaal dat je verwacht, en een paar waar je geen enquête op kan zetten: e-mail, website, sms, WhatsApp, QR-codes, in-app en Google Reviews. We aanvaarden ook enquêtedata van derden, geëxporteerd uit tools zoals Qualtrics, en koppelen aan je supportstack via 40+ integraties (Salesforce, Zendesk, Freshdesk, Intercom, Genesys, Slack, Teams, Snowflake). Vandaaruit maken close-the-loop-workflows en realtime alerts van een negatief thema een toegewezen opvolging in plaats van een datapunt, en vergelijkt CX-benchmarking je topics met concurrenten op basis van publieke reviewdata.
De hele organisatie kan inloggen en meedoen, niet enkel een handvol benoemde gebruikers, en dat telt: tekstinzicht is verspild als alleen het CX-team het ooit ziet. Onboarding duurt weken, en een nieuwe gebruiker is binnen een dag productief. Voor Europese bedrijven: we zijn ISO 27001-gecertificeerd en volledig AVG-conform, met EU-gehoste data, en klantdata die nooit gebruikt wordt om modellen van derden te trainen. Sommige van onze klanten die de loop sluiten op zowel klant- als managementniveau meldden 2,3% minder churn per jaar en 11% meer omzet.
Beperking: we zijn niet gebouwd voor Fortune 500-implementaties of puur marktonderzoek (de academische studie met 80 vragen). We zijn er voor organisaties die analytische diepgang willen zonder het implementatiegewicht.
Wil je dit zien op je eigen feedback? Vraag een demo aan.
Ideaal voor: CX- en VoC-teams bij digital-first consumentenmerken die AI-native analyse van ongestructureerde feedback op schaal willen.
Beoordeel je deze categorie puur op de analyse-engine, dan is Chattermill de naaste directe rivaal van een specialist. Het is in de eerste plaats een tekstanalysebedrijf en pas in tweede instantie een enquêtetool, en die diepgang merk je. De deep-learning-engine, Lyra AI, leunt niet op één techniek: hij combineert aspectgebaseerde sentimentanalyse, frasale analyse, clustering en generatieve AI, wat betekent dat hij een gemengd sentiment uit één reactie kan halen en de lange staart van thema's kan clusteren die je nooit zou hebben gedefinieerd. Hij leest over enquêtes, reviews, tickets, social, chat en gesprekken, en brengt die samen tot één gecombineerd beeld in plaats van elke silo apart te analyseren.
Voor een digital-first merk dat verzuipt in ongestructureerde feedback is dat de trekpleister, en Chattermill is ongewoon goed in de laatste meter die de meeste analysetools overslaan: thema's terugkoppelen naar retentie en omzet in plaats van te stoppen bij een sentimentgrafiek. Het werd in 2025 erkend als Leader in feedbackanalyse, wat een echte technische sterkte weerspiegelt.
Eén eerlijke bedenking: Chattermill is geen genoemde Leader in de Gartner Magic Quadrant voor Voice of the Customer, wat telt voor aankoopteams die op dat document varen, ook als de onderliggende technologie sterk is. Als pure analyselaag gaat het er ook van uit dat je verzameling elders al geregeld is; het scherpt de tekst die je aanlevert in plaats van die voor je te verzamelen.
Ideaal voor: product- en CX-teams die automatische, bottom-up themadetectie willen met een duidelijke lijn van thema naar bedrijfsmetric.
Thematic kiest bewust een andere route dan de meeste namen in deze lijst. In plaats van je vooraf een codeerschema te laten bouwen, gebruikt het LLM's om je open tekst te lezen en thema's bottom-up te ontdekken: het haalt specifieke, granulaire categorieën boven die je niet hoefde voor te definiëren, en geeft je dan een visuele editor om ze te verfijnen met je eigen bedrijfscontext. Die "AI stelt voor, mens cureert"-workflow brengt je in ongeveer drie dagen tot een werkend themamodel, wat snel is voor echt maatwerk in taxonomie.
De kenmerkende functie is het kwantificeren van impact: het vertelt je niet alleen dat een thema groeit, maar hoeveel het een metric zoals NPS beweegt, zodat "leveringsvertragingen" geen klacht meer is maar een meetbare rem op de score. Het importeert verbatims uit Qualtrics, Salesforce en SurveyMonkey, zodat het comfortabel bovenop kan zitten wat je al gebruikt om te verzamelen.
