Natural Language Processing im Kundencenter
Ihr Team fühlt sich von der Masse der Kundenanfragen überrollt? Sie kommen mit der Bearbeitung kaum hinterher und würden gerne wichtige Kundenanfragen vorziehen?
Dann ist dieser KI-Use Case für Sie besonders spannend! Wir haben für die Beraterinnen und Berater eines Kundencenters ein KI-System implementiert, das mittels Natural Language Processing Kundenanfragen priorisiert und je nach Themengebiet an einzelne Teams weiterleitet.
In diesem Use Case erfahren Sie:
- Wie Sie Ihr Kundensupport-Team mit KI gezielt entlasten
- Wie Sie Routineaufgaben wie die Kategorisierung von Kontaktgründen automatisieren
- Wie Sie die Priorisierung von Anfragen vereinfachen
Welche Kundenanfragen sind besonders kritisch oder wichtig?
Die Agenten stehen vor der Herausforderung, täglich eine Vielzahl von Kundenanfragen zu beantworten. Diese Anfragen erreichen die Agenten per E-Mail und reichen von Produktbeschwerden über technische Fragen bis hin zu Kündigungen.
Leider bleibt den Agenten nicht genügend Zeit, um alle Anfragen in wichtige und unwichtige zu unterscheiden. Zudem ist die Anzahl der Berater im Team begrenzt, so dass wichtige Anfragen nicht selten untergehen oder sehr spät bearbeitet werden.
Dies führt zu Unzufriedenheit bei den Kunden. Dem Unternehmen wird schlechter Service vorgeworfen, obwohl die Berater alles tun, um schnell und korrekt zu antworten.
Wir fragen uns: Wie können wir die Berater unterstützen, die Prozesse beschleunigen und vor allem entlasten?
Vor diesen Herausforderungen stand unser Kunde
Hohes Anfragevolumen
Agenten müssen täglich eine große Anzahl von Kundenanfragen beantworten, die von Produktbeschwerden über technische Fragen bis hin zu Kündigungen reichen.
Priorisierung von Anfragen
Es bleibt nicht genügend Zeit, um zwischen unwichtigen und wichtigen Anfragen zu unterscheiden, so dass wichtige Anfragen oft untergehen oder verspätet bearbeitet werden.
Begrenzte Ressourcen
Die begrenzte Anzahl von Agenten führt zu Überlastung und Unzufriedenheit der Kunden, da der Service trotz der Bemühungen der Agenten als unzureichend wahrgenommen wird.
Wir erreichen dies, indem wir im E-Mail-Kommunikationskanal ein System implementieren, das die Anfragen nach Dringlichkeit sortiert und entsprechend an die zuständigen Fachabteilungen weiterleitet. Dieses System basiert auf Natural Language Processing und arbeitet mit maschinellem Lernen. Dabei wird geschriebene oder auch gesprochene Sprache erkannt und analysiert.
Das NLP-System lernt zunächst durch Trainingsdaten (z.B. Wörter wie “eilig”, “sauer”, “dringend”), wie dringende, wichtige Anfragen aussehen. Und eben auch Anfragen, die keine so hohe Priorität haben. So kann der Algorithmus die Dringlichkeit von E-Mail-Anfragen bestimmen.
Um die Anfrage an das richtige Team weiterzuleiten, lernt das System auch, das inhaltliche Thema der Anfrage richtig zu bestimmen. Die E-Mail wird dann automatisch an die zuständigen Mitarbeiter weitergeleitet.
Wie funktioniert das Natural Language Processing bei E-Mails?
Grundsätzlich wird der Text in E-Mails erkannt und klassifiziert. Das NLP-System lernt aus den bereitgestellten Beispielen die Zusammenhänge in den Textkörpern. Das heißt, es mussten E-Mails bereitgestellt werden, die zuvor von Experten als dringend oder nicht dringend klassifiziert wurden. Ganz offensichtliche Wörter, die in diesem Zusammenhang wichtig sind, sind zum Beispiel: “dringend”, “wichtig”, “verärgert”, aber auch subtilere Wörter und Zusammenhänge werden von der Maschine erkannt.
Je genauer das NLP-System arbeiten soll, desto größer muss die Datenmenge sein, mit der es trainiert wird. Schließlich leiten Algorithmen vorhandene Muster aus den Daten ab. Auf diese Weise wandelt das System unstrukturierte Sprachdaten in ein strukturiertes Datenformat um.
Die folgende Abbildung zeigt noch einmal detailliert den Ablauf der Entwicklung eines solchen Natural Language Processing Systems: Schritte eines Natural Language Processing Workflows von der Vorverarbeitung der Daten bis zur Erstellung einer Vorhersage.
Um das NLP-System optimal an das Kundencenter anzupassen, implementieren wir ein vortrainiertes Transformermodell, das dann auf die spezielle Problemstellung des Unternehmens angepasst und zugeschnitten wird.
Natural Language Processing (NLP) Workflow in 3 Schritten:
1.
Rohdaten sammeln, Text normalisieren (z.B. Tokenisierung, Stoppwörter entfernen) und Daten in ein geeignetes Format umwandeln.
2.
Textdaten in numerische Merkmale umwandeln (z.B. TF-IDF, Word Embeddings) und ein Klassifikationsmodell trainieren.
3.
Evaluierung des Modells mit Testdaten (z.B. Accuracy, F1-Score) und Verwendung des trainierten Modells für neue Vorhersagen.
Welche Vorteile bietet die Priorisierung von Kundenanfragen durch künstliche Intelligenz?
Durch die Implementierung des KI-Systems können alle eingehenden Kundenanfragen über den E-Mail-Kanal nach ihrer Wichtigkeit priorisiert werden. Dadurch können wichtige Anfragen deutlich schneller bearbeitet werden, was zu einer hohen Kundenzufriedenheit beiträgt und gleichzeitig die vorhandenen Ressourcen im Kundencenter effektiv nutzt.
Wenn Sie sich nun vorstellen können, auch in Ihrem Unternehmen ein Natural Language Processing System einzuführen, nehmen Sie bitte Kontakt mit uns auf!
Ihr Ansprechpartner
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte