Lukas Rintelen
Mitbegründer & CEO
Tucan.ai
In unserem sich rasch digital wandelnden Informationszeitalter wird es immer schwieriger, überzeugende und ansprechende Kundenerlebnisse zu bieten. Marktführer in praktisch allen Branchen stellen die Personalisierung in den Mittelpunkt ihrer Geschäftsstrategie.
So bezeichnete Rodney McMullen, CEO von Kroger, kürzlich Nahtlosigkeit und Personalisierung als zwei sehr zentrale Bereiche, in die der Einzelhandelskonzern jetzt vor allem investiert. In ähnlicher Weise haben die Marktführer in der Bekleidungs- (z. B. Nike), Restaurant- (z. B. Starbucks), Bank- (z. B. JPMorgan Chase) und Heimwerkerbranche (z. B. Home Depot) im vergangenen Jahr erklärt, dass sie sich jetzt strategisch auf Folgendes konzentrieren nahtlose, personalisierte Omnichannel-Erlebnisse .
Erhebungen zeigen, dass Kunden, die positive Erfahrungen mit Marken gemacht haben, im Durchschnitt mehr ausgeben und langfristig loyaler sind. Laut einer Studie von Deloitte sind sie bereit, bis zu 140 Prozent mehr zu bezahlen, wenn sie eine positive Erfahrung mit einer Marke gemacht haben.
Außerdem wissen wir, dass die Verbraucher der Generationen Y und Z in erster Linie Markenerlebnisse gegenüber Produkten bevorzugen. Das bedeutet nicht unbedingt, dass sie nur in den Urlaub fahren wollen, anstatt ihr Geld für trendige Turnschuhe auszugeben: McKinsey dokumentiert ein Wiederaufleben der Nachfrage nach „echten“ Einkaufserlebnissen.
Nun stellt sich die Frage: Welchen Beitrag können KI und ML zur Optimierung von Kundenerlebnissen, Nutzerbindung und Konversionen leisten?
Werfen wir zunächst einen Blick auf die aktuelle Situation in der Marktforschung im Allgemeinen, 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 derzeit besonderer Beliebtheit erfreuen.
Einsatz von KI nimmt branchenübergreifend rasch zu
Wir sind jetzt an einem Punkt angelangt, an dem sich Wettbewerbsvorteile zunehmend aus der Fähigkeit ergeben, große Mengen an Kundendaten sorgfältig zu erfassen, zu analysieren und zu verarbeiten und KI/ML effektiv zu nutzen, um Customer Journeys besser zu verstehen, zu gestalten und zu verwalten.
Um wirkungsvolle Erlebnisse zu schaffen, benötigen Unternehmen fortlaufende Erkenntnisse, die auf einem umfassenden, tiefgreifenden Verständnis ihrer Kunden basieren. In digitalisierten, schnelllebigen Märkten besteht ein Bedarf an innovativer, agiler und halbautomatischer CX-Forschung, die verschiedene Analysemethoden kombiniert und KI/ML gezielt einsetzt. Vor allem diesseits des Atlantiks ist der Weg, der vor uns liegt, für viele jedoch noch steinig.
In einer Reihe anderer Branchen hat der Einsatz von KI/ML bereits exponentiell zugenommen. Ein O’Reilly-Bericht aus dem Jahr 2021 zeigt, dass IT und Elektronik an der Spitze der Rangliste stehen (17 %), gefolgt von Finanzdienstleistungen (15 %), Gesundheitswesen (9 %) und Bildung (8 %).