De kanttekening voor 2026 is de richting, niet de capaciteit. Thematic werd in 2025 overgenomen door Stocktwits en kantelt richting AI-gedreven beleggingsonderzoek, weg van algemene CX. Het product werkt vandaag nog goed voor feedbackanalyse, maar een koper met een meerjarenhorizon vraagt best rechtstreeks naar de CX-roadmap en de blijvende investering voor hij zich vastlegt. Het is bovendien een tekstanalyse-laag, geen volledige VoC-suite, dus het leunt voor verzameling op die integraties en voor actie op jou.
Ideaal voor: grote organisaties die tekstanalyse willen binnen een volledige experience-management-suite over CX, medewerkers, product en merkonderzoek.
Qualtrics is de grootste naam in de bredere categorie en werd in de 2026 Gartner Magic Quadrant voor Voice of the Customer-platformen als Leader genoemd. De tekst-engine, Text iQ, is capabeler dan de meeste kopers beseffen: het is een transformer-gebaseerd, cross-linguaal model dat sentiment op topicniveau (aspectgebaseerd) toekent, en het stapelt er extra verrijkingen op die de meeste rivalen missen: elke reactie krijgt een score voor effort, emotie, emotionele intensiteit en actionability. Voor multi-wave studies en methodologie op academisch niveau evenaart weinig die breedte.
Er is een taalasymmetrie die je in een demo moet toetsen. Het Text iQ-sentiment is geoptimaliseerd voor zo'n zestien talen, maar de automatische themadetectie dekt er minder, ongeveer acht tot tien. Zit een betekenisvol deel van je feedback in pakweg het Fins of het Grieks, bevestig dan precies wat de engine in die taal doet in plaats van op het kopcijfer te vertrouwen.
In mei 2026 sloot Qualtrics zijn overname van 6,75 miljard euro van Press Ganey Forsta af, wat Forsta en InMoment onder hetzelfde dak brengt. Die consolidatie is het onthouden waard, want beide komen verderop in deze lijst voor, en ze concentreert een verrassend groot deel van deze categorie bij één eigenaar. Waar Qualtrics worstelt is complexiteit: implementaties lopen vaak maanden en leunen op consultants. Voor een mid-market team dat vooral wil weten wat het moet oplossen, kan de analyse bedolven aanvoelen onder een platform dat voor iets veel groters is gebouwd.
Ideaal voor: grote organisaties die tekstsignalen willen capteren en analyseren over alle mogelijke kanalen, van enquêtes tot voice, video en social.
Medallia analyseert feedback op enorme schaal, en de tekst-engine, Athena, is een echte sterkte in plaats van een bijzaak. Athena legt topics, thema's, sentiment en genuanceerde emotie (inclusief empathie) toe over tientallen talen, komt met honderden voorgebouwde industriemodellen en topicsets zodat je niet vanaf een blanco taxonomie start, en gebruikt natural language understanding om intentie te lezen zonder constante hertraining. De GenAI-laag laat een niet-technische gebruiker root-cause-analyse draaien op een topic of een scoreverandering, wat echt nuttig is als de vraag is "waarom daalde dit cijfer?"
Twee waarschuwingen voor 2026. Het platform is voor grote organisaties gebouwd, dus de doorlooptijden zijn lang en het zit aan de bovenkant van de markt. En in april 2026 droeg Thoma Bravo Medallia over aan zijn schuldeisers in een schuldherstructurering, wat terechte vragen over continuïteit oproept die elke koper tijdens de evaluatie op tafel moet leggen. Sommige gebruikers melden ook de bekende enterprise-paradox: er wordt zoveel signaal gecapteerd en geanalyseerd dat de prioriteit verloren gaat, waardoor net de ruis terugkeert die de tool moest wegfilteren.
Ideaal voor: grote organisaties die publieke, social en digitale tekst op zeer groot volume op één platform willen analyseren.
