Hypercharge your Chatbot

Unser Kunde trat mit einem offenen Briefing an uns heran, da er dem Klischee von ineffektiven Chatbots trotzen wollte. Er hatte klare Ziele für seinen Chatbot vor Augen: Er sollte echten First-Level-Support bieten, mindestens 50% der Kunden bei ihren Anfragen helfen und die andere Hälfte schnell an den Kundendienst weiterleiten. Außerdem wollte das Unternehmen Kundenzufriedenheit verbessern, indem sie den NPS des Kundendienstes um 10 Prozentpunkte steigerten und die Arbeitsbelastung des Kundendienstes um mindestens 25% reduzierten (z.B. 25% weniger Zeit für die Bearbeitung von FAQ-ähnlichen Anfragen).

Als wir mit diesem Projekt begannen, stellten wir uns zunächst die Frage, welche Themen der Chatbot überhaupt behandeln könnte. Das wollten wir:

• Die Themen und das Volumen der Konversationen, die durch das Kundenservicecenter laufen, sehen und verstehen.
• Erkennen, ob sie positiv, negativ oder neutral waren und ob dies auf bestimmte Formulierungen heruntergebrochen werden konnte.
• Überprüfen, ob die Komplexität der Konversation themenabhängig war und wie sie auf eine mehrstufige Reise für einen Bot heruntergebrochen werden könnte.

Und all dies, um Erkenntnisse zu gewinnen, einschließlich Empfehlungen für den Einsatz einer Lösung zur Unterscheidung zwischen Chats, die von einem Chatbot bearbeitet werden können, und solchen, die menschliche Aufmerksamkeit erfordern.
 

• Wir beschafften Daten aus verschiedenen sozialen Kanälen durch Social Listening über die Marke, das Thema in den Medien und das Unternehmen im Allgemeinen.
• Wir analysierten bestehende Kundendienstberichte und Statistiken über die Themen und die gesamten bestehenden Konversationen.
• 15.470 Texte (6.716 Konversationen) wurden über 44 Stichprobentage zwischen Juni 2020 und April 2021 analysiert.
• Die Datenanalyse wurde an 4.572 Konversationen durchgeführt.
• Vom Kundenbetreuer generierte Automatisierungsthemen wurden kombiniert.

• Die Überprüfung von Konten durch einen Chatbot ist machbar, insbesondere wenn negative Stimmungen in Gesprächen frühzeitig erkannt werden, so dass bei Bedarf eine schnelle Weiterleitung an einen menschlichen Agenten möglich ist.
• Die derzeitigen Themenstrukturen sind für eine Chatbot-Implementierung unzureichend, und der Bereich "Rechnungsstellung" bietet eine große Chance zur Erforschung.
• Obwohl Anfragen in diesem Bereich weniger komplex erscheinen als andere Themen, ist ein erhebliches Maß an zusätzlicher Analyse erforderlich, um den richtigen granularen Ansatz zu gewährleisten, z. B. die Unterscheidung zwischen einer intelligenten Rechnung, einer geschätzten Rechnung oder einer Zahlungsanfrage.
• Die Umleitung von Marken- und viralen Kommentaren an einen Chatbot ist möglich, wenn zusätzliche Arbeit geleistet wird, um einen Lernalgorithmus zu entwickeln, der den Viral-/Markenstatus zuordnen kann.

Seit unserer Analyse haben wir weitere Arbeiten durchgeführt. Die Folgearbeiten und die MVP-Implementierung lassen sich wie folgt zusammenfassen:

• Klare Definition der Prozesse und insbesondere der Ergebnisse, die wir Kunden bieten wollen, die sich über den First-Level-Chatbot-Support an den Kundendienst wenden, um die beste Customer Experience zu erreichen.
• Training eines KI-Chatbots mit diesen Themen und Lösungen. (Themen, Corporate/Brand Wording, Prozesse, Lösungen, Verhaltensmerkmale)
• Implementierung eines MVP-Chatbots (Kernthemen mit hoher Wirkung und geringem Aufwand. (Low hanging fruits) - Durchführung eines Online-A/B-Tests mit einer Umfrage zur Kundenzufriedenheit nach dem Service, um die direkte Wirkung zu messen. - Kontinuierliche Iteration der Themen und Analyse der Konversationen
• Upgrade auf die neueste verfügbare Chat-AI einschließlich unserer Schulungsspezifikationen - Erste Daten zeigen, dass die erwarteten Ziele erreicht werden, wenn das MVP vollständig eingeführt wird