Gewinne:
- Fähigkeit, die Struktur von CRM-Daten (Customer Relationship Management) und die Rolle künstlicher Intelligenz bei der Segmentierung und Abwanderungsanalyse zu erklären.
- Fähigkeit, mithilfe künstlicher Intelligenz Erkenntnisse, Zusammenfassungen und Antwortentwürfe aus Kundentexten zu erstellen und dabei die Vertraulichkeitsgrenzen einzuhalten
- Fähigkeit, den Einsatz von KI im CRM verantwortungsvoll einzuschränken, indem die Risiken personenbezogener Daten, Voreingenommenheit und automatisierter Entscheidungen erkannt werden
Customer Relationship Management (CRM) ist ein System und Ansatz, der alle Interaktionen eines Unternehmens mit seinen Kunden (Vertrieb, Support, Marketing, Kommunikationshistorie) an einem Ort sammelt. Beispiele hierfür sind Salesforce, Microsoft Dynamics, HubSpot und native Lösungen. Das Herzstück von CRM ist die Bereitstellung einer „360-Grad-Sicht“ auf jeden Kunden: Wer hat was gekauft, wann hat er ihn kontaktiert, welche Beschwerde hat er? Diese Daten steuern sowohl den Vertrieb als auch den Service. Allerdings handelt es sich auch bei diesen Daten größtenteils um personenbezogene Daten, die den Einsatz künstlicher Intelligenz direkt mit Datenschutz- und KVKK-Grenzen verbinden.
MIS-Spezialist nutzt künstliche Intelligenz im CRM auf zwei Achsen. Die erste ist die Analyse: Analysen wie Segmentierung, Abwanderungsvorhersage, Customer Lifetime Value. Die zweite ist die Textverarbeitung: Supportanfragen zusammenfassen, klassifizieren, Antwortentwürfe erstellen. In beiden Fällen gilt die gleiche Grundregel: Der Datenschutz wird bewertet, bevor personenbezogene Daten an ein KI-Tool weitergegeben werden. Automatisierte Entscheidungen, die sich direkt auf den Kunden auswirken, erfordern eine menschliche Aufsicht und ein Widerspruchsrecht.
Segmentierung und Abwanderungsanalyse
Unter Segmentierung versteht man den Prozess der Gruppierung von Kunden anhand gemeinsamer Merkmale: Viel ausgebende Kunden, Neukunden, ruhende Kunden. Eine gute Segmentierung stellt sicher, dass die richtige Botschaft an die richtige Gruppe übermittelt wird. Die Abwanderungsanalyse versucht vorherzusagen, bei welchen Kunden das Risiko einer Abwanderung besteht (Käufe abbrechen, Abonnement kündigen). Churn-Erkenntnisse wirken sich direkt auf den Umsatz aus, da die Bindung eines Kunden oft viel günstiger ist als die Gewinnung eines neuen Kunden.
KI kann Entwürfe und Interpretationen dieser Analysen erstellen; Es müssen jedoch zwei Fallen berücksichtigt werden. Der erste Grund ist die Verzerrung: Das Modell betrachtet historische Daten; Wenn einer bestimmten Gruppe in der Vergangenheit wenig Aufmerksamkeit geschenkt wurde, lernt das Modell möglicherweise, dass diese Gruppe „unwürdig“ ist und unfaire Diskriminierung verstärkt wird. Die zweite ist eine automatische Entscheidung: Eine Entscheidung wie „Dieser Kunde geht verloren, lasst uns die Kommunikation stoppen“ allein dem Modell zu überlassen, ist sowohl ethisch als auch rechtlich problematisch. Die Entscheidung liegt bei der Person, der Vorschlag beim Modell.
Tipp: Bevor Sie die Ergebnisse des Abwanderungs- oder Segmentierungsmodells verwenden, fragen Sie: „Für welche Gruppe ist diese Unterscheidung möglicherweise unfair?“ Stellen Sie die Frage. Sie können künstliche Intelligenz sogar dazu bringen, diese Frage zu stellen. aber die endgültige Beurteilung der Gerechtigkeit obliegt dem Menschen.
Erkenntnisse aus Kundentexten: Datenschutz
Die umfangreichsten, aber sensibelsten Daten von CRM sind Freitext: Supportanfragen, Anrufnotizen, E-Mails. KI ist sehr leistungsfähig, wenn es darum geht, sie zusammenzufassen, zu kategorisieren und Antwortentwürfe zu erstellen. Allerdings können diese Texte Namen, Telefonnummern, Adressen oder sogar Gesundheits- oder Finanzinformationen enthalten. Aus diesem Grund wird eine Anonymisierung (Entfernen oder Maskieren von Feldern, die eine Person identifizieren) angewendet, bevor der Text einem KI-Tool zugeführt wird. Durch die Verwendung von „Kunde A“ anstelle von „Ahmet Yilmaz, Kundennummer 0532…“ bleibt die Vertraulichkeit gewahrt, ohne dass der Einblick verloren geht.
