Predictive Analytics & Big Data im inhouse Contact Center

30. September 2013 - 10:22 -- admin
Klaus Zschaage, Vorstand authensis AG Klaus Zschaage, Vorstand authensis AG

Die nahe Zukunft ist (fast) berechenbar. Die Daten liegen vor.  Auf die ganzheitliche Betrachtung kommt es an. 80% der heutigen Contact Center sind inhouse Contact Center und in die jeweiligen Mutterunternehmen eingebunden. Je nach Aufgabenstellung und IT-Organisation können diese auch auf Daten aus anderen – eventuell allen – Unternehmensbereichen zugreifen. Welchen Nutzen kann eine übergreifende Datenanalyse bieten– zusätzlich zu den für das Management des Contact Centers erforderlichen Kennzahlen?

Predictive Analytics Predictive Analytics

Fokussierung von Kampagnen auf spitze Zielgruppen:
Ein Beispiel: Die KFZ-Versicherung.

Diese kann ohne Begründung jedes Jahr zum 1.11. vom Versicherten gewechselt werden. Für die Versicherung stellt sich daher die Frage: „Können wir vorab erkennen, welche Kunden am 1.11. wechseln wollen? Wenn ja, dann bietet es sich an, diese Kunden zu bewerten: Welche davon wollen wir halten?“ Durch diese Zuspitzung der Kontaktdaten auf genau diese möglichen Kündiger wird eine Kampagne zur Kündigungs-Prävention wesentlich kostengünstiger als eine breit gestreute Kampagne ohne Fokussierung. auf alle Kunden Zusätzlich können aufwendigere Incentives ausgelobt werden, was die Wirksamkeit nochmals steigert. Man kann in der Tat das Verhalten einzelner Personen mit einer recht hohen Wahrscheinlichkeit voraussagen. Dazu hilft die Erkenntnis, dass die Kundenkommunikation als eine Messgröße in einem Regelkreis verstanden werden kann.

Kundenkommunikation als eine Messgröße in einem Regelkreis Kundenkommunikation als eine Messgröße in einem Regelkreis

Stamm- und Bewegungsdaten aus dem Tagesgeschäft sowie Kommunikationsdaten aus dem ACHAT Contact Center werden in einem Data Warehouse zwecks ganzheitlicher Analyse zusammengefasst. Business Analysten steht – z.B. mit dem IBM SPSS Modeller – ein Arbeitsplatz zur Verfügung, mit dem sie in der Lage sind, aus diesen Daten signifikante Muster zu erkennen, die zu Ergebnissen (z.B. Vertragskündigungen) geführt haben, welche aus der Vergangenheit bekannt sind. Werden diese Muster nun auf aktuelle Daten angewandt, können sie wie Filter wirken und die wahrscheinlichen Verhaltensweisen der aktuellen Kunden (z.B. zukünftige Vertragskündigungen) mit recht hoher Wahrscheinlichkeit prognostizieren. Nur diese im Filter hängengebliebenen Daten werden dann weiter betrachtet, z.B. als Input für eine Kundenbindungs-Kampagne verwendet. Die Kostenersparnis liegt auf der Hand.

Hinweise zur Gesprächsführung in Realzeit Ein Beispiel: Der „leicht vorgespannte“ Kunde.

Die Bewertung der einzelnen Kunden aufgrund der Stamm-, Bewegungs- und Kommunikationsdaten sind auch hier Voraussetzung für eine kundenindividuelle Unterstützung während des Kontakts. Direkt bei der Eingabe der Gesprächsnotiz durch den Agenten während des Kontakts setzt im Hintergrund das Text Mining auf und „versteht“ den Freitext.

Big Data - Tacho 1 Big Data - Tacho 1

Als erstes Resultat zeigen die Tachos eingängig die aktuelle Veränderung der Bewertung des Gesprächspartners an.

Big Data: Tacho 2

Kurz danach schlägt die Software ein individuell auf diesen Kunden zugeschnittenes Angebot vor, das sowohl den Kunden abholt „wo er ist“, als auch von Unternehmen sofort zugesagt und vereinbart werden kann.

Big Data: Tacho 3 Big Data: Tacho 3

Aufdecken von Betrugsversuchen Ein Beispiel: Versicherungsfall durch Hagelschaden.

