CONSULTING.de
PERSONALintern.de
Customer Experience Runter mit den Scheuklappen - was wir brauchen, ist ein ganzheitlicher Blick!
veröffentlicht am
Lukas Rintelen, Tucan.ai Automatisierung in vollem Gange: Wie KI aktuell die CX-Forschung revolutioniert
veröffentlicht am
Ohne Künstliche Intelligenz geht im Bereich Customer Experience bald Nichts mehr. (Bild: picture alliance / Zoonar | Alexander Limbach)
Wer in kurzer Zeit große Datenmengen verarbeiten, Metadaten analysieren und Muster erkennen kann, erlangt viel tiefere Einblicke in die Gedankenwelt von Kunden. In unserem von rapider digitaler Transformation geprägten Informationszeitalter wird es stetig schwieriger, eindrückliche und bindende Kundenerlebnisse zu bieten. Marktführer in so gut wie allen Branchen stellen daher das Thema Personalisierung inzwischen in den Mittelpunkt ihrer Unternehmensstrategie.
So hat etwa Rodney McMullen, CEO von Kroger, Nahtlosigkeit und Personalisierung jüngst als zwei ganz zentrale Bereiche beschrieben, in die der Einzelhandelskonzern nun primär gezielt investiert. Ebenso aus den Branchen Bekleidung (zum Beispiel Nike), Gastronomie (Starbucks), Bankwesen (JPMorgan Chase) und Heimwerkerbedarf (Home Depot) war vergangenes Jahr von Marktführern zu vernehmen, dass sie inzwischen nahtlose, personalisierte Omnichannel-Erlebnisse in ihren strategischen Fokus rücken.[1]
Umfragen belegen, dass Kunden, die positive Erfahrungen mit Marken gemacht haben, im Schnitt mehr ausgeben und längerfristig loyaler sind. Laut einer Studie von Deloitte sind sie bereit, bis zu 140 Prozent mehr zu berappen, wenn sie eine positive Erfahrung mit einer Marke gemacht haben.
Zudem wissen wir, dass Konsumierende der Generationen Y und Z Markenerlebnisse vorwiegend über Produkte stellen. Doch das bedeutet keineswegs, dass sie bloß Urlaub machen wollen, anstatt Geld für trendige Sneakers auszugeben: McKinsey dokumentiert ein Wiederaufleben der Nachfrage nach “echten” Einkaufserlebnissen.
Nun stellt sich die Frage: Welchen Beitrag können KI und Machine Learning (ML) zur Optimierung von Kundenerfahrungen, Nutzerbindung und Konversionen leisten?
Lassen Sie uns erst einen Blick auf die aktuelle Lage in der Marktforschung generell werfen, bevor wir näher darauf eingehen, wie und wofür Machine- und Deep-Learning-Technologien in der CX-Forschung eingesetzt werden können und welche Tools und Anbieter sich aktuell besonderer Beliebtheit erfreuen.
Die Bedeutung von KI nimmt in sämtlichen Branchen rasant zu
Wir stehen nun an einem Punkt, an dem sich Wettbewerbsvorteile vermehrt aus der Fähigkeit ergeben, große Mengen an Kundendaten akribisch erfassen, analysieren und verarbeiten zu können. Das Gleiche gilt für den effektiven Einsatz von KI/ML für ein besseres Verständnis, Design und Management von Customer Journeys.[2]
Um eindrückliche Erlebnisse schaffen zu können, brauchen Unternehmen laufend neue Erkenntnisse, die auf einem umfassenden, vertieften Kundenverständnis beruhen. In digitalisierten, schnelllebigen Märkten bedarf es einer innovativen, agilen und teilautomatisierten CX-Forschung, die diverse Analysemethoden kombiniert und sich dabei gezielt KI/ML zunutze macht. Insbesondere diesseits des Atlantiks ist der Weg dorthin jedoch für viele Branchenvertreter noch ein steiniger.
In vielen anderer Branchen hat der Einsatz von KI/ML bereits exponentiell zugenommen. Aus einem O’Reilly-Bericht aus dem Jahr 2021 ist zu entnehmen, dass IT und Elektronik im Ranking an der Spitze steht (17 Prozent), gefolgt von Finanzdienstleistern (15 Prozent), Gesundheitswesen (9 Prozent) und Bildung (8 Prozent).