Die Tatsache, dass KI/ML in der Marktforschung noch eine relativ kleine Rolle spielen, schmälert jedoch keineswegs die Erwartungen der Branche:
Laut einer von Qualtrics durchgeführten Umfrage In diesem Jahr ist gut die Hälfte der befragten Marktforschungsentscheider davon überzeugt, dass sie genau wissen, was KI ist; fast alle gehen davon aus, dass KI/ML in den nächsten zehn Jahren einen erheblichen Einfluss auf die Entwicklung der Marktforschung haben wird; und rund 30 Prozent sind zuversichtlich, dass sie die Auswirkungen angemessen antizipieren können. Auch die Trendforscher der auf Experience Management spezialisierten SAP-Tochter prognostizieren, dass in spätestens fünf Jahren mindestens 25 Prozent aller Umfragen mit digitalen Assistenten durchgeführt werden.
Sie wollen Tucan.ai für Ihr Unternehmen testen?
Vorteile für die Markt- und CX-Forschung
KI/ML-Tools helfen Unternehmen, das Verhalten ihrer Kunden besser zu verstehen, welche Probleme sie haben und wie sie auf bestimmte Angebote reagieren. Sie ermöglichen es, Daten schneller und genauer zu erfassen, zu analysieren und zu interpretieren.
Spätestens seit der Veröffentlichung des von OpenAI entwickelten Sprachmodells ChatGPT vor einigen Wochen sind insbesondere computerlinguistische Methoden für Natural Language Processing in aller Munde. Mit NLP können Text- und Sprachdaten systematisch gesammelt und analysiert werden, um beispielsweise herauszufinden, wie sich Kunden verhalten und auf Reize reagieren. Komplexe Datenmuster können dann dank Algorithmen immer besser erkannt und interpretiert werden.
Lange Rede, kurzer Sinn: KI/ML bietet zahlreiche Möglichkeiten zur Optimierung von Erhebungs- und Analyseprozessen. Trotz der Herausforderungen bei der Entwicklung flexibler Modelle, die mit unvorhersehbarer Sprache arbeiten können, ist der Nutzen des Einsatzes von KI in der Markt- und CX-Forschung unübertroffen. Im Folgenden finden Sie einen Überblick über die wichtigsten Vorteile:
1. Einsparung von Ressourcen
Der größte Mehrwert von KI/ML liegt wohl in der Zeitersparnis, die dadurch erzielt wird. Eine wirksame Automatisierung kann die Dauer eines Projekts von Monaten auf Wochen oder sogar Tage verkürzen. Infolgedessen können Analysten und Marketingexperten mehr Zeit mit der Auswertung, Interpretation und dem Erzählen der Geschichte hinter den Daten verbringen als mit der Berechnung verallgemeinerbarer Zahlen oder dem Versuch, relevante Formulierungen zu verstehen. KI/ML ermöglicht es den Unternehmen auch, Personalressourcen anderweitig einzusetzen und die Kosten für externe Dienstleister zu senken.
2. Höhere Datenqualität
Es gibt viele Herausforderungen, denen sich Unternehmen und Marken heute stellen müssen, wenn es um den effizienten Zugang, die Nutzung und Verwertung von Daten geht. Laut dem aktuellen Dell Digital Transformation Index (2020) sind Datenüberlastung und die „Unfähigkeit, Erkenntnisse aus Daten zu gewinnen“ die größten Hindernisse für eine erfolgreiche digitale Transformation.
Eine weitere große Herausforderung im Bereich der Datenanalyse sind sogenannte Datensilos. Damit sind Datenbestände gemeint, auf die wenig oder gar nicht zugegriffen werden kann, z.B. weil sie schlecht aufbereitet oder in einzelnen Abteilungen isoliert wurden.
Obwohl KI/ML kein Wundermittel gegen solche Silos sind, bieten sie den Unternehmen Werkzeuge, um tiefere Einblicke zu gewinnen. Qualitativ hochwertigere Daten führen in der Regel zu wesentlich besseren Ergebnissen. Da KI-/ML-Tools die Analyse qualitativer Daten durch die Automatisierung von Erfassungs-, Verarbeitungs- und Verknüpfungsprozessen im Allgemeinen erleichtern, können wir jetzt viel mehr davon sammeln.
