Mensch oder Maschine - Chatbots im Kundendienst

2. September 2017 - Von Irina Grishkova

Call Center und Kundenchats haben nicht immer den besten Ruf – von falschen Auskünften bis zu langen Wartezeiten oder genervten Agenten ist alles dabei. Alles Schnee von gestern, wenn der Chatbot die Regie übernimmt, oder was erwartet uns beim nächsten Kontakt?


Ein nettes Hallo einer freundlich lächelnden, gutaussehenden Person begrüsst mich am Bildschirm. Eigentlich bin ich ärgerlich, da ich mein neues technisches Spielzeug nicht zum Laufen bringe, aber die Dame ist so offensichtlich bemüht, mir zu helfen – ich vergesse, dass sie ein Avatar ist und dass ich das Unternehmen noch vor 30 Sekunden zum Mond gewünscht habe.

So könnte in Zukunft ein Anruf im Compliance Management aussehen. Diese Lösungen breiten sich zunehmend aus und die Menschen gewöhnen sich immer mehr an die Kommunikation mit Maschinen. Virtuelle Assistenten, darunter Chatbots, werden langsam salonfähig.


Wieso braucht es den Kollegen Maschine, ist es kein Rückschritt im Service, wenn an der persönlichen Betreuung gespart wird?

Es geht nicht darum, den Menschen durch eine Maschine zu ersetzen – zumindest nicht primär. Ziel ist es eher, den Kundendienst von Routinen und reinem "Verteilen" zu entlasten, um so der wirklichen Beratung mehr Raum einräumen zu können. Viele Anfragen sind einfache oder Routinefragen (z.B.: "Ich habe meine Login-Daten vergessen") oder betreffen Informationen, die man im Web nachlesen kann (z.B.: "Welche Tarife hat mein Abo im Ausland?"). Hier braucht es nur den Hinweis, wo diese zu finden sind. Hinweise auf Supportmöglichkeiten können so schnell verbreitet werden und Services sind nicht mehr abhängig von Tageszeit und/oder Anrufvolumen.

Eine Vorselektion (z.B. nach Sprachvarianten oder Themen) ist heute nichts Neues mehr und wird durch ein System ermöglicht. Dieses macht aber oft einen negativen oder "künstlichen" Eindruck und verringert nicht immer die Warteschlange. Ein künstlicher Assistent, der sich eher als natürlicher Kommunika­tionspartner zeigt, ermöglicht nicht nur die Zuordnung des Anrufers zu bestimmten Themen und damit zu Expertenwissen, sondern kann zum Teil Anfragen selber lösen. So haben die Experten durch den Wegfall der Routineaufgaben auch mehr Zeit, sich mit dem einzelnen Kunden und seinem wirklichen Anliegen auseinanderzusetzen. Zugleich wird der Kunde durch direkten Kontakt mit dem künstlichen Assistenten ohne Wartezeit angenommen, die lästigen Warteschlangen werden auf ein Mindestmass reduziert.


Wie kreiert man nun aber einen Chatbot, der den Kunden nicht verärgert, sondern das Gefühl hinterlässt: mir wurde geholfen?

Auch wenn ein Chatbot ein ständig lernendes System ist, schon die erste Version sollte die Hauptfragen abdecken, da der Kunde ansonsten enttäuscht wird. Ein enttäuschter Kunde aber benutzt diesen Kommunikationskanal nicht mehr und nimmt durch fehlende Konversationsdaten dem System die Grundlage, eigenständig zu lernen und sich zu verbessern. Am besten eignen sich Dialoge von Support Chats zum Lernen für das System. Falls ein Unternehmen über solche verfügt, ist der Einstieg in die neue Technologie leichter und schneller. Sie sind in Art und Sprache der Konversation mit dem Chatbot am ähnlichsten, geeignet sind aber auch Inhalte von Telefonaten und Mails.

Nicht nur die falschen Fragen oder fehlende Antworten können den Kunden verärgern – es kann auch die falsche Tonalität sein. Bei einer Nachfrage beim Rekursgericht beispielsweise wäre ein witziger Chatbot sicherlich nicht die beste aller Möglichkeiten und das "Du" nicht angebracht. Auch wenn das System endlos nachfragt, ohne dann doch zu einem Menschen weiter zu verbinden, ist der Kunde hinterher nur noch genervt.