Sprinklr werd in de 2026 Gartner-evaluatie voor Voice of the Customer als Leader genoemd, en breedte is de bepalende sterkte. Het sentimentmodel spant 100+ talen, en AI Studio laat je eigen modellen trainen om mentions en berichten tegen je eigen taxonomie te categoriseren over 35+ social-, digitale, messaging- en contactcenter-kanalen, met een Customer Feedback Copilot die het samenbrengt. Is een groot deel van je feedback publiek en sociaal, dan lezen weinig tools dat volume zo goed. Sprinklr is eerlijk dat de nauwkeurigheid boven de 80% ligt over de ondersteunde talen, wat een eerlijker kader is dan de perfecte-scoreclaims die je soms ziet, maar ook een herinnering om op je eigen data te valideren.
De afwegingen hangen samen met schaal. Sprinklr is complex, kent een steile leercurve en is gericht op grote organisaties. De self-service optie wordt bovendien stopgezet (eindigt 30 april 2026), zodat de instap voor kleinere teams smaller wordt. Voor een gerichte tekstanalyse-behoefte kan het meer platform zijn dan de taak vraagt.
Ideaal voor: zorggerichte en onderzoeksgedreven organisaties die patiënt-, medewerker- en gemeenschapsfeedback analyseren naast marktonderzoek.
Forsta (het HX-platform, deel van Press Ganey Forsta) werd in de 2026 Gartner Magic Quadrant voor Voice of the Customer-platformen als Leader genoemd. Voor tekstanalyse specifiek zijn de sterktes diepe expertise in zorg en patiëntervaring en een sterke marktonderzoekstraditie, met enquête-analyse en deep-listening-capaciteit over verbatims en open antwoorden. In gereguleerde, methodologie-zware omgevingen is die verticale diepgang moeilijk na te bootsen.
Dezelfde eigendomskanttekening geldt als bij InMoment: Forsta zit nu binnen Qualtrics, en analisten verwachten migratiedruk richting het Qualtrics-platform in plaats van blijvende zelfstandige investering. De analyse is vandaag degelijk, maar roadmap-duidelijkheid na de overname is het ding om te toetsen voor je je vastlegt, zeker als je use case buiten de zorg- en onderzoekskern valt waar Forsta het sterkst is.
Ideaal voor: mid- tot grote organisaties die tekstanalyse gecombineerd willen met gespreksanalyse en reputatiebeheer op één plek.
InMoment is een van de weinige namen hier met een tekst-engine die een eigen stamboom heeft. Het bezit Lexalytics, een gevestigde NLP-specialist, wat het native tekstanalyse over 24 talen geeft en, ongewoon, een on-premise deployment-optie voor organisaties die geen tekst naar de cloud mogen sturen. Die erfenis werd erkend toen InMoment in Q2 2024 als Leader werd genoemd in de Forrester Wave voor Text Mining and Analytics. Naast de tekst-engine leest de conversational intelligence gesprekstranscripten voor categorisatie, QA en alerting, wat een echt voordeel is voor contactcenter-zware programma's waar de openhartigste feedback gesproken wordt.
De open vraag is eigendom. InMoment is nu deel van de Qualtrics-groep, na Qualtrics' overname van moederbedrijf Press Ganey Forsta in mei 2026, en Forrester adviseert klanten beperkte zelfstandige investering en waarschijnlijke migratie richting Qualtrics te verwachten. De technologie is vandaag sterk, maar reken de consolidatie mee in elke meerjarenbeslissing en stel scherpe vragen over roadmap-engagementen voor je tekent.
Ideaal voor: contactcenter-gedreven organisaties die NPS en feedbacktekst geanalyseerd willen naast CXone-operaties.
NICE Satmetrix, nu gebrand als NICE CXone Feedback Management, draagt de lijn van de NPS-medebedenker en diepe NPS-methodologie, met contactcenter-native analyse die post-interactie-enquêtes en operationele data samen leest. Voor organisaties die al op de NICE/CXone-stack draaien, is feedbacktekst geanalyseerd op dezelfde plek als agentprestaties en gespreksdata een duidelijk, praktisch voordeel, en het houdt de loop kort tussen wat een klant zei en de interactie die het uitlokte.
De beperking is de keerzijde van die sterkte. Als tekstanalyse-engine is het op zijn best binnen het NICE-ecosysteem, en op zichzelf heeft het lagere zichtbaarheid bij analisten en een smallere open-tekstreputatie dan de specialisten hoger in deze lijst. Ben je geen NICE-huis, dan verzwakt de case snel, en koop je waarschijnlijk evenzeer het omliggende platform als de analyse.
