Glückliche Kunden sind gute Kunden. Doch oft sind Unternehmen überfordert, ihren Kunden auch nach dem Kauf genau das zu bieten, was gut tut. Der Grund? Viel manuelle Arbeit, hohe Unsicherheit und eine überwältigende Bandbreite an Aufgaben.
Künstliche Intelligenz kann hierbei helfen. Wer KI im Customer Service einsetzt, kann darauf hoffen seine Prozesse zu optimieren, seine Effizienz zu erhöhen und oft schon vorher zu wissen, was zu tun ist.
Automatische Priorisierung von Anfragen
Ein Hauptproblem im Customer Service ist die überwältigende Anzahl an Anfragen. In den meisten Fällen wissen die Sachbearbeiter auch gar nicht, was auf sie wartet oder welche Dringlichkeit die Anfrage hat.
Die Folge? First come first serve: Egal ob das Haus brennt oder man das kleingedruckte zwei Stunden diskutieren möchte – man bekommt die gleiche Priorität. Doch diese Gleichverteilung führt schnell zu höherem Frust. Kunden mit dringenden Anliegen haben eine geringere Wartetoleranz und bewerten die Servicequalität entsprechend.
Mittels KI kann man dieses Problem lösen. Mittels Faktoren wie Anfrage-Inhalt (z.B. Text oder Sprache), Stammdaten (Wer ruft an), Zeitpunkt und andere Datenpunkte lässt sich ableiten, wie wichtig die Anfrage ist. Und entsprechend in die Workflows einarbeiten. Das Ziel? Bessere Koordination der internen Ressourcen und zufriedene Kunden.
Automatische Kategorisierung von Anfragen
Neben einer KI-basierten Priorisierung gibt es auch die Möglichkeit zur automatischen Kategorisierung. Nicht nur die Dringlichkeit, sondern auch die Art der Anfrage kann abgeschätzt werden.
Üblicherweise wird dieses Vorgehen anhand historischer Daten umgesetzt. Der Algorithmus lernt von vergangenen Anfragen, welche Kategorie die korrekte ist. Und leitet davon ein allgemeines, statistisches Modell ab.
Der Einsatzzweck geschieht ganz früh in der Kontaktaufnahme. Ob Country-Manager, Fachspezialisten oder First vs. Second Level Support: Es gibt viele Möglichkeiten, die Anfragen besser zu steuern und entsprechend Effizienz in der Beantwortung zu gewinnen.
Sprache zu Text mittels natürlicher Sprachverarbeitung
Ein weiterer beliebter Anwendungsfall für KI im Kundenservice ist die automatische Übersetzung von Sprache zu Text. Ob Sprachnachrichten, Erstkontakt, Whatsapp oder einfach eine Dokumentation: Natürliche Sprache in Textform zu transkribieren basiert auf KI-Modellen.
Auch hier sind die Effekte klar ersichtlich: Es muss sich niemand um die Niederschrift kümmern, es existiert eine gute, automatische Dokumentation auf die sich die Kundenservice-Mitarbeiter verlassen können und zudem ermöglicht Textform weitere Analysen wie zum Beispiel Kategorisierung von Anfragen.
FAQ generation durch Modellierung
Oft gibt es im Customer Service wiederholende Anfragen. Als solche baut sich internes Wissen auf, wie bestimmte Probleme gelöst werden können. Doch da es viele Mitarbeiter gibt, auf die diese Anfragen aufgeteilt ist, ist die Häufigkeit des Problems auch selten unbekannt.
Hier kommt sogenannte Themen-Modellierung ins Spiel. Mittels der Verarbeitung von natürlicher Sprache können häufig zusammen genannte Begriffe identifiziert und gruppiert werden (z.B. häufige Fehler, Anfragen zu Lieferbedingungen).
Diese “Topics” werden dann gezielt zu FAQs (frequently asked questions, häufig gestellte Fragen) umgearbeitet und auf der Website ausgewiesen. Als Folge entlastet man den Kundenservice, ermöglicht einen Self-Service für Kunden und geht moderner an Fehler und Probleme heran.
Trend detection als Weg zur Prozessoptimierung
Ein weiterer interessanter Anwendungsfall für künstliche Intelligenz im Kundenservice ist die Detektion von Trends. Ein Trend äußert sich häufig durch erhöhte Aktivität – zum Beispiel durch Suchanfragen, Einkäufe oder eben auch Service-Anfragen.
Kann man einen Trend erkennen oder sogar vorhersagen, kann man Angebote, aber auch interne Prozesse darauf ausrichten. Die Folge ist eine bessere Kundenbindung für mehr Umsatz und effizientere Abläufe, um Kosten zu sparen.
Vorhersage der Serviceanfragen zur Personalplanung
Ein weiteres Beispiel für höhere Effizienz im Service ist die Vorhersage von erwarteter Arbeitslast bzw. der Anzahl an Anfragen. Weiß man, wie viele Anfragen man zu erwarten hat, kann man schnell und einfach Personalplanung und Logistik darauf anpassen.
Um die Prognose zu generieren, kann man Zeitreihenanalysen einsetzen, um aus historischen Daten abzuleiten, wie viel Serviceanfragen für die nächsten Tage zu erwarten sind. Ein statistisches Modell zieht Trends, Wochentage, Saisonalität und mehr mit ein, um möglichst genaue Vorhersagen abzugeben.
Mit dieser Information kann man mehr Personal einplanen, falls die Anfragen steigen oder weniger, falls sie fallen. Eine Optimierung der Effizienz für ein gutes Kundenerlebnis und niedrige Kosten.
Vorhersage der Lösung (“Next best action”)
Wer lange in einem Service-Center arbeitet, hat meist innerhalb der ersten Sätze bereits eine Vorstellung was das Problem sein könnte. Auch in Werkstätten oder ähnlichen Einrichtungen ist langjährige Erfahrung häufig ein großer Vorteil, um Probleme schnell und einfach zu lösen.
Dieses Wissen zu formalisieren und an alle Mitarbeiter zur Verfügung zu stellen ist möglich durch eine Lösungsvorhersage bzw. der Vorhersage der “Next best action”. Man nutzt alte Vorgänge um erfolgreiche Lösungen zu identifizieren. Dadurch können auch neue Mitarbeiter schnell eine Empfehlung geben, wie man Anfragen lösen kann.
Vorhersage von Kundenabwanderung: Customer Churn prediction
Ein guter Service ist oft ein Grund, weshalb Kundenloyalität hoch ist. Kunden fühlen sich wohl und haben das Gefühl, gut bedient zu werden. Doch was, wenn dies nicht klappt und Kunden im Begriff sind, ihr Abo zu kündigen bzw. sich nach einem anderen Anbieter umzusehen?
Diese Kundenabwanderung kann verhindert werden, indem man Kunden wieder enger an sich bindet. Ein gezielter Anruf, eine tolle Marketing-Aktion oder bessere Preise sind einfache Hebel, um diesen Umsatz nicht zu verlieren.
Nutzt man künstliche Intelligenz, kann man einfach Kunden identifizieren die in Gefahr laufen, abzuwandern. Diese Info ist fundamental für den Customer Service, sowohl als proaktiver Outreach, bei der Rückgewinnung bei einer Kündigung oder als Information im allgemeinen Service-Gespräch.