Grundsätzlich können Chat- und Voicebots beim gesamten Prozess der Kundenbearbeitung zum Einsatz kommen, um eine gute „Customer Experience“ systematisch und automatisiert zu gewährleisten und stetig zu verbessern. Als Vorteile gegenüber der klassischen Telefonhotline oder E-Mail-Anfragen gelten neben den Ressourcenersparnissen, die durch die Übertragung routinemäßiger Tätigkeiten von den menschlichen Mitarbeitern erwachsen, vor allem auch die niedrigere Hemmschwelle bei den Kunden zur Kontaktaufnahme. Zudem ermöglicht der hohe Automatisierungsgrad des Kundendialogs auch eine Verknüpfung mit den Backend-Systemen wie auch eine verlässliche Erfolgsmessung.

Arten von Chatbots im Kundenmanagement

Grob lassen sich die Bots ihrer Funktion im Kundendialog nach in folgende Kategorien gliedern:

• Content Bots: Bereitstellung, Platzierung und Distribution von Inhalten zur Kundenkommunikation
• Product Information & Recommendation Bots: Information über Produkte und Alternativen, Empfehlungen von Produkten und Angeboten entsprechend der Kundenpräferenz
• Ordering Bots: Abwicklung des Bestellverfahrens im (Online-)Handel
• Customer Service Bots: Bearbeitung von Anfragen im Customer Support und After-Sales-Service

Chatbots in der Praxis des Kundenmanagements

In der Praxis findet sich diese Aufteilung in Aufgabengebiete nicht mehr absolut trennscharf wieder. Dennoch wird versucht, die folgenden Anwendungsbeispiele entsprechend zu ordnen:

Der Premier League Club AFC Bournemouth hat unter anderem mit der Unterstützung von Microsoft  mit dem CherryBot – der Fußballverein von der englischen Südküste wird auch als „The Cherries“ bezeichnet – einen Content Bot geschaffen, der die Facebook-Messenger-Plattform nutzt, um mit seinen Fans zu interagieren und einen „Kundendialog“ zu entfalten. Ziel ist es erklärtermaßen  mit dem Bot einen virtuellen Vertreter des Vereins zu schaffen, der die Emotionalität der Anhänger aufnimmt und sich entsprechend der im Rahmen einer „Sentiment Analyse“ als vorherrschend identifizierten Stimmung zum Verein und direkt zum aktuellen Spielverlauf zu Wort meldet. Zudem soll er Fragen der Fans automatisiert beantworten können und stellt Informationen, Daten und Fakten zu den Spielen, wie auch Videohighlights zur Verfügung. Des Weiteren organisiert der „CherryBot“ Selfie-Wettbewerbe sowie eine Wahl des „Player of the Match“ durch die Teilnehmer. Die gesammelten Informationen werden für die Optimierung des weiterführenden Dialogs ausgewertet – etwa auch per Bilderkennung auf Personenfotos, um Emotionen daraus auszulesen.

Chatbots als Shoppingassistenten

Nicht nur allein online, auch im Offline-Geschäft können Bots zum Einsatz kommen. Die US-Modekette „Macy’s“ bietet ihren Kunden den digitalen Assistenten Macy’s On Call an, der dabei helfen soll, sich im Laden vor Ort zurechtzufinden. Der Chatbot versteht auch „unstrukturierte“ Textanfragen, wie „Wo finde ich Schuhe?“, und liefert daraufhin die korrekte Antwort zu den entsprechenden Produktinformationen. Auch weiterführende Beratungen und Empfehlungen von Alternativen können auf diese Weise durchgeführt werden. Beispiele für solche klassischen Recommendation Bots finden sich vor allem im Modeumfeld, wie etwa bei „H&M“, „Burberry“ oder „Tommy Hilfiker“. Diese unterbreiten, abgestimmt auf das zuvor angesehene oder bereits gekaufte Kleidungsstück, Angebote weiterer dazu passender Artikel – gewissermaßen als automatisierter Style-Berater. 

In Großbritannien setzt der deutsche Discounter „Lidl“ im stationären Handel auf einen Chatbot, der Kunden beim Kauf von Wein behilflich ist. „Margot“ geht auf die Preis- und Herkunftspräferenzen der Kunden ein und kann auch den passenden Wein zu einem Essen empfehlen. 

Die indische „HDFC Bank“ versucht die Vorabinformation der Nutzer über seine teilweise sehr komplexen und erklärungsbedürftigen Finanzprodukte über den hauseigenen Chatbot EVA abzuwickeln. Anforderungen an die Kreditvergabe, Konditionen und Detailinformationen zu Wertpapieren werden durch den Bot bereitgestellt. Auch eine rudimentäre Beratung, etwa zu einer Darlehensaufnahme, führt „EVA“ eigenständig durch. Der Chatbot kann sowohl über die Unternehmenswebsite als auch über die Sprachassistenzdienste von Google und Amazons „Alexa“ aktiviert werden.

Chatbots im Bestellprozess

Auch den anschließenden Bestellprozess können Chatbots übernehmen. Ordering Bots übernehmen im Dialog mit dem Kunden die Aufnahme der Bestellung, leiten die erfassten Informationen an die nachverarbeitende Stelle weiter, versenden eine Bestellbestätigung und geben über den Status der Bestellung im Nachgang Auskunft. Zahlreiche Beispiele gibt es hierzu vor allem im Bereich der Food-Lieferservices, bei den großen US-amerikanischen Fastfood-Unternehmen wie „Subway“, „Burger King“, „Pizza Hut“ oder „Taco Bell“.

