Real-Life-AI-Lösung für Kundenmanagement
Die CSS automatisiert Kategorisierung von Kundenfeedbacks
Automatisierte Kategorisierung von Kundenfeedbacks steigert Effizienz und Datenqualität
Manuelle Analyse tausender Kundenfeedbacks? Vergangenheit! Mit NLP und KI automatisiert CSS die Kategorisierung, erkennt Stimmungen und gewinnt wertvolle Insights. Das Resultat: schnellere Reaktionszeiten, optimierte Prozesse und zufriedene Kund:innen!
Projekt auf einen Blick
Ausgangssituation und Herausforderung
Die CSS Gruppe mit Sitz in Luzern wurde 1899 gegründet. Das traditionsreiche Unternehmen zählt heute zu den führenden Schweizer Kranken- und Sachversicherern. In der Grundversicherung ist die CSS Marktführerin. Sie stellt ihren Kund:innen Informationen zur Verfügung, die Orientierung bieten und bei Entscheidungen in Gesundheitsfragen unterstützen. Seit Jahren erfasst die Versicherung jährlich etwa 60.000 Kundenfeedbacks an relevanten Kontaktpunkten, um die Servicequalität zu kontrollieren und zu verbessern. Die Feedbacks werden manuell in vielen detaillierten Kategorien gelabelt, was einen hohen Arbeitsaufwand mit sich bringt.
Die CSS will gemeinsam mit b.telligent auf Natural Language Processing (NLP) basierende AI-Methoden entwickeln, um die Kategorisierung der Kundenfeedbacks zu automatisieren. Die gesuchte Lösung soll mit allen Aspekten der Kundenfeedbacks zurechtkommen. Das bedeutet, dass jedes Feedback mehreren Kategorien zugeteilt werden kann (multilabel) und jede Kategorie in einem Feedback mit einem Sentiment versehen ist. Die Ausgangssituation weist erhöhte Komplexität auf, da die Kundenfeedbacks in vier Sprachen erfasst werden und von unterschiedlicher Länge und Komplexität sind. Frühere Automatisierungsversuche waren erfolglos aufgrund der hohen Qualitätsanforderungen der CSS.
Lösungsansatz
Nachdem sich das Team von b.telligent ein gutes Business-Verständnis erarbeitet hatte, stand zunächst das Verständnis und die erste Analyse der Daten an. Daraufhin wurde eine maßgeschneiderte Lösung für die CSS entworfen. Konkret wurde eine Pipeline entwickelt und implementiert, die ausgewählte moderne NLP-Methoden für die Automatisierung benutzt. Das vortrainierte Large Language Model BERT wurde verwendet – es ist von der Architektur her ChatGPT sehr ähnlich.
Das Modell ist auf einer großen Textdatenmenge vortrainiert (unter anderem auf der gesamten Enzyklopädie Wikipedia und unzähligen Zeitungsartikeln) und hat somit ein sehr gutes allgemeines Sprach- und Kontextverständnis. Mithilfe der manuell gelabelten Kundenfeedbacks, die als Trainingsdaten verwendet wurden, wurde das Modell in einem Fine-Tuning-Schritt nachtrainiert, um den spezifischen Kontext der Krankenversicherung zu verstehen und Feedbacks in die richtigen Kategorien mit entsprechendem Sentiment klassifizieren zu können. Das trainierte Modell bekommt als Eingangswerte den Fließtext des Kundenfeedbacks und gibt sowohl Kategorien als auch Sentiment zurück.
Die Validierung des Modells ergab eine sehr gute Qualität. Bei der Überprüfung der verbleibenden Diskrepanzen zwischen der manuellen Kategorisierung und der des Modells wurde deutlich, dass es auch in der manuellen Kategorisierung der Kundenfeedbacks Inkonsistenzen gab. Es zeigte sich, dass solch ein AI-Modell eine konstantere und reproduzierbarere Qualität erreicht als ein manueller Ansatz.
Stimmen aus dem Projekt
b.telligent hat uns bei der automatisierten Kategorisierung von Kundenfeedbacks einen bedeutenden Schritt weitergebracht. Für eine zukunftsorientierte und qualitativ hochwertige Arbeit mit den Feedbacks unserer Kundinnen und Kunden ist das entwickelte Modell ein wichtiger Meilenstein.
Nino Galli
Projektmanager bei der CSS Gruppe
Das Projekt hat gezeigt, dass moderne NLP-Methoden gut geeignet sind, um komplexe Sachverhalte in spezifischem Kontext zu verstehen und somit textbasierte Business-Prozesse zu automatisieren.
Jukka Hekanaho
Projektmanager bei b.telligent
b.telligent Leistungen auf einen Blick
Methodenentwicklung
Entwicklung spezifischer Methoden zur automatisierten Kategorisierung von Feedback.
NLP-Methoden
Auswahl und Implementierung moderner Natural Language Processing (NLP)-Methoden.
Pipeline-Implementierung
Implementierung einer Pipeline zur Datenaufbereitung und zum Training des Large Language Models.
Datenqualitätsanalyse
Datenqualitätsanalyse und -verbesserung.
Model Fine-Tuning
Anpassung des vortrainierten Large Language Models (BERT) auf die spezifischen Anforderungen der Krankenversicherung.
Automatisierung
Automatisierung der Kategorisierung und Sentiment-Analyse von Kundenfeedbacks, um operative Prozesse zu optimieren.
Ergebnisse & Erfolge
Highlights
Konstante Qualität: Die automatisierte Kategorisierung des Kundenfeedbacks sorgt für konsistentere und reproduzierbare Ergebnisse als manuelle Methoden.
Erweiterbare Automatisierung: Die Lösung ermöglicht eine erweiterbare Automatisierung der Feedback-Kategorisierung und kann in weiteren Bereichen des Kundenservices eingesetzt werden.
Reduktion operativer Kosten: Die Integration des Modells in die Geschäftsprozesse sorgt für kürzere Reaktionszeiten und eine schnellere Steuerung interner Prozesse und so zu operativen Kostensenkungen.
Das Projekt entwickelt und implementiert Methoden, um Kundenfeedbacks automatisiert mit guter und konstanter Qualität zu kategorisieren. Das Modell ermöglicht bereits eine erweiterbare Automatisierung der Kategorisierung eines Großteils der Feedbacks. Außerdem kann es zur Datenqualitätsüberprüfung und -verbesserung eingesetzt werden. Es gewährleistet nach einer Integration in die Geschäftsprozesse neben einer kürzeren Reaktionszeit für den Kunden auch eine schnellere und konsistentere Steuerung interner Prozesse. Die Datenqualität lässt sich damit verbessern und eine Reduktion von operativen Kosten erreichen. Das Modell ist erweiterbar auf eine Vollautomatisierung sowie andere Sprachen und lässt sich in weiteren Bereichen des Kundenservices einsetzen.
Das Erfolgsprojekt im Detail
Jetzt im Podcast erleben!
Technologien im Einsatz
Management Summary zum Download
Du möchtest die wichtigsten Erkenntnisse unseres Projekts kompakt und übersichtlich nachlesen – oder Deinem Team vorstellen?
Dann lade Dir hier eine Management Summary als PDF herunter und erhalte die zentralen Highlights unserer Success Story auf einen Blick.
Viel Spaß beim Lesen!
Inspiriert?
Du findest unsere Success Stories spannend? Du hast eine ähnliche Herausforderung rund um die Themen Data & AI und wünschst Dir professionelle Unterstützung? Dann melde Dich gern bei uns. In einem unverbindlichen Beratungsgespräch können wir schnell klären, wie wir Dir am besten helfen können.
