KI: Die Rolle des Maschinenlernens in der Kundenerfahrung

Der Kundenservice gehört nicht länger nur den Menschen. Maschinen mit simulierter menschlicher Intelligenz werden immer häufiger verwendet, um menschlichen Supportangestellten dabei zu helfen, Kunden glücklich zu machen.

Werfen Sie einen Blick auf die Statistiken.

Laut Zoominfo sagen 80% der Leiter im Vertrieb und Marketing, dass sie bereits künstliche Intelligenz, besonders Chatbot-Software, in ihre Kundenerfahrung einbauen oder dies bis 2020 tun möchten. Juniper sagt außerdem voraus, dass Chatbots bis 2022 für jährliche Kosteneinsparungen von über $8 Milliarden verantwortlich sein werden.

Es ist fast unmöglich zu leugnen, dass KI in den nächsten Jahren eine große Rolle im Kundenservice und der allgemeinen Kundenerfahrung spielen wird. Es lohnt sich also, sich ein gutes Verständnis darüber anzueignen, was KI tatsächlich ist. In diesem Artikel sehen wir uns den Anwendungsbereich von KI, Maschinenlernen, an. Denn dies ist besonders relevant in der Kundenerfahrung.

Maschinenlernen

Laut Expert System ist Maschinenlernen eine “Anwendung der künstlichen Intelligenz, die Systemen die Fähigkeit gibt, durch Erfahrung automatisch zu lernen und sich zu verbessern, ohne ausdrücklich umprogrammiert zu werden.” Das Ziel ist im Grunde, Maschinen dazu zu befähigen, automatisch zu lernen, sodass sie basierend auf den Daten, die ihnen zur Verfügung stehen, reagieren können.

Nehmen wir Chatbots als Beispiel. Chatbots geben verschiedene Antworten, abhängig von den Daten, die ihnen gegeben werden. Wenn Sie also beispielsweise “Sunshine,” den Chatbot eines Investmentfonds, fragen, wie man ein Konto eröffnet, kann er Ihre Frage entsprechend interpretieren und diese Antwort geben:

Selbst wenn Sie keine Frage stellen (also Daten eingeben), erhalten Sie diese Antwort:

Kurz gesagt interpretiert der Chatbot den Mangel an Daten korrekt.

Durch Maschinenlernen erfährt der Chatbot nicht nur, wann er bestimmte Antworten geben soll. Es ist ihm auch möglich, die notwendigen Informationen von Nutzern zu sammeln und zu entscheiden, wann es Zeit ist, eine Unterhaltung an einen menschlichen Angestellten weiterzuleiten.

Sie fragen sich nun vielleicht, wie genau er das überhaupt schafft. Nun kommen wir zu den Algorithmen.

Algorithmen des Maschinenlernens

Ein Algorithmus des Maschinenlernens ist ein Prozess oder eine Reihe an Vorgängen, die einem Model helfen, auf erhaltene Daten zu antworten. Der Algorithmus bestimmt, wie die Daten von Eingaube zu Ausgabe verändert werden sollen. Er legt auch fest, wie das Model das Mapping des gesamten Prozesses lernen soll. Wenn Sie den Vorgang der Datenmarkierung richtig durchgeführt haben, kann Ihr KI-Modell die Daten ordentlich lernen und seine Aufgaben ausführen.

Es gibt verschiedene Arten von Maschinenlern-Algorithmen:

• Algorithmen für überwachtes Maschinenlernen: Hier wird das Gelernte mithilfe von gekennzeichneten Beispielen auf neue Daten angewandt, um Ereignisse vorauszusagen. Der Algorithmus analysiert ein Lern-Datenset und stellt dann Prognosen über die Ausgabewerte. Er kann auch Vergleiche zwischen der korrekten und beabsichtigten Ausgabe erstellen und Änderungen durchführen.
• Algorithmen für nicht überwachtes Maschinenlernen: Wenn die Informationen in dem Training weder klassifiziert, noch gekennzeichnet sind, ist dieser Algorithmus praktisch. Er legt nicht fest, was die korrekte Ausgabe ist. Er erkundet die Daten und beschreibt dann versteckte Strukturen von nicht gekennzeichneten Daten.
• Algorithmen für semi-überwachtes Maschinenlernen: Wie der Name sagt, verwendet dieser Algorithmus sowohl gekennzeichnete, als auch nicht gekennzeichnete Daten für das Training. Diese Methode kann die Lerngenauigkeit verbessern.
• Algorithmen für verstärktes Maschinenlernen: Dieser Algorithmus erlaubt es Maschinen, das ideale Verhalten in einem bestimmten Kontext zu bestimmten, um für optimale Leistung zu sorgen. Die Bezeichnung verstärktes Maschinenlernen bedeutet, dass ein einfaches Belohnungsfeedback oder ein Verstärkungssignal erforderlich ist, sodass die Maschine lernen kann, welche Handlung am Besten ist.

