Ausgangslage

Unser Kunde, ein in der Schweiz tätiges europäisches Versicherungsunternehmen, verfügt über einen stark frequentierten Kundensupport Chat.
Die Zahl der eingehenden Kundenanfragen und der Druck auf die Chat-Agenten nahm von Tag zu Tag zu. Und so wurde es immer schwieriger, eine gleichbleibend hohe Qualität der Antworten zu gewährleisten.
Das Ziel unseres Kunden war deshalb, seine Chat-Agenten zu unterstützen und effektiver zu machen.
Hierfür haben wir ihnen geholfen, eine KI-Lösung mit der bestehenden Benutzeroberfläche zu integrieren, die den Chat-Agenten passende Antworten auf eingehende Kundenfrage vorschlägt.

Vorgehensweise

1. Aufbereitung der Chats:
In diesem Schritt wurden die verfügbaren Chats bereinigt und die von den Kunden gestellten Fragen sowie die Antworten der Versicherungsvertreter identifiziert. Mit Hilfe von Pattern Mining und Information Extraction-Techniken wurden die Chat-Dialoge in die verschiedenen Redewendungen des Kunden und des Agenten umgewandelt, sowie irrelevante Wendungen wie z.B. Grussworte erkannt. Dadurch konnten hochwertige Sets von Frage- und Antwortpaaren erzeugt werden.

2. Chatbots trainieren
Um die extrahierten Informationen zu nutzen, haben wir verschiedene Ansätze verwendet, einschließlich der neuesten Deep-Learning-Technologie, und unterschiedliche Chatbots anhand der extrahierten Frage- und Antwortpaare trainiert. Die daraus resultierenden Bots konnten neue Fragen mit hoher Genauigkeit beantworten.

3. Antworten an Agenten vorschlagen
Nachdem die Chatbots trainiert waren, wurde auf den Betrieb in Echtzeit umgestellt. Für jede neue eingehende Kundenfrage haben wir eine Kombination der verschiedenen Bots verwendet, um den Agenten drei passende Antworten vorzuschlagen, die er bei Bedarf einfach integrieren und modifizieren kann. Da es immer wieder Fragen gab, die sehr kundenspezifisch und nur schwer automatisch zu beantworten waren, wurde ein Bewertungssystem eingeführt, das dem Agenten einen schnellen Überblick über die Genauigkeit der Antworten gab.

4. Selbstlernende Schleife
Alle Reaktionen und Verhaltensmuster der Agenten auf die vorgeschlagenen Antworten wurden sorgfältig gesammelt. Diese Daten dienten als Grundlage für die Implementierung einer selbstlernenden Schleife im KI-System. Der Chatbot konnte sich so schneller anpassen und kontinuirlich selbst optimieren.

Ergebnis

Dank der innovativen KI-Lösung von Open Web Technology, konnte der Kunde die Anzahl der bearbeiteten Chat-Anfragen pro Agent erhöhen und gleichzeitig eine hohe Qualität der Antworten sicherstellen.
In 60% aller Fälle wurden die Absicht und das Thema der Chatanfragen korrekt identifiziert, was eine gute Grundlage für einen Entity-Intent-Chatbot darstellt.