Talk to me – Bots in der Kundenkommunikation
Interaktiv shoppen – im Internet. Zwei Dinge, die auf den ersten Blick schwer kombinierbar sind. Die Shoppingplattform und der Benutzer/Kunde interagieren “stateless”.
Viele Websites bieten dem Kunden zumindest bereits die Möglichkeit mittels einer Hotline oder eines Livechats in die Interaktion zu treten, Fragen zu stellen und beantwortet zu bekommen. Für den Anbieter bedeutete dies bisher meist einen personal- und damit kostenintensiven Service. Daher kam er nur für hochpreisige oder sehr erklärungsbedürftige Produkte und Dienstleistungen in Frage. Bots sollen hier nun Abhilfe schaffen.
Mit der fortschreitenden Entwicklung künstlicher Intelligenzen, sogenannter AIs, bieten sich auch im Handel bessere Möglichkeiten der Automatisierung. Ein sogenannter Bot wird dabei in die Lage versetzt die Anfragen des Benutzers aufzunehmen, zu interpretieren und basierend darauf Aktionen auszulösen. Diese Aktionen können vom Aufzeigen von Produkten bis hin zu komplexeren Abläufen im Backend, wie beispielsweise der Stornierung einer Order, reichen. Alle Abläufe des Bots basieren auf erlernten Mustern. Der Bot eignet sich selbständig weiteres Wissen über Abläufe und Aktionen an.
Was unterscheidet den Bot nun von den heute gängigen Suchfeatures, Facettierungen oder einem FAQ? Bei einer regulären Suche hängt die Qualität des Ergebnisses unter anderem von der Eingabequalität des Suchtextes ab: Sind die Search Terms korrekt geschrieben? Ist ausreichend Kontext vorhanden (sucht der Benutzer zum Beispiel nach einer Warengruppe und einer Farbe oder nur nach einer Farbe)? Sind die Werte im Suchindex qualitativ genug um Ergebnisse zu liefern? Ist dies nicht der Fall, ist es Aufgabe des Benutzers herauszufinden wie er seine Suchparameter ändern oder ergänzen muss, um ein sinnvolles Ergebnis zu erhalten.
Ein Bot hingegen kann selbständig eruieren, ob die Qualität der Benutzeranfrage für ein passendes Ergebnis ausreicht. Sollte dies nicht der Fall sein, wird er versuchen über gezielte Rückfragen die Kriterien zu verfeinern oder den Benutzer auf fehlende Aspekte hinweisen. Zudem kann er auf Basis seiner erlernten Erfahrungen und geknüpften Verbindungen in den vorhandenen Daten mögliche nächste Schritte des Nutzers antizipieren und diese als Optionen direkt anbieten. Bei einer konkreten Produktsuche wird der Bot also beispielsweise weitere Suchkriterien, wie etwa eine Preisgrenze oder Artikelfarbe, auf Basis seiner Erfahrungen anbieten, um das Suchergebnis zu verbessern.
Chatbot „Emma“ hilft Kunden bei der Suche. https://chatshopper.com/
Für den Benutzer ergibt sich dadurch ein komplett neues Shoppingerlebnis. Anstelle eines Einstiegs über Landingpages und Suchfunktionen, führt der Bot ein Beratungsgespräch mit dem Kunden, zeigt ihm entsprechend der ermittelten Informationen Artikel und kann zusätzlich auf Abverkäufe, Rabattaktionen und ähnliches hinweisen. Handelt es sich um einen “unabhängigen” Bot, wie z.B. Chatshopper, beginnt die Customer Journey ohne, dass der Kunde den Webshop überhaupt betreten hat. Hierbei tritt er mittels eines Messengers, wie etwa dem facebook Messenger oder WhattsApp, mit dem Bot in Kontakt und wird von dort aus weitergeleitet.
Neben dem Messenger ergeben sich durch die zunehmende Technisierung von Wohnungen und Häusern, dem Vormarsch des Internet of Things (IoT) und Personal Devices (z.B. der Smartwatch) auch Möglichkeiten eines tatsächlich verbalen Shoppings. Devices wie Amazons Echo oder Apples Siri können als Einstieg für die Interaktion mit einem Shopping- oder Service-Bot dienen. Zumindest in Umgebungen, die eine Verständigung über die Stimme erlauben.
Neben der Sprachanalyse kann auch eine weitere Disziplin der AI-Forschung sinnvoll im E-Commerce eingesetzt werden: Image Recognition. Das automatisierte Erkennen eines Gesichts auf einem Foto ist heutzutage keine Besonderheit mehr. Entsprechend können Bots auch verwendet werden, um bestimmte oder ähnliche Artikel zu finden. Interagiert der Benutzer zum Beispiel per Smartphone mit dem Bot, kann er mittels Kamera ein Foto als Grundlage für eine Artikelsuche zur Verfügung stellen. Weiter gedacht kann das Konzept des automatisierten Conversational Commerce auch im klassischen Einzelhandel helfen. Gerade zu Stoßzeiten sind Verkäufer oft überlastet und stehen somit nicht für alle hilfesuchenden Kunden zur Verfügung. Spezielle Infoterminals können auch Smartphone-/E-Commerce-affinen Kunden helfen passende Artikel im Shop zu finden. Dadurch kann vermieden werden, dass der Kunde selbst im Internet recherchiert und an die Konkurrenz verloren geht.
