Wie wird Machine Learning im Kundenservice eingesetzt?

Machine Learning wird im Kundenservice eingesetzt, um ihn für Kunden praktischer und für Supportmitarbeiter effizienter zu gestalten. Support-orientierte Kundenanalysetools auf Basis von Machine Learning werden aufgrund ihrer zunehmenden Benutzerfreundlichkeit und erfolgreichen Anwendungen in einer Vielzahl von Branchen immer beliebter. Gartner prognostiziert, dass bis zum Jahr 2021 15 Prozent aller Kundenservice-Interaktionen vollständig durch künstliche Intelligenz abgewickelt werden.

Trotz ihrer wachsenden Beliebtheit herrscht immer noch große Verwirrung darüber, wie künstliche Intelligenz und insbesondere Machine Learning in unser heutiges Konzept von Kundenservice passen. Darum möchten wir einige der offenen Fragen klären.

Bereitstellung von datenbasierten Erkenntnissen

Vorab eine kurze Definition: Machine Learning ist eine Art der künstlichen Intelligenz, die mehrere Ebenen von Algorithmen einsetzt, um aus den Daten zu „lernen“, die sie verarbeitet. Künstliche Intelligenz ist eine Art Sammelbegriff für die Simulation menschlicher Intelligenz; beim Machine Learning hingegen geht es eher darum, wie eine Maschine Informationen erfasst, die Regeln für ihre Verwendung versteht und mit der Zeit immer besser darin werden kann.

Erfolgreiche Anwendung findet Machine Learning zum Beispiel in Bereichen, in denen viele Daten verarbeitet werden müssen, damit fundierte Entscheidungen getroffen werden können. Menschen sind nicht gut darin, konstante Datenströme zu verarbeiten, wie es Algorithmen können – in der Regel haben wir Besseres zu tun, zum Beispiel die direkte Betreuung von frustrierten Kunden. Um den Kundenservice möglichst effizient zu gestalten, ist es besser, wenn menschliche Supportmitarbeiter Erkenntnisse aus Daten gewinnen können.

Machine Learning im Kundenservice geht noch einen Schritt weiter: Es wendet die gewonnenen Erkenntnisse so an, dass das Kundenerlebnis optimiert werden kann. Dabei kann es darum gehen, Support-Mitarbeitern mehr Wissen zu vermitteln (beispielsweise durch vorausschauende Analysen) oder sie effizienter zu machen (etwa wenn ein KI-gestütztes Tool Kundenprobleme völlig eigenständig lösen kann).

Schwerpunkt auf Self-Service

Von Self-Service spricht man, wenn ein Kunde die benötigte Hilfe selbst findet und sein Problem lösen kann, ohne mit einem menschlichen Mitarbeiter zu interagieren. Umfragen haben ergeben, dass 81 % der Kunden ihre Probleme lieber selbst lösen, als mit einem Support-Mitarbeiter zu sprechen. Daher haben viele Unternehmen ihr Self-Service-Angebot verstärkt, um das Kundenerlebnis zu verbessern. Eine der einfachsten Methoden zur Bereitstellung von Self-Service ist die Erstellung einer Wissensdatenbank.

Self-Service ist ein gängiger Anwendungsfall für Machine-Learning-Anwendungen: Chatbots, virtuelle Assistenten und viele andere KI-gestützte Tools sind in der Lage, zu „lernen“ und Interaktionen mit Kundenservice-Mitarbeitern zu simulieren. Einige dieser Anwendungen nutzen Deep Learning – eine erweiterte Art von Machine Learning –, um sich ständig zu verbessern und so den Nutzern genauere und hilfreichere automatisierte Unterstützung zu bieten.

Wie wird Machine Learning im Kundenservice eingesetzt?

Chatbots

Chatbots sind das erste, was vielen in den Sinn kommt, wenn es um KI-Technologie im Kundenservice geht. Ihre Fähigkeit, Interaktionen mit Kundenservice-Mitarbeitern zu simulieren und einfache Anfragen zu beantworten, macht sie zu einer effektiven Self-Service-Lösung. Mithilfe von Machine Learning können Chatbots lernen, wann sie bestimmte Antworten geben, wann sie erforderliche Informationen von Nutzern einholen und wann sie ein Gespräch an einen menschlichen Mitarbeiter weitergeben sollten.

Virtuelle Assistenten

Virtuelle Assistenten unterscheiden sich von Chatbots dadurch, dass sie nicht versuchen, Interaktionen mit (menschlichen) Mitarbeitern zu simulieren. Stattdessen konzentrieren sie sich auf bestimmte Bereiche der Customer Journey, in denen sie Kunden Unterstützung bieten können. Wenn sie über Machine-Learning-Fähigkeiten verfügen, können sie lernen, welche Art von Informationen sie an Mitarbeiter weitergeben (oder zur Nutzung in Analyseprogrammen speichern) können. So können sie bessere Unterstützung bieten. Ein Beispiel ist Answer Bot von Zendesk, der auf Basis einer Kundenanfrage Hilfeartikel empfiehlt. Außerdem kann er automatisieren, wie Mitarbeiter Hilfeartikel finden.

Content-Erstellung

Fast 40 % der Kunden geben an, dass sie bei der Suche in Wissensdatenbanken nicht die gewünschten Hilfeartikel finden. Machine Learning kann eingesetzt werden, um die aus Support-Tickets gewonnenen Daten zu analysieren und sie in verwertbare Erkenntnisse umzuwandeln, die Mitarbeiter dann auf Hilfeartikel anwenden können. Diese Erkenntnisse zeigen, wie Nutzer ihre Probleme beschreiben und ob diese Beschreibungen mit dem Inhalt der Wissensdatenbank übereinstimmen. Mitarbeiter können diese Empfehlungen dann aufgreifen und die Hilfeartikel so anpassen, dass sie für Kunden relevanter und leichter zu finden sind.

Prädiktive Analyse

Kundenservice erfordert messbare Analysedaten, um kontinuierliche Verbesserungen zu erzielen, und Machine Learning kann dazu beitragen, einige Support-Analysen um ein prädiktives Element zu erweitern. Prädiktive Kundenservice-Analysen nutzen Daten aus vorherigen Kundenservice-Interaktionen, um zu ermitteln, wie die quantitativen Ergebnisse in der Zukunft aussehen könnten. Außerdem können sie in Echtzeit Erkenntnisse gewinnen, die Mitarbeitern möglicherweise entgehen. Ein Beispiel dafür ist das Tool Satisfaction Prediction von Zendesk, das die CSAT-Bewertung von Kunden vorhersagt. Solche Erkenntnisse können eine große Hilfe für Kundenservice-Organisationen sein, die bessere Kundenerlebnisse bieten möchten.