Anzeige
STRATEGIE27. März 2018

Chatbot-Technologie: Kunden­betreuung als dia­gnos­ti­sche Situation – welche Vorteile bietet Multiple Choice?

Chatbot-Entwickler Jürgen Vogel, CTO bei Solvemate
Jürgen Vogel, CTO SolvemateSolvemate

Der Chatbot wird mithilfe der KI den Kunden­support revolutionieren. Schon heu­te kön­nen wir se­hen, dass gut pro­gram­mier­te Bots ei­nen Gro­ß­teil der zu­meist re­pe­ti­ti­ven An­lie­gen von Kun­den zahl­rei­cher Bran­chen au­to­ma­tisch be­ant­wor­ten kön­nen – und täg­lich wächst ihr Funk­ti­ons­um­fang. Chat­bots kön­nen auf zwei Ar­ten ver­ste­hen, was ein Nut­zer von ih­nen will. NLU klingt viel­ver­spre­chend, un­ter­liegt in der Pra­xis aber Mul­ti­ple Choice.  Jür­gen Vo­gel, CTO von Sol­ve­ma­te, führt die technische Ar­gu­men­ta­ti­on für die von Sol­ve­ma­te ver­wen­de­te Mul­ti­ple Choice-Lö­sung.

von Jürgen Vogel, CTO Solvemate

Wichtigste Voraussetzung, um mit Chatbots die richtige Antwort zu geben, ist die Diagnose, also die Fähigkeit, ein Kundenanliegen unter der Menge aller möglichen bzw. wahrscheinlichen Lösungen zu identifizieren. Je akkurater die Diagnose, desto besser die Voraussetzung für eine korrekte und den Kunden zufriedenstellende Antwort.

Prinzipiell gibt es zwei Möglichkeiten, um mit einem Chatbot zu interagieren: Mit Natural Language Understanding (kurz NLU) oder per Multiple Choice.”

NLU: Komplex und mit Risiko

NLU ist sehr vielversprechend, weil es unserer natürlichen Kommunikationsweise entspricht. In der Tat ist es aber deutlich komplexer, als das zunächst der Fall zu sein scheint: Anfangs formuliert ein Kunde das Anliegen, woraufhin die Maschine den Text erkennt und hinsichtlich Inhalt, Wunsch und üblicherweise auch Gefühlen interpretiert. Diesen Vorgang bezeichnet man als Intent Recognition, also das Verstehen der Benutzer-Absicht. Anschließend generiert der Bot anhand der Ergebnisse eine Antwort in natürlicher Sprache. Diese besteht meist aus fest definierten Textblöcken, welche mit relevanten Informationen angereichert werden. Diesen Vorgang bezeichnet man als Natural Language Generation (NLG).

Diese Schritte wiederholen sich so oft, bis das Problem entweder gelöst werden konnte, oder der Kunde an einen menschliche Agenten weitergereicht wurde, der das Anliegen besser versteht.

Das Problem ist hier schon an den möglichen Ergebnissen erkennbar: Aufgrund der Komplexität des Prozesses entsteht viel Raum für falsche Interpretationen.”

Bei Spracherkennung muss der Chatbot mehrdeutige Begriffe verstehen, Gefühlslagen richtig einschätzen, sowie Schreibfehler oder grammatikalische Fehler verarbeiten. Menschen tendieren dazu, Probleme mit den falschen Begriffen zu beschreiben, und je mehr Problemdimensionen in einer Nachricht enthalten sind, desto anfälliger wird sie für dieses Problem. Insbesondere Nachfragen, um Teilaspekte genauer zu verstehen, sind aktuell nur sehr schwierig abzubilden. Letztlich benötigt eine Spracherkennung also einen sehr großen Satz an Trainingsdaten, um NLU für den Kunden angenehm durchführen zu können.

Multiple-Choice: Leicht verständlich und schnell

Der Diagnoseprozess kann stattdessen auch per Multiple Choice ablaufen. Dabei stellt der Chatbot eine Frage, die der Kunde mit “Ja”, ”Nein”, “Weiß Nicht” beantwortet, oder mit der Wahl zwischen mehreren vorgegebenen Antwortoptionen. Am Anfang steht dabei zumeist eine Kategorisierung, gefolgt von einer Subkategorisierung. Daraufhin wird mithilfe von Ja-Nein-Fragen und einem logischen Ausschlussverfahren die wahrscheinlichste Lösung berechnet und vorgeschlagen.