Generell stellen sich beim Einsatz derartiger Systeme folgende Grundsatzfragen: Menschenähnlich (Avatar) oder doch "richtig" artifiziell, als App (ggf. mobile) oder Teil der Webseite, und wie sieht das Zusammenspiel mit anderen Kommunikationskanälen des Unternehmens aus? All diese Faktoren beeinflussen die Akzeptanz durch den Kunden und wollen wohl durchdacht sein.


Warum ist der Umgang mit Nicht-Vorhersehbarem erfolgskritisch?

Der Umgang mit nicht zum Themenbereich des Agenten gehörenden Fragen muss ebenso vorab geklärt werden wie die Frage: "Was macht der Chatbot, wenn er anhand der Reaktion des Kunden feststellt, dass dieser unzufrieden ist?" Oder wenn er die Antwort beim besten Willen nicht findet. Zum einen möchte man nicht jeden Anrufer zum Kollegen Mensch weiterleiten (wozu bräuchte es dann einen Bot?), zum anderen ist der Chatbot nicht allwissend. Auch in diesem Bereich sind die Systeme lernfähig. Sie können das Kundenverhalten analysieren (z.B. durch Klassifizieren oder Erkennen von Worten und Phrasen) und entscheiden, wie sie auf negative Äusserungen reagieren.

Es ist wichtig, zum Anfang die am häufigsten gestellten Fragen abzubilden. Dazu braucht es das Wissen über diese Fragen oder Themenbereiche, die von Kunden angesprochen werden.

Ebenso wichtig sind die Supportbereiche, die oft nachgefragt werden. Je nach Branche gibt es immer wiederkehrende Begriffe, Orte, Personen oder Organisationen. Diese extrahieren zu können, ist für das System und die Weiterverarbeitung einer Anfrage unter Umständen sehr hilfreich. Kann der Bot dieses Wissen in die Antwort einfliessen lassen, beeindruckt er nicht nur den Kunden, sondern bietet auch echten Mehrwert.

Das Gleiche gilt für Themen wie etwa Öffnungszeiten. Hier kann das System die Gegebenheiten tracken und eine Antwort gestalten. Fragt der Kunde nach: "Hat Ihre Filiale am Bahnhof Bern am Samstag um 13:00 Uhr offen?", kann das System die nötigen Informationen aus dem Satz extrahieren und direkt mit "ja" oder "nein" antworten. Bei einer offenen Frage würde das System nachfragen, um die nötigen Informationen für eine präzise Antwort zu bekommen. Für solche Add-ons, die durch einen separat entwickelten Service ermöglicht werden, existieren mehrere Methoden der natürlichen Sprachverarbeitung (engl. Natural Language Processing oder NLP) wie zum Beispiel Information Extraction, Named Entity Recognition oder Information Retrieval.


Welcher Service ist für welche Industrie/Situation besonders geeignet?

Zu Beginn einer Kundenanfrage werden die grossen Weichen gestellt. Geht es um eine Reklamation oder eine weitere Bestellung, braucht der Kunde Informationen oder Support. Hier kann, auch mit Wissen des Kunden, die Anfrage geroutet werden. Wird der Kunde aber durch zu viele Auswahlmenüs geführt, ohne dass sein konkretes Anliegen bearbeitet wird, wird er höchstwahrscheinlich ungeduldig. Ab einem bestimmten Punkt sollte der Kunde den Eindruck eines Gesprächs haben. Das ermöglicht auch ein Chatbot. Zum einen klassifiziert er die Kundenanfrage, zum anderen lässt er den Kunden beim Kanalisierungsprozess nicht warten, sondern führt mit ihm von Anfang an ein Gespräch. Durch den Ablauf des Chats bekommt der Roboter weitere Informationen, die es ihm ermöglichen zu entscheiden, ob die Anfrage bearbeitet wurde oder ob der Kunde zu einem Live Chat oder zu einem Mitarbeiter weitergeleitet werden sollte. Je nach Unternehmen oder Branche gibt es weitere Möglichkeiten – diese einzubinden, ist eine Frage der Strategie des Unternehmens.


Wieso boomen Chatbots gerade jetzt?

Der Traum der Spracherkennung ist über ein halbes Jahrhundert alt und kam lange nicht über das Erkennen simpler Kommandos hinaus. Die zur Datenverarbeitung benötigten Kapazitäten waren teuer, die heutigen Ansätze gab es noch nicht. Heute lässt die Cloud die Preise für Datenspeicher purzeln, es gibt genügend Verarbeitungskapazitäten und immer ausgefeiltere Algorithmen. Dieser Vorteil wird allerdings oft mit der Speicherung der Daten an einem unbekannten Ort erkauft. In der Schweiz wird dies häufig als Nachteil empfunden und für schützenswerte Daten ist es in der Tat nicht geeignet.

