OMQ bei AI Monday in Berlin

Am 2.9.2019 war OMQ zum AI Monday im Coworking Space The Drivery in Berlin-Tempelhof eingeladen. Bei der Veranstaltung zum Thema Mobility erklärten unser CEO Matthias Meisdrock und Machine Learning Engineer Dr. Tae-Gil Noh in ihrem Vortrag wie OMQ Künstliche Intelligenz im Customer Service der Mobility-Dienste einsetzt, um die Customer Experience zu verbessern.

Kunden und Nutzer von Mobility Diensten machen täglich negative Erfahrungen im Customer Service, die eigentlich vermeidbar wären.

So auch unser Geschäftsführer Matthias Meisdrock bei einer Geschäftsreise in New York:

Wegen einem schlechten Kundenservice bin ich 2 Stunden durch New York geirrt.

erzählt Matthias Meisdrock als Einstieg der Präsentation. Er hatte sich ein Fahrrad bei Citi Bike ausgeliehen. Das hat alles wunderbar funktioniert, auch die Rückgabe war kein Problem. Als er später an einem anderen Ort erneut ein Rad ausleihen wollte, funktionierte nichts mehr. Angeblich wurde sein Rad nicht richtig zurückgegeben. Er ging mit seinem Smartphone auf die Website von Citi Bike um auf der Hilfeseite eine Lösung zu finden. Dort gab es nur eine endlos lange Liste von Fragen, die seinen Fall nicht lösten.

Also griff er auf seine letzte verbliebene Option auf Hilfe zurück, dass Call Center. Nach langer Zeit in der Warteschleife wurde er endlich mit einem Mitarbeiter verbunden. Es stellte sich heraus, dass dieser nur beschränkten Zugriff aufs System hat und ihm nicht sagen konnte wo sein vorher geliehenes Fahrrad ist um dieses abzumelden.

Ohne weiteren Support von Citi Bike musste Matthias orientierungslos durch New York laufen und das Problem selbst lösen. Schwierigkeiten mit einem Produkt kennt jeder aber in Verbindung mit einem mangelhaften Support führt das zu einer negativen Customer Experience.

Kunden wollen aber eine positive Erfahrung machen und dafür ihr Problem so schnell und gut wie möglich gelöst haben. So hätte sich Matthias gewünscht schnell seine Frage zu stellen und direkt eine Antwort zu bekommen. In Matthias Fall hätte ein Chatbot mithilfe von GPS Daten einfach den Standort des Fahrrads weitergeben und sein Erlebnis mit Citi Bike zum positiven wenden können.

Wie kann man mit KI ein positives Kundenerlebnis schaffen?

Um ein positives Kundenerlebnis zu schaffen, muss der Kunde bei einem Problem direkte und schnelle Hilfe erhalten. Der Kunde sollte bei jedem Servicekanal gut aufgehoben sein und immer passende Lösungen erhalten. Zum Beispiel erhält der Kunde im Chat die gleichen Informationen zu seinem Problem als wenn er auf der Hilfeseite seine Frage eingibt. Damit alle Servicekanäle auf das gleiche Wissen zugreifen können, wird eine intelligente Wissensdatenbank genutzt, die alle Fragen und Antworten beinhaltet und von allen Produkten genutzt wird. So kann der Kunde zum Beispiel im Kontaktformular direkt seine Frage eintippen und erhält daneben die passende Antwort in Echtzeit angezeigt. Die KI schlägt dem Kunden, mit den Backend Informationen aus der Datenbank, somit automatisch passende Lösungen vor und der Kunde macht eine positive Erfahrung. Lange Wartezeiten von 2 – 3 Tagen entfallen dadurch.

Unser Kunde Deutsche Bahn Connect bereits seit 2013 die OMQ Technologie und verwendet sie u. a. für Call a bike, Flinkster und StadtRad Hamburg um den Kundenservice ständig zu verbessern. Dabei sind alle Servicekanäle des Mobility Dienst mit den Fragen und Antworten aus der Datenbank verbunden.

So werden z.B. beim Kontaktformular Fragen in Echtzeit eingegeben und durch die intelligente Technologie sofort für den Kunden gelöst. Interaktive Antworten, wie z. B. direktes Einloggen ins Kundenkonto machen es dem Kunden leicht positive Erfahrungen im Customer Service zu erleben.

Wie wird der Chatbot im Service genutzt?

Als Kunde gehe ich mit einer Frage auf die Website um eine Lösung zu meinem Problem zu erhalten. In einem Chat findet ein direktes Gespräch statt, da der Kunde mit dem Chatbot einen direkten Ansprechpartner hat, der ihm sofort mit seinem Problem hilft. Der Chatbot hat, wie die anderen Servicekanäle, Zugang zum Fachwissen aus der Datenbank und kann es schnell an den Kunden weitergeben.

Ein Chat bei StadtRad Hamburg sieht dann zum Beispiel so aus:

Kunde: Hallo, wie bekomme ich den Schlüssel fürs Fahrrad?

Chatbot: Hallo, zur Entleihe können Sie einen Schlüsselanhänger bestellen… 

Nennen Sie mir dafür Ihre Kundennummer und Sie bekommen den Schlüssel per Post.

Kunde: Meine Kundennummer ist: 1234567

Chatbot: Vielen Dank! Sie erhalten in Kürze Ihren Schlüssel.

Mit den Informationen aus dem Backend System, auf das der Chatbot zugreift, wird der Schlüsselanhänger dann an den Kunden versandt. Ganz ohne manuellen Aufwand eines Mitarbeiters, denn hinter dieser einfachen Lösung steckt ein komplexer technologischer Prozess.

