Situation

Unser Kunde, eine in der Schweiz tätige europäische Versicherungsgesellschaft, hat einen stark frequentierten Kundensupport-Chat. Die Zahl der eingehenden Kundenanfragen steigt von Tag zu Tag. Der Druck auf die Chat-Agenten nahm zu und es war schwierig, eine gute Qualität der Antworten zu gewährleisten. Das Ziel des Kunden war es, seine Chat-Agenten zu unterstützen und sie effektiver zu machen. Wir halfen ihm, eine KI-Lösung zu integrieren, die Antworten auf eine eingehende Kundenfrage in die bestehende Schnittstelle vorschlägt.

Ansatz

1. Vorverarbeitung der Chats:
Dieser Schritt bestand darin, die verfügbaren Chats zu bereinigen und die von den Kunden gestellten Fragen und die von den Versicherungsvertretern gegebenen Antworten zu identifizieren. Mithilfe von Pattern Mining und Informationsextraktionstechniken strukturierten wir die Dialoge in die Redebeiträge des Kunden und des Versicherungsagenten, erkannten irrelevante Redebeiträge wie z. B. Begrüßungen und erhielten einen qualitativ hochwertigen Satz von Frage- und Antwortpaaren.

2. Chatbots trainieren
Um die extrahierten Informationen zu nutzen, verwendeten wir verschiedene Ansätze, einschließlich modernster Deep Learning-Technologie, um verschiedene Chatbots auf die extrahierten Frage- und Antwortpaare zu trainieren. Die daraus resultierenden Bots waren in der Lage, neue Fragen mit einem hohen Maß an Genauigkeit zu beantworten.

3. Antworten für Agenten vorschlagen
Sobald die Chatbots trainiert waren, gingen wir zur Echtzeit über. Für jede neu eingehende Kundenfrage verwendeten wir eine Mischung aus den verschiedenen Bots, um dem Agenten drei passende Antworten vorzuschlagen, die er bei Bedarf leicht integrieren und ändern kann. Da es immer wieder Fragen gibt, die sehr kundenspezifisch und schwer automatisch zu beantworten sind, haben wir ein Scoring-System für die Antworten eingeführt, das dem Agenten einen schnellen Überblick über die Genauigkeit der Antworten gibt.

4. Selbstlernende Schleife
Wir speichern sorgfältig alle Reaktionen und Verhaltensweisen der Agenten auf die vorgeschlagenen Antworten. Diese Daten haben wir als Grundlage für die Implementierung einer selbstlernenden Schleife im KI-System verwendet. Dies ermöglicht es dem Chatbot, sich schnell anzupassen und sich weiter zu verbessern.

Ergebnisse

Dank der hochmodernen Lösung für künstliche Intelligenz, die von Open Web Technology bereitgestellt wurde, konnte der Kunde die Anzahl der bearbeiteten Chat-Anfragen pro Agent erhöhen. Zugleich konnte er eine hohe Qualität der Antworten der Agenten sicherstellen. Von allen gestellten Chat-Fragen wurden bei 60% der Fragen die Intention und das Thema richtig erkannt, was eine gute Grundlage für einen Entity Intent Chatbot darstellt.

4
Schritt-Ansatz
+15%
der Anfragen werden pro Bearbeiter bearbeitet
+60%
der Fragen richtig identifiziert

Nehmen Sie Kontakt mit uns auf!

Um den Inhalt zu verbessern und Ihr Erlebnis zu steigern, verwendet diese Website Cookies für Analysezwecke.
Ablehnen

Subcrible to our newsletter