Um dies besser zu verstehen, sehen wir uns an, wie Maschinenlernen speziell auf den Kundenservice angewendet werden kann.

Maschinenlernen im Kundenservice

Anwendungen von Maschinenlernen sind in Wahrheit gängiger, als manche Menschen denken.

Das fehlende Bewusstsein ist nicht überraschend, da die Forschung des Maschinenlernens der Akademie verwiesen wurde. Selbst im Bildungsbereich lernen nicht alle Studenten über dieses Thema. Fragen Sie Bekannte und Sie werden sehen, dass nur von Studenten, die sich auf Computerwissenschaften oder andere computerspezifische und sogar ingenieurwissenschaftliche Fächer erwartet wird, sich damit zu beschäftigen.

Wir möchten das jedoch mit diesem Artikel ändern. Hier sind bestimmte Anwendungen von Maschinenlernen, aus der echten Welt:

Chatbots

Chatbots, wie die in den Beispielen aus dem ersten Teil des Artikels, sind eine der gängigsten Anwendungen von Maschinenlernen in der Kundenservice-Industrie. Aufgrund der Chatbots, die überall im Einsatz sind, erwarten laut Gartner unglaubliche 67% der Menschen, sie zu sehen oder zu verwenden, wenn sie mit einem Unternehmen sprechen.

Dank des Maschinenlernens können Chatbots durch den Einsatz von natürlicher Sprachverarbeitung die richtige Markierung jeder Unterhaltung genau identifizieren. Das Ergebnis ist, dass der Chatbot das Gesagte “liest” und versteht. Sobald er es verstanden hat, sendet er Ihnen eine angemessene Antwort (sehen Sie das Beispiel “Sunshine” oben) oder leitet Sie an die richtige Person weiter, die Ihnen behilflich sein kann.

Je mehr Unterhaltungen der Chatbot führt, desto korrekter wird die Antwort sein. Er erhält Feedback von Kunden, die ihm mitteilen, ob die Markierung richtig oder falsch war, wodurch der Chatbot seine Leistung verbessern kann.

Virtuelle Assistenten

Virtuelle Assistenten werden oft mit Chatbots verwechselt. Sie sind jedoch nicht das Gleiche. Chatbots simulieren eine Interaktion mit einem Angestellten, während virtuelle Assistenten sich auf bestimmte Bereiche in der Kundenreise konzentrieren, um dem Kunden dort zu helfen.

Wenn Sie zum Beispiel Microsoft verwenden, können Sie Cortana per Stimmbefehl fragen, wann der Sommer beginnt und sie antwortet mit den gewünschten Informationen.

Wenn Sie fragen, zeigt Ihnen Cortana nicht nur das Folgende:

Durch die Verwendung der natürlichen Sprachverarbeitung, die menschliche Sprachmuster imitiert, gibt sie Ihnen die Antwort in einem Stimmton, der die menschliche Stimme simuliert, um für eine engere Interaktion zu sorgen. Aber wie genau funktionieren virtuelle Assistenten wie Cortana, Siri von Apple, der Google Assistant und Alexa von Amazon?

Wenn Sie sie aktivieren, wird Ihre Anfrage an die Server des Geräteunternehmens gesendet (Deshalb ist ein guter Internetempfang wichtig). Währenddessen überprüft Ihr Smartphone oder Smartspeaker, ob er den Befehl ohne zusätzliche Informationen von dem Server bearbeiten kann. Sobald die Anfrage die Server erreicht, analysiert ein Algorithmus die Wörter und den Stimmton Ihrer Anfrage. Nun ordnet er der Anfrage einen vorhandenen Befehl zu, von dem er denkt, dass er mit Ihrer Anfrage übereinstimmt.