Unternehmen haben keinen Mehraufwand durch eine komplizierte Installation. Durch einfaches Plug & Play kann der OMQ Chatbot in bereits bestehende Support- und Chatsysteme wie LiveZilla oder Userlike integriert werden.

Die KI im System

Was bedeutet Künstliche Intelligenz (KI)?

Vereinfacht gesagt ist Künstliche Intelligenz ein System, das aus verschiedenen Beispielen selbstständig ein Muster erkennt. Es „lernt“ in unserem Fall z. B. dass das Wort „Fahrrad“ im Zusammenhang mit „Schlüssel“ steht und kann somit eine passende Frage zuordnen.

Um es allgemein verständlicher zu machen, brechen wir es auf die wichtigsten Schlüsselkomponenten herunter. Dabei stellt sich die KI einer Reihe von komplizierten Herausforderungen, erklärte unser Machine Learning Engineer Dr. Tae-Gil Noh:

Die größte Herausforderung ist zu verstehen, was der Kunde möchte. Kunden sagen oft nicht mit direkten Worten was sie wollen, sondern schreiben z. B. „Mein Reifen ist platt.“ Das System muss daraus erkennen, dass das Fahrrad des Kunden kaputt ist und er Hilfe braucht.

• Problem der Datenveränderung

Um die menschliche Intention herauszufinden muss die KI ein Muster in den vorhandenen Beispielen erkennen. Dabei ist ein Problem, dass sich die Daten immer wieder verändern, zum Beispiel werden Fragen angepasst, Antworten gelöscht oder neue Antworten hinzugefügt. Dafür braucht das System auch wieder neue Beispiele damit es daraus „lernen“ kann und ein Muster erkennt.

• „small data“ - Problem

Ein weiteres Problem ist „small data“. Nicht immer ist eine große Anzahl von Beispielen vorhanden, woraus das System lernen kann. Manuelles Eingeben, zuordnen von Beispielanfragen zu einer bestimmten Art von Anfrage, ist für ein Unternehmen sehr kostenintensiv.

• Relevante Informationen aus verschiedenen Texten herausfiltern

Oft schreiben Kunden einen langen Text und nicht nur eine kurze Frage mit allen relevanten Wörtern. Das System muss daher aus sehr unterschiedlichen Texten, den Teil herausfiltern, der die relevanten Informationen enthält.

Wie setzen wir diese Herausforderungen um?

Diese Aufgabe ist sehr schwer zu lösen, da es fast unmöglich ist ein System zu entwickeln, welches ab dem 1. Tag perfekt funktioniert. Selbst für Tech-Riesen wie Google, Apple oder Facebook ist es sehr schwer solch eine Umgebung zu schaffen. Dies zeigt wie schwierig es ist diese Herausforderung zu lösen. Unser Ansatz ist deshalb eine Kombination aus konzeptbasiertem Lernen und einem Kreislauf von kontinuierlicher Datenerfassung (Data-Model-Loop).

Data-Model Loop

Mit dem „Data-Model Loop“ meinen wir einen Kreislauf von kontinuierlicher Datenerfassung ohne menschliche Intervention. Ausgelöst durch verschieden starke Signale der Umgebung der Servicemitarbeiter und Kunden im System:

• Der Servicemitarbeiter beantwortet eine Frage indem er auf die Datenbank zugreift (starkes Signal)

• Ein User tippt eine Frage ins interaktive Kontaktformular ein und klickt auf die Antwort (mittelstarkes Signal)

• Phrasen und Texte werden miteinander in eine Beziehung gebracht (kein menschliches Signal: schwaches Signal)

So wird das „small data“ Problem umgangen und ständig neue Daten erfasst, mit denen die KI neue Konzepte lernt. Mit einem Konzept ist zum Beispiel gemeint, dass die Technologie den Zusammenhang zwischen mehreren Fragen herstellen kann um so die bestmögliche Lösung für den Kunden zu finden. Durch dieses konzept-basierte Training „lernt“ die KI ganz ohne manuellen Aufwand von Mitarbeitern.

Fazit: Kundenservice in der Mobility Branche

Um im Kundenservice die Erfahrungen zu verbessern, liegt unser Fokus also auf dem Erkennen der Kundenintention. Kunden möchte direkte und schnelle Hilfe für ein Problem und nicht mehr 2 - 3 Tage auf eine Antwort warten. Gerade in der sich schnell verändernden Mobility Branche brauchen Kunden sofort eine Lösung für ihr Problem. Damit der Kunde mit dem Auto oder dem Rad bei einer Panne Hilfe bekommt und ohne lange Wartezeiten weiterfahren kann. Gerade GPS-Daten können dabei z. B. über den Chatbot weitergegeben werden. Wir nutzen daher Künstliche Intelligenz damit alle Servicekanäle auf das gesamte Wissen zugreifen und dem Kunden eine direkte und schnelle Antwort geben können.

Im Hintergrund setzt sich unser KI-basiertes System mit „small data“ auseinander und nutzt das „Data-Model Loop“ wodurch permanent neue Daten erfasst werden können und das System ganz ohne manuellen Aufwand lernt.

Damit verbessern wir erfolgreich die Customer Experience. Unsere intelligente Technologie wird von zahlreichen Kunden aus der Mobility Branche genutzt und beantwortet über 100.000 Anfragen pro Monat mit einer Lösungsrate von über 50 %.

Wenn Sie mehr über uns und unserer Technologie erfahren wollen oder die Software mal in Aktion sehen möchten, kontaktieren Sie uns gern :)