Mittlerweile haben die meisten Unternehmen eine Art von Self-Service-Tool für Kunden eingerichtet. Ob es sich nun um einen Chatbot, eine Hilfeseite oder einfach eine Suchmaschine handelt – die meisten Unternehmen haben erkannt, dass es von Vorteil ist, wenn die Verbraucher auf ihrer Website surfen und selbst Antworten und Produkte finden können.
Es liegt auf der Hand, dass diese Tools den Bedarf an sofortiger Unterstützung befriedigen, die Arbeitsbelastung Ihrer Kundendienstmitarbeiter verringern, die Customer Satisfaction Scores (CSAT) verbessern und Ihre Abläufe vereinfachen können.Aber gibt es noch etwas, was Self-Service-Tools für Sie tun können?
Eine neue Quelle für Kundendaten
Digitale Support-Kanäle, wie die oben genannten, haben einen wesentlichen Vorteil gegenüber der telefonischen oder persönlichen Unterstützung: Sie hinterlassen Spuren.
Sie ermöglichen es uns, alle Aktivitäten zu protokollieren und eine große Menge an Daten zu generieren, aus denen wir Schlussfolgerungen ziehen und Muster und Trends erkennen können.
Sicherlich könnte man das auch bei persönlicher Unterstützung machen, aber man bräuchte einen Mitarbeiter, der den Grund für die Kontaktaufnahme mit dem Kundendienst aufschreibt, das Verhalten des Kunden, was passiert ist, nachdem die Anfrage abgeschlossen wurde, wie zufrieden der Kunde mit der erhaltenen Unterstützung war usw.
Dies manuell zu tun, wäre extrem zeitaufwändig.
Mit den meisten digitalen Tools können Sie dies dagegen auf natürliche Weise, automatisch und praktisch ohne jeglichen Aufwand durchführen.
Das bloße Sammeln von Daten hat jedoch keinerlei Nutzen. Die Frage bleibt:
- Wie können wir diese Daten lesen?
- Wie können wir sie verstehen?
- Was können sie uns sagen und welchen Nutzen haben sie?
- Wie können wir daraus Veränderungen ableiten?
Was sagen uns die Kundendienst-Daten?
Das ist eine schwierige Frage. Es hängt wirklich von dem verwendeten Support-Tool ab, von den Daten, die es für Sie sammelt, und von Ihren geschäftlichen Herausforderungen.
Self-Service-Tools im Kundendienst sind in der Regel mit Indikatoren und KPI-Dashboards ausgestattet, um zu verstehen, was vor sich geht. Dazu können gehören:
- Anzahl der Anrufe/Chatbot-Sitzungen/Suchvorgänge
- Prozentsatz der Zufriedenheit mit den von Ihnen gegebenen Antworten
- Anzahl der unbeantworteten Fragen
- Und ein langes etcetera.
Dennoch neigen die meisten Tools dazu, nur einen kleinen Teil der gesammelten Daten anzuzeigen und zu verstehen, sodass sie nicht ihr volles Potenzial ausschöpfen.
Die lange Liste Ihrer Support-Anfragen
Nehmen wir einen KI-Chatbot als Beispiel.
Kennen wir die Absicht hinter den meisten Anfragen?
Gibt es bei diesen Anfragen irgendwelche Trends?
Woran sind die Kunden am meisten interessiert?
Die meisten Chatbot-Plattformen bieten Daten-Dashboards, die die 10, 50 oder 100 häufigsten Anfragen Ihrer Kunden anzeigen. Aber was ist mit dem Rest?
Die 10 oder 50 häufigsten Anfragen, die bei einem Support-Tool eingehen, sind in der Regel kurz – sie bestehen meist aus nicht mehr als 2 Wörtern. Ein Beispiel könnte die Anfrage „Konto auflösen“ sein.
Diese häufigen Anfragen machen jedoch nur 20 % der gesamten Anfragen aus. Die restlichen 80 % sind weniger häufig und auch länger (4 Wörter oder mehr). Diese längeren Anfragen werden Long-Tail-Anfragen genannt.
In der Regel ist es einfacher, Trends bei den oberen 20 % zu erkennen. Bei Anfragen, die aus einem oder zwei Wörtern bestehen, kann man leicht erkennen, worum es geht. Was jedoch, wenn die Nutzer lange Anfragen eingeben, um ihre Absicht auszudrücken? Nehmen wir nochmals das Beispiel „Konto auflösen“. Was ist, wenn der Nutzer stattdessen schreibt: „Ich möchte diesen Dienst nicht mehr nutzen“?
