Kundenbetreuung mit KI optimieren

Wir haben einen KI-gesteuerten Mailverarbeitungsprototypen entwickelt, um potenzielle Zeit- und Kostenersparnisse für unseren Kunden zu ermitteln.
Wir haben einen KI-gesteuerten Mailverarbeitungsprototypen entwickelt, um potenzielle Zeit- und Kostenersparnisse für unseren Kunden zu ermitteln.
Proof of Concept
Business Challenge
Eine Schätzung darüber vornehmen, in welchem Maße KI dabei helfen kann, mailbasierte Kundenbetreuung zu automatisieren und ob ein voll entwickeltes KI-System eine sinnvolle Investition darstellt.
Kunde

Unser Kunde ist ein Verlag, der verschiedenste nationale Zeitungen und Magazine betreibt. Regelmäßig setzen sie sich mit einer großen Anzahl an Kundenanfragen bezüglich Lieferungs- und Abonnementprobleme sowie vieler anderer Dinge auseinander. In den letzten zwei Jahren haben sie einen Zuwachs von 20% der Anzahl der E-Mails von Kunden festgestellt und eine noch größere Zunahme ist in den kommenden Jahren zu erwarten. Was haben all diese Anfragen gemeinsam? Sie müssen alle manuell bearbeitet werden. Das erfordert viel Zeit und Geld und selbstverständlich verdienen ihre Kunden schnelle und präzise Antworten.

Kann künstliche Intelligenz Geld sparen?

“Kann KI sowohl Antwortzeiten als auch die Relevanz der Antworten verbessern? Wie können wir relevante Zahlen oder zumindest Schätzungen finden, um den potenziellen Gewinn eines solchen Investments zu berechnen?” Das waren fundamentale Fragen, für die unser Kunde Antworten benötigte.

Wir nahmen uns dieser Fragen an, indem wir untersuchten, wie effizient eine auf KI aufbauende E-Mail-Klassifizierung mit echten Daten umgehen würde, insbesondere mit den Daten unseres Kunden. Die Herausforderung bestand darin,
  • E-Mails verschiedenster Formate zu verarbeiten,
  • grundlegende Informationen und den Zweck einer E-Mail zu identifizieren und
  • eine Methode zu konzipieren, mit der das System durch “Erfahrung” trainiert werden kann.
Der Intent

Jede E-Mail in der Inbox des Verlags enthält mindestens ein gewünschtes Resultat oder einen “Intent”, d.h. der Beweggrund, aus dem der Kunde an den Verlag schreibt. Für den Anfang zogen wir Probleme mit der Zeitungslieferung als Testfall für unser PoC (Proof of Concept) heran.

Um zu untersuchen, wozu eine KI-gesteuerte Lösung imstande ist, wählten wir ebenfalls fünf “Sub-Intents”, die unser System zu identifizieren versuchen würde, darunter “Zeitung an den falschen Platz gelegt”, “Zeitung nicht geliefert” oder “Zeitungslieferung verspätet”. Wir stellten fest, dass ähnliche Formulierungen in den E-Mails es schwierig machten, zwischen den verschiedenen Nuancen des Zwecks der E-Mail zu differenzieren. Allgemein war es unser Ziel, das Verhältnis korrekt klassifizierter E-Mails zu jenen zu ermitteln, bei denen eine Klassifizierung nicht möglich war.

Das Training

Um mehr Kentnisse mit dem PoC gewinnen zu können, trainierten wir das System innerhalb von zwei Wochen, wichtige Informationen im Text einer E-Mail, die der Verlag typischerweise erhält, anhand echter Daten zu identifizieren.

Die zu extrahierende Information konnte folgende Elemente enthalten:
  • die Abonnementnummer
  • der Name des Kunden
  • eine Lieferadresse oder Kundennummer
  • eine Zeitspanne für die Unterbrechung einer Lieferung oder ein Datum für deren Beginn
  • der Zweck der E-Mail

Schlussfolgerungen
Die Information, die wir während der Entwicklung des Prototypen gesammelt haben, ermöglichte es uns, die Herausforderungen als auch das Potenzial KI-getriebener Lösungen zu demonstrieren:
  • Natural Language Understanding (NLU) mit unvollständigen Daten zu kombinieren ist äußert herausfordernd, da die Performance externer KI-Bibliotheken von der Sprache abhängt. In unserem Fall hat sich IBM Watson als beste Lösung für Deutsch herausgestellt.
  • Datumsangaben zu verstehen stellte eine der größten Hürden dar. Falls beispielsweise eine Zeitungslieferung vorübergehend eingestellt werden soll, fällt es Maschinen und manchmal sogar Menschen schwer, zu verstehen, wenn sich nachfolgende E-Mails auf vorherige Angaben darüber beziehen, wann eine solche Einstellung hätte stattfinden sollen, es aber nicht tat.
  • Da E-Mails selten konkreten Formaten entsprechen, ist deren Vorverarbeitung unerlässlich, um überflüssige Informationen herausfiltern zu können.
Viel versprechende Resultate

In über 200 Stunden, die für die Vorverarbeitung der E-Mails und die Konfiguration der KI (Classifier, NLU, Watson Knowledge Studio) verwendet wurden, konnten 80% der Intents in der gegebenen Datenstichprobe korrekt klassifiziert werden. Dies hieß für uns, dass ein tatsächliches Potenzial für die Antwortautomatisierung und die Verbesserung von Antwortzeiten mithilfe künstlicher Intelligenz besteht.

Dank unseres PoC konnte sich unser Kunde den zu erwartenden Ertrag als auch die möglichen Risiken einer solchen Investition besser vorstellen und demenstprechend die nächsten Schritte planen, die ihnen am nützlichsten sein werden.

Andreas Jaritz
Zusammen können wir erstaunliche Dinge schaffen.
Andreas Jaritz
— VP Client Solutions