Personalisierte Kundenberatung: Was kann die KI, was der Mensch nicht kann?

Ob zur Fraud Detection oder bei der Schadensregulierung – Künstliche Intelligenz (KI) ist aus der Versicherungs- und Finanzwirtschaft nicht mehr wegzudenken. In Zukunft übernimmt die KI auch eine immer wichtigere Rolle bei der Kundenbetreuung. Was sind dafür die Voraussetzungen und wie gelingt die Umsetzung erfolgreicher KI-Projekte für die Kommunikation mit Kunden?

von Dr. Anja Linnenbürger, Vier

KI-Systeme bearbeiten nicht nur Standardanfragen zuverlässig, sondern können sehr personalisiert auf Kundenwünsche eingehen, automatisiert vorhandene Unterlagen in Echtzeit überprüfen, eigenständig antworten oder die Menschen in der Beratung unterstützen.

KI-gestützte Kommunikation mit automatisierten Voice- und Chatbotlösungen bieten völlig neue Möglichkeiten – egal ob für FinTechs, Traditionsbanken oder Versicherungen.”

So versteht die KI menschliche Sprache

Hinter dem tiefgehenden Sprachverständnis der KI steht ein mehrstufiges Verfahren, bei dem gesprochene Worte zunächst durch automatische Spracherkennung in lesbare Texte umgewandelt werden. Diese Texte werden dann mit Machine-Learning-Technologien ausgewertet.

Beispielsweise könnten zunächst wichtige Informationen durch Named Entity Recognition (NER) herausgefiltert werden. Diese Named Entities, wie Adresse oder Vertragsnummer, werden im CRM abgelegt und dann für die Auswahl der passenden Antwort oder die Personalisierung weiterer Kontaktpunkte mit dem jeweiligen Kunden genutzt. KI kann mittels Intent Detection den Kontext der Inhalte exakt interpretieren und wählt dann die passgenaue Reaktion oder Antwort aus. Neben dem Inhalt kann auch die Stimmung des Kunden erkannt und angemessen darauf reagiert werden. Ist die Eskalationsstufe hoch, mag zum Beispiel ein Routing zu einem menschlichen Agenten erfolgsversprechender sein als eine automatisierte Antwort.

Jeder dieser Schritte enthält separate KI-Modelle, die auf die spezifischen Bedürfnisse der Kunden trainiert werden wollen. Je nach Zielsetzung kann auch ein großes Sprachmodell auf verschiedene Aufgaben trainiert werden.

Entscheidend ist also zunächst, den Anwendungsfall möglichst klar zu definieren und Ziele festzulegen.”

Wobei genau soll die KI helfen? Welche einzelnen Funktionen werden dafür benötigt? Welche Fehlertoleranzen bestehen, was passiert, wenn die KI nicht weiterkommt? Für die Beantwortung dieser Fragen ist es hilfreich, sich Experten heranzuziehen, die Erfahrung mit ganzheitlichen KI-Lösungen haben.

KI trainieren

Mit den folgenden Schritten wird die KI, nach der Auswahl des Anwendungsfalls und der Definition der Ziele, fit für den Einsatz.

1. Beschaffung annotierter Daten. Damit die KI beispielsweise lernen kann, Kontaktgründe zu erkennen, benötigt sie Texte, in denen diese Kontaktgründe vorkommen und andere, in denen sie nicht zu finden sind. Dabei gilt: Je mehr qualitativ hochwertige Daten, desto besser. Low-shot oder Zero-shot Ansätze (mit wenigen oder keinen Trainingsdaten) können ausprobiert werden, wenn ein Large Language Model (LLM) genutzt wird, siehe Punkt 3.
2. Eine gewissenhafte Bereinigung der Daten ist entscheidend, um gute Modelle zu trainieren. Sonst gilt: Garbage in, garbage out.
3. Vorauswahl der Modelle für das Training. Dieser Schritt kann parallel zur Datensammlung erfolgen. Es gibt verschiedene Möglichkeiten, zum Beispiel NER durchzuführen, von einfachen Regular Expressions bis zu Deep-Learning-Modellen. Zudem können Entwickler und Entwicklerinnen auf vortrainierte Large Language Models (LLMs) zugreifen, die beachtliche Ergebnisse mit relativ kleinen Trainingsmengen erreichen und deutlich besser auf sich ändernde Kontexte reagieren. Während einfache Modelle recht klein sind und wenig Infrastrukturanforderungen haben, sind für das Training großer Sprachmodelle leistungsstarke GPUs erforderlich.
   