Dass KI/ML in der Marktforschung hingegen noch eine verhältnismäßig kleine Rolle spielen, schmälert die Erwartungshaltung der Branche aber keineswegs: Laut einer Umfrage von Qualtrics von diesem Jahr sei gut die Hälfte der befragten Entscheidungsträger aus der Marktforschung überzeugt zu wissen, was KI genau ist. Fast alle gehen davon aus, dass KI/ML in den kommenden zehn Jahre einen erheblichen Einfluss auf die Entwicklung der Marktforschung haben werden. Und rund 30 Prozent sind zuversichtlich, die Auswirkungen angemessen vorhersehen zu können. Trendforscher eines SAP-Tochterunternehmens, das auf Experience Management spezialisiert ist, prognostizieren zudem, dass in spätestens fünf Jahren mindestens 25 Prozent aller Umfragen mithilfe von digitalen Assistenten durchgeführt werden.
Vorteile für Markt- und Kundenanalysen
KI/ML-Tools helfen Unternehmen, ein besseres Verständnis vom Kundenverhalten zu bekommen, also welche Probleme diese haben und wie sie auf bestimmte Angebote reagieren. Sie ermöglichen es, schneller und präziser Daten zu sammeln, analysieren und interpretieren.
Spätestens seit der Veröffentlichung des von OpenAI entwickelten Sprachmodells ChatGPT vor ein paar Wochen sind vor allem computerlinguistische Methoden für Natural Language Processing (NLP) in aller Munde. Mit NLP lassen sich Text- und Sprachdaten systematisch sammeln und analysieren, um beispielsweise herauszufinden, wie sich Kunden verhalten und auf Impulse reagieren. Komplexe Datenmuster können dann in weiterer Folge dank ML-Algorithmen immer besser erkannt und interpretiert werden.
Langer Rede, kurzer Sinn: KI/ML bietet zahlreiche Möglichkeiten, Erhebungs- und Analyseprozesse zu optimieren. Trotz der Herausforderungen bei der Entwicklung flexibler Modelle, die mit unvorhersehbarer Sprache arbeiten können, ist die Zweckdienlichkeit des Einsatzes von KI/ML in der Markt- und speziell der CX-Forschung unübertroffen. Folgend finden Sie die wichtigsten Vorteile im Überblick:
Ressourcenersparnis
Der wohl größte Mehrwert von KI/ML ist die Zeit, die sie helfen, einzusparen. Effektive Automatisierung kann die Dauer eines Projekts von Monaten auf Wochen oder sogar Tage verkürzen. Somit können Analysten und Marketer mehr Zeit für Auswertung und Interpretation sowie die Geschichte hinter den Daten aufwenden als für das Berechnen von generalisierbaren Zahlen oder den Versuch, sich einen Reim aus einschlägigen Wortlauten zu machen. KI/ML ermöglichen es Unternehmen zudem, personelle Ressourcen andernorts einzusetzen und Kosten für externe Anbieter zu senken.
Höhere Datenqualität
Es gibt viele Herausforderungen, mit denen Unternehmen und Marken heute konfrontiert sind, wenn es um effizienten Zugriff auf beziehungsweise Nutzung und Verwertung von Daten geht. Dem jüngsten Dell Digital Transformation Index (2020) zufolge sind Datenüberlastung und "Unfähigkeit, Erkenntnisse aus Daten zu gewinnen" die größten Hindernisse einer erfolgreichen digitalen Transformation.
Ebenso eine große Herausforderung im Bereich der Datenanalyse sind sogenannte Datensilos. Damit sind Datenspeicher gemeint, auf die wenig bis gar nicht zugegriffen werden kann, zum Beispiel, weil sie schlecht aufbereitet sind oder in einzelnen Abteilungen isoliert sind.
Obwohl KI/ML kein Wundermittel gegen solche Silos sind, bieten sie Unternehmen Werkzeuge zur Minimierung. Etwa können sie die Qualität und Zuverlässigkeit von Daten drastisch verbessern, indem sie diese intern filtern, intelligent kodieren und verknüpfen. Darüber hinaus verringern sie – zumindest teilweise – unseren menschlichen Bias, der insbesondere bei der Interpretation von qualitativen Daten, wie beispielsweise verbalisierten Inhalten, schnell einmal zu Verzerrung führen kann.
Für Lukas Rintelen ist Künstliche Intelligenz das A und O. (Bild: Maximilian Ostermeier, Rocka Studio)
Tiefere Einblicke
Eine höhere Datenqualität allein trägt in der Regel zu deutlich besseren Ergebnissen bei. Da KI/ML-Tools durch eine Automatisierung von Erhebungs-, Verarbeitungs- und Verknüpfungsprozessen generell die Analyse qualitativer Daten erleichtern, können wir so auch viel mehr davon sammeln.