Ideaal voor: grote organisaties en contactcenters waar het grootste deel van de ongestructureerde feedback in opgenomen gesprekken zit in plaats van in enquêtevakjes.
Verint is de schaal-keuze voor gesproken feedback. Het transcribeert en analyseert gesprekken in meer dan 77 talen en varianten en verwerkt in de orde van zeven biljoen woorden per jaar over zijn klantenbestand, en voegt die spraakanalyse samen met tekstanalyse uit chat, e-mail en social zodat categorieën, sentiment en alerts voice en tekst in één beeld overspannen. Het ontdekt ook automatisch categorieën en thema's uit gesprekken, en haalt trends boven die je niet wist te zoeken. Zit je rijkste feedback in het contactcenter, dan lezen weinig tools dat volume zo diep.
Twee afwegingen. Verint is breed en complex, gebouwd rond workforce engagement, wat het zwaarder en duurder maakt dan een gerichte tekstanalyse-tool als je alleen enquête- en reviewverbatims wil lezen. En in november 2025 rondde Thoma Bravo zijn overname van Verint af voor zo'n 1,86 miljard euro, met een fusie met Calabrio, met het integratie- en transitierisico dat een deal van die omvang draagt. Vraag waar de analyse-roadmap binnen de gefuseerde organisatie zit.
Eén ding waar deze categorie geen reclame voor maakt: een groot deel ervan is nu in handen van een handvol eigenaars. Na mei 2026 bezit Qualtrics Text iQ, Forsta en InMoment, drie van de namen hierboven. Thoma Bravo bezit Verint (gefuseerd met Calabrio). Medallia zit bij zijn schuldeisers na de herstructurering van april 2026. NICE Satmetrix is een lijn binnen NICE. Shortlist je vier enterprise-suites, dan evalueer je misschien twee of drie producten met dezelfde uiteindelijke eigenaar en overlappende roadmaps. Dat maakt de technologie vandaag niet slechter, maar het verandert de vragen die je moet stellen: welke producten krijgen netto-nieuwe investering, welke staan stilletjes in onderhoud, en wat is het migratieverhaal als jouw gekozen engine in een zustertool wordt opgenomen. De onafhankelijke specialisten, Chattermill en Thematic, ontwijken de consolidatievraag maar dragen hun eigen kanttekeningen (en bij Thematic een strategische pivot). Er is geen gratis lunch; er is alleen een helderder reeks vragen.
De beste tool hangt af van waar jouw feedbackanalyse precies vastloopt, en van welk soort tekst je vooral probeert te lezen.
Is je probleem "we hebben de tekst maar handelen er nooit naar": dat is de kloof die we met Hello Customer dichten, met aspectgebaseerd sentiment, deterministische analyse en impactprioritering centraal in plaats van erbij geschroefd.
Wil je een pure AI-native analysespecialist: Chattermill en Thematic lezen beide open tekst diep, met Thematic's roadmapvraag zoals hierboven aangestipt.
Heb je enterprise-onderzoek en methodologie nodig: Qualtrics XM heeft de diepste enquêtewetenschap, met Text iQ erin.
Zit je feedback in opgenomen gesprekken: Verint en InMoment lopen voorop in spraak- en gespreksanalyse, Verint op de grootste schaal.
Is veel van je feedback publiek en sociaal: Sprinklr en Medallia lezen dat volume goed, met de schaal- en continuïteitskanttekeningen die genoemd zijn.
Heb je een gevoel van de fit, dan onderscheiden vier technische filters het veld echt voor tekstanalyse. Gebruik ze als demovragen, niet als brochure-vinkjes:
Aspectgebaseerd versus documentniveau-sentiment. Geef de tool een bewust gemengde reactie en kijk wat hij doet. Geeft hij één score voor een zin die het ene prijst en het andere bekritiseert, dan leest hij op documentniveau en vlakt hij je echte feedback grotendeels af. Aspectgebaseerde engines scoren elk topic in de reactie apart, en dat is net de hele bedoeling.
Determinisme en gemeten nauwkeurigheid. Is de engine een ruw taalmodel, dan kan dezelfde tekst bij een tweede run anders gecategoriseerd worden. Voor trendrapportage die je kan verdedigen, vraag of de analyse consistent is in de tijd, en vraag hoe de nauwkeurigheid gemeten is in plaats van een cijfer van een slide te aanvaarden. Een leverancier die "boven 80% op ondersteunde talen" noemt, is eerlijker dan een die 99% belooft.