   Auch wenn die Nutzung trainierter Modelle im Livebetrieb weniger aufwändig als das Training ist, sollten die technischen Anforderungen bereits zu diesem Zeitpunkt geklärt werden. Die Auswahl geeigneter Modelle kann also – neben der Performanz – durch technische Rahmenbedingungen bestimmt sein.”

4. In diesem Schritt wird das Modell trainiert und auf den Trainingsdatensatz feinjustiert. Ein Modell zur Spracherkennung kann zunächst mit hunderten Stunden von Audioinformationen und deren Transkriptionen in der Zielsprache trainiert werden – beispielsweise Deutsch oder Englisch. Nachdem die KI-Modelle die erste Trainingsstufe zur Spracherkennung durchlaufen haben, folgen weitere Einheiten. Beim Training zur Fachsprache werden Begriffe wie BaFin, MIFID 2, Derivate, usw. erlernt. Zusätzlich können zum Beispiel für das Unternehmen individuell wichtige Begriffe integriert werden.
5. Hier wird das Modell auf einen bisher vollkommen unbekannten Testdatensatz geprüft. Mit dieser Testung kann gut eingeschätzt werden, wie das fertige Modell auf neue Daten reagieren wird. Falls mehrere Modelle zur Auswahl stehen, kann hier der Vergleich stattfinden.
6. Dies sollte bereits spätestens bei Auswahl des Modells geplant sein, da die Umsetzung unterschiedliche Anforderungen hat (z.B. GPUs bei Deep Learning-Modellen). Zudem ist die Anbindung an bestehende CRMs genauso wie das Training der Berater und Beraterinnen im Umgang mit den Ergebnissen entscheidend für den Erfolg des Systems.
7. Justierung und Optimierung. Ein stetiger Feedbackprozess führt zu einer immer genaueren Vorhersage des Modells. Dies kann beispielsweise über Erweiterung des Datensatzes mit Live-Daten oder Rückmeldungen bei noch nicht funktionalen Beispielen passieren.

Um große und moderne Modelle trainieren zu können, sollten Finanzinstitute sich frühzeitig mit der Verfügbarkeit und Beschaffung geeigneter technischer Infrastruktur beschäftigen, wenn Lösungen Inhouse gebaut werden sollen.

KI-Projekte erfolgreich gestalten

Um KI-Projekte zum Erfolg zu führen, sollten Verantwortliche und Entwickler und Entwicklerinnen beachten:

• Arbeiten Sie Schritt für Schritt – fangen Sie z.B. klein an und orientieren Sie sich an einem klar definierten Anwendernutzen.
• Nutzen Sie nur Datenquellen mit hoher Güte, brechen Sie ggf. Datensilos auf und bündeln Sie Daten aus unterschiedlichen Datenquellen.
• Nutzen Sie das Potenzial Ihrer Mitarbeiter und achten Sie auf Fähigkeiten in den Bereichen KI-Management, Datenmanagement, Business-Intelligence und -Analytics. Halten Sie sich an erprobte Vorgehensweisen für KI-Projekte: 1. Daten beschaffen; 2. Modell aufbauen und trainieren; 3. Model validieren, testen, nutzen und schließlich optimieren

Analysieren, automatisieren, assistieren – der Dreiklang von KI-Lösungen im Kundendialog

Heutige NLP-Modelle verstehen die Inhalte – richtig trainiert – unabhängig davon, ob eine Kundenanfrage telefonisch oder schriftlich, beispielsweise per E-Mail, eingeht. Die KI analysiert die Inhalte, assistiert den Mitarbeitern oder automatisiert die Kommunikation mit den Kunden. In sehr vielen Fällen werden Anfragen durch die KI bereits fallabschließend gelöst, beispielsweise bei Adressänderungen oder Anfragen zu Vertragslaufzeiten, Kontoständen oder Kündigungsfristen.

