Künstliche Intelligenz (KI) ist eine der folgenreichsten technologischen Umwälzungen in unserer Zeit. Die Einsatzmöglichkeiten der Technik scheinen nahezu unbegrenzt und schon jetzt werden lernfähige Algorithmen in vielen Bereichen unseres Alltags eingesetzt. So verstehen digitale Assistenten wie Siri, Cortana oder Alexa dank Künstlicher Intelligenz unsere Sprachbefehle und Fragen. Im Internet helfen Bots und KI dabei, Internetseiten zu pflegen und zu überwachen oder bereiten, wie z.B. bei Microsoft MSN, vollautomatisch Nachrichten auf. Sogar beim Kommunizieren im Kundenchat assistieren inzwischen intelligente Chatbots. Längst sind KI-Systeme auch in Industrie- und Dienstleistungsunternehmen und sogar Behörden im Einsatz. Sie erledigen repetitive Aufgaben, analysieren die Unternehmenskommunikation oder übernehmen die Buchhaltung. Bei Versicherungen, Banken und sogar dem Finanzamt existieren bereits die ersten intelligenten Programme, die eingereichte Anträge prüfen oder über Zahlungen entscheiden.
Kein Wunder also, dass Künstliche Intelligenz in immer mehr Bereichen als Schlüsseltechnologie für die nahe Zukunft gilt, die in kommenden Jahren weitreichende Veränderungen mit sich bringen soll. Laut einer Studie zu Machine Learning von IDG wollen sich rund 30 Prozent der deutschen Unternehmen in den kommenden Jahren intensiv mit Künstlicher Intelligenz und deren Teilbereich Maschinellem Lernen (ML) befassen. Dabei nutzen bereits 57 Prozent der Firmen in Deutschland mindestens eine ML-Technologie, um Wissen automatisiert aus Daten zu generieren.
Vor allem Spracherkennung aber auch Textanalyse sowie Big Data Analytics dominieren bei den Einsatzfeldern. Da sich durch die Digitalisierung immer größere Datenmengen aus verschiedenen Kanälen ansammeln, wird es für den Menschen unmöglich, diese manuell zu sichten, zu ordnen, zu analysieren, zu bewerten und logische Schlüsse daraus zu ziehen.
Vorteile Künstlicher Intelligenz im Analytics-Bereich
Nicht nur die die wachsende Menge an Daten spricht dafür entsprechende KI-gestützte Systeme in Analytics-Anwendungen zu integrieren, auch zur Sicherstellung von Datenqualität und der Auswahl relevanter Informationen aus einer sonst unüberschaubaren digitalen Datenmenge können solche Systeme maßgeblich beitragen. KI-gestützte Analytics-Lösungen leisten ein Vielfaches an Informationsaufbereitung als es Menschen je möglich wäre. So entstehen valide Entscheidungsgrundlagen – nahezu in Echtzeit – an denen dann menschliche Intuition und Handeln ansetzen.
KI in der heutigen Analytics-Praxis ist zumeist eine im Hintergrund operierende, explorative Datenanalyse. Sie zeigt kritische Muster auf und unterstützt damit das eigene Handeln, sie hilft schnell und zielgerichtet durch die eigenen Datenmengen zu navigieren, Arbeitsprozesse zu verkürzen und letztendlich schneller zu handeln, wenn es erforderlich ist. KI ermöglicht darüber hinaus neue Prozesse, Strategien oder Dienstleistungen, die vor nicht allzu langer Zeit so nicht denkbar gewesen wären. Oft werden neue Modelle der Zusammenarbeit zwischen Mensch und Maschine entwickelt, in denen KI die menschlichen Fähigkeiten verstärkt und eine neue und teilweise bessere Art des Arbeitens ermöglicht.
