So nutzen Marken KI, um unsere Emotionen zu entschlüsseln

Eine der effektivsten Methoden zur Entschlüsselung all dieser Daten ist die Stimmungsanalyse. Eine Technik der künstlichen Intelligenz, die auf NLP (Verarbeitung natürlicher Sprache), Techniken des „maschinellen Lernens“ (für überwachte Klassifizierungsaufgaben), „Deep Learning“ (die dieses zusätzliche Verständnis von Nuancen und Kontexten in der Analyse ermöglichen) und „Text-to-Speech“ basiert ‘ (zur Analyse von Echtzeitgesprächen und Audios durch Transkription), die es Ihnen ermöglichen, in E-Mails, Kommentaren in sozialen Netzwerken, Foren, Rezensionen, Gesprächen usw. veröffentlichte Daten zu identifizieren, zu extrahieren und zu analysieren. Und sie werden von Unternehmen genutzt, um ihre Geschäftsstrategien voranzutreiben.

Es geht nicht nur darum, Muster oder Zeichen im Text zu erkennen, die auf das Vorhandensein von Emotionen, Einstellungen und Meinungen hinweisen. Es gehe darum, „den Kunden, seine Erwartungen und Bedürfnisse zu kennen und zu wissen, wie er sich während einer Interaktion zu jeder Tageszeit fühlt.“ „Kundenreise“ und auf jedem Kanal“, sagt Laia Mercadal, Direktorin für Beratung und digitale Transformation bei E-voluciona by Intelcia.

„Bis vor Kurzem wurden NLP-Algorithmen darauf trainiert, bestimmte Wörter in Texten zu erkennen und sie zu berechnen, um eine einfache ‚positiv oder negativ‘-Bewertung abzugeben, und das war bereits eine beachtliche Leistung“, bemerkt Bruno Gerlic, Chief Revenue Officer bei PredictLand AI. Nach und nach begannen sie, diese binäre Klassifizierung zu verbessern, bis sie nun in der Lage waren, Gefühle mit anderen Arten wertvoller Informationen im selben System zu kombinieren, was manchmal als „Text-Mining“ oder „Text-Mining“ bezeichnet wird. In diesem Sinne „liefern sie jetzt viel wertvollere Informationen, da sie die Entscheidungsfindung in Unternehmen mit mehr Granularität und weniger Latenz verbessern.“

Vereinfacht ausgedrückt: Wenn ein Text in einen maschinellen Lernalgorithmus eingespeist wird, gibt dieser einen Wert zwischen 0 und 1 zurück, der angibt, wie positiv der Text ist. Durch lexikalische Ressourcen und natürliche Sprachverarbeitung können die emotionalen Konnotationen von Wörtern bewertet und ein Text als positiv, negativ oder neutral klassifiziert werden. Neben lexikalischen Ressourcen gibt es zahlreiche Machine-Learning- und Deep-Learning-Modelle, die gezielt trainiert werden. Zufrieden, unzufrieden, befriedigt, gereizt, verärgert, dankbar, überrascht … jedes Gefühl hinterlässt Spuren in der Art und Weise, wie wir uns ausdrücken, und das System ist in der Lage, diesen emotionalen Code zu entschlüsseln.

Dank der Fortschritte der generativen KI, deren Modelle, sogenannte LLMs (wie ChatGPT 4), hauptsächlich im Internet trainiert wurden, erkennen die Algorithmen diese feinen Nuancen der Kommunikation in Gefühlen, verstehen nativ alle Arten von Sprachen und Stilen, und Sie wissen, wie man den Kontext interpretiert. „Erkennt das System beispielsweise wiederholte Kundenbeschwerden über eine Funktionalität eines Produkts und je nach Intensität der damit verbundenen Gefühle, kennzeichnet es diese als ‚Priorität‘ oder ‚Geringe Kritikalität‘ und generiert einen Bericht an den Produktmanager.“ .», erklärt Gerlic.