Autorin Dr. Anja Linnenbürger, Vier

Dr. Anja Linnenbürger ist Head of Research bei Vier GmbH (Webseite) und optimiert gemeinsam mit ihrem Team die KI-Lösungen des Unternehmens. Vor ihrer Zeit bei Vier hat Anja Linnenbürger das Sprachanalyseunternehmen Precire mit aufgebaut und zum Thema Kommunikation und Führungserfolg promoviert.

Nur bei einer kleineren Anzahl der Anfragen sind die Berater und Beraterinnen gefragt. Dann findet die KI mögliche Antworten zu einer Anfrage, wie drei denkbare ausformulierte Szenarien für eine vorzeitige Vertragskündigung mit Terminen, Vorfälligkeiten und finanziellen Daten. Beratende können dann die beste Option für die Kunden auswählen und die Anfrage schnell und kompetent abschließen.

Beispielsweise kann KI dabei helfen, die Wirkung von Anschreiben so zu gestalten, dass Response Rate und Sales per Mail steigen. Dies hat sich aus einem zweistufigen Projekt ergeben. Zunächst wurde mittels eines Datensatzes geprüft, welche kommunikative Wirkung förderlich für den Erfolg ist und welche nicht. Im nächsten Schritt hat die KI Hinweise gegeben, welche Stellen in einem beispielhaften Anschreiben zu verbessern wären, um eine optimierte Wirkung zu erreichen. Ein Mensch hat den Text mittels der Hinweise umformuliert und optimiert. Im dann folgenden A-B Testing (ursprüngliches und optimiertes Anschreiben an je ca. 120.000 Kunden) waren sowohl Response Rate als auch Sales-per-Mail beim optimierten Anschreiben um jeweils fast 20 Prozent höher. Dieses Beispiel zeigt einen einfach einsetzbaren Fall des Zusammenwirkens menschlicher und künstlicher Intelligenz.

Den richtigen KI-Anbieter finden

Entscheidende Kriterien für die Auswahl eines Partners sind Branchenerfahrungen in der Finanzwirtschaft und erfolgreich durchgeführte Projekte. Sowohl fachlich als auch technisch bewahrt das vor lästigen Trial-and-Error-Szenarien.”

Sinnvoll ist die Auswahl eines Partners, mit dem man langfristig auf Augenhöhe zusammenarbeiten kann. Dabei sollten Unternehmen bedenken, dass sich der Markt für Chatbot-Lösungen noch konsolidieren wird.

Ein deutscher Anbieter garantiert von vornherein, dass die Daten den EU-Raum nicht verlassen und alle Compliance-Anforderungen erfüllt werden. KI-Experten speichern die Daten üblicherweise ausschließlich in einer eigenen Private Cloud. Der Austausch und die Beratung mit einem deutschen Anbieter ist einfach, da man in der gleichen Zeitzone arbeitet und dieselbe Sprache spricht.

Deutsches Zögern überwinden

In der Kommunikation kann KI einen wesentlichen Beitrag zur Automatisierung und zur besseren und effizienteren Kundenberatung leisten. Voice- und Chatbots bearbeiten oft schon 2/3 aller Anfragen fallabschließend. Trotz gewaltiger Entwicklungs- und Einsparungspotenziale hinken deutsche Finanzinstitutionen hinterher. Es herrscht immer noch eine gewisse Skepsis gegenüber der Cloud und auch gegenüber KI-Lösungen.

Die deutsche Finanzwirtschaft sollte jetzt auf KI setzen, um die Kundenberatung effizienter, besser und schneller zu machen.”

Aus der Synergie von Mensch und Maschine ergeben sich zukünftig Entwicklungen. Beispielsweise können Banken mit Hilfe von Automatisierung besser auf individuelle Vorlieben eingehen. Das erhöht die Kundenzufriedenheit und -bindung.Dr. Anja Linnenbürger, Vier

 
Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/148954

• teilen 
• teilen 
• teilen 
• teilen 
• teilen 
• RSS-feed 
• E-Mail 
• drucken