Kommunikation mit Kunden spielt sich zunehmend im digitalen Raum ab. Unternehmen erhalten von ihren Kunden Rückmeldungen über soziale Medien, Bewertungsplattformen, etc. Neukunden recherchieren über mögliche Anbieter von Produkten und Dienstleistungen im digitalen Raum.
Wir möchten in diesem Blogpost die Fragestellung beantworten, wie digitale Marktforschung mithilfe künstlicher Intelligenz Unternehmen bei der Kundenkommunikation unterstützen kann.
Eine schlechte Erfahrung mit Unternehmen geben Kunden überdurchschnittlich oft weiter. D.h. schlechter Kundensupport macht sich negativ bezahlt. Es macht wenig Sinn, sich auf den Lorbeeren von positiven Rückmeldungen auszurasten und negative Kritik verhallen zulassen.
Besonders aus negativen Rückmeldungen kann ich als Unternehmen lernen und mich weiterentwickeln. Diese Idee greift auch das Konzept vom Net-Profit-Score (NPS) auf. Hierbei wird der Kunde nach einer Interaktion mit dem Unternehmen nach einer kurzen Rückmeldung gefragt.
Sowohl bei der digitalen Marktforschung, wie auch bei NPS-Analysen macht die große Anzahl an Datensätzen eine Auswertung möglich. Wichtig ist es vor allem, zu wissen, in welchen Bereichen der Kunden mit dem Unternehmen unzufrieden war. Auf diese Weise können konkrete Maßnahmen gesetzt und diese im Zeitverlauf analysiert werden. Ich kann somit direkt den Erfolg der umgesetzten Verbesserungsmaßnahmen im Unternehmen testen.
Um valide Verbesserungsmaßnahmen planen und umsetzen zu können, muss ich wissen, in welchen Bereichen ich als Unternehmen besser werden sollte. Dafür müssen die Kundenrückmeldungen in entsprechende Klassen eingeteilt werden.
Ein absolut unterirdischer „Kundendienst“! Auf ein Mail habe ich mittlerweile seit SECHS Tagen keine Antwort bekommen, nun hänge ich seit geschlagenen 10 Minuten in der Warteschleife.
Bei dieser Rückmeldung geht es eindeutig um die Antwortzeit des Unternehmens auf eine Kundenanfrage bzw. Beschwerde. Gerade im digitalen Raum zeigt sich immer stärker, dass Kunden nicht bereit sind, tagelang auf eine Antwort des Unternehmens zu warten.
Bei der großen Menge an Datensätzen kann diese Klassifizierung von Kundenrückmeldungen kaum mehr manuell umgesetzt werden. Hier kommt künstliche Intelligenz zum Einsatz, die den textuellen Inhalt analysiert und einer passenden Klasse zuweist.
Auf diese Weise kann künstliche Intelligenz (bzw. Deep Learning) helfen, eine Struktur in bislang unstrukturierte Datensätze zu bringen.
Diese Vorverarbeitung der Daten mithilfe künstlicher Intelligenz kann dann im einen Bericht bzw. einem Data-Dashboard zusammenführt, aggregiert und visualisiert werden.
Werden diese Daten im Zuge einer Net-Profit-Score Analyse laufend erhoben (bzw. regelmäßig im Sinne der digitalen Marktforschung analysiert), so können auch Vergleiche über den Zeitverlauf dargestellt werden. Daraus können mögliche Veränderungen im Kundensupport direkt abgeleitet werden.
Bereits aus der Auswertung von ca. 2300 Datensätzen über Versicherer, die auf einer Bewertungsplattform veröffentlicht wurden, können wertvolle Rückschlüsse für die unterschiedlichen Anbieter von Versicherungen gezogen werden.
Mithilfe unseres Deep Learning Frameworks haben wir die Datensätze analysiert (Berechnung von Sentiment) und klassifziert. Jede Bewertung wurde mithilfe künstlicher Intelligenz einer Klasse zugewiesen. Folgende Klassen haben sich als besonders relevant erwiesen:
Betrachtet man die Stimmung der Kundenrückmeldungen (Sentiment) - also ob eine Rückmeldung positiv oder negativ ist, so zeichnet sich offensichtlich desaströses Bild ab. Einzig ein Anbieter schaffte es in deutlich positiven Bereich.
Jedoch beinhalten unsere Daten tatsächliche Kundenerfahrungen. Und hier zeigt sich das oben beschriebene Muster, dass negative Erfahrungen eher geteilt und weitergegeben werden als positive Erfahrungen.
Wenn wir nun die Analyse aggregieren und die Sentimentwerte - bezogen auf die von der KI generierten und zugewiesenen Kategorien - herunterbrechen, so ergibt sich ein differenziertes Bild.
Hieraus können wir individuelle Stärken bzw. Verbesserungspotentiale für die einzelnen Unternehmen ableiten. In welchen der Kategorien ist das Unternehmen besser als der Mitbewerb? Wo wird das Unternehmen von den Kunden als schlechter wahrgenommen?
Um die eigenen Erfahrungen von Kunden mit dem Unternehmen laufend messen zu können, bietet sich an, die Techniken der digitalen Marktforschung direkt in ein NPS-System zu integrieren. Hierbei erhalten Kunden nach jeder Interaktion mit dem Unternehmen die Möglichkeit, eine kurze Rückmeldung abzugeben.
Jede textuelle Rückmeldung wird mithilfe küntlicher Intelligenz analysiert und klassifiziert. Auf diese Weise hat das Unternehmen ein Monitoring Werkzeug zur Hand, das laufend die Kundenzufriedenheit analysiert. Durch die große Anzahl an singulären Rückmeldungen erhält der Entscheider eine fundierte Grundlage für die Umsetzung etwaiger Maßnahmen. Verbesserungsprozesse können so sehr punktuell und zielgerichtet umgesetzt werden.
In der klassischen Marktforschung werden zufällig Personen befragt, die der Zusammensetzung des Untersuchungssamples entspricht. D.h. es ist recht unwahrscheinlich, hier eine große Anzahl an Probanden zu finden, kürzlich Erfahrungen (egal ob positiv oder negativ) mit einem entsprechendne Unternehmen hatten. So werden viele Rückmeldungen der Befragten verzerrt sein, weil sie sich auf weit zurückliegende Erfahrungen beziehen.
Die digitale Marktforschung untersucht user-generated-content (also Inhalte, die die Betroffenen tatsächlich selbst verfasst haben). Hierbei ist davon auszugehen, dass die Bewertung bzw. Rückmeldung zeitnah zur tatsächlichen Erfahrung mit dem Unternehmen verfasst wird.
Mithilfe digitaler Marktforschung können wir also näher am Kunden sein, als es die klassische Marktforschung ermöglicht.
Sie möchten den vollständigen Bericht? Kontaktieren Sie uns: [email protected]!