Satisfaction Prediction
Datenalchimisten – wie Kundenservice-Daten zu Gold werden
Fortsetzung des Artikels von Teil 1
Wünsche des Kunden antizipieren
Satisfaction Prediction, also Zufriedenheits-Vorhersage, deutet auf einen Blick in die Zukunft hin. Was meinen Sie damit?
Bauer: Für die Zufriedenheits-Vorhersage nutzt die Technologie einerseits mathematische Werte, wie zum Beispiel die Wartezeit des Kunden von dessen Anfrage bis zur Antwort oder die Anzahl der Nachrichten, die vom Kunden an den Support gingen. Es versteht sich von selbst, dass kürzere Wartezeiten und weniger Nachrichten eine größere Kundenzufriedenheit bedeuten. Andererseits wird der Nachrichtentext selbst linguistisch ausgewertet. Hier unterscheidet der Algorithmus hinter der Technologie zwischen positiv behafteten Wörtern, wie zum Beispiel „gut” oder „zufrieden”, sowie negativ besetzten Wörtern, wie „kaputt” oder „Ärger”. Der Algorithmus kategorisiert die Tonalität der Nachricht wie bei einer Sentimentanalyse und ordnet ihr damit eine Gefühlsstimmung zu. Dabei lernt er immer neue Schlüsselwörter hinzu, die je nach Branche variieren können. Die Analyse wird also umso genauer, je mehr Interaktionen vorliegen. Je eindeutiger die Nachrichten in eine positive oder negative Richtung tendieren, desto genauer ist am Ende die Zufriedenheits-Vorhersage. Der Service-Berater kann erkennen, wie viel Aufwand nötig ist, den Kunden glücklich zu stimmen: Ist es eine ganz normale Frage zum Produkt oder ist der Kunde ohnehin schon auf 180? Der Mitarbeiter kann sich so schon im Vorfeld auf die Beratung einstellen.
Wie kann ein Unternehmen die Vorhersage noch für sich nutzen?
Bauer: Firmen können dadurch in Echtzeit auf den Kunden reagieren. Dank des Predictive Analytics-Tools können Anfragen vorab gefiltert werden. Die unzufriedenen – und daher sensibleren – Anfragen werden automatisch an ein Expertenteam geleitet und priorisiert bearbeitet. Das können sehr erfahrene Kundenberater sein, die auch schwierige Anfragen bestmöglich betreuen können. Dieses Expertenteam kann beispielsweise mit Gutscheinen verärgerte Kunden umstimmen. Durch die Filterung vorab sind materielle und personelle Ressourcen wesentlich besser planbar.
Worin sehen Sie die langfristigen Vorteile?
Bauer: Eine Einteilung der Anfragen kann nicht nur in Bezug auf die Unterscheidung „sensibel” oder „problemlos” erfolgen. Werden Tickets zudem noch nach Ort, Thema oder Zeitzone gefiltert, kann dies die Beratungsleistung zusätzlich optimieren. Und auch Kundenservice-Betreuer können aus den Analysen lernen. Sie lassen Muster erkennen, wie sich Antworten auf die Kundenzufriedenheit auswirken. Dann steuert nicht nur das Bauchgefühl des Beraters die Serviceleistung, sondern auch die detaillierte Auswertung tausender Kundeninteraktionen. Ein positiver Ausgang der Beratung wird somit immer wahrscheinlicher. Je besser das Unternehmen seine Kunden kennt, umso besser kann es diese betreuen und eine langfristige Kundenbeziehung fördern.
- Datenalchimisten – wie Kundenservice-Daten zu Gold werden
- Wünsche des Kunden antizipieren
Lesen Sie mehr zum Thema
