UseCase: Intelligent ChatBot
Beispiel Hausrats-Versicherungen
ChatBots können für den Kunden die schnellste Möglichkeit sein Informationen zu erhalten. Sie sind darüber hinaus anonym, was viele Nutzer anspricht. Die Voraussetzung dafür ist die Verwendung sogenannter intelligenter ChatBots, die einen natürlichen Dialog mit Techniken der Künstlichen Intelligenz ermöglichen anstatt statt einfache, ablaufbasierte Dialoge zu erstellen wie wir sie von typischen Voice-Portalen aus Call Centern kennen.
Unser Intelligent ChatBots für Versicherungen ist ein Beispiel dafür, wie komfortabel diese Lösungen für Kunden sein können. Wer weiß schon exakt, welche Teile genau in einer Hausratversicherung mitversichert sind und unter welchen Umständen diese greifen? Der ChatBot liest den Vertrag ein, speichert ihn und ist dann in der Lage, Auskunft zu erteilen. Ist das Fahrrad mitversichert? Ist Bargeld versichert? Bei „Unsicherheit“ zeigt der ChatBot die relevanten Stellen aus dem Vertrag. Mit der Zeit lernt der ChatBot immer mehr Klauseln und Formulierungen, er wird von Experten trainiert und ständig verbessert.
UseCase: Lead-Generierung
Firmenkundenberater
Informationen sind die notwendige Basis um Leads zu generieren. Diese Informationen verbergen sich heute im Internet. Über Nachrichtenkanäle und soziale Netzwerke werden Informationen gesendet, die es abzufangen und aufzubereiten gilt. Dazu helfen technische Werkzeuge wie Crawler und Schnittstellen (API’s), die es erlauben auf die Nachrichten zuzugreifen. Die wesentliche Schwierigkeit liegt nur in der Auswahl der richtigen Internetquellen.
Der entscheidende Schritt ist es jedoch, diese intelligent zusammenzufassen. So werden Investitionen ermittelt, Haus- oder Anlagenverkäufe entdeckt oder neue Firmen identifiziert, die für die Leadgenerierung relevant sind. Diese Daten werden strukturiert und mit Kennzahlen in Verbindung gebracht. So können Preisentwicklungen von Rohstoffen oder Maschinen prognostiziert werden um neben der reinen Leadgenerierung noch die richtige Vertriebsstrategie abzuleiten.
UseCase: Next-Best-Offer (NBO)
Portal für den Firmenkundenbetreuer
Hinter den Sammelbegriffen Next-Best-Offer (NBO) oder Next-Best-Action (NBA) bzw. Next-Product-to-Buy (NPtB) verbergen sich komplexe Systeme, die im Kern auf Recommendation Engines, also automatisierten Empfehlungen, basieren. Diese können heute je nach Produktvielfalt und Umschlagshäufigkeit sehr genaue Treffer erzeugen für die automatisierte Empfehlung (z.B. im Handel mit elektronischen Medien). Im Finanzsektor sind diese Produkte und Aktionen jedoch so komplex, dass statt einer vollautomatisierten Empfehlung sich die maschinell unterstützte Lösung anbietet.
Dabei werden Daten aus externen Quellen im Internet verbunden mit internen Informationen über den Kunden (z.B. die Kundentransaktionshistorie oder auch die aufbereiteten Dialoge aus ChatBots). Diese werden nun genutzt um die Lebenssituation des Kunden besser zu verstehen und über Machine Learning geeignete Muster zu finden was die nächste Kaufentscheidung des Kunden mit höchster Wahrscheinlichkeit sein könnte. So wird dem Kundenbetreuer ein Werkzeug an die Hand gegeben, das seine Verkaufsstrategie unterstützt durch Objektivierung. Dabei ist es sehr wertvoll, wenn der Algorithmus transparent anzeigt warum bestimmte Empfehlungen erarbeitet wurden.