Verbesserungspfad

Aber wie kann diese Technik wirklich dazu beitragen, ein besseres Kundenerlebnis zu schaffen? Von E-voluciona aus bewerten sie die Qualität des Dienstes anhand von Parametern und Metriken, um mithilfe von Analysegeräten wie FCR (First Call Resolution) zu erfahren, wie Sie sich fühlen und wie zufrieden Sie sind, um festzustellen, ob die Anfrage im Anruf oder über den NPS gelöst wurde (Net Promoter Score), die den Empfehlungsgrad der Marke anzeigen. „All dies ermöglicht es uns, die tatsächliche Kundenzufriedenheitsrate zu ermitteln und die Servicequalität kontinuierlich zu verbessern“, sagt Mario García Láinez, Direktor von Soluciones IA. „Im Contact-Center-Bereich dient der Einsatz dieser technologischen Tools und Fähigkeiten dazu, die Servicequalität zu verbessern und Rückrufe zu reduzieren.“ Ziel ist es, sicherzustellen, dass die durchschnittliche Betriebszeit, also die Zeit für die Verwaltung und Lösung einer Anfrage, bei hoher Produktivität und Kundenzufriedenheit so gering wie möglich ist.

In Kombination mit anderen „Text-Mining“-Techniken trägt die Stimmungsanalyse auch zur Verbesserung mehrerer Erlebnisse bei, erkennt PredictLand AI. Von der Neugestaltung oder Personalisierung von Produkten und Werbebotschaften für jeden Kundentyp über das Vorschlagen einer Kommunikation entsprechend der emotionalen Verfassung bis hin zur Antizipation von Fällen des Abbruchrisikos, um personalisierte Bindungsstrategien zu aktivieren, insbesondere nach der Analyse von Supportanfragen und Beschwerden.

Allerdings gibt es viele Aspekte unserer menschlichen Interaktionen und Verhaltensweisen, die nicht durch Algorithmen quantifiziert werden können. In diesem Zusammenhang erweist sich Neuromarketing als ergänzendes Instrument zur Offenlegung jener unbewussten Prozesse, die unsere Entscheidungen und Verhaltensweisen beeinflussen.

Salima Sánchez, Psychologin mit Spezialisierung auf Neuromarketing und Verbraucherverhalten, weist darauf hin, wie die Psychologie die psychologischen Prozesse und Vorurteile, denen wir ausgesetzt sind, sehr gut untersucht und erklärt, aber „durch Neuromarketing loder was wir erreichen, ist, etwas tiefer zu gehen und zu sagen: Okay, ich werde die Person nicht fragen, weil die Person mich unbewusst anlügen kann, ich werde ihr Gehirn fragen, was ich weiß, dass das nicht geht Es. Mit Techniken wie der Elektroenzephalographie, die die elektrische Aktivität des Gehirns aufzeichnet und so die Identifizierung von Aufmerksamkeits-, Emotions- und Gedächtnismustern ermöglicht, und Eye Tracking, das Augenbewegungen überwacht, um zu verstehen, worauf Verbraucher ihre Aufmerksamkeit wie lange richten oder mit physiologischen Reaktionen B. Herzfrequenz, Hautleitfähigkeit und galvanische Hautreaktion, kann das Nutzererlebnis sehr präzise und datenbasiert ausgewertet werden.

Analysatoren

Abhängig von der Art der verfügbaren Daten, ihrer Qualität und den verfolgten Zielen müssen Unternehmen sorgfältig zwischen mehreren Formeln wählen, von denen jede ihre Vor- und Nachteile hat. Laut Gerlic „bieten allgemeine Plattformen wie Microsoft, Google oder Amazon Sentiment-Analysetools in ihren Cloud-Diensten an.“ Dann gibt es mehrere spezialisierte Softwareprogramme, die normalerweise eine weitere Ebene der Intelligenz für einen bestimmten Prozess bereitstellen. Zum Beispiel Social-Media-Analysesoftware, Online-Software zur Überwachung der Markenreputation, zusätzliche Module in Kundenmanagementplattformen (CRM), Projektmanagementplattformen usw. Es gibt aber auch Open-Source-Modelle, die IT-Abteilungen an einen bestimmten Bedarf anpassen und integrieren können.

Genauer gesagt ermöglicht die Sprachanalyse im Contact-Center-Bereich die Analyse von mehr als 25 Emotionen zu verschiedenen Zeitpunkten des Gesprächs sowohl in Sprache als auch im Text und wandelt unstrukturierte Daten in nutzbare und strukturierte Informationen für die Analyse um. Mario García erklärt, dass „generative KI auf all diese Informationen angewendet wird und sich dabei ihre Fähigkeit zunutze macht, sie zu verstehen, die Grundursachen zu erkennen und den Service zu verbessern.“