Die Kundenbindung mit Chatbots, die auf GPT-basierten Modellen funktionieren, kann eine effektive Möglichkeit sein, die Kundenzufriedenheit zu steigern und Kundenloyalität aufzubauen. So sind Chatbots beispielsweise in der Lage das Verhalten und die Vorlieben von Kunden zu analysieren und personalisierte Produkt- oder Serviceempfehlungen aussprechen.
Beratungsgespräche sind etwas Alltägliches. Ein Kunde ruft bei einem Dienstleister an, ein Service-Mitarbeiter versucht, so gut wie möglich das Anliegen seines Kunden zu bearbeiten, zu informieren oder zum Abschluss zu bringen. So weit, so unspektakulär! Doch wie wäre es, wenn der Kunde gleich mit dem richtigen Mitarbeiter verbunden wird, ohne überhaupt sein Problem geschildert zu haben? Alle wichtigen Daten liegen bereits vor, wenn der Kunde anruft und der Service-Mitarbeiter muss nicht lange in irgendwelchen Systemen suchen, sondern kann in wenigen Minuten kompetent und individuell weiterhelfen.
Von einem solchen Service profitieren nicht nur Kunden, sondern auch das Unternehmen, denn der Mitarbeiter kann sogleich gezielt mit der Bearbeitung des nächsten Kunden weitermachen. Die Belastung der Mitarbeitenden durch lästige Routineaufgaben im Büroalltag wird reduziert, was nicht nur motiviert, sondern auch das Gefühl gibt, sich auf nützlichere Aufgaben konzentrieren zu können.
Der Schlüssel liegt in der Hyperpersonalisierung
Möglich wird dies durch Hyperpersonalisierung: Ein Kunde wird sowohl in Vertrieb und Marketing als auch beim Service bei seinen individuellen Bedürfnissen abgeholt. Es ist quasi ein Spiegelbild des Omni-Channel-Marketings. Bei dieser Form der Personalisierung geht es darum, Informationen und Daten aus allen Kanälen und Quellen seiner Netzaktivitäten datenschutzkonform zusammenzufassen, automatisiert die richtigen Schlüsse daraus zu ziehen und dies für eine hochgradig individualisierte Ansprache zu verwenden. Gerade im Dienstleistungsbereich ist dies für eine Kundengewinnung, Kundenbindung und den Erfolg eines Unternehmens entscheidend, da sich Produkte oft nur schwer differenzieren lassen.
Menschen allein können dies angesichts des hohen Datenaufkommens nicht mehr leisten. Und hier kommt nun KI ins Spiel. Sie kann genau das: Large Language Modelle (LLM), wie das vieldiskutierte ChatGPT, sowie seine Nachfolger und Wettbewerber, bieten die Möglichkeit einer hochgradig automatisierten und zugleich hyperpersonalisierten Kundenansprache. In Chats können gut trainierte LLMs noch individueller auf den Kunden eingehen, Bedürfnisse verstehen, Aktionen veranlassen und Erkenntnisse in den sogenannten „Golden Record“ zurückspielen. Dort werden alle Accounts zunächst einzeln erfasst und zusammengestellt. Danach folgt eine Zusammenführung der Daten und es ergibt sich ein Rundum-Bild des jeweiligen Kunden.
Konnte ein Kundenberater früher nur äußerst rudimentär auf seine teils über 10.000 Kunden eingehen, einfach weil Zeit und Ressourcen dafür nicht ausreichten, so sorgen LLMs nun dafür, dass dieser zukünftig alle sehr persönlich und individuell betreuen kann, weil Standardprozesse automatisiert ablaufen und er immer seltener selbst eingreifen muss.
Besserer Kundenservice für eine fundierte Entscheidungsfindung
KI ermöglicht es Unternehmen, ihre Serviceangebote zu personalisieren und in Echtzeit mit ihren Kunden zu interagieren. Während die Verbraucher den modernen Vertriebslebenszyklus von „Lead“ zu „Conversion“ durchlaufen, erzeugen sie komplexe und vielfältige Datensätze. Mit KI können Unternehmen diese Daten nutzen und den Service und die Interaktion mit ihren Kunden verbessern.
