Verabschieden Sie sich von niedrigen Antwortquoten Article

Customer experience management wird für Unternehmen immer wichtiger, da die Kunden immer mehr Auswahlmöglichkeiten und höhere Erwartungen haben. Das Management von Kundenerfahrungen bringt jedoch einige Herausforderungen mit sich. Zwei zentrale Probleme, mit denen das Management von Kundenerfahrungen konfrontiert ist, sind niedrige Rücklaufquoten bei Kundenbefragungen und Schwierigkeiten bei der Berechnung der Investitionsrentabilität von Kundenerfahrungsprojekten.

Niedrige Rücklaufquoten bei Kundenbefragungen können ein erhebliches Problem für Unternehmen darstellen, die versuchen, Daten zum Kundenerlebnis zu sammeln. Umfragen sind eine der gängigsten Methoden, mit denen Unternehmen Feedback zum Kundenerlebnis einholen, aber die Rücklaufquoten können niedrig sein, was es schwierig macht, eine repräsentative Stichprobe zu erfassen. Dies kann zu ungenauen oder unvollständigen Daten führen, die es erschweren, Problembereiche zu identifizieren und den Erfolg von Kundenzufriedenheitsinitiativen zu verfolgen.

Eine weitere häufige Herausforderung ist die Berechnung der Investitionsrendite (ROI) von Kundenerfahrungsprojekten. Das Kundenerlebnis kann ein subjektives Maß sein, und es kann schwierig sein, genaue und zuverlässige Daten zu sammeln. Außerdem kann es einige Zeit dauern, bis die Vorteile einer verbesserten Kundenerfahrung sichtbar werden, was die Berechnung des ROI von CX-Initiativen erschwert. Dies kann es Unternehmen erschweren, ihre Investitionen in Kundenerfahrungsprojekte zu rechtfertigen und fundierte Entscheidungen darüber zu treffen, wo sie ihre Ressourcen einsetzen sollten.

Trotz dieser Herausforderungen müssen Unternehmen weiterhin in Customer Experience Management investieren, um auf dem heutigen Markt wettbewerbsfähig zu bleiben und Kunden zu binden. Es ist von entscheidender Bedeutung, Wege zu finden, um die Rücklaufquote bei Umfragen zu erhöhen und den ROI von Kundenerfahrungsprojekten genau zu messen und zu berechnen.

Künstliche Intelligenz (KI) kann ein wertvolles Instrument sein, um die beiden Probleme des Kundenerfahrungsmanagements zu entschärfen oder zu lösen: niedrige Rücklaufquoten bei Kundenumfragen und Schwierigkeiten bei der Berechnung der Investitionsrendite von Kundenerfahrungsprojekten.

KI kann den Umfrageprozess bei niedrigen Rücklaufquoten von Kundenumfragen verbessern und ihn für die Kunden interessanter machen. So kann beispielsweise die natürliche Spracherzeugung (Natural Language Generation, NLG) die Umfragefragen dialogorientierter gestalten, so dass sie für die Kunden leichter zu verstehen und zu beantworten sind. Darüber hinaus können KI-gesteuerte Chatbots eingesetzt werden, um Umfragen in Echtzeit durchzuführen, z. B. über SMS oder Messaging-Apps, was die Antwortquote erhöhen kann.

Zur Berechnung der ROI von Kundenerfahrungsprojekten kann KI eingesetzt werden, um Kundendaten in Echtzeit zu sammeln und zu analysieren. Algorithmen des maschinellen Lernens können Muster und Trends in Kundendaten erkennen, z. B. in der Kaufhistorie oder bei Kundeninteraktionen, und so Einblicke in das Verhalten und die Vorlieben der Kunden geben. Dies kann Unternehmen dabei helfen, zu verstehen, welche Initiativen zur Verbesserung der Kundenerfahrung die größte Wirkung haben, und ihre Strategie entsprechend anzupassen. Darüber hinaus kann KI zur Vorhersage der Kundenabwanderung eingesetzt werden, so dass Unternehmen eingreifen können, bevor der Kunde das Unternehmen verlässt.

Dieser letzte Aspekt kann theoretisch auch zur besseren Messung von KPIs wie dem NPS genutzt werden, ist aber meiner Meinung nach nicht notwendig. Mit den vor Jahrzehnten entdeckten statistischen Techniken ist es nämlich möglich, genau diese KPIs mit präzisen Informationen über die Fehlermargen und Unstimmigkeiten in der Stichprobe zu berechnen, so dass es nicht notwendig ist, maschinelles Lernen oder Deep-Learning-Techniken zu diesem Zweck zu bemühen. Es ist sinnvoller, potenzielle Ziele für Close-the-Loop- oder Marketing-Automatisierung zu identifizieren, um Aktionen für Nicht-Teilnehmer zu erstellen, einen Mehrwert zu schaffen und den ROI nachzuweisen.