Gleiches gilt für den Taxidienst und Uber-Konkurrenten „Lyft“, der seine Bots sowohl über den Facebook Messenger als auch akustisch via Amazon initiiert. Nutzer erhalten dort Auskunft über den aktuellen Ort eines Wagens und seines Fahrers sowie Informationen über den Fahrzeugtyp und das genaue Nummernschild. Gleichzeitig begreift „Lyft“ den hier stattfindenden Kundendialog als wichtigen Beitrag zu einer optimierten „Customer Experience“. Dazu greift man nach Unternehmensangaben auf KI zurück, auch um mögliche Kundenfragen, „vorherzusagen“ und dann den Bestell- und Abwicklungsprozess für den Passagier in Echtzeit zu personalisieren.

Chatbots im Kundenservice

Augenfällig ist der Einsatz von Chatbots und autonomen Sprachassistenten zudem im Kundenservice oder Vertrieb. Customer Service Bots können herkömmliche Kundencenter ablösen, über eine Kontaktaufnahme per E-Mail an die Stelle der zeitversetzten Kommunikation treten oder auch klassische Callcenter-Aufgaben übernehmen. Dabei geht es nicht nur um die automatisierte Verarbeitung von Serviceanfragen, den klassischen Customer Support. Chatbot-Systematiken lassen sich auch als vertriebsunterstützende Systeme im Accountmanagement, dem CRM oder bei der Verarbeitung von Kontakten zu Interessenten und potenziellen Neukunden im Rahmen des Leadmanagements nutzen.

Der Chatbot „Edward“ der Hotelkette „Radisson Blue“ bearbeitet Textanfragen (via SMS) der Übernachtungsgäste und dient der Erfüllung der so geäußerten „Kundenwünsche“. Standardfragen („Wann muss ich auschecken?“) werden damit ebenso abgedeckt wie die Aufnahme von Beschwerden, Auskünfte über nahegelegene Restaurants oder Serviceleistungen wie die Bestellung zusätzlicher Handtücher auf das Zimmer. Wichtig ist, dass dann auch semantische Unterschiede je nach Kontext erkannt werden, der Bot muss so etwa zwischen dem Wunsch eines Gastes nach Schreibpapier wie auch der aktuellen Tageszeitung – beides im Englischen „paper“ – differenzieren können. 

Andere Customer Service Bots haben Zugriff auf die hinterlegten Kundendaten und können durch den Rückgriff auf diese – wie ein menschlicher Gesprächspartner – einen individualisierten Kundensupport liefern, in der Versicherungsbranche etwa, um Rechnungen erneut auszustellen oder Bestätigungen zukommen zu lassen. In komplexeren Situationen kann der Bot dann den Prozess an einen menschlichen Mitarbeiter weiterleiten. Aufgabe des Chatbots „Lisa“ des Telekommunikationsanbieters O“ ist es, die Mitarbeiter im Kundenservice zu entlasten und bestimmte automatisierte Tätigkeiten eigenständig auszuführen. Dazu zählen etwa die Unterstützung der Kunden bei der Navigation durch das unternehmenseigene Kundenportal, zum Beispiel um die Höhe des noch verfügbaren monatlichen Datenvolumens einzusehen. „Lisa“ beruht auf der Anwendung maschineller Lernverfahren und lernt laut Unternehmensangaben auch aus den Praxiseinsätzen kontinuierlich hinzu.

Chatbots & Sprachassistenten im Vertrieb

Ebenso in der Vertriebsarbeit kommen zunehmend Chatbots und Sprachassistenten zum Einsatz. Salesforce, Anbieter von CRM-Softwarelösungen, hat mit „Einstein“ ein „Conversational CRM“ genanntes System geschaffen, das den Mitarbeitern im persönlichen und Keyaccount-Verkauf die oft als lästig empfundene schriftliche Berichtspflicht über den Inhalt und Verlauf der Kundengespräche erleichtern soll. Per „Natural Language Processing“ werden stattdessen akustische Sprachanweisungen und Äußerungen transkribiert und in das Berichtssystem übertragen. Auch Termine lassen sich auf diese Weise administrieren. Der Mitarbeiter kann sich dann regelmäßig per Voice-Nachricht über seinen Tagesplan und die Besonderheiten der zu bearbeitenden Kunden informieren lassen. 

Chatbots im Lead-Management

Auch im Bereich des Lead Nurturings können Bots einen hohen Beitrag zur Automatisierung der Sales-Aktivitäten leisten. Als virtueller „Kontakter“ sind diese geeignet, den Dialog mit Interessenten oder bereits gewonnen Kunden zu vertiefen und entsprechende Cross- und Up-Selling-Maßnahmen durchzuführen oder die Kundenbeziehung an sich zu „veredeln“, indem Präferenzen ermittelt und entsprechend systemseitig verarbeitet werden. Das setzt voraus, dass der jeweilige Gesprächspartner entweder bereits identifiziert ist oder dies dann innerhalb des Anwendungskontextes geschieht – mit Name und Adresse oder über eine vorhandene Kundennummer. Chatbots auf einer „Coporate Website“ eines Unternehmens können auf entsprechende Trackingmaßnahmen aufsetzen, die über Cookies oder „Trackingpixel“ den bisherigen Kontaktverlauf speichern und mit der hinterlegten CRM-Datenbank abgleichen. Darauf aufbauend kann individuell ein Kundendialog entsponnen werden, um neue Leads zu generieren oder die bestehende Beziehung auszubauen. Der Bot übernimmt diesen Prozess idealerweise autonom, allein auf der Basis der vorliegenden Daten und übermittelt die an einer „Conversion-Wahrscheinlichkeit“ ausgerichteten Informationen und Nachrichten an den Nutzer.

Derartige Anwendungen sind in dieser Leistungstiefe in der Praxis noch ganz am Anfang, gleichwohl gibt es hier erste Anbieter, die versuchen, dies perspektivisch als „Service von der Stange“ bereitzustellen, wie etwa Landbot.io.  Gleichwohl ist die automatisierte Erfassung von Kontaktdaten zu potenziellen Kunden aus einem Bot-Dialog und damit die Umwandlung von unstrukturierten zu strukturierten Informationen damit durchaus bereits etabliert. Chatbots ersetzen in diesem Fall das klassische „Kontaktformular“ und können daraus, ähnlich wie beim E-Mailmarketing, nach bestimmten ermittelten „Verhaltenszusammenhängen“ entsprechend segmentierte oder personalisierte Ansprachen ableiten. Auch, wenn diese oft noch auf menschlich definierten Regeln basieren, sind hier grundsätzlich auch Rückgriffe auf Machine und Deep Learning denkbar.

Chatbots in der Verhandlungsführung

Erste Versuche gibt es zudem damit, Bots auch in der Verhandlungsführung einzusetzen, wenngleich diese Bemühungen noch sehr am Anfang stehen. Die KI-Forschungsabteilung von Facebook („FAIR“) hat Bots dazu gebracht, miteinander zu „feilschen“. Trainiert wurde das System mit mehreren tausend menschlichen Verhandlungsdialogen, die man über die Crowdsourcing-Plattform Amazon Mechanical Turk erhob. Die Facebook-Forscher schufen eine Art Spiel, in dem verschiedenen Gegenständen ein Punktwert beimessen wurde, mit dem Ziel, die Bots darüber zu animieren, ergebnisorientiert über Bücher, Mützen, Basketbälle und ähnliches „zu verhandeln“.

Nachdem ein Bot den Wert eines Gegenstandes erfasst hatte, formulierte er daraus eine „Verhandlungsposition“ – beispielsweise „ich möchte alle Bücher“, weil diese den größten Wert im Vergleich mit den anderen Objekten aufwiesen. Basierend auf der Art und Weise, die das neuronale Netzwerk gelernt hatte, dass Menschen gewöhnlich verhandeln, gab es eine Kombination von Wörtern in einer bestimmten Reihenfolge aus, für die es die höchste „Belohnung“ prognostizierte. Danach generierte das System potenzielle Antworten des Handelspartners und berechnete die weiteren möglichen Optionen. Im Prinzip ähnelt diese Vorgehensweise stark dem Verfahren von Alpha Go.

Chatbots mit eigener Taktik

Indem das System seine Fähigkeiten anhand der Ausrichtung an Ergebnismaximierung verbesserte, lernte es nicht nur seine Forderungen entsprechend zu formulieren, sondern passte nach und nach auch seine Verhandlungstaktiken an. So täuschte die KI manchmal ein Interesse an einer Sache vor, nur um das Gegenüber auf die falsche Fährte zu locken und einen vermeintlichen „Kompromiss“ einzugehen, um mit dieser „Verschleierungstaktik“ aber ihr eigentliches Ziel günstiger  erreichen zu können.  Auch wenn für eine Anwendung in der praktischen Vertriebsarbeit  noch hohe Hürden bestehen – zum Beispiel müsste ein Unternehmen nicht nur das Produktportfolio und die Preismodalitäten, sondern auch die Gepflogenheiten sowie die Verhandlungsziele in einem solchen System individuell abbilden –  könnten solche Fähigkeiten perspektivisch den Einsatz von Bots im Kundendialog revolutionieren und auf eine ganze neue Basis stellen.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Chatbots & Sprachassistenten im Kundenmanagement erschien zuerst auf Nerdwärts.de.

Aufgrund der Komplexität der Wechselbeziehungen zwischen individuellen Kundenerfahrungen, Kundeneinstellungen und -erwartungen sowie dem Zusammenspiel einer Vielzahl von Berührungspunkten ist das Customer Experience Management für den Rückgriff auf Methoden der KI prädestiniert. Die Zusammenhänge zwischen diesen einzelnen Faktoren lassen sich kaum ausschließlich mit menschlichem Blick erfassen. Die Identifizierung von allgemeinen wie personalisierten Verhaltensmustern aus einer unüberschaubaren Masse von Daten wie auch die Vorhersage von Entwicklungen und die Ableitung geeigneter Maßnahmen dürfte daher in Zukunft ebenfalls verstärkt Aufgabe intelligenter Systeme sein.

Customer Experience Management & Customer Journey

Im Detail umfasst dies zum einen die Erkennung derjenigen Customer Journeys und Touchpoints, die erfolgsrelevant für die Erreichung der Unternehmensziele sind und die sich am ehesten für einen Eingriff anbieten. Dazu werden umfassend Informationen über die Zufriedenheit der Kontakte erhoben. Dies lässt sich nur zum Teil über klassische Analyse-Verfahren und Messgrößen wie Conversionraten erheben. Oft handelt es hierbei um unstrukturierte Daten, die es gilt, entsprechend maschinell lesbar aufzubereiten, wie etwa schriftlich oder mündlich vorgebrachte Kundenbeschwerden. Erste betriebliche Anwendungen, die dazu die einschlägige Kundenkommunikation innerhalb – etwa durch die Untersuchung des E-Mail-Verkehrs – oder außerhalb des Unternehmens – beispielsweise in den Sozialen Medien – durchforsten und nach Relevanz und Dringlichkeit ordnen, gibt es bereits.

Auf der Suche nach der idealen Customer Journey

Daraus leitet sich dann zum anderen die Aufgabe der Erstellung einer „idealen“ Customer Journey und der optimierten Gestaltung des Kontaktierungsprozesses ab – das eigentliche „Mapping“ –, welche die wahrscheinlichen Auswirkungen möglicher Maßnahmen berücksichtigt und entsprechende Priorisierungen erstellt. Mittels Regressionsmodellen lässt sich analysieren, welche Pfade und Maßnahmen den größten Einfluss auf die allgemeine Kundenzufriedenheit und die Unternehmensziele versprechen. Dazu werden Simulationen und „Trial and Error“-Experimente durchgeführt, um ein Bild der potenziellen Auswirkungen verschiedener Handlungsoptionen zu erhalten.