Vorteile Künstlicher Intelligenz im Analytics-Bereich sind:
- Arbeitsprozesse verkürzen
Mit fortgeschrittener Sprachverarbeitung lassen sich statistische Zusammenhänge untersuchen, verschiedene Daten gruppieren und mehreren Klassen zuordnen. So verkürzen Unternehmen zum einen eintönige Arbeitsprozesse und haben die Möglichkeit, die freiwerdenden Ressourcen für andere Aufgaben einzusetzen. - Inhalte schnell abgleichen
Beim Abgleich von Inhalten gehen die Möglichkeiten der Sprachverarbeitung über die einer Suchmaschine hinaus. Da die in Text umgewandelte Sprache auch verstanden wird, können sogar komplett umformulierte Passagen mit übereinstimmendem Inhalt entdeckt werden. - Schnell und zielgerichtet analysieren
Durch die automatisierte Analyse von Dokumenten mithilfe von Natural Language Processing, können Unternehmen sehr schnell und zielgerichtet auf Informationen zugreifen, die besonders relevant für sie sind. - Unstrukturierte Daten automatisch strukturieren
KI-gesteuerte Automatisierung analysiert strukturierte und unstrukturierte Daten, was zu einem besseren Verständnis von Kundenbedürfnissen, Marktbedingungen und Geschäftsmöglichkeiten führt. - Kundenbeziehung verbessern
Unternehmen können mithilfe Künstlicher Intelligenz viel leichter Kundenmeinungen aus unterschiedlichen Quellen automatisiert sammeln und Informationen extrahieren. Die Ergebnisse helfen dabei, schneller Kundenfeedback aufzunehmen und dadurch die Kundenbeziehung zu verbessern.
Einsatzgebiete
Sinnvolle Analytics Use Cases sind in nahezu allen Industrien und Wirtschaftsbereichen zu finden. Meist werden gezielt Schwachstellen in der Unternehmenskommunikation gesucht, um effizienzsteigernde Maßnahmen zu treffen und Prozesse zu optimieren. Denn durch die immer stärker wachsende Flut an Daten und deren leichte Verfügbarkeit beispielsweise durch Cloud-Lösungen bietet sich eine wertsteigernde Nutzung der Daten geradezu an, um die unternehmerischen Prozesse nicht nur besser zu verstehen, sondern auch besser auswerten und steuern zu können. Besonders für Unternehmen mit einem hohen Gesprächsaufkommen ist eine Analyse der Kommunikation daher ein Muss.
Use Case Contact Center
Die Anzahl der Kundengespräche in Contact Centern wachsen stetig. Eine Überprüfung und Auswertung dieser Daten ist mit manuellen Methoden weder zeitlich noch finanziell durchführbar. Dabei beinhalten die Daten wertvolle Informationen und können wichtige Einblicke in Kundenverhalten geben. Analytics-Tools in Verbindung mit Künstlicher Intelligenz ermöglichen die bisher verborgenen Informationen in der Kundenkommunikation automatisch, zeitnah und bezahlbar zu ermitteln. Für Contact Center ergeben sich dadurch folgende Möglichkeiten:
Qualitätssteigerung
Analytics-Tools schaffen wirksame Ansätze zur Verbesserung der Servicequalität in Contact Centern. Gleichzeitig profitieren Contact Center von neuen Ansatzpunkten für kontinuierliche Verbesserungen.
- Mitarbeiter-Qualifikation
Gespräche können automatisch für Trainingszwecke ausgewählt werden. Die Auswertung der gesammelten Informationen führt zu Verbesserungen von Mitarbeiterschulungen. Zudem entfallen zeitintensive Vorbereitungen für Coachings. - Tabu-Wort Erkennung
Es besteht die Möglichkeit Sperrlisten zu erstellen, um verbotene Wörter zu identifizieren und zu vermeiden. Zudem lassen sich die Gespräche auf bestimmte Wörter überprüfen und auswerten, wie oft und von welchem Agenten diese gesagt wurden. - Reports zur aktuellen Servicequalität
Durch die automatisierte Auswertung und Kategorisierung der gesamten Kommunikation lassen sich Qualitätslevels bestimmen. Diese können in grafischen Reports und Dashboards dargestellt werden. - Qualitätsüberwachung und Alarmierung
Schlüsselwörter, die auf Qualitätsprobleme hinweisen, werden identifiziert und das Management umgehend benachrichtigt. Eine sofortige Reaktion und individuelle Trainings für einzelne Agenten vermeiden Wiederholungsfälle.
Prozessoptimierung
Analytics-Lösungen, die speziell für Contact Center entwickelt wurden, haben großen Einfluss auf wichtige Prozesse, die Ihre Effizienz steigern aber auch beeinträchtigen können.
- Reduzierung des Anrufaufkommens
Analytics-Lösungen unterstützen Contact Center dabei die Gründe für Anrufe mit gleicher Fragestellung oder Problematik zu erkennen und zu beheben. Dies führt zu einer verbesserten First Call Resolution (FCR) Rate. Die FCR-Quote beschreibt in wieviel Prozent aller Fälle die Anfrage eines Kunden beim ersten Anruf gelöst werden konnte. - Einhaltung definierter Prozesse
Durch die Analyse aller Konversationen kann sowohl der Bedarf an Prozessoptimierung als auch der Grad der Prozesseinhaltung durch Agenten festgestellt werden. - Effiziente Suche
Relevante Gespräche lassen sich innerhalb von Sekunden auffinden. Es bedarf keiner manuellen Suche mehr. Contact Center suchen gezielt nach Gesprächen, die bestimmte Schlüsselwörter enthalten und erhalten zudem Information zu deren Häufigkeit. - Transkription
Transkriptions-Tools wandeln zur Dokumentation und Archivierung Sprache in Text um. Die transkribierten Gespräche können dem Kunden als Textdatei zur Verfügung gestellt werden. So erhalten alle Beteiligten bei Bedarf einen Überblick über die Konversationsinhalte.
Verbesserung des Kundenerlebnisses
Durch die Analyse von Interaktionen über jeden Kanal hinweg sind Contact Center in der Lage eine einheitliche, zusammenhängende Sicht auf den Kunden aufzubauen und so das Kundenerlebnis zu verbessern.
- Kunden-Feedback
Die Analyse der Daten aus Kunden-Feedbacks liefert aussagekräftige Rückmeldungen für einen noch persönlicheren Kundenservice. Zudem bietet sich die Möglichkeit gezielt nach Gesprächen zu suchen, die Kunden-Feedback beinhalten. - Trends erkennen
Um Trends und aktuelle Themen im Frühstadium zu erkennen, lassen sich Konversationen einfach kategorisieren. So können Kundenbedürfnisse im Vorhinein erkannt und umgehend darauf eingegangen werden. - Kundenabwanderung vermeiden
Durch das frühzeitige Erkennen von Themen, die die Kundenloyalität beeinträchtigen, können Contact Center Kundenabwanderung vermeiden. Gespräche werden überwacht und bei Problemen sofort Warnmeldungen, ausgegeben, um zeitnah einschreiten zu können. - Emotionserkennung
Analyse-Tools erkennen emotionsgeladene Konversationen und warnen, wenn verbale oder akustische Hinweise auf Emotionen entdeckt werden.
Absatzsteigerung
Mit dem Wissen aus analysierten Daten kann die Kundenansprache noch effektiver gestaltet und Umsatz und Gewinn erhöht werden.
- Wettbewerbsvorteile erkennen
Die Analyse von Kundengesprächen kann aufschlussreiche Hinweise über Aussagen zur Konkurrenz geben. Eine Konkurrenzanalyse unterstützt dabei die Marktreife zu beschleunigen. Auch wichtige Informationen, die vom Agenten im Gespräch nicht bewusst wahrgenommen werden, können durch eine Analyse im Anschluss aufgedeckt werden. - Absatzchancen identifizieren
Analytics-Lösungen geben Aufschluss über die Kundenakzeptanz sowie der Nachfrage nach bestimmten Produkten und identifizieren erfolgreiche Argumente im Kundenkontakt. Zudem erhalten Contact Center Hinweise auf Trends und aktuelle Themen innerhalb der Kommunikation. Dies trägt zur erfolgreichen Entwicklung von Absatzstrategien bei. - Absatzrisiken vermeiden
Eskalationen lassen sich präzise erkennen, indem Kundenerlebnisse besonders im Hinblick auf unzufriedene Kunden gezielt analysiert werden. - Aktuelle Themen & Trends erkennen
Wiederholt auftretende Themen können in FAQs für Kunden zur Selbsthilfe abgehandelt werden.