In unserem Beispiel oben hat der Algorithmus von Cortana Ihre Anfrage offensichtlich dem richtigen Befehl zugeordnet. Aber was passiert, wenn Sie etwas fragen, das der Algorithmus nicht sicher weiß? Dann sagt der virtuelle Assistent etwas wie “Meinten Sie _____?” oder “Es tut mir Leid, das kann ich nicht.”

E-Mail-Verifizierungstools

Wenn Sie Ihr Leben lang schon mit E-Mail-Marketingkampagnen oder der E-Mail-Kontaktaufnahme zu tun haben, stellen Sie wahrscheinlich immer sicher, dass Ihre E-Mails von einem E-Mail-Verifizierungstool verifiziert wurden, bevor Sie eine E-Mail versenden. Sie tun das, weil Sie wissen, dass E-Mails abprallen, wenn sie an ungültige E-Mail-Adressen gesendet werden. Je höher die Bouncerate, desto geringer ist Ihr Absender-Score. Das führt dazu, dass Ihre E-Mails von Spamfiltern gefangen werden.

Haben Sie sich jedoch jemals gefragt, wie genau dieses E-Mail-Verifizierungstool funktioniert? Nun ja, auch hier ist Maschinenlernen mit im Spiel. Einfach gesagt geben fortgeschrittene Maschinenlern-Algorithmen dem E-Mail-Verifizierungstool die Fähigkeit, flüchtige, disponible Adressenanbieter zu tracken und zu überprüfen, ob eine E-Mail tatsächlich existiert oder nicht.

Kundensupport mit echten Angestellten

Nutzer von Uber haben das Unternehmen wahrscheinlich schon einmal für Support kontaktiert. Obwohl am Ende ein menschlicher Kundenbetreuer die Lösung zu einem Problem bereitstellt, raten Sie einmal, wie der Mitarbeiter dies mit solch einer Schnelligkeit und Genauigkeit tun kann?

Durch COTA, dem Customer Obsession Ticket Assistant von Uber, werden echte Kundenservice-Angestellte dazu bestärkt, die passendste Lösung für Tausende von Tickets bereitzustellen, die auf der Plattform täglich aus über 3000 Städten auf der ganzen Welt eintreffen.

Wenn ein Uber-Nutzer auf die App zugreift und Fragen über die Art seines oder ihres Problems beantwortet, hilft der Nutzer COTA, das Ticket durch die natürliche Sprachverarbeitung zu “verstehen”.

COTA leitet das Ticket dann an das richtige Team weiter. Durch Algorithmen des Maschinenlernens zeigt es dem Kundenservice-Angestellten die drei bestbewertetsten Lösungen an. Der Mitarbeiter wählt dann, welche der empfohlenen Lösungen in der bestimmten Situation am Besten passt. Diese Lösung wird dann dem Kunden vorgeschlagen.

Laut Uber steigerte ein besseres Ticket-Routing dank COTA die Effizienz um satte 10 %. “Durch die Verbesserung der Agentenleistung und die Beschleunigung der Ticketlösungszeiten hilft COTA unserem Customer Obsession-Team, unseren Benutzern besser zu dienen, was zu einer höheren Kundenzufriedenheit führt“, sagte Uber.

COTA’s Fähigkeit, die Ticketlösung zu beschleunigen hat Uber angeblich “jedes Jahr Mehrere Millionen Dollar” gespart.

Verhaltens-/Tendenzanalyse-Tools

Manche Unternehmen verwenden Maschinenlernen, um Tendenzen und Verhaltensmuster zu analysieren. Dies ist wichtig, denn wenn Sie wissen, wie sich Ihre Kunden verhalten, können Sie beispielsweise die notwendigen Anpassungen an Ihrem Service und Ihren Produkten durchführen, um sie besser zu bedienen. Wenn Sie Tendenzen analysieren, können Sie auch Prognosen aufstellen, auf welche Sie Entscheidungen bezüglich der Unternehmensentwicklung gründen können.

Codeacademy, eine Online-Plattform, die Coding anbietet, nutzt zum Beispiel Solvvy, um die Suchtrends der Kunden zu analyiseren. Dadurch konnten sie Themen finden, nach denen Kunden suchten, für die sie jedoch keine Antworten finden konnten. Das Ergebnis? Codeacademy schaffte es, die bestehenden Lücken zu schließen und die Arbeitslast des Kundenservice-Teams zu reduzieren. Am Ende erhielten die Kunden einen besseren Service.

