print logo

Die optimale Customer Experience dank KI

Um das beste Kundennutzungserlebnis zu erzielen, müssen einige Gesichtspunkte berücksichtigt werden.
Wolfgang Henseler | 14.04.2020
Die optimale Customer Experience dank KI © Pixabay / Gerd Altmann
 

In den meisten Unternehmen existieren heutzutage Customer Relationship Management Systeme, in denen Daten von potenziellen Kunden (Prospects) bis hin zu Premiumkunden (High Value Customers) gesammelt, gepflegt und für die Interaktion genutzt werden. Je mehr Datenerhebungspunkte (Data Touch Points) hierbei genutzt werden, je strukturierter die Datensammlung erfolgt und je häufiger die Aktualisierung stattfindet, desto präziser und wertvoller ist das jeweilige Kundenprofil. Sehr häufig werden die erhobenen Daten jedoch manuell oder nur halbautomatisch gesammelt und gepflegt und zudem noch sehr selten ökonomisch wirkungseffizient genutzt. Bei den wenigsten Unternehmen passiert der gesamte Kundengewinnungsprozess (Lead Nurturing Process) heutzutage intelligent vernetzt bzw. vollautomatisiert. Dabei bieten Unternehmen wie Amazon, Google, Microsoft, SAP u.a. SaaS-Lösungen an, die es einem effizient ermöglichen, das Lead- und Kundenmanagement zu automatisieren und somit Kundendaten sicher – DSGVO- und PEPP-konform – und effektiv zu nutzen. Als modulare Lösungen konzipiert, lassen sich die einzelnen Systemkomponenten zudem nicht nur in ihrer Gesamtheit, sondern sehr häufig auch als Einzelmodul in existierende IT-Lösungen integrieren. Aber auch der Aufbau einer eigenen kundenzentrierten Sales- und Service-Plattform für B2C und B2B ist heutzutage dank agiler Arbeitsmethoden, moderner Programmiersprachen und vorhandener Analytic-Dienste kein Flughafenbau mehr.

Das beste Kundennutzungserlebnis

Um das beste Kundennutzungserlebnis – The Utmoust Customer Experience (UCX) – zu erreichen, müssen möglichst viele Datenerhebungspunkte in Echtzeit genutzt und ausgewertet werden, um wiederum möglichst zeitnah, situativ-relevante Dienste oder Produkte dem Nutzer oder Kunden zu offerieren. Je situativ-relevanter dies geschieht, um so positiver ist die Customer Experience, aber auch der wirtschaftliche Erfolg des Unternehmens beim Kunden. Um dies in der geforderten Dynamik und Agilität bewältigen zu können, kommen lernende Algorithmen zum Einsatz. Sie sind unabdingbarer Bestandteil eines smarten CRM-Ecosystems. Die Basis eines solchen, algorithmus-gesteuerten CRM-Ecosystems, bildet die sogenannte SRI-Scorecard. Der SRI – Situative Relevanz-Index – stellt die Weiterentwicklung des sogenannten Kundenzufriedenheitindizes (Customer Satisfaction Index) in der Digitalisierung dar. Die SRI-Scorecard ist für den Aufbau eines jeden algorithmisch lernenden CRM-Systems von essentieller Bedeutung. Sie könnte auch als die „Coca-Cola Formel“ eines jeden Unternehmens für den zukünftigen Kundenerfolg bezeichnet werden.

 

In ihr werden zunächst alle relevanten Parameter für ein kundenzentriertes Handeln abgebildet und ökonomisch gewichtet. Diese erste Version der Scorecard dient nun dem jeweiligen Machine Learning System als Trainingsbasis. Hierzu werden synthetisierte Kundendaten „Klone“ aus der Vergangenheit genutzt, um datenschutzkonform das KI-System zu trainieren und sukzessive zu verfeinern. Das Training ist wie bei jedem Sportler von signifikanter Bedeutung für die Fitness des Systems – kein oder wenig Training bedeutet eben auch wenig Aussicht auf nachhaltigen Erfolg. Damit die Systeme beim Lernen nicht bei „Null“ starten müssen, und effektiv und effizient aufgebaut werden können, kann auf bereits existierende algorithmische Lernbausteine zurückgegriffen werden. Ähnlich einem Baukastenprinzip werden beispielsweise Neuronale Netze, Cognitive Computing oder Reinforced Learning Methoden o.a. vernetzt, bis das gewünschte maschinelle Lernergebnis seinen gewünschten Schwellwert erreicht hat. Dieser durchaus einige Wochen oder Monate dauernde Lern- und Verfeinerungsprozess – je nach der zur Verfügung stehenden Datenmenge und -qualität – kann mit einem Marketing- oder BWL-Studium des Algorithmus verglichen werden. Die algorithmischen „Synapsen“ müssen sich so vernetzten, dass sie prozess-effizient zu relevanten Handlungen in der Lage sind.

Die Kunst der Vorhersagbarkeit

Die wirtschaftliche Königskompetenz dieser KI-Systeme besteht natürlich in ihren vorausschauenden Annahmen und antizipatorischen Handlungen. Dem Wissen darüber, wann ein Kunde* etwas kaufen wird, noch bevor dieser es selbst bestellt und ihm das Produkt oder den Service exakt zu dem Zeitpunkt liefern, wenn es oder er benötigt wird – Sprich, ein Produkt oder einen Dienst situativ-relevant zu offerieren – Gemäß dem neuen Kundenerlebniscredo „Don´t make me care – make me happy!“. Diese prediktive und antizipatorische Kompetenz bildet den USP jeden Data Driven Business Systems und resultiert in der besten Customer Brand Experience.

Handlungsschritte für KI-basierte UCX-Systeme

1. Eine SRI Balanced ScoreCard (SRI-BSC) erstellen - inklusive der relevanten Datenerhebungspunkte , -frequenzen, -zeiträume etc.

2. Die auf Basis der SRI-BSC benötigten KI-Systemkomponenten, z.B. Ultimate User Journey Mapping, Data Touch Points, cloudbasierte CRM-Datenplattform, IT-Architektur, KI SaaS-Komponenten etc. identifizieren, konnektieren und testen.

3. Historische, synthetisierte Daten zum Machine Learning bereitstellen.

4. ML-Auswertungen nutzen, um das KI-System zu optimieren - Algorithmen verfeinern.

5. System im geschlossenen Nutzerkreis (meist Family & Friends) testen und optimieren.

6. System-Live schalten, kontinuierlich vom System lernen und permanent nachschärfen.