Texte automatisiert auswerten

Transkript

1 Mi ts tel len ma rkt 6,40 Österreich 6,70 Arbeitstitel Schweiz CHF 10,70 Benelux 7,40 Italien 7,40 x MAGAZIN FÜR PROFESSIONELLE INFORMATIONSTECHNIK JunI Texte automatisiert auswerten 25 Jahre ix jquery-mobile-tutorial/ii 27"-WQHD-Monitore JunI s, Forenkommentare, notizen, Social-Media-Beiträge: Texte automatisiert auswerten Was geht und was man darf Doppelte Breite: Vier 27"-Wide-QHD-Monitore Container statt Hypervisor: Effizient virtualisieren Big Data im Einsatz: SAP HANA sicher betreiben Braillezeilen, Screenreader, Desktop-Konfiguration: Barrierefreie Arbeitsplätze Anwender-Skripte professionalisieren: Excel-Wildwuchs im Griff Statistikergebnisse visualisieren: Geschäftsgrafiken mit R und ggplot2 h Heise Große Jubiläums-Story: 25 Jahre ix, 25 Jahre IT-Geschichte

2 TiTel TEXTANALYSE Kundenkommentare verstehen und auswerten Buchstaben - suppe Hans Holger Rath Business-Intelligence-Projekte beschäftigen sich meist nur mit tabellarisch organisierten Datensammlungen. Was nicht in Zeilen und Spalten passt, bleibt außen vor. Dem ließe sich abhelfen, denn es existieren genug Werkzeuge, die mit sprachwissenschaftlichen Verfahren beispielsweise Beiträge in sozialen Netzen analysieren. Unternehmen sammeln permanent Daten über Produkte, Kunden, Lieferanten und Wettbewerber. Sie werten jedoch nur einen Bruchteil davon aus den, der in geordneter Form in Datenbanktabellen und IT-Systemen vorliegt. Weitgehend unberücksichtigt bleibt alles, was sich diesen vorgegebenen Mustern entzieht, vor allem Äußerungen in s, Fragebögen, Kundendienstnotizen und Social-Media-Beiträgen. Experten gehen davon aus, dass der unstrukturierte Anteil an den unternehmensrelevanten Daten 60 bis 80 Prozent beträgt. Auswertbare Texte finden Unternehmen im Erfahrungsaustausch der Kunden untereinander, in Befragungen und in Notizen der Serviceabteilung. Wissenswertes über Lieferanten und Wettbewerber verbirgt sich in Pressemeldungen, auf Webseiten und in der Wirtschaftspresse. Die sozialen Medien, die im Minutentakt Millionen neue Beiträge aufnehmen, bieten ebenfalls einen großen Fundus potenziell wertvoller Informationen. In Blogs, Diskussionsforen, Kommentarspalten, Produktrezensionen und auf Plattformen wie Facebook, Twitter und Co. unterhalten sich Menschen über Produkte und Dienstleistungen, Firmen und Marken. Im Social Web diskutieren, kritisieren und loben sie Firmen und deren Erzeugnisse, äußern Wünsche und schlagen Verbesserungen vor. Sie stellen Fragen und rufen nach Hilfe, warnen und empfehlen. Unternehmen können diese externen Quellen grundsätzlich für ihre Analysen heranziehen. Welche urheber- und datenschutzrechtlichen Bestimmungen dabei einzuhalten sind, beschreibt der Artikel Eingesammelt auf Seite 44. Dass viele BI-Projekte zahlreiche Textquellen ausklammern, hat einen profanen Grund: Sie bestehen aus unübersichtlichen Zeichenketten, deren Infor mationsgehalt sich hinter aneinandergereihten Wörtern, kontextabhängigen Bedeutungsvarianten und grammatikalischen Feinheiten versteckt, zudem sind Ironie und Sarkasmus schwierig automatisiert zu durchdringen (siehe Kasten Wer erkennt den Witz? ). Alles muss seine Ordnung haben Die Texte oder vielmehr die darin verborgenen Informationen müssen deshalb zunächst in eine geordnete Form gebracht werden, bevor man sie mit BI-Methoden bearbeiten kann. Der Begriff Textanalyse bezeichnet die Technik, die es ermöglicht, große Textmengen automatisiert zu 38 ix 6/2014