Customer Experience Management & KI in der Praxis

Das US-amerikanische Unternehmen Boxever greift auf Verfahren des maschinellen Lernens zurück, um seinen überwiegend aus der Reisebranche stammenden Kunden die Optimierung der Kundenerfahrung zu ermöglichen.  Dazu werden Profile für jeden einzelnen Kunden anhand verhaltensorientierter und historischer Transaktionsdaten erstellt und daraus die individuelle Kaufneigung sowie die optimalen Zeitpunkte für Interaktionen, insbesondere aus dem Vergleich mit ähnlichen Profilen abgeleitet.  Ziel ist es, perspektivisch sogenannte „Mikro-Momente“ zu schaffen, die für jedes Profil individuell und zielgenau „positive Erfahrungen“ auf der jeweiligen Customer Journey gewährleisten, also die Kundenkommunikation personalisiert mit dem Ziel der optimalen Kundenzufriedenheit auszusteuern. 

Analyse & Optimierung von Kundengesprächen – in Echtzeit

Neben der situativen Ansprache auf der Customer Journey, kann KI auch für die Echtzeitanalyse und -optimierung im Vertriebs- und Serviceprozess eingesetzt werden. Das Unternehmen Cogito setzt bei der Optimierung der Kundenbetreuung im Telefonkontakt an. Dazu vergleicht die Ausgründung des MITs in Cambridge/Massachusetts die Eigenschaften und Merkmale eines aktuell geführten Gesprächs mit denen erfolgreicher historischer Anrufe. Anhand der Analyse von Faktoren wie Lautstärke, Länge und Anzahl von Gesprächspausen sowie der Geschwindigkeit und der Stimmhöhe gibt Cogito den Mitarbeitern in Echtzeit Hilfestellung und leitet Empfehlungen für die Gesprächsführung ab.

Customer Experience Management & Natural Language Processing

Laut Unternehmensinformationen, die im Rahmen einer erfolgreichen Series B Finanzierungsrunde veröffentlicht wurden, gehören zahlreiche Fortune-500-Unternehmen zu den Nutzern des Systems.  Technisch basiert dies auf einer Kreuzung verhaltenswissenschaftlicher Ansätze und des Natural Language Processings. Dazu wurden im Rahmen maschineller Lernverfahren mehrere Millionen von Telefonaten erfasst und ausgewertet.  Während eines Anrufs zerlegt das System die Konversation in Millisekunden in über 200 verschiedene vokale und nonverbale Signale. Diese werden dann analysiert und mit Mustern von Verläufen vergangener Telefonate in Bezug gesetzt. Aus den sich daraus ergebenen Korrelationen leitet das System autonom die Gesprächsempfehlungen ab, die der Mitarbeiter während seines Telefonates auf dem Bildschirm angezeigt bekommt.  Das Unternehmen selbst spricht dabei von einer Unterstützung der „emotionalen Intelligenz“ im Telefonverkehr.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

<img src="http://vg08.met.vgwort.de/na/d521f8dc58c3408e9181d15830d575e4" width="1" height="1" alt="">

Der Beitrag KI im Customer Experience Management erschien zuerst auf Nerdwärts.de.

Auf Chatbots trifft man klassischerweise in Form eines herkömmlichen „Messengers“, wie WhatsApp oder der Chatversion von Facebook („Facebook Messenger“) und bestehen aus einer simplen Textmaske, die für die Nutzereingaben und die systemseitigen, computergenerierten Antworten genutzt wird. Grundsätzlich sind aber auch Anwendungen für das gesprochene Wort denkbar, vergleichbar mit Apples Sprachsteuerungsfunktion „Siri“ oder den autonomen Haushaltslösungen Amazon Alexa oder Google Home, mit denen dann tatsächlich nahezu „richtige Gespräche“ möglich sind. Diese „Sprachassistenten“ funktionieren im Prinzip genauso wie die Chatbots, müssen jedoch zunächst die Inhalte „dekodieren“, also maschinell verarbeitbar machen. Gewöhnlich werden dazu die akustischen Äußerungen in die Textform übertragen. Von da an verläuft das weitere Verfahren in aller Regel analog.

Künstliche Erstellung natürlicher Sprache

Technisch können beide Anwendungsarten grundsätzlich auf „Natural Language Processing“ zurückgreifen, um den erfassten menschlichen und damit aus Sicht des Systems „unstrukturierten“ Inhalt für die Datenverarbeitung aufzubereiten. In einem als „Preprocessing“ bezeichnetem Verfahrensschritt werden zunächst im Abgleich mit vorhandenen „Sprachbibliotheken“ Schreibweisen (Groß- und Kleinschreibung, Umlaute, etc.) und Synonymverwendungen harmonisiert und Tippfehler ausgeglichen. Im Anschluss daran wird die Eingabe oder „Äußerung“ des Anwenders in einzelne eindeutig bestimmbare Textbestandteile zerlegt. Die weitere Verarbeitung erfolgt dann nach zuvor aufgestellten Regeln. Diese sind heute oft noch menschlich „programmiert“, können aber auch (zusätzlich) im Rahmen maschineller Lernfahren abgeleitet worden sein. Das System erstellt daraus dann die entsprechenden „Softwarebefehle“, um zielführend auf die hinterlegte Datenbank zuzugreifen. 