Use Case Finanzdienstleistung
Regularien, wie MiFID II, haben in der Finanzbranche erhebliche Auswirkungen auf die Unternehmens- und Kundenkommunikation. Sie schreiben unter anderem die lückenlose Aufzeichnung und Archivierung aller Gespräche im Rahmen von Finanz- und Anlageberatung vor. Hier ergeben sich Potenziale für die Finanzbranche durch den Einsatz von Analytics-Tools in Verbindung mit künstlicher Intelligenz.
- Einhaltung von Compliance-Vorschriften
Mögliche Betrugsfälle und Verstöße gegen die Compliance zuverlässig zu erkennen, ist eine wichtige Voraussetzung für ein schnelles Eingreifen zum Schutze eines Unternehmens. Die Analyse von Kommunikationsdaten unterstützt Finanzdienstleister bei der Einhaltung der Compliance-Vorgaben. - Überprüfung auf Compliance-Erklärung
Gespräche können auf vorgeschriebene Compliance-Statements überprüft werden. Wurden die Compliance-Anforderungen erfüllt und alle wichtigen Informationen im Kundengespräch gegeben? Beinhalten die Gespräche Inhalte, die gegen Compliance-Vorgaben verstoßen oder auf ein Risiko hinweisen? Gespräche ohne Compliance-Erklärung werden rechtssicher dokumentiert. - Automatische Kategorisierung
Die gesamte Kommunikation wird entsprechend ihrer Relevanz für Compliance automatisch kategorisiert. Danach erfolgt die automatische Archivierung, deren Aufbewahrungszeit sich je nach Kategorie individuell festlegen lässt. - Dokumentation von Beratergesprächen
Die Transkription von Gesprächen ermöglicht eine automatische Verschriftung von Beratergesprächen. Dies dient einerseits zur späteren Vorlage und Beweissicherung und führt andererseits zu einer reduzierten Nachbearbeitungszeit, da die handschriftliche Dokumentation entfällt. - Verbessertes Risikomanagement
Alle Gespräche werden automatisch auf atypisches Verhalten auf Kunden- oder Agentenseite analysiert. Ist ein potenzielles Risiko erkannt, können Finanzdienstleister sofort reagieren und eventuelle Klageandrohungen abwenden. - Betrugserkennung
Auffällige Interaktionen bezüglich möglicher Verstöße gegen Compliance-Vorschriften oder Insiderhandel werden automatisch markiert und dem Management oder Compliance-Team frühzeitig angezeigt. So können Sie Risiken und nicht-konforme Prozesse rechtzeitig erkennen und entsprechende Maßnahmen einleiten. Strafen und Sanktionen lassen sich einfach vermeiden.
Use Case Public Safety
In den vergangenen Jahren ist die Zahl der Anrufe in Leitstellen stark gestiegen. Notrufe aber auch Drohanrufe sorgen für eine erhöhte Belastung der Leitstellenmitarbeiter. Entscheidend ist dabei, dass die Notfallkommunikation effizient bleibt, um weiterhin schnelle Hilfe garantieren zu können. Gleichzeitig muss für eventuelle Ermittlungen im Nachgang der komplette Kommunikationsablauf nachvollziehbar sein. Hocheffiziente Analyse-Lösungen können diese Prozesse entscheidend verbessern.
- Prozessverbesserung in Notfallsituationen
Analytics-Lösungen unterstützen bei Ereignisanalysen und Prozessrationalisierungen. Eine strukturierte Kategorisierung der Konversationen anhand der jeweiligen Vorfälle und eine Bewertung des gesamten Prozesses führt zu einer Prozessverbesserung in Notfallsituationen. - Arbeitserleichterung für den Mitarbeiter
Analytics-Lösungen entlasten bei der Einsatzdokumentation und minimieren Bearbeitungszeiten, indem sie automatisch aufgezeichnete Gespräche transkribieren, Protokolle erstellen sowie Formulare ausfüllen. Somit reduziert sich die Bearbeitungszeit erheblich. - Warnung bei Drohanrufen
Durch die Kategorisierung der Gespräche sowie der Definition von Schlüsselwörtern und Redewendungen gibt die Lösung eine Warnung in Echtzeit im Fall von Krisen, Drohanrufen oder bestimmten Themengebieten. - Schnelle Priorisierung
Aufgezeichnete Konversationen werden anhand von festgelegten Schlüsselwörtern und Redewendungen der Dringlichkeit nach kategorisiert und in entsprechende Prioritäten eingeteilt. Dadurch können Krisen und kritische Themengebieten schnell erkannt, bewertet und rekonstruiert werden. Bei Notfällen erfolgt eine Echtzeitwarnung.
