Künstliche Intelligenz im Kundenservice — der komplette Guide
Ein sicherer KI-Assistent mit der Intelligenz von eines ChatGPT, der die Kosten im Kundenservice drastisch reduziert – darauf haben Unternehmen lange gewartet. Heute gibt es zahlreiche Anbieter, die genau das ermöglichen.
Über das letzte Jahrzehnt hinweg gab es enorme technologische Fortschritte in den Bereichen neuronaler Netzwerke, Maschinellem Lernen, Deep Learning und linguistischer Datenverarbeitung (LDV).
Digitale Assistenten leben mittlerweile in jedem Smartphone, Unternehmen sind verrückt nach Chatbots. KI ist auch für den Kundenservice verheißungsvoll. Aber wird sie den Erwartungen gerecht?
Wie realistisch ist es, dass Sie Ihren Kundenservice auf Künstlicher Intelligenz stützen können und was erwartet uns in der nahen Zukunft?
Bevor wir uns das Feld des KI-basierten Kundenservice genauer anschauen, erläutern wir die wichtigsten Begriffe und Konzepte, mit denen KI-Experten gerne um sich schmeißen.
- Definition Was sind KI, ML, DL und NLP?
- Beispiele: KI im Kundenservice erfolgreich einsetzen
- Nachteile? Was Unternehmen beim Einsatz von KI beachten müssen
- Wie Sie mit künstlicher Intelligenz im Kundenservice beginnen
Definition: Was sind KI, ML, DL und NLP?
Künstliche Intelligenz (KI, engl. “artificial intelligence”, AI): Als KI bezeichnet man Maschinen, die fähig sind, “intelligentes” Verhalten zu imitieren. Dazu gehört das Ausführen von Aufgaben, die normalerweise menschliche Intelligenz erfordern, beispielsweise visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Übersetzung verschiedener Sprachen. KI ist der Oberbegriff dafür.
Beispiel: Nehmen wir das Beispiel eines Chatbots im Kundenservice. Wenn ein Chatbot Kundenfragen beantwortet, imitiert er menschliches Verhalten und wir können ihn daher als KI bezeichnen.
Allerdings gibt es unter diesem Oberbegriff viele Unterbereiche, die klar abgegrenzt werden können. Das sind die Wichtigsten:
Schwache vs. starke KI: KI kann in zwei Typen unterschieden werden: Schwache KI (engl. “narrow AI”) und starke KI (engl. “general AI”).
Schwache KI ist darauf programmiert, eine bestimmte Aufgabe zu erfüllen, indem sie Informationen von einem speziellen Datensatz nutzt. Alle KI-Anwendungen, die derzeit im Einsatz sind, werden als schwach eingeordnet.
Starke KI zeichnet sich durch menschliche Intelligenz aus und könnte jede Art von Aufgabe ausführen, die auch ein Mensch ausführen kann – sogar mehr. Sie ist zum jetzigen Zeitpunkt aber noch Science Fiction. HAL 9000 ist ein Beispiel für starke KI. Sie ist in der Lage zu lernen, zu planen, abzuwägen, kommuniziert in natürlicher Sprache und kann diese Fähigkeiten für jede beliebige Aufgabenstellung anwenden, als hätte sie ein menschliches (Super-)Gehirn.
Die Schach-Computer von heute nutzen schwache KI, um Schachzüge aus einem eingespeisten Datensatz herauszuziehen. Wenn Sie gegen starke KI spielen würden, würde sie nicht nur taktische Züge wählen, sondern Sie mit unangenehmen Details aus Ihrem Privatleben aus der Fassung bringen.
Beispiel: In unserem Szenario, bei dem ein Kunde eine Frage an einen Chatbot sendet, könnte eine schwache KI die Kundenfrage mit einer FAQ-Datenbank abgleichen und so mögliche Lösungen aus diesem Wissensstand heraus anbieten.
Starke KI könnte auf der anderen Seite personalisierte, menschlich klingende Antworten geben. Sie könnte fehlende Details einfordern, das Internet nach relevanten Hintergrundinformationen durchforsten und die Antwort innerhalb weniger Sekunden an den Kunden anpassen. Mit ChatGPT sind wir genau da angekommen.
“Statische” KI (engl. “fixed” AI): Viele, wenn nicht die meisten der vorprogrammierten Chatbots, die derzeit verfügbar sind, sind “statisch”. Sie “lernen” nicht aus Interaktionen; sie arbeiten nach vordefinierten Entscheidungspfaden.
Ein statischer Chatbot kann Ihren Kunden Multiple-Choice-Fragen stellen und dann Antworten anbieten, beziehungsweise Aktionen auslösen, beispielsweise das Weiterleiten eines Chats an einen menschlichen Servicemitarbeiter. Alles basiert auf einer ausgewählten Route.