Chatbots und Spracherkennung

Bei einer Bestellung in einem Online Shop über einen Chatbot („Ich möchte Produkt XY kaufen…“) würde das System demgemäß erst den Eigennamen des Produktes („XY“) und die Intention des Nutzers („…kaufen…“) extrahieren und damit die bestehende Aufgabe identifizieren. Diese kann dann an das Backend-System übertragen werden, um dort mittels einer Schnittstelle zum CRM- und zum Warenwirtschaftssystem automatisiert und autonom die Bestellung zu bearbeiten. Die Güte der Inhaltserkennung steht und fällt mit der semantischen Tiefe der verwendeten Verfahren und der hinterlegten Sprachbibliotheken. Diese können von der bedeutungsfreien Keyword-Erkennung bis hin zum Rückgriff auf voll ausgereifte semantische Analysen reichen, die auch subjektive „Haltungs- und Einstellungselemente“ erfassen.

Erster Schritt: Daten sammeln

Damit der Chatbot diese Einordnung vornehmen und darauf situativ reagieren kann, muss zuvor eine entsprechende Datenbank aufgebaut werden, die die entsprechenden unternehmensrelevanten Informationen, wie Produktnamen und mögliche Kundenintentionen enthält. Während dies im genannten Beispiel entlang des Shop-Systems und des dort hinterlegten Sortiments sowie der bereits gesammelten Nutzerdaten möglich ist, greift man im Service-Bereich oft auf bereits existierende „FAQs“ („Frequently Asked Questions“) sowie auf die damit korrespondierenden und bereits ausformulierten Antworten zurück. Intelligentere Systeme indizieren eigenständig die Websiteinhalte und versuchen diese semantisch zu erfassen.

Das US-Start-Up Guestfriend bietet seinen Kunden aus der Gastronomie an, Chatbots für Restaurants automatisch, direkt aus den verfügbaren Website-Informationen – wie Speisekarte, Öffnungszeiten sowie Zusatzstoffe und Allergene in den Gerichten – zu erstellen, ohne dass sich die Eigner dazu um einen zu implementierenden Konversationsverlauf kümmern müssten.  Auch in diesen Kontexten setzt man inzwischen verstärkt auf selbstlernende Verfahren, die die „Customer Experience“ eigenständig optimieren, indem die Ergebnisse und die Zufriedenheit der Kunden mit dem Chatbot erhoben und bei der permanenten Justierung des Dialogs miteinbezogen werden.

Die künstliche Erstellung von Sprache

Neben dem Verstehen von Useranfragen und deren Bedeutung („Language Understanding“) umfasst die Sprachverarbeitung auch die systemseitige Erstellung von Antworten und Dialogtexten („Language Generation“). Damit ist der Chatbot in der Lage, die Konversation „aktiv“ in „menschlicher“ Sprache zu betreiben. Dabei kann es sich um simple Bestätigungen („Ihre Bestellung ist unterwegs“), um präzisierende Nachfragen („Ist die Bestellung so in Ordnung?“, „Stimmt die folgende Adresse noch?“) oder weiterführende Dialoge (Cross-Selling/Up-Selling, …) handeln. Auch hier ist ein breites Leistungsspektrum denkbar – von vorformulierten Standardsätzen bis hin zu aus den Versatzstücken der Sprachdatenbank eigenständig, „intelligent“ geformten Textelementen. In der Praxis vorherrschend ist allerdings im Moment noch der Rückgriff auf „vorgefertigte Sprach-Templates“, die standardisierte Textbausteine enthalten und über entsprechende Variablen und Platzhalter auf die spezifische Situation angepasst werden.

Vom Chatbot zum Sprachassistenten

Bei Sprachassistenten läuft die Dialogverarbeitung, wie erwähnt, grundsätzlich genauso. Der Unterschied besteht darin, dass zu Beginn und zum Ende des Prozesses der inhaltliche Transfer zwischen akustischer und geschriebener Sprache in die jeweilige Richtung erfolgt. Bei der „Eingabe“ eines Sprachbefehls wird zunächst das Tonsignal digitalisiert. Im Anschluss durchläuft dieser „Input“ ein mitunter mehrstufiges Verfahren, das zunächst zum Ziel hat, einzelne Laute beziehungsweise Silben zu identifizieren, um deren Zusammenhänge dann als Wörter zu erkennen, die dann schließlich wiederum im Satzbau-Kontext analysiert werden.  Jede höhere Instanz wirkt dann als „Prüfstelle“ für die Sinnhaftigkeit der von der vorherigen Stufe übergebenen Ergebnisse – also etwa, ob ein Wort aus bestimmten Lauten/Silben in dieser Form existiert oder nicht – und passt dann den weiterzuverarbeitenden Inhalt gegebenenfalls – analog zu einer „Autokorrektur“ in einem Textverarbeitungsprogramm – an. Damit ist die Umwandlung in Schriftform schließlich vollzogen und es setzt der für die Chatbots beschriebene Prozess ein.

Simulation menschlicher Lautsprache

Entsprechend gilt es an dessen Ende wieder bei den Sprachassistenten das geschriebene Wort in Tonsignale umzuwandeln. Dazu greift man auf „Sprachsynthese“ zurück, die entweder einzelne, zuvor gespeicherte Laute entsprechend der Textfolge zusammenfügt oder, in der „vollsynthetischen“ Ausprägung, versucht, die Funktionsweise des menschlichen Vokaltrakts softwareseitig abzubilden.  In der Regel kommen hierbei auch künstliche neuronale Netzwerke zum Einsatz, die nach ermittelnden Mustern, Sprache „modulieren“ sollen.  Ein gutes Beispiel für die vollsynthetische Spracherzeugung dürfte Googles „Duplex“ darstellen, das mit einer künstlichen generierten Stimme – die nicht mehr von einer natürlichen menschlichen zu unterscheiden war –, erfolgreich einen Frisörtermin vereinbaren konnte, wie Google auf seiner „I/O Conference“ im Jahr 2018 demonstrierte.

