Autor: Prof. Dr. Nils Hafner ist internationaler Experte für den Aufbau profitabler Kundenbeziehungen
30–40% aller Contactcenter nutzen schon verschiedene Machine-Learning-Anwendungen. Das zeigt die aktuelle Auswertung des Service Excellence Cockpit. Dadurch ergeben sich jedoch einige Fragen: Welche Potenziale ergeben sich für das Gros der Center – und was können ML-Anwendungen heute leisten?
In meinem letzten Update bezüglich der Ergebnisse des diesjährigen Service Excellence Cockpit hatte ich aufgezeigt, wie Künstliche Intelligent (KI) und Machine Learning heute schon im Kundenservice eingesetzt werden. Auffällig war dabei, dass bis zu 70% der befragten Unternehmen angaben, dies sei für sie noch kein Thema. Da wir hier jedoch für die Zukunft enorme Potenziale sehen, haben wir uns entschlossen, einmal die Einsatzmöglichkeiten solcher Technologie im Contactcenter näher zu erläutern.
Mit die grössten Chancen ergeben sich bei der Qualifikation vor allem schriftlicher Kontakte wie Briefe, Mail oder Chat im Input-Management. Hier lernt das System aus der manuellen Zuordnung von Kontakten zu einzelnen Mitarbeitenden mit bestimmten spezifischen Fähigkeiten. Es versteht also quasi die «Kundenkorrespondenz» und welche Aktion durch welchen Inhalt ausgelöst wird. Ab einem bestimmten Zeitpunkt übernimmt die Maschine die Zuordnung. Die Mitarbeitenden, die die Kontakte erhalten, bestätigen durch ihre Annahme, dass diese Zuordnung gut war oder durch die Zurückweisung des Kontakts, dass die Zuordnung nicht richtig war, bzw. durch die Weiterleitung des Vorgangs, welcher Kollege dafür besser qualifiziert wäre. Diese Information wird in das System zurückgespielt und dort als Lernergebnis abgespeichert. Zukünftig wird die Verteilung so noch präziser gesteuert. Hier entfällt natürlich die menschliche Arbeit und die Prozesse werden wesentlich beschleunigt. Je nachdem wie viel schriftliche Kommunikation das jeweilige Center hat, potenziert sich der Nutzen.
.Persönliche Kommunikation wird Bots vorgezogen (W3B Fittkau und Maaß, 2017)
Lernfähige Bots
Gleiches gilt beispielsweise in der Terminzuordnung für einen physischen Techniker. Hier können gerade Servicebots im Chat schnelle Lösungen bieten. Der Bot hat gelernt, welche Anfragen welche Fähigkeitsprofile eines Servicetechnikers erfordern. Ebenso kann er durch Routenoptimierung gut abschätzen, welcher Techniker sich an welchem Tag ohnehin schon in der Nähe des Kunden befindet. So können die Kosten eines Vororteinsatzes sehr schnell minimiert werden und der Kunde erhält eine Ad-hoc-Antwort. Das wäre beispielsweise für einen menschlichen Mitarbeiter wesentlich aufwendiger, da er erst einmal schauen müsste, welches Fähigkeitsprofil auf welcher Route unterwegs ist.
Generell fehlt Bots heute jedoch häufig noch die Akzeptanz des Kunden. Wie eine Studie der Internetagentur W3B ergab, lehnen 52% die Nutzung von Chatbots ab. Zu unpersönlich, ungenau oder aufwendig seien die Bots. Im Vergleich werden jedoch persönlicher Kontakt via E-Mail, Telefon oder Chat vorgezogen. Jedoch geht aus der Umfrage nicht hervor, wie viele der Befragten schon mit einem Bot zu tun hatten. Auch Bots lernen durch Feedback aus der Kommunikation. Dabei sind die Einsatzgebiete von Bots heute enorm vielfältig, wie eine Zusammenstellung von Dr. Thomas Wilde zeigt:
Optimierter Dialog
Deutlich wird, dass die sogenannten Chatbots eigentlich «Reply Bots» sind und nur eine von vielen Varianten der Bots darstellen. Andere wie die «Categorizer Bots» oder die «Knowledge Bots» fokussieren nicht auf den direkten Kundendialog und die Beantwortung von Fragen, sondern auf die Optimierung der Dialogzeit durch Unterstützung des Agents. Die dahinter stehende Technologie ist jedoch ebenfalls Machine Learning basiert. Auch Kurzinteraktionen mit dem Kunden durch «Nurture», «Poll» oder «Satisfaction» stellen einen wertvollen Beitrag zur Prozessautomation im Contactcenter dar.
Interessant sind moderne Botanwendungen im Zusammenspiel mit der IVR. Diese werden als «Collaboration Bots» bezeichnet und werten bei geeignetem Einsatz die Wartezeit zur Vorqualifikation des Cases auf der Basis von Natural Language Processing (NLP) auf. Hier liegen streng genommen zwei Machine-Learning-Anwendungen vor. Zum einen ist die Spracherkennung in der Regel ein «erlerntes» Verhalten, zum anderen müssen die Zuordnung zu Kategorien und die Ableitung notwendiger Agentenfähigkeiten für die Zuordnung des Calls trainiert werden. Hier ist also eine deutliche Weiterentwicklung der IVR-Fähigkeiten zu erkennen. «Drücken Sie 1 für Deutsch» sollte damit demnächst passé sein, da die Sprache automatisch erkannt wird und auch «Drücken Sie 3, wenn Sie eine Frage zu Ihrer Abrechnung haben» wird der Kunde wohl zukünftig seltener hören.
.Unterscheidung von Bot-Modellen nach Einsatzbereichen (Wilde, T. (2017)
Gleichzeitig sind in den letzten Jahren viele Center dazu übergangen, dem Kunden während der Wartezeit auf einen persönlichen Ansprechpartner mit unpersönlicher Werbung zu beschallen. Die Ergebnisse solcher «Marketingmassnahmen» sind erwartungsgemäss durchwachsen. Auch hier können Machine-Learning-Anwendungen verstehen, wie die aktuelle Situation des Kunden aufgrund seines Kauf- und Interaktionsverhaltens ist und ihm relevante Angebote und Empfehlungen in einem auf den Kunden abgestimmten Wording machen.
Gesamthaft bleibt festzustellen, dass Machine Learning Prozesse im Contactcenter schneller, präziser und persönlicher machen kann. Wenn sie richtig eingesetzt werden.