Darüber hinaus sind KI-Systeme inzwischen in der Lage, Themen, Korrelationen und subtile Nuancen in und zwischen einzelnen Aussagen zu erkennen, die bei manueller Dokumentation oftmals übersehen und übergangen werden. Die gewonnen Freitextdaten ermöglichen zusätzliche, meist tiefere Einblicke.
Anwendungsfälle in der CX-Forschung
Im Folgenden möchte ich Ihnen die gängigsten Anwendungsfelder von KI/ML in der Analyse von Kundenerfahrungen und ein paar innovative Unternehmen mit Vorreiterrolle vorstellen. Zu den meistgenutzten Methoden und Tools zählen Clustering- und Kategorisierungsalgorithmen, Text- und Stimmungsanalysen sowie Prognosemodelle.
Ein absolutes Must-Know für alle Marktforschenden und CX-Forschenden ist definitiv der Mitte 2019 eingeführte Kantar Marketplace. Die automatisierte Plattform, die in 70 Ländern verfügbar ist, liefert in kürzester Zeit entscheidungsrelevante Erkenntnisse, egal ob Unternehmen Feedback zu einer Idee benötigen, ein neues Produkt entwickeln oder eine Kampagne starten. Mit dem Marketplace bietet Kantar eine innovative Werkzeugkiste, die es Forschenden, Fachleuten und Agenturen ermöglicht, tiefere Einblicke durch Automatisierung zu erhalten und schneller datenbasierte Entscheidungen zu treffen.
Mehr zum Thema
Automatische Erhebung
Eine vielversprechende Möglichkeit, um CX-Steigerung, Reibungsreduzierung und Kostensenkung Hand in Hand gehen lassen zu können, ist die Automatisierung durch sogenannte Bots. Im neuen Jahr stellen sie in der Markt- und Kundenforschung wohl den stärksten und sichtbarsten Trend in Richtung KI/ML dar.
In Reaktion auf die Corona-Pandemie ist die Nachfrage nach KI-Assistenten in der Branche massiv in die Höhe geschnellt. KI/ML-basierte Assistenz-Tools wie jene von IBM, Zaoin und boost.ai helfen CX-Profis, Analyseprozesse und Kundenbeziehungen zu automatisieren und zu optimieren. Virtuelle Agenten führen etwa eine Vorauswahl von Kundenanfragen durch und übernehmen die automatische Beantwortung für Routineanfragen. Mithilfe von geskripteten Regeln generieren sie automatisierte Antworten, lernen durch Integrationen mit Backend-Systemen laufend neue Antworten auf grundlegende Fragen und können ein viel größeres Anfragevolumen abarbeiten als Menschen.
Clustering-Algorithmen
Apropos große Datenmengen: Die meisten Unternehmen erfassen bereits viele Kundeninteraktionen in ihren CRM-Systemen. Viele dieser Daten müssen allerdings erst einmal ordentlich strukturiert werden, damit sie auch wirklich Erkenntnisse liefern können. Mithilfe von Informationen über Kundeninteraktionen werden inzwischen KI-Systeme darauf trainiert, die Arbeit eines Kundendienstmitarbeiters zu replizieren. Dazu bedienen sich führende Anbieter wie zum Beispiel Qualtrics sogenannter Clustering-Algorithmen.
Clustering ist eine Technik, mit der Tausende von Zeilen unstrukturierter Gespräche automatisch klassifiziert werden können. So können Kundendienstdaten eines Unternehmens in Sekundenschnelle für Analysen abgerufen werden und erfolgreiche Antworten, Häufigkeiten, Dringlichkeiten etc. aufgezeigt werden. Mithilfe von Deep-Learning-Algorithmen werden Daten automatisch geclustert und häufig gestellte Kundenfragen eruiert sowie bewertet, inwieweit der Support automatisiert werden kann.
Automatische Zusammenfassung
Ebenso für die Zusammenfassung von Videos und Audios kommen KI/ML in der CX-Forschung wie gelegen. Durch die gezielte Verwendung von NLP können wir nun gigantische Mengen an Video- und Audio-Feedback automatisch transkribieren und zusammenfassen. Wichtige Informationen werden so schneller erfasst und Ressourcen können auf wichtigere Aufgaben fokussiert werden.
Softwareunternehmen bieten beispielsweise neben automatischen Aufzeichnungen, Transkriptionen und Kodierungen auch KI-generierte Gesprächszusammenfassungen an. Dies ist besonders nützlich für jene, die große Datenmengen aus Interviews, Gruppengesprächen und so weiter analysieren und Zeit sparen wollen, indem sie diese nicht manuell dokumentieren und kategorisieren müssen.
Kategorisierung und Kodierung
Die größten Herausforderungen bei der Analyse von Gesprächsdaten sind in der Regel Zeit und Kosten, die mit der manuellen Kodierung und Kategorisierung von erhobenen Daten verbunden sind. Auch hier können NLP-basierte SaaS-Plattform schnelle Abhilfe leisten. Sie wird daher hierzulande bereits von namhaften Branchenvertretern wie Kantar und GIM genutzt.
Das Berliner Deep-Tech-Startup hat ein hauseigenes KI-System entwickelt, mit dem Gesprächsdaten unter anderem automatisch kodiert und kategorisiert werden können. Große Datenmengen werden so schneller und präziser verarbeitet, wodurch gezielte und umfassende Analysen durchgeführt und tiefere Einblicke in Ansichten und Kundenbedürfnisse gewonnen werden können. Dies ermöglicht es wiederum, wichtige Ressourcen zu schonen oder umzuverteilen, schneller auf wiederkehrende Anliegen zu reagieren sowie Produkte und Dienstleistungen entsprechend anzupassen.
KI/ML-gestützte Prognosemodelle
Link AI ist eine KI-Plattform, welche die Performance einer digitalen Werbung im Markt vorhersagt. Sie wurde mit Link trainiert, der weltweit größten Werbedatenbank, die über 230.000 umfragegestützte Tests mit 30 Millionen echten menschlichen Interaktionen umfasst. Link AI teilt jede Anzeige in Einzelbilder auf und zerlegt den Inhalt weiter in Bilder, Audio, Sprache, Objekte, Farben, Text sowie weitere Attribute. Dann extrahiert die Maschine mit KI-Videoprozessoren bis zu 20.000 Merkmale aus der Videodatei, speist sie in Machine-Learning-Modelle ein und prognostiziert schließlich die Punktzahl der Anzeige basierend auf Metriken für “kreative Effektivität”.
Auch für Umfragen erfreuen sich computergestützte prädiktive Ansätze immer größerer Beliebtheit. So setzt beispielsweise SurveyMonkey KI-gestützte Tools ein, um Unternehmen bei der Gestaltung und Analyse von Umfragen, der Vorhersage von Ausfüllraten und der Automatisierung der Datenanalyse zu unterstützen. Das Tool wird häufig für Kunden- und Mitarbeiterbefragungen, Marktforschung und andere Formen der Feedbackerfassung eingesetzt.
Audience Journey Mapping und Tracking
Ein weiterer Bereich, in dem Computer-Lernverfahren aktuell auf dem Vormarsch sind, ist das Audience Journey Mapping. Mithilfe von KI/ML lassen sich nun verschiedenste Interaktionen von Kunden mit einer Marke oder einem Unternehmen von Anfang bis Ende präzise dokumentieren. So kann genauer ermittelt werden, wann Kunden Reibungsverluste haben oder wo sie exakt vom Interaktionsprozess abkommen.
Bekannte Beispiele für KI-gestütztes Audience Journey Mapping sind u.a. die Web-Tools HotJar, Appier und Fullstory. Mit ihnen lassen sich zum Beispiel einzelne Website-Sitzungen von jenen Kunden, die einen Kauf nicht abschließen, ganz gezielt beobachten. Dadurch können qualitative Erkenntnisse gewonnen werden, die bei statistischen Auswertungen von großen Datensätzen oftmals nicht ordentlich erfasst werden.
Im Bereich des Audience Journey Trackings erfreut sich etwa die smarte Software Knotch immer größerer Beliebtheit. Sie kann verschiedene Interaktionen, die Kunden im Laufe der Zeit mit Unternehmen haben, zusammenführen und jene Pfade aufzeigen, welche die meisten Konversionen bringen.
Anstatt isolierte Kampagnen auszuwerten, die miteinander um die Zurechnung von Umsatzanteilen konkurrieren, eruiert Knotch akkurat, wie viel Einfluss jede digitale Interaktion oder jeder Inhalt genau auf den Verkauf hatte.
Automatische Sentiment-Analyse
Bei der Stimmungsanalyse oder Meinungsanalyse werden mit Hilfe von künstlicher Intelligenz und ihren Unterformen die in Worten ausgedrückten Emotionen ermittelt. Sie folgt einer vorgegebenen Metrik, um zu verstehen, wie positiv, neutral oder negativ eine Aussage oder ein Text klingt. So können KI-Systeme etwa Millionen von Kommentaren in sozialen Medien, auf Bewertungsportalen und in Online-Umfragen kategorisieren und “voranalysieren”.