Darüber hinaus sind KI-Systeme heute in der Lage, Themen, Zusammenhänge und subtile Nuancen in und zwischen einzelnen Aussagen zu erkennen, die in der manuellen Dokumentation oft übersehen und übergangen werden. Die gewonnenen Freitextdaten ermöglichen zusätzliche, meist tiefere Einblicke.
Anwendungsfälle in der CX-Forschung
Im Folgenden möchte ich die häufigsten Anwendungsfälle von KI/ML in der Kundenerlebnisanalyse und einige innovative Unternehmen vorstellen, die den Weg weisen. Zu den am weitesten verbreiteten Methoden und Werkzeugen gehören Clustering- und Kategorisierungsalgorithmen, Text- und Stimmungsanalysen sowie Vorhersagemodelle.
Ein absolutes Muss für jeden Markt- und CX-Forscher ist definitiv Kantar Marketplace, das Mitte 2019 eingeführt wird. 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 Marketplace bietet Kantar eine innovative Toolbox, die es Forschern, Fachleuten und Agenturen ermöglicht, durch Automatisierung tiefere Einblicke zu gewinnen und datengesteuerte Entscheidungen schneller zu treffen.
1. Automatische Sammlung
Ein vielversprechender Weg, CX-Verbesserung, Reibungsreduzierung und Kostensenkung Hand in Hand gehen zu lassen, ist die Automatisierung durch sogenannte Bots. Im neuen Jahr sind sie wohl der stärkste und sichtbarste Trend in Richtung KI/ML in der Markt- und Kundenforschung.
Als Reaktion auf die Corona-Pandemie ist die Nachfrage nach KI-Assistenten in der Industrie sprunghaft angestiegen. KI/ML-basierte Assistenz-Tools wie die von IBM, Zaoin und boost.ai helfen CX-Experten bei der Automatisierung und Optimierung von Analyseprozessen und Kundenbeziehungen. Virtuelle Agenten treffen beispielsweise eine Vorauswahl von Kundenanfragen und beantworten automatisch Routineanfragen. Mithilfe von skriptgesteuerten Regeln, KI und ML generieren sie automatisierte Antworten, lernen durch die Integration mit Backend-Systemen kontinuierlich neue Antworten auf grundlegende Fragen und können ein viel größeres Volumen an Anfragen als Menschen bearbeiten.
2. Clustering-Algorithmen
Apropos Big Data: Die meisten Unternehmen erfassen bereits eine Vielzahl von Kundeninteraktionen in ihren CRM-Systemen. Viele dieser Daten müssen jedoch erst richtig strukturiert werden, bevor sie tatsächlich Erkenntnisse liefern können. Anhand von Informationen über Kundeninteraktionen werden KI-Systeme nun darauf trainiert, die Arbeit eines Kundendienstmitarbeiters zu replizieren. Führende Anbieter wie Qualtrics verwenden hierfür Clustering-Algorithmen.
Clustering ist eine Technik, mit der Tausende von Zeilen unstrukturierter Konversationen automatisch klassifiziert werden können. Auf diese Weise können die Kundendienstdaten eines Unternehmens in Sekundenschnelle zur Analyse abgerufen und erfolgreiche Antworten, Häufigkeiten, Dringlichkeiten usw. angezeigt werden. Deep-Learning-Algorithmen werden eingesetzt, um Daten automatisch zu clustern, häufig gestellte Kundenfragen zu ermitteln und zu bewerten, inwieweit der Support automatisiert werden kann.
3. Automatische Verdichtung
KI ist auch für die Zusammenfassung von Videos und Audios in der CX-Forschung sehr nützlich. Durch den gezielten Einsatz von NLP können wir heute riesige Mengen an Video- und Audio-Feedback automatisch transkribieren und zusammenfassen. Wichtige Informationen werden so schneller erfasst und die Ressourcen können auf wichtigere Aufgaben konzentriert werden.
