Best Practices für Kundensupport-Chatbots

Chatbot Anwendungsfälle

Letztes Update am 28. Juni 2020

Chatbot Anwendungsfälle icon

In diesem Blogbeitrag möchten wir euch die erste Chatbot-Analytics Studie vorstellen, welche mit realen Chatbot-Traffic-Zahlen handfeste Tipps für die Umsetzung eines Kundendienst-Chatbots gibt. Sie wurde mit der BLS und Kalaidos Fachhochschule auf Basis von Chatbot-Analytics- sowie Konversationsdaten umgesetzt.

Weshalb braucht es Kundendienst-Chatbots?

Der rasant fortschreitende digitale Wandel vernetzt Mensch und Maschine zunehmend und verändert die Art, wie wir kommunizieren. Chatbots sind als intelligente Maschinentechnologie bereits ein wichtiger Teil dieser Entwicklung. Im Kundendienst geben Chatbots Kundendienst geben Chatbots rund um die Uhr und verzögerungsfrei direkt Antworten auf Kundenanliegen Dadurch können Kunden direkt betreut und lange Beantwortungszeiten können durch Mitarbeitende eingespart werden. Der B2C-Kundensupport muss heutzutage schnelle und hochwertige Antworten liefern, um die Erwartungen der Kunden zu erfüllen. Dies kann durch einen Chat-basierten Support mit intelligenten Chatbots gelöst werden.

BLS-Chatbot hilft bei Fragen auf der Website

Aufgrund des grossen Potenzials eines automatisierten Kundendienstes, hat Paixon gemeinsam mit dem privaten Bahnunternehmen BLS ein Chatbot im Rahmen eines Proof of Concepts entwickelt. Der digitale «BLS Assistent» ist auf der Kontaktseite der BLS-Website integriert und wurde von April 2019 bis Mai 2020 live getestet. Im Anschluss wurde in Zusammenarbeit mit der BLS, das private Bahnunternehmen, der Kalaidos Fachhochschule Schweiz und Paixon eine Studie auf Basis der Chatbots-Analytics-Daten umgesetzt. Sie zeigt auf, worauf es bei der Entwicklung eines intelligenten digitalen Assistenten ankommt.

BLS-Kundendienst

Eckdaten zur Chatbot-Analytics Studie

Es gibt kaum fundierte Studien in der Schweiz, welche Chatbots anhand von Fakten, wie Konversationsdaten analysieren und evaluieren. Die Studie ist somit eine der ersten schweizweit, welche öffentlich zur Verfügung steht und ihren Fokus auf Chatbot-Analytics legt.

Methodisch wurden Chatbot-Traffic Key-Performance-Indices (z. B. User, Sessions, Anzahl Message-Turns) von 2074 Nutzern quantitativ ausgewertet, wobei davon 124 Konversationen zusätzlich qualitativ untersucht wurden. Für die Auswertung der Nutzerzahlen wurde der Zeitraum vom 1. Juni bis 31. Dezember 2019 ausgewählt.

Die Ergebnisse zeigen, dass im Schnitt 300 Nutzer pro Monat mit dem Chatbot kommunizieren, mehrheitlich über das Mobile und tagsüber zu Betriebszeiten. Dabei beantwortet er wichtige Anliegen, wie z.B. Kundenanfragen zum Autoverlad, Fahrplan und Tickets, nimmt Reservationen (Schiff) auf oder hilft weiter, wenn Gegenstände im Zug verloren gingen. Nebst der Zufriedenheitsanalyse der Nutzer, der Retention-Rate wurden User Experience und das Natural Language Processing genauer analysiert.

Chatbot-Analytics-Traffic

Was sind die Top-Erfolgspotenziale für einen Kundendienst-Bot?

Paixon hat 10 Erfolgspotenziale identifiziert, die für die Realisierung von KI-basierten Kundendienst-Assistenten relevant sind. Diese helfen Entscheidungsträgern mit:

  • Einführung eines Kundendienst-Chatbots
  • Wo, wie und wann Kundendienst-Bots genutzt werden sollten
  • Auf welchen Bereichen wie viel Aufwand gerechnet bzw. Budget investiert werden sollte

Zusätzlich gibt die Studie Auskunft zu:

  • Welche Chatbot-Analytics-KPIs sind wichtig?
  • Sind die Nutzer zufrieden und wie misst man das Benutzererlebnis?
  • Ist es sinnvoll, Feedbacks innerhalb von Bots zu erheben?
  • Wie muss ein Chatbot designed werden (Freitext vs. Buttons, etc.)?
  • Wie funktioniert das NLP-Training und worauf ist zu achten?

Alle 10 Erfolgspotenziale findest du in unserer Studie. Melde dich für die Studie bei uns: Kontakt

Teile diesen Artikel: