Verwendung von Technologie zur Verbesserung persönlicher Verbindungen
T-Mobile ist stolz auf seine revolutionären Neuerungen in der Welt der drahtlosen Kommunikation und darauf, stets kreativ über die Beziehung nachzudenken, die es mit seinen Kunden haben möchte. Dazu gehört auch der Ansatz des Unternehmens, KI für den Kundenservice zu verwenden.
Die Vorhersagemöglichkeiten von Machine Learning zur Verbesserung des Kundenservice zu nutzen, ist ein hervorragendes Beispiel dafür, wie KI menschliche Fähigkeiten verbessert. T-Mobile sieht es als eine Gelegenheit, Kunden besser und schneller zu bedienen, was nicht nur dem Unternehmen und seinen Servicevertretern zugute kommt, sondern auch das Kundenerlebnis bereichert und stärkere Verbindungen von Mensch zu Mensch schafft.
„In den meisten Branchen wurde versucht, mithilfe von KI und Machine Learning komplexere Interactive Voice Response (IVR)-Systeme und Chatbots zu entwickeln, um die Interaktion zwischen einem Kundendienstmitarbeiter und dem Kunden so lange wie möglich zu vermeiden“, sagt Cody Sanford, Executive Vice President und Chief Information Officer bei T-Mobile. Bei T-Mobile haben sie dieses Paradigma jedoch umgedreht. T-Mobile-Kunden stellen sofort eine Verbindung zu einem Kundenberater her, der sie kennt, anstatt mit einem IVR oder Chatbot zu sprechen. Mit Hilfe von KI können diese Kundendienstmitarbeiter schnell auf die Informationen zugreifen, die den Kundenbedürfnissen am ehesten entsprechen.
Durch das Bereitstellen von Kontextinformationen für Agenten in Echtzeit kann sichergestellt werden, dass die Probleme jedes Kunden schnell und genau gelöst werden. Zu diesem Zweck hat T-Mobile Machine-Learning-Modelle für das Verstehen von natürlicher Sprache entwickelt, die Bedeutungen aus großen Mengen an Textdaten extrahieren können. Zu den Daten des Unternehmens gehören hunderttausende täglich eingehender Kundenanfragen sowie Wissensspeicher, in denen mögliche Antworten auf Kundenanfragen gefunden werden können. Die Machine-Learning-Modelle sagen dann voraus, welche Informationen die Bedürfnisse eines bestimmten Kunden erfüllen, z. B. ihm helfen, die Rechnung zu bezahlen oder eine neue Telefonleitung hinzuzufügen. Der relevante Inhalt wird dann dem Kundendienstmitarbeiter angezeigt, der Teil der engmaschigen Expertengruppe (TEX) ist, die den Kunden kennt, weil sie regelmäßig mit ihm zusammenarbeitet.
„Die Kunden von T-Mobile mögen es, wenn sie einen persönlichen, menschlichen Kontakt zu uns haben“, erklärt Sanford. „Durch Machine Learning können wir die Beziehung unserer Kunden zu uns neu gestalten.“
Cody Sanford
EVP und CIO
T-Mobile
„Die Kunden von T-Mobile mögen es, wenn sie eine persönliche, menschliche Verbindung zu uns haben. „Durch Machine Learning können wir die Beziehung unserer Kunden zu uns neu gestalten.“
Cody Sanford
EVP und CIO
T-Mobile
Bevor dieser Prozess jedoch beginnen kann, müssen den Daten Labels hinzugefügt werden, um die prädiktiven Machine-Learning-Modelle zu trainieren. Zuvor hatte T-Mobile Teams von Datenwissenschaftlern, die an der manuellen Kennzeichnung arbeiteten. Es war eine wichtige Aufgabe, aber auch langwierig und zeitraubend. Die Datenwissenschaftler durchforsteten die Kundennachrichten nach Schlüsselwörtern und -phrasen und ordneten sie den Transaktionstypen zu.
Um die Datenkennzeichnung mit KI zu vereinfachen, nutzte T-Mobile Amazon SageMaker Ground Truth. Ground Truth beschleunigt und skaliert die Kennzeichnung von Trainingsdaten, was für Machine-Learning-Modelle unerlässlich ist, um Vorhersagen mit hoher Genauigkeit zu treffen. Anstatt dies manuell zu tun, lernt Ground Truth in Echtzeit aus diesen Annotationen und kann automatisch Labels zu einem großen Teil des verbleibenden Datensatzes hinzufügen.
Mit Ground Truth wurde dieser Prozess nicht nur rationalisiert, sondern hat den Datenwissenschaftlern von T-Mobile auch mehr Zeit verschafft, um sich auf spezialisiertere Aufgaben wie die Erstellung von Modellen, Analyse, Validierung und Bereitstellung zu konzentrieren.
„Unsere Datenwissenschaftler verbrachten enorm viel Zeit damit, Tausende und Abertausende von Nachrichten zu kennzeichnen“, sagt Sanford. „Mit Ground Truth wurde dieser Prozess sehr effizient und jetzt müssen wir unsere qualifizierten Datenwissenschaftler nicht mehr dafür einsetzen, Daten manuell zu kennzeichnen.“
Ground Truth erstellt zum Beispiel genaue Trainingsdaten, indem Phrasen und Schlüsselwörter in Millionen von Kundentextnachrichten gescannt werden. Damit kann T-Mobile bessere prädiktive Empfehlungen darüber erstellen, warum ein Kunde den Kontakt sucht, sodass bei der ersten Kontaktaufnahme sofort die richtige Antwort geliefert werden kann. Das Modell ist so konzipiert, dass es selbstlernend ist, sodass es mit der Zeit immer genauer wird.
„Die Kunden von T-Mobile mögen es, wenn sie einen persönlichen, menschlichen Kontakt zu uns haben“, erklärt Sanford. „Durch Machine Learning können wir die Beziehung unserer Kunden zu uns neu gestalten.“