Erstellung von Sprachangeboten

Unternehmen, die auf Chatbots im Marketing zurückgreifen möchten, müssen nicht zwingend selbst die komplette Entwicklung und Programmierung übernehmen, sondern können auf bereits existierende Chatbot-Frameworks zurückgreifen, welche bestimmte Funktionen standardmäßig bereitstellen. Auch Plattformen, welche die komplette technische Infrastruktur bereitstellen, gibt es. Nicht zu unterschätzen ist jedoch in beiden Fällen die Verknüpfung mit den zu übermittelnden Inhalten und die Konzeption der Dialoge. Die Qualität der Kundenkommunikation hängt schließlich ganz entscheidend von der Tiefe und der Güte der übermittelten Informationen sowie insbesondere auch von der Dialogfähigkeit des Systems ab. Diese Eigenschaften kommen nur dann zur Geltung, wenn nicht nur das technische Rahmenwerk funktioniert, sondern eben auch die entsprechenden Inhalte zielgerichtet aufbereitet und mit dem System verknüpft wurden.

KI: Sind Chatbots intelligent?

Umstritten ist immer noch, ob es sich bei Chatbots um KI im eigentlichen Sinne handelt. In der Tat ist der Übergang vom programmierten System zur autonom agierenden Einheit fließend. Viele der derzeit existierenden Chatbots beruhen noch auf eher simplen „wenn – dann“-Verknüpfungen, die auf Basis mehr oder weniger händisch eingepflegter Inhalte einen Output zu einem menschlichen Input liefern. Gleichwohl hat sich hier, gerade bei den akustisch getriebenen Sprachassistenten der großen Technologieanbieter, wie Amazon oder Google, in den letzten Jahren eine erstaunliche Entwicklung vollzogen. Spracherkennung beruht heute in vielen Fällen auf der Erkennung von Mustern, die Systeme werden mittels Verfahren des maschinellen Lernens trainiert und sind in der Folge in der Lage „eigenständig“ hinzuzulernen, wenn die kontinuierliche Versorgung mit Daten nicht abreißt und es gelingt, eine entsprechende Feedback-Systematik zu etablieren. Das erklärt vermutlich auch gerade den Erfolg von Alexa, Google Home & Co, die nun schon seit geraumer Zeit durch uns, die Vielzahl der Anwender, systematisch in „realer“ Umgebung mit einem steten Zufluss an Input versorgt werden.

Conversational AI?

In diesem Zusammenhang fällt heute des Öfteren der Begriff der „Conversational AI“, der sich auf die Fähigkeit der intelligenten Gesprächsführung weitgehend autonomer Systeme bezieht.  Dies geht deutlich über simple „Frage-Antwort“-Spiele hinaus, sondern umfasst ein erheblich weiter gefasstes Konzept von Kommunikation, das auf einem tiefen Sprachverständnis basiert. Dazu gehört, dass das System den Gesprächskontext erkennt, Informationen aus vorausgegangenen Dialogen berücksichtigt, deren Relevanzunterschiede erfasst und die womöglich tiefere Bedeutung einzelner Formulierung versteht. Selbst Emotionen der menschlichen Gesprächspartner sollen in Zukunft entschlüsselt und bei der Gestaltung des Dialoges miteinbezogen werden. Die chinesische Firma „emotibot“ etwa verspricht Kundengespräche anhand von akustischen und textlichen „Emotionsmustern“ zu analysieren und daran in Echtzeit die Antworten ihrer Chatbots auszurichten.

Von der Mustererkennung zu menschlichem Verhalten?

Letztlich geht es darum, den zwischenmenschlichen Kommunikationsprozess so weitgehend wie möglich technisch zu simulieren.  Auch wenn auf diesem Feld in den letzten Jahren in kurzer Zeit erhebliche Weiterentwicklungen zu verzeichnen waren, sind wir aktuell von einer gänzlich natürlichen Gesprächsführung mit intelligenten Systemen immer noch ein gutes Stück entfernt. Gleichwohl ist durchaus denkbar, dass einiges von dem, was wir heute als „originär menschlich“ in der Kommunikation betrachten, durch Mustererkennung und maschinelles Lernen für die Technik abbildbar wird.

Die Qualität der Customer Experience mit Chatbots und Sprachassistenten hängt maßgeblich von deren Sprachfähigkeiten und letztlich von deren „Intelligenz“ ab. Entscheidend ist hierbei, den optimalen Ausgleich zu finden, zwischen Automatisierung und Kundenzufriedenheit. Sofern die Systeme in ihrer Leistungsfähigkeit noch beschränkt sind, stellen sie keinen vollfunktionsfähigen Ersatz für ein menschliches Service- oder Sales-Team dar. Gleichwohl können sie bereits jetzt als Ergänzung in der Kundenbearbeitung und perspektivisch der Gestaltung eines reibungslosen Übergangs zu einem erhöhten Automatisierungsgrad dienen, bis hin zur Entwicklung einer letztlich vollständigen Autonomie des Kundendialogs.

:

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Wie funktionieren Chatbots und Sprachassistenten? erschien zuerst auf Nerdwärts.de.