Auch das Verfassen einer Antwort erfordert Sorgfalt: Die von der KI generierte Antwort ist fließend, kann aber ein falsches Versprechen enthalten („Ihr Geld wird in 24 Stunden zurückerstattet“). Jede Antwort an den Kunden muss vor dem Absenden vom Bevollmächtigten geprüft werden. KI schreibt Entwürfe, Menschen senden.
Drei Mini-Hüllen: In Zahlen
Fall 1 – Privatsphäre durch Anonymisierung geschützt. In einer Bank würden 20.000 Supportanfragen in Kategorien eingeteilt. Die Texte wurden zunächst von Namen, ID-Nummern und Kontonummern befreit, in das „Kunde-X“-Format formatiert und dann an AI übergeben. Die Klassifizierungsgenauigkeit betrug 91 % und es gingen keine personenbezogenen Daten in das Tool ein. Wenn der Rohtext angegeben würde, bestünde das Risiko sowohl einer KVKK-Verletzung als auch einer Leckage.
Fall 2 – Verstärkung von Vorurteilen. Bei einem Telekommunikationsunternehmen wurden durch das Abwanderungsmodell Kunden in einer Region, in der in der Vergangenheit kaum Kampagnen durchgeführt wurden, systematisch als „geringwertig“ gekennzeichnet und es wurden keine Angebote in diese Region gesendet. Der Verlust nahm zu. Das Problem lag nicht im Modell, sondern in den verzerrten Daten der Vergangenheit und deren Anwendung, ohne sie zu hinterfragen. Nach Überprüfung wurde die Entscheidung unter menschliche Aufsicht gestellt und die Zoneneinteilung korrigiert.
Fall 3 – Falsches Engagement der KI-Reaktion. In einem E-Commerce-Unternehmen erzeugte KI auf eine Kundenbeschwerde die Antwort „Ihr Produkt wird auf jeden Fall morgen geliefert“. Die Lieferzeit betrug jedoch 3-5 Tage. Der Vertreter korrigierte den Entwurf und übermittelte ihn. Wäre der Entwurf ungeprüft geblieben, hätte die falsche Verpflichtung sowohl zur Unzufriedenheit der Kunden als auch zu Reputationsrisiken geführt. Der KI-Entwurf geht nie direkt an den Kunden.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Fassen Sie diese Kundenbeschwerden zusammen und schreiben Sie eine Antwort.[Rohtexte: einschließlich Name, Telefonnummer]
Dadurch werden personenbezogene Daten unverändert an das Tool weitergegeben und es besteht die Gefahr einer falschen Angabe.
Kraftvolle Aufforderung:
Ihre Rolle: Sie sind ein Kundenerfahrungsanalyst. Verarbeiten Sie die folgenden ANONYMEN Supportanfragen: – Sortieren Sie jede Anfrage in eine Kategorie (Rückgabe, Technik, Abrechnung, Sonstiges). – Extrahieren Sie häufige Themen und die drei häufigsten Probleme. – Wenn Sie um einen Antwortentwurf gebeten werden: Markieren Sie jeden Satz mit der Verpflichtung (Datum, Betrag, Rückgabe). Machen Sie keine festen Versprechungen. - Wenn Sie im Text personenbezogene Daten sehen, warnen Sie, handeln Sie nicht. Anfragen (anonym): [Kunde A: ..., Kunde B: ...]
Die leistungsstarke Eingabeaufforderung erzwingt die Arbeit mit anonymen Daten, markiert Verpflichtungen und warnt vor dem Verlust personenbezogener Daten.