Maschinelles Lernen (ML, engl. “machine learning”): Wenn Sie schonmal Spotify, YouTube oder Netflix genutzt haben, dann sind Sie bereits mit personalisierten Empfehlungen vertraut. Dazu nutzen diese Plattformen Algorithmen, die Daten analysieren, daraus lernen und Vorhersagen und Klassifizierungen vornehmen, was Ihnen ebenfalls gefallen könnte. Das ist klassisches Maschinelles Lernen.
Beispiel: In unserem Chatbot-Beispiel würde ein “einfacher” auf Maschinellem Lernen gestützter Algorithmus die Kundenfrage analysieren, sie mit vergangenen Anfragen und erfolgreichen Antworten abgleichen und die strategisch beste davon auswählen.
Anhand von Kundenfeedback (Das hat meine Frage beantwortet/das hat meine Frage nicht beantwortet) weiß die Maschine, ob sie gute Arbeit geleistet hat. Wenn sie eine unbrauchbare Antwort gibt, leitet Sie sie Frage an einen menschlichen Kollegen weiter.
Idealerweise würde sie dann auch die Antwort des menschlichen Mitarbeiters tracken und daraus lernen, um bei ähnlichen Fragen in Zukunft selbst eine Lösung zu finden.
Der Vorteil von Chatbots, die nach diesem Abruf-basiertem Prinzip arbeiten ist, dass die Antworten relativ zuverlässig sind, weil der Chatbot nur “nachgewiesen” gute Antworten wiedergibt.
Auf der anderen Seite können sie aber auch nur mit einfachen, direkten Fragen umgehen. Die Antworten können steif und unmenschlich erscheinen.
Bei Userlike sind wir der Meinung, dass dieser Ton in Ordnung ist solange der Kunde weiß, dass er es mit einem einfachen Chatbot zu tun hat, und solange er jederzeit die Option hat, zu einem Mitarbeiter zu wechseln. Regelbasierte Chatbots können keine “echten” Unterhaltungen mit einer natürlichen Gesprächsdynamik führen. Genau das verspricht aber das Deep Learning.
Deep Learning (DL): Deep Learning (deutsch: mehrschichtiges Lernen, tiefes Lernen) ist eine fortgeschrittener Untertyp des Maschinellen Lernens. Es ermöglicht Maschinen, genauere Vorhersagen zu treffen – und das ohne menschliche Hilfe.
DL-Anwendungen nutzen eine geschichtete Algorithmus-Struktur ( künstliches neuronales Netzwerk ), um Schlüsse ziehen zu können, ähnlich wie das menschliche Gehirn.
Beispiel: Anstatt die Antwort auf den Abruf vergangener erfolgreicher Antworten zu stützen, kann der Chatbot seine eigenen Antworten erstellen und individuelle Nachrichten mit dem Kunden austauschen – beispielsweise Gegenfragen stellen, weiterforschen, etc.
Dies verlangt eine wesentlich größere Datenbank im Gegensatz zu den einfachen Machine-Learning-Ansätzen. Mit genügend Daten kann DL beeindruckende Dinge tun.
Googles DeepMind zum Beispiel hat die besten menschlichen Spieler sowie “spezialisierte” Computer in einer Reihe von Spielen besiegt, darunter Schach, Shogi und Go Diese Meisterleistung konnte DeepMind nach nur einigen Stunden eigenständigem Lernen hinlegen, in denen eine riesige Datenmenge produziert wurde.
Spiele haben allerdings auch ein begrenztes Regelwerk. DL wird es nicht so leicht haben, Menschen im Bereich persönlicher Unterhaltungen zu schlagen. DL-Chatbots haben immer noch nicht den Turing-Test bestanden.
Und was soll man von dem Twitter-Bot halten, den Microsoft auf die Welt losgelassen hat? Indem er von den Interaktionen mit Menschen auf der Plattform lernte, hat er sich schnell von einem freundlichen, offenen Chatbot in eine rassistische, frauenverachtende, menschenfeindliche Tweeting-Maschine verwandelt.
Bis die Technologie ausgereift ist, empfehlen wir sie nicht für den Kundenservice zu nutzen. Neben dem unerfreulichen Szenario, dass Ihre Kunden mit rassistischen Kommentaren beleidigt werden, ist das größere Problem, dass Ihre Kunden unsicher sein werden, weil Ihnen nicht klar ist, ob sie mit einem Bot oder einem Menschen sprechen.
Computerlinguistik (CL) (engl. “Natural Language Processing”, NLP): Die Art und Weise in der Menschen miteinander reden, über Sprache und Text, wird natürliche Sprache genannt. Natürliche Sprachverarbeitung ist eine Technologie, die Computern hilft, unsere natürliche Sprache zu verstehen.