Diese Situation hat auch Auswirkungen auf die Lernmöglichkeiten der Maschinen. Sie können heute an Echt­daten trainiert werden. Dadurch sind die Maschinen in der Lage, ihre Aufgabe bestmöglich zu erfüllen und zu lernen. NLP-Technologien sind heute für jedes Unternehmen einsetzbar. Es existieren fertig entwickelte Lösungen, bei denen der Kunde seine Daten in ein gebrauchsfertiges System einfügen kann. Der Hersteller kann bei der technischen Integration und Anpassung auf den Kunden helfen, die Daten verbleiben aber in der Hoheit des Kunden. Hinzu kommt, dass erst jetzt die Menschen so an den Einsatz von Technologie im täglichen Leben gewohnt sind, dass sie derartige Technologien akzeptieren. Diese Akzeptanz hängt zu einem grossen Teil davon ab, wie sich die Menschen durch die Maschinen unterstützt sehen. Wenn der Chatbot einfache Fragen beantworten kann und eine Hilfe ist, den Menschen aber nicht ersetzt, wird er eher akzeptiert, als wenn er den Menschen versucht zu ersetzen. Wenn er eine langweilige Warteschlange vermeiden hilft, ist er gern gesehen. Am Ende des Tages spricht ein Mensch aber immer noch gern mit einem Menschen. Das wird sich auch nicht ändern, auch wenn er die eine oder andere Laune zu ertragen hat.


Was haben die Unternehmen davon?

Für Unternehmen sind die Technologien inzwischen den Kinderschuhen entwachsen – sie bieten Mehrwert, unterstützen Mitarbeiter und übernehmen Routineaufgaben, die früher manuell erledigt werden mussten. Oft schliessen diese Systeme Medienbrüche, die dadurch entstehen, dass ein Mensch involviert ist, der vielleicht etwas auf Papier schreibt oder für eine Frage einen Kollegen anruft, was dann im System mühevoll von Hand dokumentiert werden muss.

Wie ein Kind sprechen lernt oder Erfahrungen sammelt, so lernt auch der virtuelle Assistent, wie er sich unterhalten soll. Die Datenqualität ist hier entscheidend. Die Machine-Learning-Ansätze, die virtuellen Assistenten wie Chat Bots zu Grunde liegen, brauchen, um gute Qualität zu gewährleisten, passend aufbereitete Daten, anhand derer die Maschine lernen kann. Diese existieren natürlich nicht zu allen möglichen Themen oder in allen Sprachen. Und selbst wenn die Daten existieren, braucht es Zeit, um diese vorzubereiten und in die für das Lernen der Maschine richtige Form zu bringen – zu annotieren. Oft werden in dieser Phase den Kunden Pilotversionen zur Verfügung gestellt, damit diese Erfahrung sammeln können.

Noch einmal anders sieht es in der Wissenschaft aus. Hier ist man naturgemäss weiter als im Markt, die Aufgaben des Natural Language Processing werden immer breiter. Es gibt unterschiedliche Hauptrichtungen und neben Aufgaben, die noch längere Zeit auf Forschungsstufe bleiben werden, gibt es auch solche, die kurz vor dem Markteintritt stehen. Die Ansätze des Natural Language Processing, wie Information Extraction, Sentiment Analysis oder Named Entity Recognition (NER) werden im Markt einzeln oder im Zusammenspiel mit anderen Lösungen immer öfter eingesetzt. Zwar nicht für alle Sprachen oder Methoden gleich, aber die Ergebnisse können sich durchaus sehen lassen: Testet man aktuelle NER-Systeme auf deren Performanz, beispielsweise durch Messung des F1-Scores, welcher die Genauigkeit eines Systems misst, erreichen diese für Englisch hohe Werte. Und auch aktuelle Sentiment-Analysis-Systeme für Deutsch und Englisch erbringen vielversprechende Messwerte. Zugleich geht die Forschung schon Richtung Natural Lan­guage Generation – intelligente, selbst konstruierte Antworten der Systeme.


Was heisst Machine Learning für die Arbeitswelt – wo entstehen neue Jobs?

Generell ist die Datenbasis der entscheidende Faktor für eine erfolgreich lernende Maschine. Zurzeit fehlen noch annotierte Korpora (aufgearbeitete Datensätze), auf denen die Algorithmen trainiert werden können. Der Aufbau der Korpora ist entsprechend ein grosser Aufwand, der nicht gern geleistet wird, den die Lösungen aber brauchen, sollen sie erfolgreich arbeiten können. Zudem braucht es einen beträchtlichen Maintenance-Aufwand, um aus einem Junior-System einen Senior zu ­machen.