Das deutsche Softwareunternehmen Tucan.ai beispielsweise bietet neben der automatischen Aufnahme, Transkription und Codierung auch KI-generierte Gesprächszusammenfassungen an. Dies ist besonders nützlich für diejenigen, die große Datenmengen aus Interviews, Gruppengesprächen usw. analysieren und Zeit sparen wollen, weil sie diese nicht manuell dokumentieren oder kategorisieren müssen.
4. Kategorisierung und Kodierung
Die größte Herausforderung bei der Analyse von Anrufdaten ist in der Regel der Zeit- und Kostenaufwand, der mit der manuellen Kodierung und Kategorisierung der erfassten Daten verbunden ist. Auch hier kann die NLP-basierte SaaS-Plattform von Tucan.ai schnell Abhilfe schaffen. Daher wird es hierzulande bereits von namhaften Branchenakteuren wie Kantar und GIM eingesetzt.
Das Berliner Deep-Tech-Start-up hat ein eigenes KI-System entwickelt, das unter anderem Konversationsdaten automatisch codieren und kategorisieren kann. Große Datenmengen werden so schneller und präziser verarbeitet, was gezielte und umfassende Analysen ermöglicht und tiefere Einblicke in Ansichten und Kundenbedürfnisse erlaubt. Dies wiederum ermöglicht es, wichtige Ressourcen neu zuzuweisen, auf wiederkehrende Probleme schneller zu reagieren und Produkte und Dienstleistungen entsprechend anzupassen.
5. Prädiktive Modelle
Link AI ist eine KI-Plattform, die die Leistung einer digitalen Anzeige auf dem Markt vorhersagt. Es wurde mit Link trainiert, der weltweit größten Werbedatenbank, die über 230.000 umfragebasierte Tests mit 30 Millionen echten menschlichen Interaktionen enthält. Link AI zerlegt jede Anzeige in einzelne Bilder und zerlegt den Inhalt weiter in Bilder, Audio, Sprache, Objekte, Farben, Text und andere Attribute. Mit Hilfe von KI-Videoprozessoren extrahiert die Maschine dann bis zu 20.000 Merkmale aus der Videodatei, speist sie in maschinelle Lernmodelle ein und prognostiziert schließlich die Bewertung der Anzeige auf der Grundlage von Metriken für die „kreative Wirksamkeit“.
KI-gestützte prädiktive Ansätze werden auch bei Umfragen immer beliebter. SurveyMonkey beispielsweise nutzt KI-gestützte Tools, 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.
6. Audience Journey Tracking
Ein weiterer Bereich, in dem das computergestützte Lernen derzeit auf dem Vormarsch ist, ist das Audience Journey Mapping. Mit Hilfe von KI ist es nun möglich, eine Vielzahl von Kundeninteraktionen mit einer Marke oder einem Unternehmen von Anfang bis Ende genau zu dokumentieren. Auf diese Weise können Sie genauer feststellen, wann Kunden Reibungsverluste erfahren oder wo genau sie vom Interaktionsprozess abweichen.
Bekannte Beispiele für KI-gestütztes Audience Journey Mapping sind die Web-Tools HotJar, Appier und Fullstory. Sie können zum Beispiel genutzt werden, um gezielt einzelne Webseitensitzungen von Kunden zu beobachten, die einen Kauf nicht abschließen. Auf diese Weise lassen sich qualitative Erkenntnisse gewinnen, die bei statistischen Auswertungen großer Datensätze oft nicht richtig erfasst werden.
Für die Verfolgung der Publikumsströme wird die intelligente Software Knotch immer beliebter. Es kann verschiedene Interaktionen, die Kunden mit Unternehmen im Laufe der Zeit haben, zusammenführen und die Wege aufzeigen, die die meisten Konversionen bringen. Anstatt isolierte Kampagnen zu analysieren, die miteinander um Umsatzanteile konkurrieren, bestimmt Knotch genau, wie viel Einfluss jede digitale Interaktion oder jeder Inhalt auf den Umsatz hatte.
