Einsatz Künstlicher Intelligenz im Service

Im Service-Bereich von Unternehmen gibt es eine Vielzahl von Anwendungsmöglichkeiten für Künstliche Intelligenz (KI). Unter anderem können Unternehmen KI dazu einsetzen, ein automatisiertes E-Mail-Management- oder Ticket-System zu realisieren. Dabei kommen Natural Language Processing (NLP) und Machine Learning (ML) Verfahren zum Einsatz, um dem System die Textanalyse eingehender Anfragen und die Kategorisierung der Anfragen basierend auf deren Inhalten zu ermöglichen (z.B. Arvapally et al. 2017, Mandal et al. 2019). Durch diese Verfahren wird es möglich, menschliche Dispatcher zu entlasten, welche bislang die Zuordnung der eingehenden Kundennachrichten an Bearbeiter/innen vornehmen.

Die automatische Bearbeitung eingehender Nachrichten per E-Mail kann wie folgt geschehen: Zunächst müssen die unstrukturierten Daten aus der Nachricht untersucht werden, wobei insbesondere der E-Mail-Text aber auch der Sender, Empfänger und das Datum der Nachricht relevant sein können. Die unstrukturierten Daten werden dafür zunächst durch verschiedene Verfahren aufbereitet. Dazu zählen beispielsweise das Text-Parsing oder Stemming der Daten (z.B. Arvapally et al. 2017). Danach können die präparierten Daten analysiert werden, um Zusammenhänge zwischen bestimmten E-Mail Inhalten, Sendern, usw. zu erkennen. Die erkannten Inhalte können dann basierend auf historischen Zuordnungsdaten und der bisherigen Geschäftslogik möglicherweise verantwortlichen Bearbeitern – auch Agenten genannt – zugeordnet werden. Bestenfalls können hier alte, bereits von Mitarbeitern bearbeitete und somit zugeordnete Tickets für das Training der KI verwendet werden.

Nach erfolgter Analyse der E-Mails kann das System die Nachrichten automatisch an entsprechende Agenten weiterleiten und somit menschliche Dispatcher entlasten. Eine kontinuierlich trainierte KI kann auf diese Weise 80 – 90 % der eingehenden E-Mails automatisch weiterleiten und diese mit 70 – 90 % Genauigkeit korrekt an den zuständigen Bearbeiter adressieren (z.B. Mandal et al. 2019). Der Trade-Off zwischen Automatisierungsgrad und Genauigkeit kann dabei individuell an die Präferenzen des Unternehmens angepasst werden.

Zusätzlich zu der automatisierten Zuordnung eingehender Nachrichten basierend auf historischen Daten kann ein KI-gestütztes E-Mail-Management-System auch weitere Vorteile bieten. Beispielsweise kann die Zuordnung der E-Mails auch durch eine Sentiment-Analyse unterstützt werden, welche die Stimmung der Kunden erfasst, und darauf basierend eine Routing-Priorität zuweist (z.B. Hunang und Rust 2018). Aber nicht nur Dispatching-Aufgaben können durch KI übernommen werden. Senden Kunden einfache Routine-Anfragen, können diese auch direkt von einem Chatbot bearbeitet werden (insb. First-Level-Support), sodass menschliche Agenten sich auf die Bearbeitung komplexerer Themen konzentrieren können (z.B. Bahja und Lowry 2021). Auch ist es denkbar, dass NLP für die Übersetzung solcher Nachrichten verwendet wird, die in einer Fremdsprache angefertigt werden, sodass Agent und Kunde jeweils in ihrer eigenen Sprache miteinander kommunizieren könnten (Cross-Language Support) (z.B. Hirschberg und Manning 2015). Neben der Automatisierung von Aufgabenbereichen sind auch kooperative Konzepte zwischen Mensch und KI im Service möglich. In diesem Sinne kann KI den menschlichen Agenten als Reaktion auf eingehende Nachrichten auch Best-Practice Vorschläge unterbreiten (z.B. Vorschläge relevanter Wiki-Einträge, Whitepaper oder Handbücher) und jeweils relevante historische Kundendaten zur Verfügung stellen (z.B. bisherige Antworten auf ähnliche Kundenanfragen) (z.B. Sekaran et al. 2020).

Alles in allem kann die Verwendung von KI in E-Mail-Management-Systemen oder Ticket-Systemen operative Kosten im Unternehmen senken, Mitarbeiter entlasten, den Service effektiver und effizienter machen und somit zur Kunden- und Mitarbeiterzufriedenheit beitragen (Walker 2017).

Literaturverzeichnis / Quellen:

Arvapally, R. S., Hicsasmaz, H., & Faro, W. L. (2017). Artificial intelligence applied to challenges in the fields of operations and customer support. 2017 IEEE International Conference on Big Data Proceedings, 3562-3569.

Bahja, J. & Lowry, P., „Toward a Taxonomy of Service-Oriented Chatbots“ (2021). SIGHCI 2021 Proceedings, 15.

Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261-266.

Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155-172.

Everaert, E.; Mamian, A.; Cartella, F.; Lybaert, T. (2018): Intelligent Email Assistant: Allowing People to Do Much More. https://www.accenture-insights.be/en-us/articles/the-ai-powered-intelligent-email-assistant-natural-language-processing, Abruf am 29.05.2018.

Mandal, A., Malhotra, N., Agarwal, S., Ray, A., & Sridhara, G. (2019). Automated dispatch of helpdesk email tickets: Pushing the limits with AI. Proceedings of the AAAI Conference on Artificial Intelligence, 9381-9388.

Sekaran, K., Chandana, P., Jeny, J. R. V., Meqdad, M. N., & Kadry, S. (2020). Design of optimal search engine using text summarization through artificial intelligence techniques. Telkomnika, 18(3), 1268-1274.

Walker, J. (2017): Use Cases of AI for Customer Service – What’s Working Now. https://www.techemergence.com/ai-for-customer-service-use-cases/, Abruf am 25.05.2018.