In diesem Webinar gibt virtualQ‘s Head of Engineering und Machine Learning Experte Ralph Winzinger Einblicke in die Funktion und Wirkungsweise von intelligenten Rückrufen im Kundenservice. Wie entsteht die Intelligenz? Und wie können Unternehmen diese sinnvoll für sich einsetzen? Erfahren Sie mehr im Video.
Sie sehen gerade einen Platzhalterinhalt von Vimeo. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenMit seiner langjährigen Erfahrung im Machine Learning bei Großunternehmen wie z.B. Amazon, ist Ralph Winzinger ein wahrer Experte in Themen rund um die KI. Wer wäre also besser geeignet, die Magie von virtualQ‘s Algorithmen zu beleuchten?
ARIMA, LSTM, RCF und Co.
Die Entwicklung der Algorithmen erfolgt durch diverse sogenannte naive Modelle, statistischen Modellen, Deep-Learning Modellen, eigenen entwickelten Modellen sowie einer Kombination aller genannten. Das eigentliche Geheimnis sind jedoch nicht die verwendeten Modelle, sondern deren Training.
Selbstlernende Intelligenz, nicht erst seit ChatGPT
Mit mehr als 257 Millionen Datensätzen werden die verschiedenen Algorithmen trainiert und verprobt, und das seit fast einer Dekade. Diese Erfahrung zahlt sich aus, denn die Algorithmen sind dadurch optimiert für verschiedene Branchen und Szenarien. Dabei ist der grundlegende Ansatz sogar recht simpel: Die Algorithmen ahmen menschliches Verhalten nach. Dadurch werden belastbare Vorhersagen möglich.
Auf Kundenziele optimiert
Um Algorithmen flexibel nach den eigenen Zielen steuern zu können, haben virtualQ-Kunden zudem den praktischen Autopiloten zur Hand. Dieser lässt sich innerhalb von einem Klick anpassen, was der KI im Hintergrund die Richtung zu höchster Effizienz oder zu größtmöglicher Kundenzufriedenheit vorgibt. Entsprechend werden in der Berechnung der Rückrufzeitpunkte die virtuellen Wartezeiten angepasst, was die Auslastung im Contact Center optimiert.
Was passiert, wenn die Vorhersagen nicht mit der Realität übereinstimmen?
Sollten Vorhersagen nicht zutreffen können, weil ein Ereignis eintritt, dass so noch nie stattgefunden hat, kann immer eingegriffen werden. Je nach gewähltem Optimizer und Konfiguration macht das unser System sowieso vollautomatisch. Unsere Dynamic and Predictive Optimizer prüfen in regelmäßigen Abständen – konfigurierbar, für gewöhnlich mehrmals pro Stunde – ob unsere gewählte Vorhersage noch gut genug ist. Ist das nicht der Fall, so wird basierend auf den aktuellen Daten eine neue Vorhersage errechnet, neue Callbacks entsprechend platziert und gegebenenfalls sogar bestehende Rückrufe umgeplant. Darüberhinaus kann natürlich immer manuell eingegriffen werden.
Sind „Datenpunkte‘‘ dasselbe wie „Datensätze‘‘?
Nun ja, im Machine Learning spricht man oft von „data points“ (Datenpunkten), auch wenn es sich tatsächlich um Datensätze handelt. In unserem Fall handelt es sich ebenfalls um mehr als 275 Millionen Datensätze, die jeweils mehrere Einzelwerte enthalten und nicht nur um einfache Datenpunkte.
Wie oft werden die Modelle für einen Kunden neu trainiert?
Das hängt natürlich davon ab, mit welchem Optimizer gearbeitet wird und ob es überhaupt Bedarf gibt. Teilweise aktualisieren sich Optimizer mehrmals täglich. Manche errechnen neue Vorhersagen, sobald von unserem Kunden neue Daten aus dem Workforce Planning eingespielt werden. Zudem gibt es regelmäßige Reviews, die wir intern, aber auch mit unseren Kunden zusammen durchführen, die dazu führen können, dass wir die Modelle neu trainieren.
Was wird zum Start benötigt?
Zwei Telefonnummern.
Tatsächlich können wir unser System sofort loslaufen lassen, sobald bei unseren Kunden ein Absprung in unser System konfiguriert wurde (erste Telefonnummer) und wir eine Priority Nummer (zweite Telefonnummer) für unsere Rückrufe erhalten haben. Aufgrund unserer Daten, die wir bereits im Hintergrund haben, kann unser System mit Standardeinstellungen schon loslaufen und anfangen, anhand der gesammelten Daten zu lernen und besser zu werden. Für gewöhnlich können uns aber unsere Kunden mehrere Wochen und vielleicht einige Monate an historischen Daten überlassen, so dass wir kundenspezifische Einstellungen und Trainings vornehmen können. Unser Data Science Team analysiert in diesem Fall die Daten und extrahiert schon erste Kennzahlen und Muster, um die Initialkonfiguration zur erstellen.