Wie auch bei der Spracherkennung gibt es zwei mögliche Ergebnisse: Ein zufriedener Kunde oder das Weiterreichen an einen menschlichen Agenten.”

Zwar fühlen sich Interaktionen mit einem Multiple-Choice-Bot weniger natürlich an, doch es gibt entscheidende Vorteile: Jede Interaktion hat automatisch einen höheren Informationsgehalt – schließlich muss nicht erst eine Anfrage formuliert, erkannt und interpretiert werden.

Zudem ist das Klicken durch Antwortvorschläge deutlich schneller als Tippen, insbesondere auf einem Mobiltelefon. Kunden können darüber hinaus relativ passiv bleiben: Sie müssen bloß einige Fragen beantworten und bekommen dabei das Gefühl, von dem Bot bedient zu werden. Da auch kein riesiger Trainingsdatensatz notwendig ist, ist auch das Setup für diese Art von Bot deutlich schneller.

Autor Jürgen Vogel, CTO Solvemate
Jürgen Vogel ist CTO von Solvemate und gründete das Unternehmen 2015 gemeinsam mit Erik Pfannmöller. Durch seine langjährige Erfahrung im E-Commerce konnte er tiefe Einblicke in komplexe technische Abläufe und die Interaktion mit den Kunden erhalten. Solvemate will diese beiden Seiten miteinander verbinden.

Diagnose: Akkurater per Multiple-Choice

Zurück zum Ausgangspunkt: Ein Chatbot kann den Kundendienst weitestgehend automatisieren, sofern die Problemdiagnose stimmt. Typischerweise machen ca. 100 eindeutige Kundenprobleme mehr als 80% aller Anfragen aus. Es geht also darum, so schnell wie möglich herauszufinden, welches dieser ca. 100 Standard-Anliegen ein Kunde hat. Zur Zufriedenheit aller Beteiligten ist wichtig, dass Kunden schnell eine korrekte und fallabschließende Lösung bekommen. Für Firmen ist derweil entscheidend, dass alle Kunden zufrieden sind und die Kosten dabei gering bleiben.

Auswahlkriterien für einen Chatbot

Prinzipiell sind so­wohl Chat­bots mit Sprach­er­ken­nung als auch Mul­ti­ple-Choice-Bots zwei un­ter­schied­li­che Tech­no­lo­gi­en, um das glei­che Pro­blem lö­sen. Wich­tig ist al­so her­aus­zu­fin­den, wel­che Art von Chat­bot im Kun­den­sup­port das nö­ti­ge Re­turn on In­vest­ment bringt. Re­le­vant sind da­bei fol­gen­de Fra­gen:

Initialphase
1. Wie viel anfänglichen Trainingsaufwand muss ich aufbringen, um den Chatbot live zu bekommen?
2. Was kostet mich das Setup?

Produktivitätsphase
1. Wie viel % der Kundenkontakte konnten wir fallabschließend lösen?
2. Wie lange hat der Nutzer dafür gebraucht? Ist das zufriedenstellend für den Endkunden?
3. Wie viel stetigen Trainingsaufwand muss ich aufbringen, um den Chatbot zu warten?
4. Was kostet mich die Softwarelizenz?

Ein Beispiel, um diese Rechnung besser zu verstehen: Bei Solvemate benötigen wir in der Initialphase fünf Tage Arbeit eines Support-Mitarbeiters, der die häufigsten Fragen und Antworten zur Verfügung stellt. Sobald der Chatbot die Arbeit aufnimmt, lösen unsere Chatbots die Mehrheit aller Fälle fallabschließend in durchschnittlich 12 Sekunden. Der Folgeaufwand beträgt ein paar Stunden pro Woche. Die Lizenzkosten für die Software sind ein Bruchteil der eingesparten Kosten.

Ausblick: Eine Frage der KPIs

So vielversprechend Chatbots im Kundendienst bereits heute erscheinen, so wenig gibt es für alle Anwendungsbereiche eine Patentlösung. Eine Antwort auf die Frage, ob ein Chatbot per Spracherkennung oder Multiple Choice agieren sollte, muss in jedem Fall von den KPIs der Implementierung abhängig gemacht werden.

Wir sind davon überzeugt, dass Multiple Choice in der Mehrzahl der Fälle schneller und überzeugender funktioniert, während Ansätze mit Spracherkennung oft großen Aufwand und frustrierende Ergebnisse nach sich ziehen.aj

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert