Worawut - stock.adobe.com
Wie Chatbots mit Echtzeit-Sentimentanalyse funktionieren
Moderne Chatbots können mittels Echtzeit-Sentimentanalyse die Stimmung von Anrufern erkennen, so in angemessenere Weise auf sie reagieren und mit ihnen in einen Dialog zu treten.
Chatbots zählen zu den heißesten Entwicklungen im Bereich der Echtzeit-Kommunikation in den letzten Jahren. Die ersten Chatbots ahmten bloß Antworten nach, die durch Regeln vorgegeben waren. Obwohl sie viele Dienste anboten, war ihre Fähigkeit, die Stimmung des Kunden zu entschlüsseln, nur suboptimal.
Kein Wunder: Es ist schwierig, aus einer kurzen Konversation wie „Bestell mir eine Pizza“ irgendwelche Emotionen herauszulesen. Diesen Chatbots fehlte ein echter Einblick in den Gemütszustand der Kundschaft – sie konnten keine sinnvolle Sentimentanalyse durchführen.
In den letzten Jahren hat sich die Sentimentanalyse jedoch weiterentwickelt und umfasst nun narratives Mapping in Echtzeit. Diese Technik ermöglicht es dem Chatbot, die wichtigsten Wörter in einem Satz zu betrachten und ihnen einen relativen Wert (positiv, neutral oder negativ) zuzuweisen, sodass der Bot den Tenor des Gesprächs verstehen kann.
Wenn ein Anrufer zum Beispiel sagt: „Ihr Artikel von letzter Woche hat mir sehr gut gefallen, und ich freue mich schon auf den nächsten“, könnte dies eine 90-prozentige positive Stimmungsbewertung erhalten. Auf Basis dieser ersten Bewertung kann der Chatbot komplexe Netze der narrativen Zuordnung nutzen, um den besten Weg zu finden, auf den Anrufer zu reagieren und mit ihm in einen Dialog zu treten.
Auch wenn diese Art von Mapping-Technologie wie eine Zukunftsvision erscheinen mag, ist sie doch schon sehr real – und sie trägt dazu bei, die Kundenkommunikation in Unternehmen zu verbessern. Hier erfahren Sie, wie das Ganze funktioniert.
Erfassen einzigartiger Kommentare
Bei der Entwicklung von Chatbots, die die Stimmung eines Gesprächs in Echtzeit analysieren können, ist es wichtig, den Anwendungsfall zu berücksichtigen. Bei Finanzdienstleistungen etwa kann ein Chatbot Antworten auf Fragen aus einer begrenzten Anzahl von vordefinierten Antwortmöglichkeiten aussuchen. Um einzigartige Fragen spontan beantworten zu können, benötigen Chatbots eine natürliche Sprachverarbeitung (NLP), die menschliche Sprache verstehen kann. Aber wie genau läuft das ab?
Um den narrativen Entscheidungsbaum zu entwerfen, den Chatbots nutzen, testen Entwickler alle Funktionen ihrer Chatbots und die User Experience (UX) schonungslos, indem sie das Chatbot-Vokabular erweitern oder seine Fähigkeit, die Absicht des Kunden zu interpretieren. Beispielsweise setzen Tools wie API.AI, IBM Watson und Microsoft Bot Framework auf Machine Learning, um den Chatbots zu einem lebensnahen Verständnis zu verhelfen. Das spielt besonders bei Anwendungsfällen im Kundenservice und Handel eine wichtige Rolle.
Diese Art von NLP-Unterstützung hat bereits einigen Unternehmen bei der Erfassung eines umfangreichen, freien Kundenfeedbacks geholfen, was herkömmliche Chatbots nicht schafften. Damit die Sentimentanalyse für diese Firmen funktioniert, kann der Bot den Entscheidungsbaum nicht allein entschlüsseln – er benötigt dabei menschliche Unterstützung. Menschen und Maschinen müssen also kooperieren, um die Stimmung mithilfe von NLP zu interpretieren und das Chatbot-Vokabular kontinuierlich zu verfeinern.