Einer guten Kundenberatung liegt eine fundierte, schnelle Entscheidungsfindung zugrunde, die aktuelle Informationen berücksichtigt. Je wichtiger die Entscheidung ist, desto größer ist die Wahrscheinlichkeit, dass es für deren Zustandekommen eine Vielzahl komplexer Aspekte und Abhängigkeiten zu berücksichtigen gibt.
Anzeige
IT-Matchmaker®.guide CRM-Lösungen
Einkaufsführer & Standardreferenz für CRM Business Software
- Fachbeiträge
- Firmenprofile
- Referenzen aus der Praxis
- Produktübersichten
Zum Download des CRM-Guides
KI macht aus unstrukturierten Datenbergen ein aussagekräftiges Kundenprofil, relevante Produkte oder Dienstleistungen
Personalisierung gibt es schon lange, aber neu ist die Breite der Daten, die Unternehmen zur Verfügung haben und die Tiefe, mit der Unternehmen diese Daten analysieren. Führende Unternehmen nutzen prädiktive Scores und Affinitätsscores, um mit Wahrscheinlichkeitsmodellen herauszufinden, ob ein Kunde ein Interesse an einem bestimmten Produkt hat. Spricht man Personen mit einem hohen Affinitätsscore an, ist die Abschlussrate höher. Das heißt, man kann mit den gleichen Marketingkosten mehr Konvertierungen erreichen.
Viele traditionelle Datenmodelle waren auf die Vergangenheit ausgerichtet. Leistungs- und Kundenfeedbackdaten wurden häufig erst analysiert, nachdem ein Produkt oder eine Dienstleistung den Markt erschlossen hatte. Zukunftsgerichtet sind jedoch Systeme, die schnell potenzielle Marktlücken identifizieren. Mit KI-gestützten Systemen können Unternehmen eine Vielzahl von Datensätzen gleichzeitig und in Echtzeit untersuchen. So können sie vorhandene Produkte anpassen oder neue Produkte einführen und dies auf der Grundlage relevanter und aktueller Markt- und Kundendaten.
Um den Kunden in jeder Phase optimal zu begleiten, braucht es die nötigen Informationen zu seiner Person. KI kann Berge von Daten und digitale Fußspuren, die jeder Nutzer im Netz hinterlässt, in Sekundenschnelle auswerten und zu einem Profil zusammenfügen. Dabei spielen die Rahmendaten eine wichtige Rolle: Handelt es sich um einen Arbeitnehmer oder einen Studenten? Wie sehen seine finanziellen Möglichkeiten aus? Hat er bereits ähnliche Produkte oder Dienstleistungen erworben? Daten wie diese werden mit den Berührungspunkten des Nutzers im Netz zusammengefügt. Dazu gehören auch – und das wird noch eher selten genutzt – Klicks auf Werbung, welche ein Unternehmen anderswo geschaltet hat. Dies können Anzeigen bei Google oder Facebook sein.
KI hilft, die fünf Phasen der Kundenbindung zu verbessern
Sind die Daten bekannt, kann eine erfolgreiche Customer Journey mithilfe von KI in den jeweiligen Phasen umgesetzt werden. Diese gliedert sich üblicherweise in fünf Stationen:
1. Aufmerksamkeit (Awareness): Der potenzielle Kunde fühlt einen Mangel oder ein Bedürfnis und er hat eine gesteigerte Aufmerksamkeit, um Lösungen dafür zu finden. In dieser Phase wird er auf das Produkt oder die Dienstleistung aufmerksam. Es ist der erste Kontakt mit einem Unternehmen oder einer Marke. KI sorgt hierbei dafür, dass eine Anzeige oder ein Social-Media-Post die Personen mit genau diesem Bedürfnis erreicht. Eine gezielte Ansprache der potenziellen Kunden sorgt für eine höhere Erfolgsquote, denn diese Personen sind bereits auf der Suche nach einer Lösung und sind passenden Angeboten gegenüber aufgeschlossener.