Die Absicht könnte genau dieselbe sein, aber die Anfrage enthält nicht dieselben Wörter und es ist für Ihr Team schwierig, sie in großem Umfang als dieselbe Art von Anfrage zu identifizieren.
Die meisten Self-Service-Tools und KI-Konversationsplattformen verfügen über keine semantische Suchmaschine, die leistungsfähig genug ist, um natürliche Sprache und deren echte Bedeutung zu verstehen. Daher sind sie nicht in der Lage zu erkennen, dass diesen Anfragen dieselbe Absicht zugrunde liegt.
Dies wirft eine Reihe von Problemen auf:
- Das erste Problem ist, dass die meisten Long-Tail-Anfragen nicht verstanden werden und daher unbeantwortet bleiben. Wenn ein Nutzer eingibt: „Ich bin enttäuscht, weil der Techniker nicht gekommen ist, und ich möchte daher Ihre Dienste nicht mehr in Anspruch nehmen.“
- Das zweite Problem besteht darin, dass das System, wenn es die Bedeutung aller Anfragen nicht versteht, kaum in der Lage ist, Anfragen mit derselben Absicht zu gruppieren und Trends zu erkennen.
Wir von Inbenta verwenden eine einzigartige KI, die Anfragen wirklich versteht, indem sie auf ihre Bedeutung achtet. Außerdem haben wir die perfekte Umgebung für Sie und Ihr Team geschaffen, um Kundenanfragen in großem Umfang zu verstehen.
Lesen Sie auch: Der ultimative Leitfaden für Konversations-KI
Automatisches Erkennen von Support-Trends mit semantischen Clustern
Wie wir gesehen haben, weisen die meisten Konversations-KI und Self-Service-Software für den Kundendienst nur die 100 wichtigsten Anfragen aus.
Was wäre, wenn es eine Möglichkeit gäbe, längere Anfragen zusammen mit den kürzeren zu analysieren und sie nach ihrer Bedeutung zu gruppieren?
Bei der semantischen Cluster-Bildung werden semantisch gleichwertige Suchanfragen – Wörter, Phrasen und Sätze – auf der Grundlage ihrer Bedeutung in Clustern gruppiert.
Ein Anzeige-Tool ermöglicht es Ihnen, die verschiedenen Themen der gruppierten Anfragen zu sehen.
Unten sehen Sie ein Beispiel aus unserer kleinen Datenauswahl bei Inbenta:
- Auf diesem ersten Bildschirm sehen wir die wichtigsten Themen aller Abfragen (lang oder kurz). Inbenta analysiert nicht die häufigsten 10, 50 oder 100, sondern die häufigsten 20.000 Suchanfragen.
- Bei Bedarf können wir tiefer und tiefer schürfen. Eines der häufigsten Themen ist zum Beispiel „Chatbot“. Wenn wir sehen wollen, welche Art von Anfragen unsere Nutzer zu Chatbots stellen, können wir einfach auf den Chatbot-Kreis klicken und weitere Informationen sehen:
- Wenn wir uns den Kreis in der Mitte genauer ansehen, können wir relevante Indikatoren erkennen, z. B. wie oft die Frage gestellt wurde, wie oft der Chatbot eine Antwort auf die Frage gefunden hat usw.
Was bedeutet das für meine Support-Strategie?
Die Analyse von Kundeninteraktionen kann Ihrem Unternehmen zahlreiche Vorteile bescheren. Die wichtigsten davon möchten wir im Folgenden hervorheben:
- Erkennen von Trends. Durch die einfache Analyse der Inhalte mittels semantischer Cluster können Sie Trends und Wünsche Ihrer Kunden erkennen, unabhängig davon, wie sie sich ausdrücken.
- Erkennen von inhaltlichen Lücken und unbeantworteten Themen. Sie können die Cluster so filtern, dass nur Themen ohne Antwort angezeigt werden, oder einfach die Antwortquote für einen Cluster analysieren, um festzustellen, wo Sie keine Antworten geben und auf welche Inhalte Sie sich als Nächstes konzentrieren sollten, um den Self-Service zu optimieren.
Verstehen, worauf es den Kunden in großem Umfang ankommt. Wenn Sie sehen, wie oft Nutzer nach einem bestimmten Thema gesucht haben, erhalten Sie einen besseren Überblick über die für Ihre Kunden wichtigen Themen.
Mit der Konversations- und Chatbot-Analyse beginnen
Testen Sie die Plattform von Inbenta kostenlos für 14 Tage und erhalten Sie Zugang zu unserem Chatbot-Modul, in dem Sie durch die semantische Cluster-Bildung navigieren können.