Taaldiepte, niet taalaantal. Bevestig niet alleen hoeveel talen een tool opsomt, maar wat het in elke taal echt doet: volledig sentiment én themadetectie, of alleen sentiment. Oppervlakkige dekking van je op één na grootste markt is een echte blinde vlek, en kopcijfers verbergen dat geregeld.
Eén taxonomie over alle bronnen. Een review, een NPS-verbatim en een gesprekstranscript horen tegen dezelfde topicboom gecategoriseerd te worden. Gebruikt elke bron een eigen schema, dan komen je thema's nooit over kanalen heen op één lijn en valt cross-channel-rapportage stilletjes uiteen.
De vraag waar je naar blijft terugkeren: zet deze tool de woorden die je klanten schreven om in een beslissing over wat je oplost? Vraag een demo aan en we laten je eigen open-tekstfeedback door ISAAC lopen, live.
Documentniveau-sentiment geeft één score aan een hele reactie, zodat een opmerking die het personeel prijst en de kassa bekritiseert samenvalt tot één "neutraal" label en je beide signalen verliest. Aspectgebaseerd sentiment scoort elk topic in de reactie apart, zodat de lof en de klacht geregistreerd worden als wat ze zijn. Onze engine leest sentiment per topic, door een topicboom tot vijf niveaus diep, en net dat laat je zien welk deel van een reactie precies het probleem is in plaats van te blijven steken op "gemengd".
De nauwkeurigheid hangt af van de aanpak, niet van de marketingclaim, en taaldekking is zelden gelijkmatig. Een ruw taalmodel kan tekst samenvatten, maar de output verschuift van run tot run, wat stilletjes elke trend erop breekt. Een deterministische, voor CX getrainde engine zoals ISAAC behandelt dezelfde feedback elke keer hetzelfde en scoort sentiment per topic, in 30+ talen op dezelfde diepte in plaats van alleen het Engels goed te lezen en de rest op te sommen. Let op leveranciers wiens taalaantal het sentiment dekt maar niet de themadetectie. De beste test: laat een batch van je eigen gemengde reacties twee keer lopen en kijk of de categorieën blijven staan.
Nee. Het hele punt van een voor CX getrainde engine is dat de categorisatie, sentimentscoring en prioritering voor jou gebeuren, zodat een CX- of operations-verantwoordelijke de output kan lezen zonder data scientist in de kamer. Bij Hello Customer wordt de taxonomie tijdens de onboarding opgezet en beantwoordt Ask ISAAC vragen in gewone taal zoals "wat zijn de grootste klachten in onze winkels in Antwerpen dit kwartaal?", zodat inzicht niet afhangt van iemand die tijd heeft om queries te schrijven.
Ja, en die combinatie is net waar ze haar waarde bewijst. Gestructureerde data (een NPS-cijfer, een sterrenscore) zegt dat de score bewoog; ongestructureerde tekst (de verbatim, de review, het gesprekstranscript) zegt waarom. Goede tekstanalyse leest de open tekst tegen één taxonomie over alle bronnen en koppelt de thema's terug aan de gestructureerde metric, zodat je ziet welk topic het cijfer naar beneden trekt in plaats van te gissen.
Een zwakke engine middelt een gemengde reactie tot neutraal en verliest beide signalen. Een sterke engine splitst de reactie in aparte aspecten en scoort elk apart, zodat "levering was laat maar support was uitstekend" geregistreerd wordt als een leveringsklacht en een supportcompliment, niet als een nuloperatie. Dit is de nuttigste test bij het vergelijken: geef elke tool een echt gemengde reactie en kijk of ze de delen apart houdt of platslaat.
Het kan uitmaken. Na de consolidatie van 2026 bezit Qualtrics Text iQ, Forsta en InMoment, en ook andere namen in deze lijst zijn van eigenaar veranderd. Dat maakt hun analyse vandaag niet slechter, maar het betekent wel overlappende roadmaps en mogelijke migraties. Shortlist je enterprise-suites, vraag dan welke producten netto-nieuwe investering krijgen en wat er met je data en taxonomie gebeurt als jouw gekozen engine in een zusterproduct wordt opgenomen.