KI-Assistenzsysteme/sprachgesteuerte Systeme der Zukunft
Ein Ausblick von Prof. Dr.-Ing. Mohammed Krini
Sprachsteuerung gehört zum digitalen Leben heutzutage einfach dazu: Ob im Navigationssystem im Auto oder als intelligenter Persönlicher Assistent im Smartphone – die Sprachsteuerung ist eine hilfreiche Funktionalität. Digitale sprachgesteuerte Assistenten im Heimbereich und am Arbeitsplatz werden uns zukünftig mittels KI die täglichen Entscheidungen bei unseren Arbeiten erleichtern und qualitativ verbessern. Lernfähige KI-Systeme werden sich zukünftig noch besser an die Bedürfnisse der Benutzer anpassen, die Beziehung zwischen Mensch und Maschine mittels KI wird zukünftig noch intensiver werden. KI-Assistenzsysteme werden mittels Mikrofonen/Sensoren und Kameras bald in der Lage sein, bereits geringfügige Veränderungen von Gesichtsausdrücken zu erkennen, auf unterschiedliche Tonhöhe entsprechend zu reagieren und Inhalte von Gesprächen zu verstehen.
Fazit
Unternehmen, die ihre Kommunikation aufzeichnen – sei es zu Compliance-, Schulungs- oder Geschäftszwecken – stehen Daten en masse zur Verfügung. Diese Daten stellen einen enormen Mehrwert für jedes Unternehmen dar, da sie das Ausgangsmaterial für wertvolle Erkenntnisse liefern. Die schiere Menge und Komplexität der Daten machen es jedoch oft unmöglich, alle denkbaren und undenkbaren Kombinationen von Faktoren zu testen und zu hinterfragen. Die Herausforderung besteht darin, diese wertvollen Daten schnell und intelligent nutzbar zu machen. An diesem Punkt setzen Künstliche Intelligenz und Analytics ein.
Die Möglichkeiten von Künstlicher Intelligenz und Analytics verbessern sich dank neuer Konzepte und Algorithmen rasant. Aktuelle Errungenschaften im Bereich des maschinellen Lernens und analytischer Verfahren lassen einen enormen Fortschritt erkennen. Die Entwicklung und Anwendung von KI-Systemen wird weiter vereinfacht und beschleunigt - wovon nicht nur Experten, sondern auch Endanwender profitieren.
Begriffsbestimmungen und Abgrenzungen
Begriffe wie Data Analytics, Big Data, Machine Learning oder Deep Learning sind beim Thema KI omnipräsent. Aber was genau unterscheidet sie voneinander? Und was bedeuten Natural Language Processing (NLP) oder Automatic Speech Recognition (ASR)? Im Folgenden werden die wichtigsten Begriffe rund um KI genauer erläutert.
Big Data
Der Begriff Big Data beschreibt umfangreiche Mengen unstrukturierter und semi-strukturierter Daten, die Unternehmen täglich produzieren. Diese Daten in eine relationale Datenbank für Analysen zu laden, nimmt viel Zeit in Anspruch. Die Datenquellen sind entweder zu groß, zu schnell oder unzureichend annotiert, sodass klassische Datenbanktechnologien und Analyseverfahren nicht mehr ausreichen. Zur Analyse solcher Daten werden dann unter anderem Methoden aus dem Bereich der künstlichen Intelligenz herangezogen. Big Data wird häufig mit Cloud Computing in Verbindung gebracht, da die Echtzeit-Analyse großer Datenmengen eine enorme Menge an Speicherkapazität und Rechenleistung erfordert.
Data Analytics
Das Ziel von Data Analytics ist es, unter Zuhilfenahme von mathematischen Methoden, aus großen Datenmengen Erkenntnisse zu gewinnen und dadurch den Prozess, der diese Daten produziert hat, besser zu verstehen. Data Analytics kombiniert tiefes Wissen über das jeweilige Anwendungsgebiet (Domänenwissen) mit einer für jeden Datensatz spezifischen Analyse. Die Bewertung der Erkenntnisse erfolgt durch einen menschlichen Experten. Die Erkenntnisse der Datenanalyse unterstützen die Schaffung einer KI.