Im stationären Handel, wie hier bei SportScheck, können spezielle Terminals die exakten Schuhgrößen ermitteln und Schuhe vorschlagen. Quelle: http://www.rp-online.de/nrw/staedte/krefeld/fischelner-roentgen-schuhe-fuer-den-handel-aid-1.4934231
Das alles klingt nach hohen Potentialen und einer rosigen Zukunft, beinhaltet aber auch Hürden, die es zu nehmen gilt: allen voran die Qualität und Verfügbarkeit der Stammdaten. Losgelöst von der Entwicklung und Evolution der künstlichen Intelligenzen werden ganz neue Anforderungen an Produktstammdaten und deren Management-Systeme gestellt. Während heute die Daten für die Aufbereitung in einem Suchindex und einer Facettierung ausreichend sein müssen, benötigt der Bot für eine erfolgreiche Arbeit weitergehende Informationen. Da er seine Datengrundlagen aus einer Konversation extrahiert, ist eine Normierung im seltensten Fall gegeben, während bei der klassischen Facettensuche der Benutzer aus einer Reihe vorgegebener, standardisierter Optionen wählen kann.
Für den Bot bedeutet dies, dass die Stammdaten neben den eigentlichen Werten z.B. auch ein Netzwerk aus Synonymen und ähnlichen Begriffen bereitstellen müssen. Darüber hinaus benötigt der Bot für die Aussprache von Empfehlungen ein umfangreiches Beziehungswissen. Dieses kann er einerseits analog zu heutigen Recommendation Engines bilden, andererseits können diese aber auch durch Produktmanager und Stammdatenspezialisten kuratiert werden.
Auch müssen die Beschreibungen von Artikeln in einem sehr granularen Datenmodell abgelegt werden. Stellen wir uns vor, ein Nutzer fragt den Bot “Kannst du mir ein blaues T-Shirt mit weißen Sternen in M zeigen?”. Damit der Bot einen Match finden kann, müssen alle relevanten Suchkriterien in Textform vorliegen, d.h. die Artikeldaten müssen granular genug gepflegt sein, um dem Bot eine Unterscheidung zwischen einem weißen T-Shirt mit blauen Sternen und dem gesuchten T-Shirt zu ermöglichen. Eine umfassende Realtime-Volltextsuche oder gar ein Realtime-Image-Recognition-Prozess kommen aus Gründen der Performance nicht in Frage – kein Benutzer würde lange genug auf eine Antwort des Systems warten.
Der Virtual Mirror von Cisco dient als virtuelle Anprobe und gibt Produktempfehlungen. Quelle: https://www.flickr.com/photos/ciscoibsg/sets/72157628857412483/
Es ist also zwingend notwendig, die Daten bereits vorab bereitzustellen. Dies stellt höhere Anforderungen an das genutzte PIM- bzw. MDM-System. Beziehungen müssen auf sehr granularen Ebenen möglich sein, um z.B. Synonyme zu verknüpfen. Im internationalen Umfeld muss ein effizientes Lokalisierungsmanagement vorhanden sein, um Texte qualitativ hochwertig übersetzen zu können.
Darüber hinaus muss die Oberfläche dem PIM-Benutzer umfangreiche Möglichkeiten zur effizienten Pflege bieten. Gerade der Bereich der granularen Attributierung bietet ein hohes Potenzial für Kooperationen zwischen den Beteiligten. Häufig werden die Arbeitsschritte redundant an mehreren Stellen erledigt:
- der Hersteller pflegt Attribute für seinen Direktvertrieb und seine (elektronischen) B2B-Kataloge
- der Großhändler pflegt Attribute für seine Kataloge
- der Einzelhändler pflegt Attribute für seine Flyer und seinen Onlineshop
- der Marktplatz überarbeitet und ergänzt Attribute
Die Inhalte sind oft identisch oder minimal abgewandelt. Leider verhindert das Fehlen von Branchenstandards in der Beschreibung von Artikeln oft eine sinnvolle Weiterverwendung und Verteilung von Daten oder erfordert zumindest umfangreiche Konvertierungen oder Überarbeitungen.
Um in Zukunft die Grundlagen für den Conversational Commerce und die neuen Möglichkeiten der Customer Journey bereithalten zu können, müssen also ein leistungsfähiges PIM-/MDM-System als Quelle für die Bots sowie schlanke und effiziente Prozesse für die Erstellung der benötigten Daten geschaffen werden. Fragen Sie sich nun, ob der Aufwand lohnt? Nach einer aktuellen Erhebung des Branchenverbandes Bitkom würde jeder vierte Deutsche Chatbots nutzen. Auch Oracle bestätigt: Laut ihrer Studie möchten 44% der befragten Unternehmen bis 2020 Chatbots im Kundenkontakt einsetzen. Eins ist also sicher: Bereits in wenigen Jahren wird der Einsatz von Bots von Kunden als selbstverständlich erachtet werden und bei Nichtvorhandensein oder schlechter Funktionsweise zu Unzufriedenheit führen.
Stellen Sie rechtzeitig sicher, dass ihr Stammdatenmanagement und Ihre Produktdatenprozesse auf diese Entwicklungen vorbereitet sind. parsionate unterstützt Sie durch umfangreiche Expertise und Erfahrung in MDM-Projekten. Einen guten Einstieg bildet z. B. der Healthcheck. Dabei werden Ihr PIM/MDM-System sowie Ihre Prozesse nach einer strukturierten Vorgehensweise tiefgehend analysiert, bewertet und Optimierungsmöglichkeiten aufgezeigt. Wir informieren Sie gerne.