3 lesen und auszuwerten (siehe Kasten Die Stimme des Kunden ). Ihre Anwendungsmöglichkeiten sind vielfältig. Insbesondere das Kunden-Feedback zu den Produkten interessiert viele Abteilungen brennend (Abbildungˇ1). Lesekompetenz sehr gefragt Wegen der zahlreichen potenziellen internen und externen Quellen sollte eine leistungsstarke Textanalyse in der Lage sein, Daten aus unterschiedlichen Systemen einzulesen (siehe Tabelle Ausgewählte Textanalysewerkzeuge ). Dazu gehören Datenbanken, Dateisysteme, Mail- sowie Webserver und CRM-Anwendungen. Ebenso vielfältig sind die verschiedenen Textcodierungen (Uni - code, Word, PDF, Excel, CSV, XML, HTML et cetera). Um Beiträge aus sozialen Medien zu analysieren, bedient man sich am besten eines Social-Media-Monitoring-Werkzeugs als Datenlieferant. Es recherchiert die gesuchten Beiträge, und die folgende Textanalyse wertet sie inhaltlich aus (Übersichten findet man unter Alle Links ). Das Monitoring-Tool ist entweder in das Analysesystem integriert, oder die beiden Programme sind nur locker gekoppelt. Die logische Trennung zwischen Monitoring und Textanalyse ermöglicht es dem Anwender, soziale Medien zusammen mit anderen, insbesondere internen Quellen, zu betrachten. Für Quellen, die häufig neuen Input liefern, bietet es sich an, die Daten kontinuierlich zu lesen. So lässt sich zum Beispiel auf s und Social-Media- Beiträge schnell reagieren. Sind die Texte in das Analyse-Tool geladen, beginnt das Ordnen der unsystematischen Informationen (siehe Kasten Extrahiert ). Diese als Natural Language Processing (NLP) bezeichnete Technik Wer erkennt den Witz? Ironie und Sarkasmus haben es in sich, wenn es um Textanalyse geht. Hier sind automatische Verfahren schnell überfordert; das exakte Erkennen doppelbödiger, mit Anspielungen behafteter oder sonstwie nicht geradeaus gemeinter Bemerkungen durch einen Algorithmus ist kaum möglich. Viele Menschen haben damit allerdings ebenso ihre Schwierigkeiten nicht jeder versteht Ironie sofort und überall. Prominentes Beispiel: Das satirische Webmagazin Der Postillon. Etliche Leser nehmen dessen tägliche Meldungen für bare Münze und veranlassen damit die Wissenden zu höhnischen Kommentaren. Es gibt Forschungsansätze, die sich diesem Thema widmen. Die Wissenschaftler versuchen, den Werkzeugen beizubringen, wie sie aus dem Kontext, dem antrainierten Erfahrungswissen und verschiedenen anderen Umgebungsparametern (etwa Emoticons) einigermaßen verwertbare Ergebnisse ziehen können. Das Thema ist komplex und lässt sich hier nicht detailliert abhandeln. Wer sich in dieser Angelegenheit weiterbilden möchte, sei auf einen Aufsatz verwiesen, den Andreas Schieber, Andreas Hilbert und Carsten Stillich von der Technischen Universität Dresden veröffentlicht haben (siehe Alle Links ). Jürgen Diercks nutzt Methoden der Computerlinguistik, um Informationen zu extrahieren. Das Verarbeiten geschieht schrittweise: ˇVorverarbeitung: Hier korrigiert das Werkzeug Rechtschreibfehler und löst Abkürzungen auf. ˇPhrasen: Zusammenhängende Wörter werden logisch geklammert. Danach weiß das System, dass beispielsweise die Folge Heise Zeitschriften Verlag GmbHˇ& Co. KG ein einziger Begriff ist und als ein Substantiv zu behandeln. ˇSätze: Der Text wird in Einheiten zerlegt. Dadurch lassen sich die späteren Erkenntnisse detailliert einzelnen Sätzen -TracT Alle Unternehmen wollen mehr über ihre Kunden erfahren. Dazu werten sie in Datenbanken gesammelte Informationen aus. Beiträge etwa in s oder sozialen Netzen bleiben unberücksichtigt. Geschätzt liegen 60 bis 80 Prozent aller unternehmensrelevanten Daten in unstrukturierter Form vor. Hier kann Software zur automatischen Textanalyse weiterhelfen. Programme für die Textauswertung können viele Einsichten aus schriftlichen Kommentaren extrahieren. Die über Algorithmen gewonnenen Ergebnisse stoßen bei Ironie und Sarkasmus jedoch an ihre Grenzen. ix 6/

4 TiTel TEXTANALYSE und nicht nur dem Gesamtdokument zuordnen. ˇWortarten: Jedes Wort bekommt seine grammatikalische Bedeutung im Satz zugeordnet. Substantiv, Verb, Adjektiv, Adverb, Präposition et cetera werden identifiziert. ˇGrundformen: Um die weitere Betrachtung der Worte zu vereinfachen und zu vereinheitlichen, bringt das Werkzeug jedes Wort in seine grammatikalische Grundform: Substantive in den Nominativ Singular und Verben in den Infinitiv. ˇBegriffe: Sie umfassen alle Substantive und Verben des Dokuments. Allein aus den extrahierten Begriffen lässt sich bereits der Inhalt des Textes ableiten wenn auch nur ungefähr. ˇEntitäten: Sie gruppieren Begriffe nach deren Bedeutung (Semantik), indem sie ihnen einen Typ zuweisen und synonyme Schreibweisen zusammenfassen. Beispiele für Entitätstypen sind Unternehmen (Apple Inc., Lufthansa AG, Volkswagen AG), Person (Angela Merkel, Sebastian Vettel, Martin Winterkorn), Land (Deutschland, Frankreich, USA), Zeitangabe (gestern, fünf Minuten, 14 Extrahiert Folgendes fiktives Beispiel zeigt, welche Erkenntnisse die Textanalyse aus schriftlichen Veröffentlichungen gewinnen kann: Da ich viel mit dem Auto unterwegs bin, habe ich mir letzte Woche bei Amazon ein Headset gekauft. Dieses Nokia BH-105 ist günstig und sehr komfortabel. Leider war die Zusendung zu mir nach Hause (ich wohne im Umland von Berlin) katastrophal. Beim nächsten Mal bitte nicht mit UPS schicken, sonst werde ich wieder bei Otto bestellen. Wie kann ich eigentlich den Bluetooth-PIN ändern? Entitäten: Marken: Amazon, Nokia, UPS, Otto, Bluetooth; Produkt: BH-105; Ort: Berlin; Zeitangabe: letzte Woche Ereignisse: Reise: mit dem Auto unterwegs; Kauf: bei Amazon ein Headset gekauft, bei Otto bestellt; Lieferung: Zusendung zu mir nach Hause, mit UPS schicken Tonalität und deren Ursache: positiv: Nokia BH-105 ist günstig (positiv Preis), Nokia BH-105 ist sehr komfortabel (positiv Tragekomfort); negativ: leider war die Zusendung katastrophal (negativ Lieferung) Vorschlag/Wunsch: bitte nicht mit UPS schicken; Absicht: werde ich wieder bei Otto bestellen; Frage: Wie kann ich Bluetooth-PIN ändern? Tage), URL ( Hash - tag (#epic, #fail, #wm2014). Entitäten sind entweder als Wortlisten (Unternehmen, Land), reguläre Ausdrücke (URL, Hashtag) oder grammatikalische Regeln (Person, Zeitangabe) definiert. Sie können allgemeiner Natur und vom Anbieter vorgegeben sein. Oder man legt sie projektspezifisch fest und bringt so die fachspezifische Semantik ein. Beispiele für projektspezifische Entitätstypen sind Produktname und -komponente. ˇFakten sind zweistellige Wortkombinationen aus Substantiv und Verb oder Adjektiv. Da Fakten zwei zusammengehörende Begriffe verknüpfen, zeigen sie schon wesentliche Textzusammenhänge. Beispiele sind Auto:schnell, Telefontarif:teuer, ich:mögen, sie:hassen. Die beiden letztgenannten zeigen den Nachteil der Fakten: Es fehlt das Objekt, auf das sich die Aussage bezieht. ˇKernaussagen sind Wortkombinationen bestehend aus Subjekt, Prädikat und Objekt. Indem sie zusätzlich ein Objekt enthalten, repräsentieren sie die wesentlichen Aussagen der Texte. Beispiele: ich:mögen:ix, sie:hassen:betrüger, Tablet:verdrängen:PC. ˇAusdrucksformen: Sprache kennt viele Formen, die einen Fakt beziehungsweise eine Kernaussage in einem anderen Licht erscheinen lassen. Hier einige