360 Grad Sicht allgemein.jpg

Künstliche Intelligenz im Kundenservice

Ein Artikel von Gerald Martinetz, Datenextraktion und Klassifikation bei Mindbreeze | 13.08.2019 - 11:01
Gerald Martinetz_Verantwortlicher_Bereich_Klassifizierung_bei_Mindbreeze.jpg

Gerald Martinetz, Datenextraktion und Klassifikation bei Mindbreeze

Eine der größten Herausforderungen für den Kundenservice ist die steigende Anzahl an unstrukturierten Daten. Meist hapert es bei der Beantwortung von Anfragen nämlich nicht am fehlenden Wissen im Unternehmen, sondern an der adäquaten Bereitstellung der benötigten Informationen. Sogenannte Insight Engines bieten dabei ­Unterstützung. Sie basieren auf Enterprise Search und sind in der Lage, Daten zu ­analysieren, zu verstehen und miteinander zu verknüpfen. Dadurch verbessern sie die Datenbereitstellung im Unternehmen und ermöglichen, dass alle Informationen zum benötigten Zeitpunkt im relevanten Kontext zur Verfügung gestellt werden können. Die Mitarbeiter werden in ihrem Arbeitsalltag entlastet und proaktiv unterstützt, was die Kundenzufriedenheit erhöht. 

Im Gegensatz zu klassischen Suchmaschinen nutzen Insight Engines dafür Methoden der Künstlichen Intelligenz. Mit Natural Language Processing (NLP) und Natural Language Question Answering (NLQA) wird das bestehende Unternehmenswissen erfasst, werden entsprechende Informationen extrahiert und Zusammenhänge zwischen den einzelnen Daten aufgezeigt. Auf diese Weise können sie die natürliche Sprache verstehen, analysieren und so den ­Bedarf des Anwenders korrekt ermitteln. Statt endlose Trefferlisten zu generieren, ist es ihnen auf diese Weise möglich, konkret auf Fragestellungen zu antworten. Die Frage nach einem bestimmten Kunden und seiner Adresse führt also statt zu Dokumenten mit Straßennamen zu einer exakten, aus der Vielzahl an Daten extrahierten Antwort: „Musterstraße 55, 10115 Berlin.“ Semantische Analysen generieren parallel Zusatz­informationen, die dem Anwender proaktiv zur Verfügung gestellt werden, um beim Rechercheprozess zu unterstützen. Insight Engines sind außerdem in der Lage, von ­ihren Anwendern, etwa von Mitarbeitern am Schalter oder im Callcenter, zu lernen. Dafür nutzen sie Machine und Deep Learning, um Arbeitsweisen und Nutzerverhalten zu analysieren. Auf Basis vorangegangener Suchtreffer und der Interaktion mit bestimmten Dokumenten können sie die Relevanz von Ergebnissen kategorisieren und entsprechend bereitstellen. Dokumente, die oft bearbeitet, gesucht oder gelesen werden, werden weiter nach vorne gereiht und bevorzugt angezeigt. 

Bei Versicherungen ist die Unternehmenswebsite bei Fragen die erste Anlaufstelle. Insight Engines sorgen hier für eine verbesserte Customer Experience, da sie eine plattformübergreifende Suche ermöglichen. Mit nur einer Abfrage erhält der Anwender Informationen aus unterschiedlichen Datenquellen wie Website, Foren oder Hilfeseiten. Kunden bekommen so proaktiv Vorschläge für ihre Anliegen, wodurch Lösungen für klassische Anfragen rasch selbst gefunden werden können. Die Mitarbeiter an der Kundenhotline müssen so weniger Zeit in die Beantwortung immer wiederkehrender Fragen investieren und sind ­damit für wichtigere Aufgaben verfügbar. Darüber hinaus können Insight Engines mittels NLP und NLQA die Funktionen von bestehenden Chatbot-Lösungen optimieren. Die Technologien ermöglichen den Chatbots, Anfragen tatsächlich zu verstehen und akkurate Antworten zu geben, anstatt Ergebnisse zu liefern, die auf Entscheidungsbäumen basieren. 

Versicherungen, die im Wettbewerb bestehen möchten, müssen flexibel und rasch auf die geänderten Rahmenbedingungen eingehen. Insight Engines unterstützen bei den täglichen Arbeiten und entlasten die Mit­arbeiter. Dadurch können die erhöhten ­Ansprüche der Kunden optimal bedient, interne Ressourcen geschont und wichtige Wettbewerbsvorteile generiert werden.