Drei Kernbereiche der Marketing Automation

Grundsätzlich ist es möglich, Marketing Automation in drei einzelne Segmente zu unterteilen:

• Marketing Workflow Management,
• Marketing Intelligence und – der vielleicht wichtigste Teil –
• Marketing Dialogue Processing

Marketing Workflow Management

Marketing Workflow Management bezieht sich auf die Automatisierung der internen Marketingprozesse. Dazu gehört beispielsweise die Projektsteuerung im Marketing- und Vertriebsumfeld, also das zuweisen von Arbeitspaketen, die automatisierte Erinnerung und die Überprüfung von zu erreichenden „Milestones“ u.ä. Ebenso zählen dazu die autonome Überwachung der Budgettreue sowie der entsprechende Abgleich mit der Erfolgskontrolle auf Grundlage entsprechender Datensysteme. Auch das Management der Werbemittel und -formate („Advertising Assets“) erfolgt im Rahmen mechanisierter Workflows. Das spielt insbesondere beim Programmatic Advertising eine entscheidende Rolle. Die Steuerung der Auslieferung von Werbemitteln erfolgt heute in aller Regel über einen sogenannten „Adserver“, womit sowohl die entsprechende Hardware als auch die Software umschrieben wird, die für das Management der Werbeausspielung verantwortlich ist. Der Adserver stellt die exakte Auslieferung der vereinbarten „Kontingente“ an Ad-Impressions sicher und bildet dabei auch die Nutzer-spezifische Aussteuerung der Ansprache ab. Ein menschliches Eingreifen bei der Platzierung der Werbeformate ist damit, wenn einmal die Parameter festgelegt wurden, nicht mehr notwendig.

Marketing Intelligence

Marketing Intelligence beschreibt das automatisierte Sammeln und die Auswertung von Userdaten. Darunter fallen sämtliche „im Hintergrund“ ablaufende Tracking- und Targetingmaßnahmen, die Auswertung der Surfhistorie von Nutzern, die Erfassung und Aufbereitung von Öffnungsraten, die Analyse von Stamm- und Kundendaten sowie letztlich die Verknüpfung aller dieser Informationen zu aussagekräftigen Kennzahlen und Reportings im Sinne eines Big- oder Smart-Data-Ansatzes.

Marketing Dialogue Processing

Marketing Dialogue Processing erfasst hingegen das automatisiertes Abwickeln und/oder Steuern des Kundendialogs. Dieser Bereich kann also als eine Automatisierung des Kundenbeziehungsmanagements („Customer Relationship Management“, CRM) verstanden werden. Dazu gehört etwa auch das Sicherstellen eines funktionierenden „Closed Loop Marketings“, bei dem das operative mit dem analytischen CRM verbunden wird: Auf Basis zuvor gesammelter Daten zu aktuellen und potenziellen Kunden sowie zu den von diesen verwendeten Kommunikationskanälen gilt es dabei, die Kundenbedürfnisse sowie Muster im Kundenverhalten zu erkennen und daraus die notwendigen Marketingmaßnahmen abzuleiten, deren Einfluss und Wirkung im Anschluss wiederum untersucht und optimiert werden.

Closed Loop & CRM

Durch diese fortwährende Verknüpfung von analytischer und operativer Tätigkeit entsteht ein geschlossener Regelkreis, dessen inhaltliche Bestandteile Modulcharakter aufweisen und dessen Abläufe sich automatisieren lassen. Im eMail-Marketing ist es zum Beispiel möglich, aufgrund der zuvor bekundeten Themeninteressen eines Nutzers – etwa weil sich dieser bestimmte Inhalte oder Produkte angesehen hat – individualisierte eMail-Newsletter automatisiert, also ohne, dass dabei noch das Eingreifen eines menschlichen Redakteurs vonnöten wäre, zu erstellen.

Messbarkeit der Resonanz

Die Reaktionen der jeweiligen Nutzer auf diese Aussendung lassen sich wiederum messen. Dabei werden unter anderem Antworten auf folgende Fragen gesucht: „Wurde die zugestellte eMail durch den Empfänger geöffnet?“, „Wenn ja, auf welche Inhalte wurde geklickt?“, „Was hat ihn also besonders interessiert?“ und „Wie ist der Adressat dann weiter verfahren?“. Die daraus ableitbaren Maßnahmen lassen sich im Vorfeld „programmieren“. So ist es möglich, allen Empfängern, die die eMail nicht geöffnet haben, automatisiert nach einer gewissen Karenzzeit die Nachricht erneut zuzustellen. Erfolgt dann immer noch keine Reaktion, so muss ggf. eine neue inhaltliche Ausrichtung erfolgen. Die „Öffner“ hingegen werden hinsichtlich ihres Nutzungsverhaltens unter die Lupe genommen: Ziel ist es, hier möglichst wenig Anschlussverluste zu erleiden, also die Nutzer dazu zu bewegen, den weiterführenden Klick auf die dargebotenen Inhalte zu tätigen. Auch diese Verhaltensweise fließt mechanisiert in die Ausgestaltung der kommenden Aussendungen ein.

Vernetzung der Einzelsysteme

Wurden in der eMail zum Beispiel Produkte eines Onlineshops angepriesen, so ist dann entscheidend, ob es in der Folge zu einem Abschluss kam. Ist dies der Fall, so kann eine Verknüpfung der Kommunikationsdaten mit den Sales- und Adressdaten stattfinden, die sich IT-seitig in einer Verknüpfung von eMail-Marketingsystem, CRM-System sowie der Buchhaltungs- und ERP-Software widerspiegelt. In einem intelligenten, geschlossenen Marketing-Loop werden in einer nächsten Runde dem Kunden dazu passende, womöglich komplementäre Angebote zu seiner letzten Transaktion automatisiert unterbreitet, deren Erfolg wieder entsprechend überprüft wird. Im Idealfall entsteht somit ein Kreislauf, der sich selbst optimiert und steuert.

Lead Generation & Lead Management mit Marketing Automation

Anwendung findet dieses Prinzip auch im „Lead Management“, dem Management von Verkaufs- und Kundenkontakten. Der Begriff „Lead“ (zu Deutsch „Spur“) steht dabei für einen qualifizierten Datensatz zu potenziellen Kunden, die sich aufgrund eines an spezifischen Themen gezeigten Interesses als vielversprechender Verkaufskontakt identifiziert haben. Klassischerweise erfolgt die Generierung von Leads über sogenannte „Whitepaper“, qualitativ hochwertige „Fachartikel“, die sich der Lösung eines spezifischen Einkäuferproblems widmen, jedoch nicht von einer entsprechenden Redaktion eines unabhängigen Mediums, sondern von den Anbietern derartiger Lösungen bereitgestellt werden.