Beispiele für Sätze mit unterschiedlichen Ausdrucksformen: Ich werde meinen Vertrag nicht kündigen, Soll ich meinen Vertrag kündigen?, Wenn mich niemand zurückruft, kündige ich meinen Vertrag, Ich will meinen Vertrag kündigen, Ich habe gestern meinen Vertrag gekündigt. Ausdrucksformen wie Negation, Frage, Bedingung, Absicht, Vergangenheit ergänzen die Fakten beziehungsweise die Kernaussagen, sodass diese Informationen für die Analyse zur Verfügung stehen. Zum Beispiel Telefontarif:teuer [Negation], ich:kündigen [Absicht]: Vertrag. Marketing Wie nehmen Kunden unsere Produkte wahr? Wo finden wir Produktbotschafter im Web 2.0? Forschung und Innovation Was sind die aufkommenden Trends und Top-Themen? Welche Ideen und Visionen formulieren unsere (künftigen) Kunden? Public Relations Stimmt unser Image in Social Media mit unserem Wunsch- - Image überein? Bahnt sich eine Kommunikationskrise an? Kundenservice Gibt es Themen, auf die das Contact Center vorbereitet sein sollte? Gibt es im Web Lösungen für häufige Fragen der Kunden? Die bisher beschriebene NLP-Vorgehensweise ist unabhängig vom Anwendungsbereich. Sie extrahiert die Begriffe, Fakten, Kernaussagen und Ausdrucksformen aus Texten mit beliebigen Themen. Man bezeichnet sie deshalb als Exhaus - tive Extraction (Englisch für vollständige Extraktion). Das jeweilige Werkzeug verarbeitet die Texte dabei ohne Vorabwissen über ihren Inhalt. Regeln für das Erwartbare aufstellen Mittels regelorientierter NLP arbeitet hingegen die sogenannte Targeted Extraction (Englisch für gezielte Extraktion). Die verantwortlichen Fachleute stellen die Regeln mit einem angenommenen Vorabwissen über die zu erwartenden Inhalte und die zu beantwortenden fachspezifischen Fragen auf. Enthalten die Texte andere Inhalte oder nicht die erwarteten, muss das Werkzeug dies zunächst erkennen und dann das Regelwerk nachgebessert werden. Je nach Komplexität kann das ein kompliziertes und aufwendiges Unterfangen für Experten sein. Fachabteilungen, die Textanalysen beauftragen, erwarten allerdings bei den Antworten auf ihre Fragen mehr als nur Begriffe, Fakten und Kernaussagen. Will das Marketing beispielsweise wissen, warum Kunden zum Wettbewerb wechseln, reicht es nicht, alle Kernaussagen aufzulisten, die die Namen der Wettbewerber oder Begriffe wie wechseln, kündigen oder Alternative beinhalten. Die Kollegen wünschen vielmehr einen differenzierten Bericht und gruppierte zusammengehörende Kernaussagen. Diese Aufgabe übernehmen Kategorien. Sie repräsentieren die fachspezifischen Fragen der Analyse. Eine hierarchische Gliederung der Kategorien sorgt vergleichbar mit einer Klassifikation dafür, dass die Analyseergebnisse dem jeweils gewünschten Detaillierungsgrad entsprechen. Wettbewerbsbeobachtung Was macht die Konkurrenz? (Marketing, PR, neue Produkte...) Was mögen die Kunden an den Produkten der Wettbewerber? Qualitätssicherung Was denken Kunden über unsere Qualität? Gibt es erste Anzeichen für Qualitätsprobleme? Große Erwartungen: Jede Abteilung will etwas von den Konsumenten wissen (Abb.ˇ1). 40 ix 6/2014