Air Canada nutzt Maschinenlernen wiederum, um sich Tausende von Unterhaltungen mit Kunden während Online-Buchungen anzusehen. Durch das Ansehen von Kundenbeschwerden kann das Unternehmen häufige Probleme erkennen, auf die Kunden bei der Ticketbuchung gestoßen sind und diese beseitigen. Da das Unternehmen die Kundenerfahrung verbessert hat, konnte es Arbeitskosten im Kundensupport sparen.

Basierend auf diesen Beispielen können wir verschiedenen Wege ableiten, wie das Maschinenlernen die Kundenerfahrung optimiert. Hier sind einige davon:

• Es bietet Support und Rat
• Es sagt Verhaltensmuster und Tendenzen voraus
• Es erkennt Kundenprobleme
• Es hilft, den Workflow zu verbessern
• Es automatisiert Aktivitäten der Angestellten
• Es personalisiert die Kundenerfahrung

Maschinenlernen in der Kundenerfahrung: Aussichten

Man kann nicht leugnen, dass Maschinenlernen bereits eine große Rolle in der Kundenerfahrung spielt. Die Aussichten sind, laut einigen Experten, sogar noch vielversprechender.

Laut Digital Information World wird das Maschinenlernen bald “explodieren,” da Unternehmen sein weiteres Wachstum fordern. Ein Artikel von Oleksii Kharkovyna, welches in Towards Data Science veröffentlicht wurde, besagt, dass Tools des Maschinenlernens sich weiter entwickeln und eine optimierte Kundenerfahrung möglich machen werden. Das ist gar nicht unwahrscheinlich.

Chatbots und virtuelle Assistenten sind bereits nützlich, haben jedoch noch nicht ihr vollstes Potential erreicht. Derzeit sind die Antworten mancher Chatbots und VAs nicht korrekt. Manchmal haben sie keine Antworten auf bestimmte Fragen parat oder verstehen Fragen nicht.

Mit dem weiteren Wachstum des Maschinenlernens werden Chatbots und virtuelle Assistenten ein breiteres Spektrum an Antworten in ihrer Datenbank, sowie ein besseres Verständnis der Daten erhalten.

In einigen Jahren wird Cortana beispielsweise selbst auf die kompliziertesten Fragen eine Antwort wissen. Antworten wie “Meinten Sie _____?” oder “Es tut mir Leid, das kann ich nicht” werden dann der Vergangenheit angehören. Vielleicht kann Cortana sogar ein gesamtes, von Ihnen diktiertes, Word-Dokument abtippen. Oder vielleicht erhält einer der virtuellen Assistenten sogar einen menschlichen Körper.

Zukünftige Nachfrage nach Maschinenlernen

Aber nicht nur Maschinenlernen wird sich weiterentwickeln. Die Nachfrage nach Maschinenlernen von Unternehmen, die ihre Kundenerfahrungen optimieren möchten, wird in Zukunft weiter steigen.

Gartner sagt beispielsweise voraus, dass bis 2022 eine aufsteigende Technologie, wie eine Maschinenlern-Anwendung, in 72% der Kundeninteraktionen mit einbezogen sein wird. Dies ist ein Anstieg von den 11 Prozent, die in 2017 aufgezeichnet wurden. Bis 2021 sollten 15 Prozent der Kundenservice-Interaktionen vollständig von diesen Tools gehandhabt werden. Dies ist ein Anstieg von 400 Prozent seit 2017.

Die Frage ist dann, werden Anwendungen zum Maschinenlernen menschliche Angestellte ersetzen? Wie Gartner denken auch P.V. Kannan und Josh Bernoff, dass dies nicht der Fall sein wird. In einem Artikel der MIT Sloan Management Review sagten die beiden, dass die Zukunft des Kundenservices in Wahrheit in der Zusammenarbeit zwischen Mensch und Maschine liegt.

Laut Kannan und Bernoff geht es nicht so sehr darum, Arbeiter los zu werden, sondern mehr darum, sie schlauer zu machen. “Wenn Maschinen alltägliche Anfragen bearbeiten, werden Kunden glücklicher. Und wenn sich das Servicepersonal auf komplexere Fragen konzentriert — oder darauf, Fragen zusammen mit einem Bot zu beantworten, der Vorschläge macht — können sie viel besseren Service anbieten,” sagen die beiden.