Forscher der National Taiwan University und der University of Maryland haben eine neue Studie veröffentlicht Zeitschrift für Marketing Artikel, der untersucht, wie Vermarkter GenAI nutzen können, um eine einfühlsame Kundenbetreuung zu bieten.
Der Studie trägt den Titel „The Caring Machine: Feeling AI for Customer Care“ und wurde von Ming-Hui Huang und Roland T. Rust verfasst.
Im letzten Jahrzehnt gab es eine Debatte darüber, ob künstliche Intelligenz (KI) mit den Emotionen der Kunden umgehen und Menschen ersetzen kann, wenn es um den Aufbau langfristiger Beziehungen geht. Diese neue Studie untersucht, wie Unternehmen generative KI (GenAI) nutzen können, um eine einfühlsame Kundenbetreuung zu bieten, die Beziehungen stärken und den Customer Lifetime Value steigern kann.
In der Marketingpraxis wird der Kundenbetreuung zunehmend Aufmerksamkeit geschenkt. Bei der Kundenbetreuung geht es nicht nur darum, Kunden bei Kaufentscheidungen zu unterstützen oder Produktprobleme zu lösen, sondern auch darum, langfristige Beziehungen aufzubauen und zu stärken. Beim Beziehungsaufbau geht es darum, emotionale Bindungen zu den Kunden zu festigen, um ihnen ein Gefühl der Zugehörigkeit und des Verständnisses zu vermitteln. Rust erklärt: „Kundenbetreuung ist nicht nur ein altruistisches Ziel. Wenn sie gut gemacht wird, steigert sie auch den Unternehmensgewinn, weil emotional verbundene Kunden loyal sind und stetige Gewinne bringen.“
Fortschritte im Deep Learning
GenAI bezieht sich auf fortschrittliche Deep-Learning-Modelle – wie die GPT-Modelle von OpenAI, Bing von Microsoft, Bard von Google und watsonx von IBM – die darauf ausgelegt sind, neue Inhalte zu generieren. Diese Modelle nutzen die umfangreichen Daten, auf denen sie trainiert wurden, kombiniert mit spezifischen Benutzereingaben, um Ergebnisse zu generieren. Durch das Lernen vor dem Training aus der riesigen Menge an von Menschen generierten Daten ist GenAI in der Lage, menschenähnliche Antworten zu generieren, und das Prompt-Response-Design ermöglicht die interaktiven und kommunikativen Fähigkeiten von GenAI.
Zusammen machen sie GenAI zur neuen Generation der „Gefühls-KI“, weil sie: (1) für die menschliche Interaktion und Kommunikation konzipiert sind, (2) durch die Analyse der direkten Eingaben des Benutzers empathisches Verständnis für Benutzeremotionen erkennen und ausdrücken können, (3) können Generieren Sie Antworten, die Empathie, Verständnis oder Unterstützung basierend auf dem Kontext des Gesprächs zeigen, und (4) stellen Sie Informationen, Vorschläge oder Empfehlungen bereit, die dabei helfen können, die emotionalen Herausforderungen des Benutzers zu bewältigen.
In dieser Studie entwickeln die Forscher eine KI-gestützte Kundenbetreuungsreise, die Folgendes umfasst:
Huang sagt: „Im Vergleich zur traditionellen Customer Journey konzentriert sich diese Sequenz auf den Gefühlsaspekt wie Kundenengagement, Erfahrung und Emotion und nicht auf den typischeren Denkaspekt wie Produkteigenschaften oder Preis.“
Die Forscher befragten 305 US-amerikanische Marketing- und Kundenverantwortliche aus verschiedenen Branchen und Unternehmensgrößen. In drei offenen Fragen wurden sie gebeten, die größten Probleme ihres Unternehmens bei der Kundenbetreuung, die größten Schwachstellen beim Einsatz von KI für die Kundenbetreuung und die wichtigsten Vorteile der Nutzung von KI für die Kundenbetreuung aufzulisten.
Lektionen für Chief Marketing Officers
Ob es möglich oder wünschenswert ist, die Kundenbetreuung vollständig zu automatisieren, ist eine anhaltende Debatte. Vor diesem Hintergrund bietet die Studie Punkte, die Marketingfachleute auf dem Weg zur Kundenbetreuung berücksichtigen sollten:
Für die Emotionserkennung müssen Unternehmen die Probleme und Emotionen der Kunden genau identifizieren, um Missverständnisse zu vermeiden. Fehlkommunikation steigert die Emotionen der Kunden; Daher ist das genaue Erkennen der Kundenemotionen von entscheidender Bedeutung für die Entscheidung, ob und wie man sich darum kümmert. GenAI kann ausgedrückte Emotionen genau erkennen, wenn klare und ehrliche Kundeneingaben erfolgen. Allerdings kann die Genauigkeit beeinträchtigt werden, wenn die Eingabe unehrlich oder ungenau ist und wenn GenAI relevantes Wissen für die Vorhersage fehlt. Daher müssen Marketingfachleute die GenAI-Ergebnisse gegenprüfen.
Für das Verständnis von Emotionen benötigen Unternehmen Empathie: die Fähigkeit, die Emotionen des Kunden so zu verstehen, als ob er selbst der Kunde wäre, und angemessen auf die Emotionen zu reagieren. GenAI kann die Perspektive der Kunden einnehmen, indem es aus ihren direkten Eingaben lernt. Allerdings sind die Antworten, die sie generieren, aufgrund mangelnder Kenntnisse des gesunden Menschenverstandes möglicherweise weniger angemessen. Für Marketingfachleute ist es wichtig, Aufforderungskompetenzen zu beherrschen, um das Denken und tiefere Fühlen des Kunden zu erforschen.
Für das Emotionsmanagement müssen Unternehmen hilfreiche Empfehlungen bereitstellen, um Kunden beim Umgang mit Emotionen zu unterstützen. Generell sollten die Empfehlungen spezifisch auf die Situation des Kunden zugeschnitten sein und sich auf die vom Unternehmen erbrachte Leistung beziehen. GenAI kann allgemeine Empfehlungen geben, die Empfehlungen sind jedoch tendenziell weniger persönlich hilfreich. Daher müssen Marketingfachleute die Fähigkeiten des Response-Engineerings beherrschen, um Kundenpräferenzen in Emotionsmanagement-Empfehlungen zu beobachten.
Für eine emotionale Verbindung müssen Unternehmen eine fürsorgliche Maschine entwickeln, die über ausreichende Selbstwahrnehmung verfügt (dh sich ihres eigenen Wesens bewusst ist und daher eine eigene Perspektive haben kann), um sich vom Kunden und dem Unternehmen abzuheben. Daher müssen Marketingfachleute GenAI mit den strategischen Zielen des Unternehmens und den Absichten des Kunden in Einklang bringen, um die Pflegemaschine strategisch zu gestalten, und Marketingforscher müssen Marketingstrategien entwickeln, die GenAI strategisch nutzen können.
Mehr Informationen:
Ming-Hui Huang et al, The Caring Machine: Feeling AI for Customer Care, Zeitschrift für Marketing (2023). DOI: 10.1177/00222429231224748