2. Erwägung (Consideration): Der Kunde beginnt Informationen über das Produkt/die Dienstleistung zu suchen, vergleicht sie womöglich mit anderen Anbietern und wägt Vor- und Nachteile der unterschiedlichen Optionen ab. KI sorgt hierbei für die nötigen Hintergrundinfos und Entscheidungshilfen, die das Produkt/die Dienstleistung von der Konkurrenz herausstechen lässt.
3. Kauf (Purchase): Der Kunde hat sich für ein Produkt/eine Dienstleistung entschieden und die Transaktion kommt zu Stande.
4. Erfahrung (Experience): Der Kunde erwartet in dieser Phase einen guten Service und die Möglichkeit für Rückfragen zur Dienstleistung oder den Umtausch der Ware. KI sorgt in dieser Phase für einen individuellen Service, der sich exakt mit der Situation des einzelnen Kunden befasst.
5. Bindung (Loyality): Ist der Kunde zufrieden, empfiehlt er das Produkt oder die Dienstleistung weiter. Hier entscheidet sich auch, ob er der Marke oder dem Unternehmen treu bleibt und die Transaktion wiederholen möchte. Im Idealfall entsteht eine positive Kundenbindung.
Vertrauen, Transparenz und Datenschutz
Grundvoraussetzung dabei ist es, bei jedem Schritt der Umsetzung den Datenschutz im Auge zu behalten. Es braucht neben der formellen Zustimmung auch Vertrauen und Transparenz. Unternehmen sollten dem Kunden zeigen, welche Daten sie besitzen und wie sie diese nutzen. Sie sollten es Kunden einfach machen, Daten löschen zu lassen oder die von ihnen präferierten Nutzungsarten festzulegen. Ideal ist es, wenn im Kundenportal einsehbar ist, welche Daten vorhanden sind und welche Inhalte darauf basierend ausgespielt werden. Kunden können somit selbst bestimmen, auf welchen Kanälen und womit sie angesprochen werden wollen.
Die Grundregel lautet: Je mehr Nutzen ein Kunde davon hat, Daten mit einem Unternehmen zu teilen, desto eher ist er dazu bereit. Es gilt für Unternehmen datenbasierte, individuelle Zusatzservices zu entwickeln. Der Kunde profitiert zudem davon, dass alle Kommunikation auf ihn zugeschnitten wird. Sobald der Kunde jedoch das Gefühl erhält, dass Daten genutzt werden, die er nicht teilen wollte, oder dass er zu viel Werbung erhält, besteht die Gefahr, dass er seine Zustimmung zurückzieht. Um dies möglichst zu vermeiden, können Datenanalysten über den Bestand hinweg das optimale Level der Interaktionen bestimmen.
KI unterstützt die menschliche Arbeit
Angesichts des hohen und stetig wachsenden Datenaufkommens müssen Unternehmen, die eine hyperpersonalisierte Customer Journey erreichen wollen, auf KI und LLM-Modelle zurückgreifen. Eine personalisierte und individuelle Kundenansprache sichert nicht nur die Zufriedenheit des Kunden, sondern sorgt auch auf Unternehmensseite für vereinfachte und effizientere Arbeitsweisen.
Die Entwicklung hin zu menschzentrierter hybrider Intelligenz schreitet ständig fort. Sie erlaubt es, wertvolle menschliche Ressourcen zu schonen, indem sie Kundenberater kollaborativ mit einfacheren und effizienteren Prozessen unterstützt. KI kann den Menschen nicht ersetzen und soll es auch nicht. Doch sie kann helfen, das Wissen und die Erfahrung von Menschen gezielter zu nutzen, um aussagekräftige Erkenntnisse zu ergänzen und erhalten. Und das in Echtzeit.
Der Autor
Tobias Jelen
ist Associate Partner bei Convista und bietet „CX aus einem Guss“. Seit vielen Jahren berät er Banken und Versicherer im Kontext Customer Experience und Cloud Integration. Er studierte an der Universität Mannheim und lebt in Heidelberg.
