Wie KI den Kundenkontakt verändert

Der Erfolg eines Contact Centers lässt sich nicht auf eine Handvoll Kennzahlen reduzieren, denn der menschliche Faktor spielt immer noch eine wichtige Rolle. Wird eine Kundenanfrage am Telefon zwar schnell gelöst, bedeutet dies noch lange nicht, dass der Kunde dauerhaft erhalten bleibt. Die Herausforderung besteht darin, die Anforderungen und Erwartungen der Kunden mit den Profilen der Mitarbeiter im Contact Center zu kombinieren. Unternehmen benötigen also eine Lösung, die die jeweils passenden Kunden und Mitarbeiter für ein Beratungs- oder Verkaufsgespräch zusammenbringt. Künstliche Intelligenz (KI) bietet hierfür die entsprechenden Ansätze.

KI-gestütztes Predictive Routing

KI steigert die Effizienz und Produktivität der Mitarbeiter in zahlreichen Funktionen. Ein Beispiel: Der automatisierte Self-Service erlöst Contact Center-Agenten von alltäglichen und wiederkehrenden Anfragen. Darüber hinaus wird KI eingesetzt, um den Mitarbeitern basierend auf historischen Daten, wie beispielsweise Kundeninformationen und Einkaufshistorie, Vorschläge zur Verfügung zu stellen, damit diese effizienter arbeiten und dem Kunden einen noch besseren Service bieten können.

Im nächsten Schritt wird KI für ein automatisiertes Routing von Anfragen im Contact Center eingesetzt. Mit Predictive Routing-Lösungen können Unternehmen mit Hilfe einer KI jede Kundeninteraktion bewerten. Dies geschieht anhand von historischen und in Echtzeit vorliegenden Daten über Kunden und Agenten, um die beste Übereinstimmung zu ermitteln und die angestrebten Geschäftsergebnisse zu erreichen. Ziel ist es wie zum Beispiel beim Skill-basierten Ansatz, eine Gruppe von Mitarbeitern zu selektieren und für die gegebene Interaktion denjenigen Mitarbeiter aus dieser Gruppe auszuwählen, der bezogen auf die gewünschten Kennzahlen das beste Ergebnis erzielen könnte. Diese Auswahl erfolgt auf der Basis aller vorhandenen statistischen Daten und unter Nutzung von KI-Algorithmen.

Der Vorteil der KI besteht darin, dass der Algorithmus in der Lage ist, innerhalb des statistischen Modells Besonderheiten zu ermitteln. Aus diesen lässt sich für die zur Behandlung einer Interaktion in Frage kommende Mitarbeitergruppe ein Scoring für exakt diese Interaktion ableiten: Der Mitarbeiter mit der höchsten Übereinstimmung erhält die Interaktion dann zur Bearbeitung. Hierbei hat der Score nur indirekt mit den Skill-Fertigkeiten des Agenten zu tun. Vielmehr fließen alle verfügbaren Daten in die Bewertung ein, sodass sich von Fall zu Fall ein differenziertes Bild ergibt.

Hätte zum Beispiel ein Agent mittags nach dem Essen regelmäßig eine weniger produktive Phase, würde das im Scoring für eine Interaktion in diesem Zeitraum automatisch berücksichtigt werden, ohne dass Dritte erkennen können, dass dies der Grund für ein schlechteres Scoring ist. Daher entsteht auch nicht die Situation, dass die besten Agenten immer am meisten Interaktionen zur Bearbeitung bekommen. Weil es grundsätzlich individuelle Schwankungen gibt, kann ein Agent, der im direkten Vergleich vielleicht schwächer wäre, in der gegebenen Situation die bessere Leistung erbringen.

So kann Predictive Routing helfen, mit allen Agenten bestmögliche Ergebnisse zu erzielen, ohne dass sich hierfür die Agenten anders verhalten oder zusätzlich ausgebildet werden müssen. Auch werden im Rahmen des Scorings elektronische Agenten wie Bots oder virtuelle Assistenten berücksichtigt, um Automation wirkungsvoll nutzen zu können.

Anwendungsfälle für Predictive Routing

Um Ergebnisse mit Predictive Routing zu verbessern, muss ein Unternehmen zunächst die Unternehmensziele ermitteln, für die es eine Optimierung anstrebt. Der Leistungsindikator First-Call-Resolution, die Erledigung des Anliegens beim ersten Anruf, ist dafür ein gutes Beispiel. Andere Ziele können Net Promoter Score (NPS) oder realisiertes Cross- und Up-Selling sein. Natürlich können diese KPIs auch kombiniert werden.

Danach erarbeitet die KI auf der Basis der ihr bereitgestellten Daten, wie zum Beispiel historischen Interaktionsdaten, CRM-Daten und Agenten-Profilen, ein statistisches Modell. Dieses Modell stellt eine große Blackbox dar, die seitens der Predictive Routing KI genutzt und verstanden wird, die aber nicht dazu verwendet werden kann, um individuelle Bewertungen von Agenten vorzunehmen.

In der konkreten Interaktion wird dann das erarbeitete statistische Modell genutzt - um etwa die First-Call-Resolution zu verbessern. Dabei fließen alle tatsächlich produzierten Ergebnisse wieder in das Modell ein, so dass selbstlernend eine konstante Verbesserung und Adaption erfolgt.