Vier kopierbare Vorlagen
1) Nachfrageklassifizierung:
Sortieren Sie die folgenden anonymen Supportanfragen in diese Kategorien: [Liste]. Geben Sie für jede Anfrage die Kategorie und einen Satz Begründung an. Im Zweifelsfall schreiben Sie [UNCERTAIN]. Anfragen: [Text]
2) Themen-/Erkenntnisextraktion:
Extrahieren Sie aus dem anonymen Kundenfeedback unten die fünf wichtigsten Themen, deren ungefähre Häufigkeit und ein Beispielangebot. Hinzufügen von Kommentaren, die nicht auf Daten basieren. Rückmeldungen: [Text]
3) Antwortentwurf (zur Bestätigung offen):
ENTWURF einer höflichen Antwort auf die unten stehende anonyme Beschwerde. Beschriften Sie jeden Satz mit [BESTÄTIGUNG], der ein Datum, einen Betrag oder ein Rückgabeversprechen enthält. Endgültige Dauer; Verwenden Sie eine sichere Sprache wie „Wir werden Sie so schnell wie möglich informieren.“ Beschwerde: [Text]
4) Segmentgerechtigkeitskontrolle:
Untersuchen Sie folgende Segmentierungskriterien: Welche Kundengruppe könnte systematisch benachteiligt werden? Listen Sie mögliche Quellen der Voreingenommenheit und Kontrollvorschläge auf. Kriterien: [Text]
Vergleichstabelle: Einsatz von KI im CRM
Suche
Die Rolle der KI
Aus Gründen der Vertraulichkeit
endgültige Entscheidung
Bedarfsklassifizierung
Auto-Label
Anonymisieren
Rezensionsexemplar
Themenextraktion
Einsichtsskizze
Anonymisieren
Kommentare von Analysten
Abwanderungsvorhersage
Bewertung/Vorschlag
legitimes Ziel
Der Mensch entscheidet
Antwortentwurf
Textentwurf
Mit Ausnahme personenbezogener Daten
Schickt einen Vertreter
Segmententscheidung
Vorschlag
Justizkontrolle
Geschäftseinheit + Aufsicht
Häufige Fehler
- Übermittlung personenbezogener Daten an das Fahrzeug in Rohform. Die direkte Verarbeitung des Textes, der Name, Telefonnummer und TR-ID enthält, stellt einen KVKK-Verstoß dar und es besteht die Gefahr von Datenlecks.
- Senden der KI-Antwort direkt an den Kunden. Falsche Zusagen und Tonfehler führen zu Reputationsrisiken. Die Bestätigung des Vertreters ist zwingend erforderlich.
- Überlassen Sie die Entscheidung über Abwanderung/Segmentierung dem Modell. Automatische Entscheidungen verstärken Voreingenommenheit; Der Vorschlag liegt beim Modell, die Entscheidung liegt beim Menschen.
- Vergangene Daten ohne Frage akzeptieren. Das Muster früherer Diskriminierung wird als „richtig“ gelehrt; Gerechtigkeitskontrolle ist notwendig.
- Interpretation der Metrik ohne Kontext. Bevor Sie sagen „Die Zufriedenheit ist gesunken“, sollten Sie fragen, in welchem Segment, in welchem Zeitraum und warum.
Achtung: Kundendaten gehören eines Tages zur Privatsphäre einer realen Person. Nur weil eine Ausgabe „nützlich“ ist, rechtfertigt dies nicht, dass die Daten dieser Person ungeschützt verarbeitet werden. Anonymisierung und Zweckbindung sind Voraussetzungen, keine Formalitäten, die aus Gründen der Schnelligkeit übersprungen werden sollten.
Zusammenfassend
CRM ist ein System, das Kundeninteraktionen an einem Ort sammelt und eine große Menge personenbezogener Daten enthält. KI generiert einen starken Mehrwert bei der Segmentierung, Abwanderungsanalyse und Textverarbeitung; Der Schutz personenbezogener Daten steht jedoch an erster Stelle: Anonymisierung, Zweckbindung und KVKK-Konformität sind unerlässlich. Abwanderungs- und Segmentierungsentscheidungen bergen das Risiko einer Voreingenommenheit; Der Vorschlag gehört dem Modell, die Entscheidung gehört der Person. KI-Antworten an den Kunden werden nicht ohne Bestätigung durch den Agenten gesendet. KI beschleunigt Erkenntnisse, bringt Verantwortung und Gerechtigkeit für den Menschen.
Anwendungsaufgabe
Richten Sie ein Abwanderungsanalyseszenario für einen Abonnementdienst ein. (1) Passen Sie 5 anonyme Kundenprofile an (Ausgaben, letzte Interaktion, Anzahl der Beschwerden). (2) Lassen Sie eine Segmentierung und Risikointerpretation mit einer aussagekräftigen Eingabeaufforderung erstellen. (3) Fragen Sie mit einer Fairnessprüfung ab, welche Gruppe gegenüber mindestens einem der vom Modell erzeugten Segmente unfair sein könnte. (4) Lassen Sie die KI eine Antwort auf eine anonyme Beschwerde verfassen und markieren Sie die Sätze, die Zusagen enthalten. (5) Schreiben Sie, dass Sie anonymisierte Daten anstelle von Rohdaten verwendet haben und welche Felder Sie maskiert haben.
Checkliste
- [ ] Ich habe personenbezogene Daten anonymisiert, bevor ich sie an das Tool weitergebe.
- [ ] Ich habe die Zweckbindung und KVKK-Konformität bewertet.
- [ ] Ich habe die Voreingenommenheit und Fairness bei der Abwanderungs-/Segmententscheidung in Frage gestellt.
- [ ] Ich habe die Entscheidung den Leuten überlassen; Das Modell erzeugte nur Vorschläge.
- [ ] Ich habe keine AI-Antwortentwürfe ohne Agentenbestätigung gesendet.
- [ ] Ich habe auch die Sätze markiert, die Zusagen enthalten.