Es wäre naiv, zu glauben, die künstlichen Kollegen würden die Arbeitswelt nicht verändern. Es werden Arbeitsplätze wegfallen, andere, oft höherwertige, werden aber auch entstehen. Es wird auch in Zukunft Kundenberater im Support Center geben – diese werden aber eher auf Expertenlevel helfen, komplexere Anfragen zu bearbeiten. Die Hotline wird zur Expert-Line. Dazu braucht es natürlich die Möglichkeit für die Mitarbeiter, zu Experten zu werden, auch sie müssen wachsen können.

Es braucht Content Manager und Fachspezialisten, die die Antwortstrategien der Maschine definieren und dafür sorgen, dass diese die richtigen Antworten in der richtigen Qualität liefert. Linguist Engineers sind für die Klassifizierung der Kundenanfragen zuständig und dafür, Kundendialoge als Daten für das Trainieren der Natural Language Engine einzusetzen. Kommunikationsspezialisten werden zur Überprüfung des Inhalts und zur Bestimmung des jeweiligen Wordings gebraucht.
Auch in Zukunft wird es Themenbereiche geben, die zu sensibel sind, um sie Maschinen zu überlassen (z.B. die Verhandlung von Kreditkonditionen oder die Erstvergabe eines Darlehens, Überweisung von aussergewöhnlich hohen Beträgen oder Kostenerstattungen, vertrauliche Auskünfte zu Versicherungsverträgen oder Gesundheitsfragen). Die Tendenz hier ist, sie weiterhin in Menschenhand zu belassen.

Die Technologie wird sich weiterentwickeln und immer weiter in das tägliche Leben von uns allen eingreifen. Sie wird das Kommunikationsverhalten genauso verändern wie die Arbeitswelt und die Gesellschaft. Ist dies nun schlecht oder gut? Man kann geteilter Ansicht sein, auf jeden Fall ist und bleibt es aber spannend.


Wie funktioniert’s eigentlich?

Was wollte der Kunde eigentlich von mir?
Die erste Aufgabe des Chat Bots ist es, Kundenanliegen zu klassifizieren und dem richtigen Thema in der Wissensdatenbank (Intention) zuzuordnen. Für die Klassifizierung natürlicher Anfragen werden Machine-Learning-Ansätze angewendet. Durch das Auswerten von syntaktischen und lexikalischen Merkmalen des Satzes (Kundenanfrage) wird dieser mit einem gewissen Wahrscheinlichkeitsgrad kategorisiert und der passenden Intention in der Wissensdatenbank zugewiesen.

Wie bringt man den Klassifikator zum Laufen?
Damit das Natural-Language-Modell richtig funktioniert, sollten die bestehenden Intentionen trainiert werden. Hierzu wird oft Supervised Learning angewendet: Ein bestimmter Anteil der Kundenanfragen muss manuell kategorisiert werden, damit das System daraus lernen und die Klassifizierung später selber vornehmen kann.

Welche Antwort soll ich geben?
Das Dialogmanagement-System ist dafür zuständig, dass der Bot eine richtige Konversation führen und kontextabhängig handeln kann. Darin gibt es vordefinierte Regeln oder Abläufe, laut welchen der Chat Bot eine Antwort gibt. Die Antwortinfor­mationen für die bereits erkannte Intention werden nachträglich aus der Wissensdatenbank geholt.

Könnte ich auch sprechen?
Sollte der Chat Bot sprechen und nicht nur chatten, fehlen nur Speech-to-Text- und Text-to-Speech-Module, welche Gesprochenes zu Text und Text zu Gesprochenem konvertieren.

Was könnte ich in der Zukunft?
Zurzeit werden auf dem Markt oft noch Lösungen verwendet, bei denen die Antworten des künstlichen Assistenten vordefiniert sind. In der Wissenschaft wird aber immer öfter über die künstliche Sprachgeneration gesprochen, bei welcher der künstliche Assistent selber Antworten konstruieren könnte.


Die Autorin

Irina Grishkova Ist Software Engineer in den Bereichen Business Intelligenz und Big Data und arbeitet bei Elca Informatik in verschiedenen Projekten mit den Schwerpunkten Natural Language Processing, sprachliche Assistenten, Datenanalyse, ETL/Data Warehouse.

Copyright by Swiss IT Media 2019