Was wir mit in der sandsiv+ Plattform getan haben, war genau das:

• Erstellung von prädiktiven maschinellen Lernmodellen zur Identifizierung von Kunden, die nicht auf Umfragen antworten, und zur Vorhersage, ob es sich um Promotoren oder Detraktoren handelt.
• Gleichzeitig wird eine automatische Schnittstelle zu CRM- oder Marketing-Automatisierungsplattformen wie Salesforce, MS Dynamics, Adobe und vielen anderen geschaffen, um die Informationen sofort umsetzbar zu machen. Das Ergebnis wird dann gespeichert, um den Return on Investment im Customer Lifetime Value (CLTV) zu berechnen.

Erstellung prädiktiver Modelle

Zur Erstellung von Vorhersagemodellen haben wir beschlossen, in die Plattform Bibliotheken für automatisiertes maschinelles Lernen (Auto ML) zu integrieren, um unseren Kunden das Leben zu erleichtern und Modelle automatisch mit höchster Genauigkeit zu erstellen.

For this task, we integrated two auto ml libraries, one for machine learning and one for deep learning: Auto-Sklearn and AutoKeras. I will not go into Für diese Aufgabe haben wir zwei Auto-ML-Bibliotheken integriert, eine für maschinelles Lernen und eine für Deep Learning: Auto-Sklearn und AutoKeras. Ich werde nicht auf die technischen Besonderheiten dieser beiden Bibliotheken eingehen; es handelt sich jedoch um Auto ML, das auf einer der berühmten scikit-learn-Bibliothek und der anderen auf Keras, einer vereinfachten und weniger ausführlichen Version von Tensorflow, basiert.

Bei der Entwicklung der Lösung in sandsiv+ haben wir, wie immer, an Geschäftsleute gedacht, die die technischen Begriffe der Erstellung von Lösungen für künstliche Intelligenz lernen müssen. Von einer intuitiven grafischen Benutzeroberfläche aus kann derAnwender Schulungsdatensätze verbinden, transformieren und generieren und maschinelle Lernmodelle effizient trainieren. Und das alles mit nur wenigen Klicks.

Die Methodik

Der Schlüssel, um diesen Prozess für unsere Kunden zugänglich und sofort nutzbar zu machen, liegt darin, dass wir am eigentlichen Verfahren nichts ändern. Im folgenden Beispiel werden 10.000 Kunden aufgefordert, an einer Umfrage teilzunehmen. Nur etwa 3.000 antworten. Wie können wir also feststellen, ob die anderen Kunden, die nicht geantwortet habeDetraktoren Passive Kunden oder Promoter sind?

• Die sandsiv+ Plattform zeichnet die Ergebnisse der Umfrageteilnehmer auf und definiert, wer wirklich ein Detraktor und wer ein Promoter ist.
• Die Plattform erstellt zwei Vorhersagemodelle: eines zur Identifizierung von Detraktoren und das andere zur Identifizierung von Promotoren.
• Die beiden Modelle werden mithilfe der Auto-ML-Methode vollautomatisch und ohne Eingaben des Plattformnutzers erstellt.
• Die Metadaten, die beim Start der Umfragen auf die Plattform hochgeladen werden, dienen zur Erstellung der Modelle.

Die Erstellung von Vorhersagemodellen und die Überprüfung ihrer Qualität erfolgt automatisch und erfordert keine besonderen Eingriffe durch den Nutzer. Es gibt einen Bereich, in dem erfahrenere Nutzer verschiedene Parameter für die Modellerstellung einstellen können.

• Auto-ML wählt dann selbstständig das Modell mit der besten Leistung (Präzision, Recall und F1) aus.

• Das Modell wird zur Vorhersage des Status von Nicht-Antwortern verwendet: Ist er ein Detraktor? Ist er ein Promoter?

In diesem speziellen Fall wurden 10.000 Kunden zur Umfrage eingeladen, und 3.000 haben die Umfrage beantwortet. Von den 3’000 wurden 1.510 als Detraktoren und 964 als Promotoren eingestuft. Die beiden prädiktiven Modelle haben dann von den 7.000 nicht-Atnwortgebern 524 Detraktoren und 1.660 Promotorenidentifiziert.

• Die durch das Modell identifizierten Detraktoren werden in den Close-the-Loop-Prozess einbezogen.
• Die vom Modell identifizierten Promotoren werden in Up-Selling- und Cross-Selling-Kampagnen einbezogen.

• Die Vorhersagemodelle entscheiden auch, welcher Kanal (Agent oder Marketingautomatisierung) und welche Kampagne für den Kunden relevanter ist und eine höhere Bereitschaft zur Annahme des Angebots erzeugt.
• Eine zweite Umfrage misst die Close-the-Loop- und Kampagnenaktivitäten, um die Auswirkungen auf den Kunden zu verstehen.