Beispiel: In unserem Beispiel einer Kundenanfrage, würde CL dem Chatbot erlauben, die Frage in Computersprache zu übersetzen (Befehle) und den Output (die Antwort) mit sinnvollen menschlichen Begriffen zu formulieren.
Das liegt daran, dass CL die Sprache häppchenweise gliedert, um zu verstehen, wie jedes dieser Teile zusammenarbeitet. Wenn Sie in der Grundschule verschiedene Satzbausteine im Satz farbig markieren mussten, kennen Sie den Prozess.
Das Ziel von CL ist es, rohe Sprachdaten aufzunehmen und durch Linguistik und Algorithmen Text und Bedeutung zu entschlüsseln, so dass sinnvolle Ergebnisse erzielt werden können.
Wenn Sie zum Beispiel durch Ihren Spam-Ordner scrollen und bemerken, dass viele Betreffzeilen dem gleichen Muster folgen, dann ist CL dafür verantwortlich. Sie identifiziert bestimmte Wörter als Spam-Inhalte, um zu entscheiden, ob die E-Mail im Posteingang oder im Papierkorb landet.
Die Technologie hat sich die letzten Jahre stark weiterentwickelt, wie man an Anwendungen wie Siri und Alexa erkennen kann.
Die praktische Chatbot-Anleitung für Unternehmen
Lernen Sie, wie Chatbots funktionieren, was sie für Sie tun können, wie Sie einen erstellen – und ob Bots uns die Jobs klauen werden.
Kostenlos herunterladenBeispiele: KI im Kundenservice erfolgreich einsetzen
KI kann im Kundenservice viel bewirken. Wenn sie richtig implementiert und genutzt werden, können intelligente Systeme das Unternehmensimage aufwerten und Ihr Serviceteam entlasten und die Supportkosten um bis zu 30% reduzieren.
Was sind also Ihre Möglichkeiten? Hier sind die beliebtesten KI-Lösungen für den Kundensupport.
1
Stimmungsbild von Kunden analysieren
Live-Chat-Unterhaltungen Social-Media-Interaktionen und Bewertungsplattformen verraten Ihnen viel darüber, was Menschen über Ihre Marke denken. Maschinelle Intelligenz hilft Ihnen dabei, das alles auszuwerten.
In den sozialen Medien ist es häufig besonders schwer, das Stimmungsbild von Kunden zu verstehen, da es in unstrukturierten Kommentaren und Nachrichten transportiert wird. Unternehmen wie Brandwatch tracken die Gesundheit Ihrer Marke und Sichtbarkeit (nicht nur nach Name, sondern auch nach Logo) und erstellen Berichte zu den Veränderungen des Stimmungsbilds.
Wie das funktioniert? KI bestimmt das Kunden-Sentiment, indem sie Trends analysiert und Nachrichten-Trends, Muster und Wortwahl misst. Wenn Sie planen, einen Customer Health Score zu erstellen, können Analysen zur Kundenstimmung unglaublich wertvoll sein, um Risiko-Kunden zu priorisieren oder Upselling-Potenziale aufzudecken.
2
Häufig gestellte Fragen beantworten
Kunden erwarten im Service, dass es schnell geht. Um den Druck von Ihren Mitarbeitern zu nehmen, können Sie einen Chatbot oder eine interaktive FAQ-Seite nutzen, um die häufigsten Anfragen zu beantworten.
KI kann helfen, die Self-Service-Erfahrung des Nutzers zu verbessern, indem die FAQ-Seite Keywords identifiziert und Textvorschläge macht. Wenn ein Kunde eine Suche startet, empfiehlt das System relevante Seiten und macht Vorschläge, die sich an der Anfrage des Kunden orientieren.
Chatbots und FAQ-Seiten können Ihnen auch helfen, beliebte Suchbegriffe zu identifizieren, so dass Sie im Bilde sind, worüber Ihre Kunden am häufigsten stolpern.
3
Automatisieren von Textvorschlägen und Nachrichten
Ein KI-basiertes System hilft Ihnen, automatisierte Antworten auf einfache Fragen zu erstellen und zu versenden. Vorprogrammierte Chatbots können auf fast menschliche Weise Meetings vereinbaren und Erinnerungen versenden.
KI-Systeme können Subject-Lines und Nachrichten verfassen, die durch eine Erfolgsanalyse vergangener Wortkombinationen auf eine festgelegte Zielgruppe ausgerichtet sind.
Sie können auch helfen Social-Media-Nachrichten zu erstellen und deren Erfolg abzuschätzen, bevor sie überhaupt gesendet wurden. Um auch außerhalb der Servicezeiten aktiv zu bleiben, kann KI Sofort-Antworten verschicken oder Ihre Kunden zum Live-Chat, Ihrer FAQ- oder Kontaktseite leiten.
Und wenn Sie unsicher sind, was der richtige Zeitpunkt ist, um Ihren Kunden zu schreiben, nutzen Sie Programme wie Seventh Sense Software. Sie zeigt, wann Ihre Kunden ihre E-Mails für gewöhnlich öffnen. Ziemlich beeindruckende (und hilfreiche) Erkenntnisse!
4
Leads qualifizieren
KI-Software wie Salesmachine hilft Ihrem Kundenservice-Team, sich auf qualifizierte Leads zu konzentrieren, indem sie Scores an verschiedene Interessenten vergibt. Salesmachine analysiert die potenziellen Kundenrisiken und -verhalten für Ihr Team, um den Abschluss von Testphasen und Verkäufen anzukurbeln.
Dieses KI-Level lernt genug über Ihr Kundensegment, um einen Customer-Health-Score zu erstellen. Das erspart Ihrem Team die Zeit, verschiedenste Kennzahlen selbst zu analysieren was ein langer Prozess sein kann.
5
Kleine Aufgaben erledigen
Für alle Aufgaben, die entweder zu langweilig oder zeitaufwendig sind, kann Künstliche Intelligenz einspringen. Insbesondere Chatbots sind wahre Alltagshelden. Neben der Beantwortung von allgemeinen Fragen können Chatbots Tickets sinnvoll an Mitarbeiter verteilen, Nachrichten weiterleiten, Kundenprofile updaten und passende Produkte vorschlagen, um nur einige Möglichkeiten zu nennen.
Intelligente KI-Chatbots wie die von Userlike trainieren sich fast von allein. Erstellen Sie eine zentrale Wissensdatenbank, pflegen grundlegende Informationen ein und lassen Sie den Chatbot dank Deep-Learning-Algorithmen mit jeder Anfrage dazulernen.
Wenn ein Kunde komplexere Fragen stellt oder Anfragen hat, die über das Wissen des Chatbot hinausgehen, leitet der KI-Chatbot die Unterhaltung den Chat einfach an ein verfügbares Teammitglied weiter.
Nachteile von KI-gestütztem Kundenservice
Es gibt viele unausgereifte Lösungen. Günstige “out-of-the-box”-Chatbots ermöglichen großen wie kleinen Unternehmen, mit wenigen Klicks einen Bot ins Leben zu rufen, die Ticket-Erstellung zu automatisieren und E-Mails im Namen Ihrer Firma zu versenden.
Häufig werden diese Systeme als “Intelligent” oder “smart” verkauft, obwohl sie sehr viel manuelle Arbeit erfordern.
Das Datenfüttern und Trainieren kann Monate, vielleicht sogar Jahre, dauern. Und Fehler sind bis zur Reifephase praktisch vorprogrammiert. Sind Ihre Kunden geduldig genug, damit umzugehen?
Deshalb empfiehlt es sich bei der Auswahl eines Anbieters für die Support-Automatisierung darauf zu achten, dass dieser die oben beschriebenen KI-Funktionen integriert und damit den Erwartungen ihrer Kunden gerecht wird – innerhalb weniger Wochen statt Monate oder Jahre.
Gute KI kann teuer sein (muss es aber nicht). Ihre eigene intelligente Plattform zu bauen, kann teuer werden. Es ist in etwa so, als wollten Sie Ihren eigenen PC bauen, anstatt einen aus dem Regal zu nehmen — schön, aber die Investition nicht unbedingt wert.
All-in-One-Lösungen wie Userlikes AI Automation Hub kosten Unternehmen dagegen weniger als 300 Euro im Monat. Damit kosten sie nur einen Bruchteil von dem, was eine selbstgebaute Lösung veranschlagen würde und liefern dabei direkten ROI.
Wie Sie mit Künstlicher Intelligenz im Kundenservice beginnen
Eine Kundenkommunikations-Software wie Userlike stellt Ihnen einen KI-Baukasten zur Verfügung, mit dem Sie in wenigen Schritten eine selbstlernende Wissensdatenbank aufbauen können. Nebenbei sammeln Sie wichtige Daten, indem Sie Ihre Kunden auf Ihrer Website durch die Customer Journey begleiten.
Chatten Sie für wichtige Sales- und Supportgespräche live mit Ihren Kunden und ermöglichen Sie ihnen 24/7-Self-Support durch unsere drei KI-Module für die Support-Automatisierung.
Jeder Kunden-Chat und jede Interaktion mit Ihrer FAQ-Seite oder Ihrem Kontaktformular macht Ihre KI stärker.
Userlike bietet eine kostenlose 14-Tage-Testphase an, damit Sie ein Gefühl für unsere Kunden-Messaging-Plattform und den AI Automation Hub bekommen können. Wenn Sie zufrieden sind, helfen wir Ihnen gerne dabei, Sie für den Weg zu KI im Kundenservice fit zu machen.