7. Automatische Stimmungsanalyse
Die Stimmungsanalyse nutzt KI und ML, um die in Worten ausgedrückten Emotionen zu ermitteln. Es folgt einer vorgegebenen Metrik, um zu verstehen, wie positiv, neutral oder negativ eine Aussage oder ein Text klingt. KI-Systeme können Millionen von Kommentaren in sozialen Medien, Bewertungsportalen und Online-Umfragen „voranalysieren“.
Die innovative Nutzung der Stimmungsanalyse außerhalb der kommerziellen Markt- und Kundenanalyse wurde durch die KI-gestützte Social-Media-Analyse von En Marche im Zuge der Senatswahlen 2020 in Frankreich demonstriert: Die Partei von Emmanuel Macron nutzte Berichten zufolge NLP und Stimmungsanalyse, um tiefe Einblicke in die online geäußerten Präferenzen der Wähler zu bestimmten Themen zu gewinnen.
In der CX-Forschung ist sie vor allem für die Erreichung der folgenden Ziele nützlich:
Verbesserung der Marketingkampagnen: Beobachtung der Stimmungen, Verständnis der emotionalen Reaktionen auf bestimmte Botschaften und bessere Einschätzung der Rezeption der Wettbewerber.
Priorisierung im Kundenservice: schnellere Priorisierung von Tickets, Optimierung von Warteschlangen durch Automatisierung, schnellere und gezieltere Antworten auf Feedback
Detailliertes Verständnis der Kundenwahrnehmung von Produkten und Marken
Trendanalyse, Vorhersage: z. B. Reaktionen auf neue Schnittstellen oder Funktionen
Abwanderungsvorhersage: z. B. Erfassung negativer Stimmungen online in Echtzeit
Die Analyse von Gefühlen, im Englischen oft Opinion Mining genannt, ist ein Teilbereich des NLP. Im Kern erfasst und kategorisiert es automatisch eine große Anzahl individuell geäußerter Meinungen und verwandelt unstrukturierte Daten in verwertbare Informationen. Ein echter Spezialist für automatisierte Sentiment- und Emotionsanalysen, auf den unter anderem Qualtrics Marketplace setzt, ist zum Beispiel das britische Start-up Adoreboard mit seiner „Emotion AI Platform“.
Vom Wettbewerbsvorteil zur Notwendigkeit
Bitte beachten Sie, dass dieser Artikel keinen Anspruch auf Vollständigkeit erhebt und lediglich einen ersten Überblick über die unzähligen neuen Akteure, Tools und Möglichkeiten geben soll, die dank der rasanten Fortschritte im Bereich KI/ML in letzter Zeit im CX-Segment aufgetaucht sind. Es gibt zahlreiche andere großartige Anwendungen, die ebenfalls Ihre Aufmerksamkeit verdienen. Wenn Sie etwas wissen, auf das Sie uns aufmerksam machen möchten, würden wir uns natürlich freuen, von Ihnen zu hören.
Dennoch zeigt dieser Artikel sehr deutlich, dass der gezielte Einsatz von KI/ML-Tools nicht mehr nur ein vielversprechender Wettbewerbsvorteil ist, sondern zu einer Grundvoraussetzung geworden ist, um im Wettbewerb um Aufmerksamkeit und Loyalität zu bestehen. Durch die zunehmende Digitalisierung unserer Gesellschaft und den immer stärker werdenden Wettbewerb im Online-Bereich ist es sehr viel schwieriger geworden, sich deutlich von den Mitbewerbern abzuheben.
Wer in der Lage ist, große Datenmengen zu verarbeiten, Metadaten zu analysieren und in kurzer Zeit Muster zu erkennen, gewinnt tiefere Einblicke in das Denken und Verhalten der Kunden. Unternehmen, die noch nicht über diese Fähigkeit verfügen, sollten so bald wie möglich mit der Erprobung innovativer Lösungen beginnen. Andernfalls werden sie in den kommenden Jahren unweigerlich ins Hintertreffen geraten.