Die landwirtschaftlichen Betriebe melden ihre Versicherungsfälle. Die Analyse durch Business Analysten ergibt folgendes Bild:

Big Data: Betrugsfälle Big Data: Betrugsfälle

Die – wenigen – von der Software begutachteten Anomalien sind hervorgehoben. 11 von ca. 200 gemeldeten Versicherungsfällen bedürfen laut Analyse der genaueren Überprüfung, bevor der gemeldete Schaden ersetzt wird. Jeder einzelne Fall wurde im Hintergrund von der Software bewertet. Die Mitarbeiter im Contact Center der Versicherung können sofort für 95% Schäden ohne Auffälligkeiten eine kurzfristige Regelung in Aussicht stellen. Das sind 95% zufriedene Kunden und in 95% der Fälle deutlich weniger interner Aufwand für die eigenen Mitarbeiter! Die 5% von der Software als auffällig analysierte Schäden werden nun von den Mitarbeitern genauer geprüft. Hier können sich erhebliche Einsparungen für die Versicherung ergeben, insbesondere bei den hochvolumigen Schadensmeldungen der großen Höfe. Zusätzlich wird die Kundenzufriedenheit enorm gesteigert, da ein Großteil der Fälle ohne aufwändige weitere Prüfung reguliert werden kann.

Voraussetzungen oder „Wie funktioniert das ?“

Die erste Planung und der erste Aufbau einer solchen Lösung muss gut durchdacht sein. Als Standard-Modell für eine Vorgehensweise hat sich CRISP-DM etabliert:

CRISP-DM Modell CRISP-DM Modell

Das Vorgehen im Detail:

  •  Geschäftsverständnis:
    Formulieren eines geschäftsbezogenen Ziels welches das Unternehmen erreichen möchte, z. B. soll die Anzahl der Kündiger von 7% auf 4% reduziert werden.
  • Datenverständnis:
    Um das Geschäftsziel zu erreichen, sollen die potentiellen Kündiger mit einer Genauigkeit von mindestens 80% identifiziert werden.
  • Datenaufbereitung:
    Geschicktes und kreatives Aufbereiten, Neuberechnen, Umkodieren, Bereinigen, Integrieren und Kombinieren von vorhandenen Daten. Erkennen und Beschaffen noch fehlender Daten.

Die gute Nachricht: Hiermit sind bereits ca. 80 – 90% des gesamten Aufwands geleistet.

  • Modellbildung in der Software:
    Bestimmen der Modelliermethode(n), Auswahl eines Testdesigns, Erstellen des Modells – auch für die Kombination von Modellen (Metamodelling) Hier stehen in den entsprechenden Programmen verschiedenen Möglichkeiten und Modelle zur Verfügung
  • Modellbewertung:
    Verprobung des Modells auf diskunkten historischen Datensätzen. Wenn mit diesen das vorher definierte Geschäftsziel nicht erreicht wurde: Wiederholung des Prozesses.
  • Verteilung:
    Verbreitung der Data Mining Ergebnisse im Unternehmen (z.B. Rechte-bewehrt auf die Agenten-Arbeitsplätze zur Unterstützung im aktuellen Kundenkontakt).

CRISP-DM ist ein permanenter Prozess, der sich den veränderten Bedingungen anpasst.

Lohnt sich der Aufwand? Wir meinen „JA“.

Ein Beispiel aus der Versicherungsbranche zeigt:

  • Bei ca. 1 Mio eintreffenden Anrufe wurden ca. 180.000 Cross-Selling Vorschläge von der Software automatisch generiert.
  • Davon wurden ca. ein Drittel, also ca. 60.000 von den Agenten im Kundenkontakt ent-sprechend der tatsächlichen aktuellen Situation ausgesprochen.
  • Davon führte ca. die Hälfte zu Vertriebschancen, von denen ca. 22.000 zum Abschluss kamen.
  • Das sind über 30 Mio Euro !!! zusätzlicher Umsatz durch das Contact Center.

ACHAT von authensis optimiert Kundeninteraktion über alle relevanten Kanäle, integriert sich nahtlos in Infrastrukturen und Geschäftsprozesse und ist flexibel anpassbar. Dabei achtet authensis stets auf die Zeichen der Zeit und präsentiert Neuerungen, die teilweise weit in die Zukunft weisen.

Tipp: kostenloses Webinar

Am 22.10.2013, 14:00 Uhr zeigt der Autor Klaus Zschaage in dem kostenlosen CCN Expertenwebinbar zu "Statistikdaten im Contact Center: Machen Sie mehr aus Ihren Daten" Details in diese Thematik. Jetzt kostenlos anmelden ...

Neuen Kommentar schreiben

10 + 7 =
Diese einfache Rechenaufgabe ist zu lösen und das Ergebnis einzugeben, z.B. muss für 1+3 der Wert 4 eingegeben werden.