Wie innovativer Einsatz von Sentimentanalyse außerhalb der kommerziellen Markt- und Kundenanalyse aussehen kann, zeigte die KI-gestützte Social-Media-Analyse von En Marche im Zuge der Senatswahlen 2020 in Frankreich: Die Partei von Emmanuel Macron setzte angeblich NLP und Sentimentanalyse ein, um tiefe Einblicke in die online geäußerten Präferenzen der Wähler zu bestimmten Themen zu gewinnen.
In der CX-Forschung kann sie sich speziell zur Erreichung der folgenden Ziele als wertvoll erweisen:
- Verbesserung von Marketingkampagnen: Empfindungen monitoren, emotionale Reaktionen auf bestimmte Nachrichten verstehen und Rezeption von Konkurrenzkampagnen besser einschätzen
- KI-gestützte Priorisierung im Kundenservice: Tickets schneller einordnen, Warteschlangen durch Automatisierung optimieren sowie schneller und gezielter auf (negatives) Feedback reagieren
- Detailliertes Verständnis der Wahrnehmungen von Kunden zu Produkten und Marken
- Trendanalyse und -Prognose: zum Beispiel Reaktionen auf neue Benutzeroberfläche oder Funktionen
- Vorhersage von Abwanderung: zum Beispiel negative Sentiments auf Social Media in Echtzeit erfassen
Stimmungsanalyse, im Englischen oft auch Opinion Mining genannt, ist ein Teilbereich des NLP. In ihrem Kern erfasst und kategorisiert sie automatisch eine große Anzahl an individuell geäußerten Meinungen und verwandelt dabei unstrukturierte Daten in verwertbare Informationen. Ein echter Spezialist für automatisierte Sentiment- und Emotionsanalysen, auf den unter anderem der Qualtrics Marketplace vertraut, ist beispielsweise das britische Startup Adoreboard mit seiner “Emotion AI Platform”.
Vom Wettbewerbsvorteil zum Lebenselixier
Bitte beachten Sie, dass dieser Artikel keinen Anspruch auf Vollständigkeit hat und lediglich einen ersten Überblick über die unzähligen neuen Akteure, Tools und Möglichkeiten geben möchte, die dank rasanter Fortschritte in Sachen KI/ML in jüngerer Vergangenheit im CX-Segment aufgekommen sind. Es gibt da draußen noch zahlreiche weitere großartige Anwendungen, die ebenso Ihre Beachtung verdienen.
Wenn Sie noch welche kennen, auf die Sie uns gerne aufmerksam machen möchten, freuen wir uns natürlich sehr, von Ihnen zu hören.
Dennoch zeigt dieser Beitrag sehr deutlich, dass der gezielte Einsatz von KI/ML-Tools nicht mehr bloß ein vielversprechender Wettbewerbsvorteil ist, sondern mittlerweile eine Grundvoraussetzung für die Teilnahme am Wettbewerb um Aufmerksamkeit und Loyalität ist. Aufgrund der zunehmenden Digitalisierung unserer Gesellschaft und dem stetig wachsenden Konkurrenzkampf im Online-Bereich, ist es sehr viel schwieriger geworden, sich von Mitbewerbern klar abzuheben.
Wer in kurzer Zeit große Datenmengen prozessieren, Metadaten analysieren und Muster erkennen kann, erlangt tiefere Einblicke in die Gedanken und Verhaltensweisen der Kunden. Jene Unternehmen, die diese Fähigkeit noch nicht haben, sollten schleunigst damit anfangen, innovative Lösungen auszutesten. Andernfalls werden sie in den kommenden Jahren unweigerlich ins Hintertreffen geraten.
[1] Vgl.: Edelman, David & Abraham, Mark. (2022). Customer Experience in the Age of AI: The case for building “intelligent experience engines”. Harvard Business Review. https://hbr.org/2022/03/customer-experience-in-the-age-of-ai
[2] Vgl.: Lemon, K. N., & Verhoef, P. C. (2016). Understanding Customer Experience Throughout the Customer Journey. Journal of Marketing, 80(6), 69–96. https://doi.org/10.1509/jm.15.0420
Kommentare (0)
Noch keine Kommentare zu diesem Artikel. Machen Sie gerne den Anfang!
Um unsere Kommentarfunktion nutzen zu können müssen Sie sich anmelden.
Anmelden