Mit dem Bot zusammenarbeiten
Lange bevor PCs, Mobiltelefone und das Internet überall verfügbar waren, funktionierte so etwas wie narratives Mapping in interaktiven Voice-Response-Systemen (IVR). Die IVR-Technologie bietet dem Anrufer einen Entscheidungsbaum mit verfügbaren Optionen. Wenn ein Kunde beispielsweise den fälligen Saldo einer Stromrechnung überprüfen oder eine Zahlung leisten möchte, handelt es sich dabei um klar definierbare Optionen, die ein IVR-System unterstützen kann. Möchte der Kunde jedoch nach einer nicht definierten Option fragen, warum etwa die Gebühren in diesem Monat plötzlich höher sind, stellt sich schnell Frust ein, weil die Technologie ihn nicht versteht.
Im Gegensatz dazu kann ein NLP- und Machine-Learning-gestützter Chatbot eine Sentimentanalyse durchführen, die die Unzufriedenheit des Kunden erkennt. Von dort aus kann der Anruf an einen Mitarbeiter aus Fleisch und Blut weitergeleitet werden, um eine direktere und persönlichere Betreuung zu ermöglichen.
Sobald der Contact-Center-Agent antwortet, kann der Chatbot weiterhelfen und Hintergrundinformationen über den Standort des Anrufers (bis hin zur Straße oder Postleitzahl), frühere Transaktionen und andere Informationen liefern. In diesem Fall arbeitet der Chatbot weiter an der Verbesserung der Customer Experience (CX), wenn auch nur im Hintergrund.
Die richtige Sprache für die Sentimentanalyse
Auch wenn Chatbots und die Sentimentanalyse mit künstlicher Intelligenz (KI) funktionieren, muss das narrative Mapping (auch Topic Mapping genannt), das die Grundlage für den Entscheidungsbaum hinter den Chatbots bildet, manuell erstellt werden. Ein Fachexperte muss die Themen nach primären Schlüsselwörtern, zusätzlichen Schlüsselwörtern und ausgeschlossenen Schlüsselwörtern ordnen. Das erfordert eine spezifische Sprache, die sowohl vom Experten als auch von der Maschine verstanden wird.
„Diese Technik ermöglicht es dem Chatbot, die wichtigsten Wörter in einem Satz zu betrachten und ihnen einen relativen Wert (positiv, neutral oder negativ) zuzuweisen, sodass der Bot den Tenor des Gesprächs verstehen kann.“
Chris Mina, Vonage
Mit seinen integrierten Funktionen im Natural Language Toolkit (NLTK) ist Python eine beliebte Sprache für das Narrative Mapping. Es verfolgt einen taxonomiebasierten Ansatz, indem es Themen und Unterthemen identifiziert und die Stimmung entsprechend zuordnet.
Da Python NLTK erstmals 2001 veröffentlicht wurde, also fünf Jahre vor dem Java-basierten Konkurrenten, hatte es einen Vorsprung. Python kommt in zahlreichen Anwendungsfällen zum Einsatz und wird von vielen Open-Source-Bibliotheken unterstützt. Diese Fähigkeiten eines Schweizer Messers machten Python NLTK zu einer guten Wahl nicht nur für einfache Chatbots, sondern auch für fortgeschrittenes maschinelles Lernen.
Was auch immer die Zukunft bringt, ob Chatbots nun allein zur Ablösung von Telefonwarteschlangen auf IVR oder zur Unterstützung von Contact-Center-Agenten im Flüstermodus eingesetzt werden: Sentimentanalysen tragen immer zur Lösung bei. Tendenz steigend, da maschinelles Lernen und KI die Chatbots im Laufe der Zeit immer besser machen.
Über den Autor:
Chris Mina ist Branchenvisionär und Experte für die Entwicklung erfolgreicher Produktstrategien. Er half einigen der größten Unternehmen der Sparte, neue Marktchancen und innovative Lösungen in den Bereichen Contact Center, Customer Engagement und Digital Transformation zu nutzen. Versiert in Sachen Softwaretechnologie, optimiert er Prozesse aus Leidenschaft. Chris Mina verbindet operative Exzellenz mit visionärer Weitsicht und strategischem Geschick, und führt seine interdisziplinären Teams zu hochwertigen, ambitionierten Ergebnissen. Bei Vonage ist er als Head of CCaaS Product tätig.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