5 Die Targeted Extraction befüllt Kategorien nach ihren Regeln, die Exhaus - tive Extraction erledigt das in einem separaten Schritt. Letzteres klingt zunächst wie ein Nachteil, entpuppt sich jedoch bei näherem Hinsehen als günstig. Denn das Trennen von Extraktion und Kategorisierung erlaubt, die gleichen Texte hinsichtlich unterschiedlicher Fragen zu betrachten, ohne dass sie die NLP erneut durcharbeiten muss. s an den Kundenservice ließen sich beispielsweise auf Beschwerden hinsichtlich der Servicequalität oder auf Produktprobleme hin untersuchen. Die für die jeweilige Anfrage relevanten Begriffe, Fakten und Kernaussagen ordnet das Werkzeug den Kategorien zu und ignoriert den Rest. unstrukturierte Daten Dokumente, Notizen, s, Fragebögen, Social Media etc. strukturierte Daten Datenbank, ERP, CRM etc. Datenimport mit linguistischer und semantischer Extraktion Textanalyse fachspezifische semantische Kategorisierung Geschäftsprozesse Begriffe, Entitäten, Fakten, Kernaussagen, Kategorien Business Intelligence Data Warehouse Wichtiges im Textwust erkennen Durch das Zusammenführen unstrukturierter Textinformationen und strukturierter Daten erhoffen sich Unternehmen einen besseren Draht zum Kunden (Abb.ˇ2). Grundsätzlich unterscheidet man zwischen Themen- und Aussagenkategorien. In Ersterer landen die in den Texten behandelten Aspekte. Welche davon wichtig sind, ergibt sich einerseits aus der Fragestellung, andererseits aus der Häufigkeit eines Substantivs. Bei der Anfrage des Marketings nach dem Wechsel zum Wettbewerb wären typische Themen die Namen der Wettbewerber, die Produkte, zu denen die Kunden wechseln, Produkteigenschaften, die sie im Kontext der Wechselaussage aufführen, sowie die Wechselgründe. Aussagenkategorien fassen Fakten und Kernaussagen zusammen. Dabei lässt sich zwischen tonalen und nicht-tonalen Aussagen unterscheiden. Tonale AussaiX 6/

6 TiTel TEXTANALYSE Die ersten Textanalysesysteme entstanden in den späten 90er-Jahren an Universitäten. Linguisten setzen die Technik primär zur sprachwissenschaftlichen Untersuchung großer Textsammlungen ein. Daher gibt es einige aus Forschungsprojekten hervorgegangene freie Werkzeuge. Ihr Schwerpunkt liegt auf dem Erkennen grammatikalischer Informationen sowie der Häufigkeit und dem gemeinsamen Auftreten mehrerer Wörter. Kommerzielle Anbieter haben die wissenschaftlichen Ansätze aufgegriffen und zu Produkten weiterentwickelt. Sie bieten sie entweder als eigenständige OEM-Software an oder integriert in Information-Retrieval- und Business-Intelligence-Systeme. Für die Benutzer steht hier das Domänenwissen über den jeweiligen Fachbereich im Vordergrund, ergänzt durch Werkzeug- und Datenanalysekenntnisse. Im BI-Kontext steht traditionell die schriftliche Kundenkonversation im Fokus der Textanalyse ( Voice of the Customer ). In der Zeit vor Social Media beschränkte sich das Auswerten auf s und Kundenbefragungen. Versicherungen nutzen die Freitextfelder in Schadensmeldungen, um weitere Indikatoren für Versicherungsbetrug zu finden. Die Stimme des Kunden Insbesondere die Tonalitätsanalyse, also die Stimmung der Kunden zu einer Marke oder einem Produkt automatisch zu erkennen, ist inzwischen ein wichtiges Einsatzgebiet der Textanalyse. Spezialanbieter konzentrieren sich beispielsweise auf Lob und Kritik in Hotelbewertungen. Das Anforderungsprofil der Bediener ändert sich durch den Big-Data- Hype in Richtung Data Scientist. Schnell, tolerant und diskret Die Software muss große Textmengen in kürzester Zeit verarbeiten können und tolerant gegenüber Rechtschreibfehlern sowie Slang sein. Sie soll ohne große Anpassungen und möglichst im Hintergrund präzise ihre Arbeit verrichten. Sie soll weiterhin ihre Ergebnisse in Geschäftsanwendungen einfließen lassen und dort im Kontext des jeweiligen Geschäftsprozesses die Basis für schnellere und bessere Entscheidungen sein. Verschiedene Anbieter haben diese Wünsche bereits teilweise umgesetzt. Einige Ansätze gehen noch weiter und versuchen, Textanalyse für die Prognose von Börsenkursen anhand von Social-Media-Beiträgen einzusetzen. Das automatische Generieren zielgruppengerechter News- Artikel ist ebenfalls ein Ziel und dreht derzeit als Roboterjournalismus die Runde in Fachkreisen. Erste Start-ups bieten zu solchen Themen Produkte an. Wer sich darin vertiefen möchte, findet unter Alle Links eine reiche Auswahl an Werkzeugen, darunter viele freie. gen spiegeln die Meinung oder Einstellung, die sogenannte Tonalität (Englisch Sentiment), des Autors zu einem Sachverhalt wider. Eine Aussage darf positiv oder negativ sein. Die Tonalität kann genereller Natur sein ( ich magˇ, ich liebeˇ, ich finde es schlechtˇ, na tollˇ ) oder sehr konkret ( das Smartphone ist sein Geld wert, der Akku hält lange, der Tarif ist viel zu teuer, ihr habt schon wieder nicht zurückgerufen ). Entsprechend ergeben sich Kategorien wie generell positiv, generell negativ, positiv Akku, negativ Tarif, negativ Kundenservice. Eine Frage des Standpunkts Nicht-tonale Aussagen beinhalten keine Wertung. Dies könnten etwa Informationen zum Vertragsstatus ( mein Vertrag läuft in einem Monat aus ), zum Wettbewerber ( ich habe Werbung von XY erhalten ) oder generelle Fragen sein ( wie Ausgewählte Textanalysewerkzeuge Tool Attensity Analyze IBM SPSS Modeller SAP HANA Text Analysis SAS Text Miner Stanford Parser (kostenfrei nach GPL) Temis Luxid Content Enrichment Platform Text Mining Infrastructure in R (kostenfrei nach GPL) Anbieter Attensity, IBM, SAP, SAS Institute, Stanford NLP Group, nlp.stanford.edu Temis, tm.r-forge.r-project.org kann ich eigentlich die PIN ändern? ). Da Tonalität auf Aussagenebene ermittelt wird, darf ein Satz sogar unterschiedliche Wertungen enthalten wie: Ich liebe das iphone, aber der Akku sollte länger durchhalten. Ob eine Aussage positiv oder negativ ausfällt, hängt besonders vom Standpunkt des Auswertenden ab. Eine harsche Kritik am Produkt des HerstellersˇX ist aus dessen Sicht natürlich schlecht. Die Konkurrenz könnte dieser Einschätzung hingegen erfreuliche Aspekte abgewinnen. Das Kategorisieren erfolgt automatisch mit Wörterbüchern, die Schlüsselwörter für bestimmte Kategorien enthalten oder mit Kategorisierungsregeln. Ein Wörterbuch führt beispielsweise die typischen Begriffe für positive und negative Aussagen auf. Alternativ muss man mithilfe eines Werkzeugs kategorisieren, das den Anwender dabei unterstützt, die jeweils relevanten Informationen gezielt zu finden und in Kategorien einzusortieren. Nachdem die Textanalyse die Begriffe, Entitäten, Fakten und Kernaussagen ermittelt und den Kategorien zugeordnet hat, speichert sie diese Informationen zusammen mit den Metadaten des Dokuments im Data Warehouse (Abbildungˇ2). Die ehemaligen Texte liegen nun in strukturierter Form vor, und man kann sie zusammen mit anderen geordneten Daten auswerten. Nahezu jeder Unternehmensbereich kann Erkenntnisse aus internen und externen Kommentaren und sonstigen Beiträgen gewinnen. Die sozialen Medien bauen hier einen gewissen Erwartungsdruck auf. Software für die Textanalyse ist heute in der Lage, große Mengen an Veröffentlichungen schnell zu verarbeiten. Die Kombination aus Textanalyse, Data Warehouse und BI gestattet somit einen vollständigeren Blick auf die Unternehmensdaten als rein datenbankgestützte Verfahren. (jd) Dr. Hans Holger Rath ist Senior Product Manager bei der Attensity Europe GmbH in Saarbrücken. Literatur [1] Achim Born; Analyse und Reporting; Stand der Dinge; Wissen, was läuft; ix 1/2012, S. 90 [2] Frank Puscher; CRM; Stimmungs - barometer; Produkteinschätzungen in sozialen Medien auswerten; ix 4/2012, S. 78 Alle Links: 42 ix 6/2014