Künstliche Intelligenz im Kundenservice – Automatisieren der Bearbeitung von Kundenanliegen

Mit einem hochwertigen Kundenservice können Unternehmen die Zufriedenheit bzw. Bindung ihrer Kunden erhöhen, aber auch indirekt oder direkt Geschäfte generieren. Dabei ist die Ge­schwin­dig­keit, mit der die Anliegen beantwortet werden, ein wichtiges Kriterium. Zugleich ist der Kunden­service  –  besonders durch das Personal, das die zahlreichen Kundenanliegen bearbeitet  –  aber ein Kostenfaktor.
 
Künstliche Intelligenz (KI) ist in den letzten Jahren bedeutender geworden. Auf verschiedenen Ge­bieten  –  wie der Bild- und Spracherkennung  –  wurden enorme Verbesserungen erzielt: Computer können teils verstehen, was wir sagen, und treffen qualifizierte Aussagen über Bilder, die wir ihnen zur Erkennung geben. Das ist als Durchbruch zu werten und kann den Automatisierungsgrad bei der Bearbeitung von Kundenanliegen signifikant erhöhen.

Kundenanliegen

Im Kundenservice werden i. d. R. folgende Prozess-Schritte durchlaufen: Die Anfragen werden angenommen, qualifiziert und bearbeitet. Letzteres beinhaltet die Entscheidung für eine geeignete Lösung, die im ab­schließenden Schritt ausgeführt wird. Die Prozess-Schritte können anhand des jeweiligen Outputs beschrieben werden.
 

Als Ergebnis des Schritts „Kundenanliegen annehmen” liegt selbiges mindestens in Textform vor. Teilweise liefert bereits dieser Schritt zusätzlich strukturierte Informationen: Bspw. die E-Mail-Adresse des Kunden oder, wenn der Kunde sich über ein Online-Kontaktformular an das Unternehmen gewandt hat, die dort erhobenen Daten.
 

Am Ende des Prozess-Schritts „Kundenanliegen qualifizieren” soll das Kundenanliegen verstanden sein. Um Wünsche später auswerten zu können, muss das Verständnis in einer Schlüsselung abgebildet und gespeichert werden. Eine gute Schlüsselung bzw. Kategorisierung des Anliegens gibt die Bedeutung nahezu vollständig wieder.
 

Während der Vorgangsbearbeitung recherchiert der Agent üblicherweise alle erforderlichen Informationen in verschiedenen Systemen sowie bei Kollegen, Partnern und dem Kunden selbst. Liegen alle Informationen vor, entscheidet der Agent, welche Lösung passend ist.
 

Liegt diese Entscheidung vor, gilt es, sie auszuführen. Das Ergebnis ist meistens ein Antwortschreiben; hinzu treten möglicherweise auch Aktivitäten wie die Überweisung eines Geldbetrags oder eine Warenlieferung.

Automatisierung

Basierend auf Vergangenheitsdaten können verschiedene Prozess-Schritte im Kundenservice unter bestimmten Bedingungen tatsächlich mit Methoden der KI teilweise oder vollständig automatisiert werden. Eine Vor­gehens­weise besteht darin, dem System anhand von Beispielen zu zeigen, welche Eingangsdaten in der Vergangenheit zu welchen Entscheidungen geführt haben. Die KI erkennt die Entscheidungsmuster und wendet sie auf neue Daten an. Bspw. könnte die Qualifizierung eines Kundenanliegens softwaretechnisch erfolgen.

Die textuellen Sachverhalte und strukturierten Informationen aus abgeschlossenen Anliegen dienen als Ein­gangs­daten, auf denen die Entscheidungen beruhen. Die zugehörigen Kategorisierungen der Kundenanliegen sind die in der Vergangenheit getroffenen Entscheidungen, wie die Anliegen einzuordnen sind. Mit solchen Daten wird die KI angelernt und dazu befähigt, aus einer neuen Abfrage mit ihren ergänzenden strukturierten Informationen selbstständig eine Kategorisierung vorzunehmen.

Wenn in den abgeschlossenen Kundenanliegen die Lösungen aufgegliedert verfügbar sind, kann KI beim Prozessschritt „Kundenanliegen bearbeiten und für eine Lösung entscheiden” unterstützen.
 

Eingangsdaten für den Lernalgorithmus können die Sachverhalte in Textform, die strukturierten Informationen und die Kategorisierungen aus abgeschlossenen Anliegen sein. Die auf den Sachlagen entschiedenen Lösungen komplettieren die Lerndaten.

KI kann die Zusammenhänge zwischen den Eingangsdaten und den entschiedenen Klärungen erlernen und basierend auf den Vergangenheitsdaten Lösungen für neue Anliegen ermitteln.
 

Dabei müssen es nicht unbedingt die aktuell viel besprochenen Methoden „Neuronale Netze” und „Deep Learning” sein, die das beste Ergebnis erzielen. Auch wenn diese KI-Disziplinen aktuell sehr prominent sind, gibt es weitere Verfahren, die im Einzelfall bessere Ergebnisse erzielen. Deshalb ist es wichtig, die gängigen Verfahren zu kennen und von Fall zu Fall die geeignetsten Möglichkeiten miteinander zu kombinieren.

Treffsicherheit

Um die Zuverlässigkeit der trainierten KI zu überprüfen, gibt es ein einfaches Verfahren: Anstatt alle Ver­gangen­heitsdaten für das Anlernen zu nutzen, hält man einen gewissen Prozentsatz zurück. Diese Daten kennt das trainierte System demnach nicht und man lässt das System zur Gegenprobe genau dafür Lösungen ermitteln. So kann eine Trefferquote berechnet werden.
 

Ein Ergebnis des Verfahrens kann sein, dass Anliegen mit bestimmten Klassifizierungen gut vom System ent­schieden werden, während andere eine schlechte Trefferquote haben.

Basierend auf den Ergebnissen ist der Automatisierungsgrad festzulegen. Eine vollständige Automatisierung macht nur Sinn, wenn die Quote sehr gut ist. Diese Anliegen werden schnell beantwortet und bedürfen entsprechend weniger manueller Bearbeitung, was sich auch in den Personalkosten niederschlagen wird.