Köder für Registrierung, verschiedene Leadlevel

Diese Inhalte platziert man im Netz, um sie gewissermaßen als „Köder“ auszulegen. Der Zugriff ist meist nur nach vorheriger Registrierung möglich, so dass die Anbieter auf diese Weise an die Kontaktdaten der Interessenten gelangen. Statt eines Whitepapers werden auch Webinare, Gruppenzugänge in Social Media oder traditionelle Messen für Lead Generierung genutzt. Lead Management umfasst dabei den gesamten Prozess der Lead Generierung und des „Lead Nurturings“, der Pflege und Weiterentwicklung von Leads zu qualifizierten Kontakten, je nach Qualifizierungsgrad und daraus abgeleiteter Abschlusswahrscheinlichkeit zu „Marketing Qualified“, „Sales Qualified“ und „Sales Accepted“ Leads.

Mechanisierung der Kundengewinnung mit Marketing Automation

Auch dieser Prozess lässt sich bis zur Übergabe (und nicht selten auch darüber hinaus) der zu Kunden umgewandelten Kontakte an das CRM-System fast vollständig automatisieren. Dabei wird stets auf Basis des Status‘ des jeweiligen Interessenten, seiner aufgezeichneten Reaktionen zu den jeweiligen Stufen der Kontaktanbahnung und seiner ermittelten Budgetausstattung und -befugnis der nächste, „maßgeschneiderte“ Kommunikationsschritt festgelegt. Nicht nur die Wahl der Kommunikationsmaßnahmen, auch konkrete – und nicht selten automatisierte – Handlungsanweisungen zu Art und Intensität der Betreuung durch den Vertrieb bemessen sich hieran. Auf diese Weise ließe sich letztlich die gesamte Steuerung der Kundengewinnung sowie von Marketing und Vertrieb in diesem Bereich mechanisieren.

Chat Bots als neues Form der Marketing Automation

Die fortschreitende Entwicklung in der Digitalisierung und die damit steigende Kompetenz im Umgang mit Daten führt zu zunehmend intelligenteren Kommunikationsautomatismen. Immer öfter werden heute grundlegende Aufgaben des Kundendialogs auf sogenannte „Chat Bots“ ausgelagert, digitale Dialogsysteme, über die sich in natürlicher Sprache kommunizieren lässt. Meist erscheinen diese in Form eines klassischen „Messengers“ wie WhatsApp oder der Chatversion von Facebook („Facebook Messenger“) und bestehen aus einer simplen Textmaske, die für die Nutzereingaben und die systemseitigen, computergenerierten Antworten genutzt wird. Grundsätzlich sind aber auch Anwendungen für das gesprochene Wort denkbar, vergleichbar mit Apples Sprachsteuerungsfunktion „Siri“ oder den autonomen Haushaltslösungen „Amazon Alexa“ oder „Google Home“, mit denen man tatsächlich schon nahezu „richtige Gespräche“ führen kann.

Digitale Assistenten im Kundenkontakt

Die US-Modekette „Macy’s“ bietet ihren Kunden den digitalen Assistenten „Macy’s On Call“ an, der dabei helfen soll, sich im Laden vor Ort zurechtzufinden. Der Bot versteht auch „unstrukturierte“ Textanfragen, wie „Wo finde ich Schuhe?“, und liefert daraufhin die korrekte Antwort. Ein anderes Anwendungsbeispiel stellt „Lisa“, der „Learning Intelligent Sales Agent“, des deutschen Unternehmens „The Saas Co.“ dar. Dieser soll die Arbeit im Vertrieb intelligent unterstützen, indem bestimmte wiederkehrende Sales-Tätigkeiten automatisiert abgebildet werden. Wird ein Kunde durch einen Verkäufer kontaktiert, setzt dieser den Bot als Nebenempfänger in seiner Antwortmail auf „cc:“. Die dahinterliegende Software analysiert dann im Hintergrund die daraufhin eingehenden eMails und ordnet diese automatisch nach positiven und negativen Antworten oder Abwesenheiten. Des Weiteren soll „Lisa“ adäquate Antworten im Kundendialog vorformulieren und eigenständig relevante Informationen für den Gesprächspartner zusammenstellen können.

Chatbots als Vorläufer Künstlicher Intelligenz

Immer öfter sind diese Bots in der Lage, aus vorausgegangenen Aktionen sowie aus den damit verknüpften Daten zu „lernen“ und dürfen damit getrost als Vorläufer „Künstlicher Intelligenz“ beschrieben werden. Gerade diesem Feld wird heutzutage eine besondere Aufmerksamkeit geschenkt, so dass hier in den nächsten Jahren von erheblichen Entwicklungssprüngen in der Marketing Automation ausgegangen werden kann.

Der Beitrag ist ein Exzerpt aus:
Wagener, Andreas (2018): Marketing 4.0 In: Wolff, Dietmar / Göbel, Richard (Hrsg.). Digitalisierung: Segen oder Fluch. Wie die Digitalisierung unsere Lebens- und Arbeitswelt verändert, http://www.springer.com/de/book/9783662548400

Mehr zum Thema Künstliche Intelligenz & Chatbots hier:

Prof. Dr. Andreas Wagener. Professur für Digitales Marketing: eCommerce & Social Media, Hochschule Hof

Industrie 4.0, Datenökonomie und Künstliche Intelligenz: Wie Daten und Algorithmen Wirtschaft und Gesellschaft verändern:

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Marketing Automation & Lead Generation erschien zuerst auf Nerdwärts.de.