• Die Plattform berechnet den CLTV für den einzelnen Kunden, gemessen vor und nach der Aktivität, um eine Verbesserung und den ROI zu verstehen.

In diesem Fall zeigt sich, dass die Close-the-Loop-Aktionen und die Kampagnenaktionen für Promotoren einen zusätzlichen CLTV von etwa 1,5 Millionen generieren. Das positive finanzielle Ergebnis kann an die Führungsebene weitergegeben werden, die nach den Auswirkungen der CX-Aktivitäten auf die Gewinn- und Verlustrechnung des Unternehmens fragt. Dies ist möglich, weil jede Next-Best-Action-Aktivität in sandsiv+ aufgezeichnet wird und in finanzieller Hinsicht nachverfolgt werden kann.

Schlussfolgerungen

Customer Experience (CX) Management verwaltet alle Interaktionen zwischen einem Unternehmen und seinen Kunden, um die Kundenzufriedenheit und -loyalität zu verbessern. In den letzten Jahren hat der Einsatz von künstlicher Intelligenz (KI) begonnen, eine bedeutende Rolle in diesem Prozess zu spielen, was zur Weiterentwicklung des CX-Managements zu Customer Intelligence (CI) geführt hat.

Einer der wichtigsten Vorteile des Einsatzes von KI im CX-Management ist die Fähigkeit, große Datenmengen in Echtzeit zu analysieren und zu interpretieren. Diese Daten können Kundeninteraktionen in sozialen Medien, Website-Verhalten und Kundenfeedback umfassen. Durch die Analyse dieser Daten können Unternehmen die Bedürfnisse und Vorlieben ihrer Kunden besser verstehen, was zur Verbesserung des gesamten Kundenerlebnisses genutzt werden kann.

Ein weiterer Vorteil des Einsatzes von KI im CX-Management ist die Automatisierung bestimmter Aufgaben. So können beispielsweise KI-gesteuerte Chatbots Kundenanfragen bearbeiten, so dass Unternehmen schnell und effizient auf Kundenanfragen reagieren können. Darüber hinaus können KI-gestützte Empfehlungen verwendet werden, um Produkte oder Dienstleistungen vorzuschlagen, für die sich ein Kunde auf der Grundlage seines Surfverhaltens oder seiner Kaufhistorie interessieren könnte.

KI ermöglicht es Unternehmen auch, Kundeninteraktionen zu personalisieren. Durch den Einsatz von KI zur Analyse von Kundendaten können Unternehmen personalisierte Erlebnisse für jeden Kunden schaffen. Dies kann maßgeschneiderte Marketingbotschaften, Produktempfehlungen und sogar maßgeschneiderte Interaktionen mit Mitarbeitern des Kundendienstesumfassen.

Wie wir in unserem Praxisbeispiel gesehen haben, ermöglicht KI den Unternehmen auch, das Kundenverhalten vorherzusagen. Dies geschieht durch die Analyse von Kundendaten und die Erkennung von Mustern. Unternehmen können deren Bedürfnisse vorhersehen, indem sie das Verhalten der Kunden verstehen und proaktive Maßnahmen zur Verbesserung des Kundenerlebnisses ergreifen. Dazu kann das Angebot von Rabatten oder Werbeaktionen für Kunden gehören, die wahrscheinlich etwas kaufen werden, oder die Bereitstellung von Informationen über die Kundenhistorie für Kundendienstmitarbeiter, damit diese den Kunden besser unterstützen können.

Insgesamt führt die Integration von KI in das CX-Management zu einer Weiterentwicklung des CX-Managements zu Customer Intelligence. Durch die Analyse großer Mengen von Kundendaten in Echtzeit, die Automatisierung bestimmter Aufgaben, die Personalisierung von Kundeninteraktionen, die Vorhersage des Kundenverhaltens und die Identifizierung potenzieller Probleme können Unternehmen das Kundenerlebnis insgesamt verbessern und letztlich die Kundenzufriedenheit und -loyalität erhöhen.

Zusammenfassend lässt sich sagen, dass die Integration von KI in das CX-Management die Art und Weise, wie Unternehmen mit ihren Kunden interagieren, revolutioniert. Sie ermöglicht es Unternehmen, ein tieferes Verständnis für die Bedürfnisse und Vorlieben ihrer Kunden zu gewinnen, was zur Verbesserung des gesamten Kundenerlebnisses genutzt werden kann. Darüber hinaus ermöglicht KI den Unternehmen, bestimmte Aufgaben zu automatisieren, Kundeninteraktionen zu personalisieren, das Kundenverhalten vorherzusagen und potenzielle Probleme zu erkennen, bevor sie zu großen Problemen werden.

**************************************

Bleiben Sie im Rennen um Customer Intelligence. sandsiv+ kann Ihnen helfen, KI auf Ihr Customer Experience Management anzuwenden und der Konkurrenz voraus zu sein. Kontaktieren Sie uns jetzt für eine Demo: sales@sandsiv.com