Künstliche Intelligenz
Künstliche Intelligenz ist der Überbegriff für Anwendungen, bei denen Maschinen menschenähnliche Intelligenzleistungen erbringen. Die Grundidee besteht darin, durch Maschinen eine Annäherung an wichtige Funktionen des menschlichen Gehirns zu schaffen. Dies umfasst das Lernen, Urteilen und Problemlösen. Künstliche Intelligenz hat in den letzten Jahren an Bedeutung gewonnen, was zum Teil auf Big Data zurückzuführen ist. KI kann zum Beispiel Muster in Daten effizienter erkennen als Menschen, so dass Unternehmen nicht nur den Überblick über die Datenflut behalten können, sondern auch zielgerichteten Einblick in ihre Daten erhalten.
Machine Learning
Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz und bezeichnet die künstliche Generierung von Wissen aus Erfahrung. Dafür werden klassische Algorithmen mittels einer Vielzahl an Daten aus unterschiedlichen Quellen trainiert. Diese ausgefeilten Algorithmen können in unstrukturierten Datensätzen wie Bildern, Texten oder gesprochener Sprache Muster erkennen und anhand dieser Entscheidungen selbstständig treffen. Diese Art des Lernens hat zahllose neue Perspektiven eröffnet – wie etwa im Natural Language Processing.
Natural Language Processing
Beim Natural Language Processing geht es um die Verarbeitung von Texten und natürlicher menschlicher Sprache. NLP verwendet hierfür verschiedene Methoden und Ergebnisse aus den Sprachwissenschaften und kombiniert sie mit moderner Informatik und künstlicher Intelligenz. Ziel ist es, eine möglichst weitreichende Kommunikation zwischen Mensch und Computer per Sprache zu schaffen. Eingesetzt wird das NLP in der automatischen Textübersetzung, Stimmungsanalyse und Spracherkennung (Automatic Speech Recognition, ASR).
Automatic Speech Recognition
ASR ist ein Verfahren zur automatischen Interpretation von menschlicher Sprache. Ein computerbasiertes System analysiert, klassifiziert und speichert die eingegebenen Sprachinformationen mittels automatischer Spracherkennung. Die automatische Spracherkennung kann dabei die Erkennung von Sprache, Schlüsselwörtern und Sätzen und deren Bedeutung ebenso wie die Identifizierung eines Sprechers für sicherheitsrelevante Funktionen, wie die Zugriffsberechtigung oder Autorisierung umfassen. Die gespeicherten Sprachinformationen werden in Relation gesetzt zu den gesprochenen Wörtern, zu deren Bedeutung und in Bezug auf die charakteristischen Merkmale des Sprechers.
Deep Learning
Der Algorithmus beim Deep Learning versetzt Maschinen in die Lage, über die verfügbaren Daten hinaus zu lernen. Die Maschine erkennt Strukturen, kann diese evaluieren und sich in mehreren vorwärts wie rückwärts gerichteten Durchläufen selbständig verbessern. Je mehr Daten eine Maschine also empfängt, desto grösser ist ihre Lernfähigkeit und desto "intelligenter" kann sie werden. Ein zu lösendes Problem wird in mehreren Schichten nacheinander analysiert, um optimale Ergebnisse zu gewinnen. Jede Schicht dringt dabei tiefer (daher „deep learning“) in die Problemsphäre ein.
Cognitive Computing
Cognitive Computing nutzt Technologien der Künstlichen Intelligenz, um menschliche Denkprozesse zu simulieren. Ziel ist es, auf Basis von Erfahrungen eigene Lösungen und Strategien zu entwickeln. Die Systeme interagieren in Echtzeit mit ihrem Umfeld und verarbeiten große Datenmengen. Mithilfe von KI und Cognitive Computing soll letztlich eine Maschine entstehen, die Bilder und Sprache interpretiert, menschliche Denkprozesse simuliert – und schlüssig antworten kann.
