Mediathek-Serie | Customer Journey Konferenz 2024

Mediathek-Serie

Die Online-Konferenz Shift/CX Customer Journey diskutiert die Verbesserung und Professionalisierung bei der Orchestrierung der Customer Journey & des Customer Journey Managements. 

Im Mittelpunkt stehen Empfehlungen von ExpertInnen sowie praktische Erfahrungen aus Projekten zur stetigen Optimierung von Kundenerlebnissen und Kundenerfahrungen entlang der Customer Journey. 

Videobeispiel

Inhalte der Mediathek-Serie

Effizienzsteigerung im Kundenservice: Der Einsatz von Generative AI zur Optimierung von Versicherungsanfragen

Effizienzsteigerung im Kundenservice: Der Einsatz von Generative AI zur Optimierung von Versicherungsanfragen
Mitschnitt-Länge: 30 Minuten
Präsentationsunterlagen verfügbar
Mitschrift verfügbar
Der Vortrag zeigt, wie generative KI im Kundenservice eingesetzt wird, um Textverständnis und Semantik-Suche zu verbessern.

Der Vortrag "Effizienzsteigerung im Kundenservice: Der Einsatz von Generative AI zur Optimierung von Versicherungsanfragen" zeigt, wie generative KI in Kundenservice-Prozesse integriert wird. Gernot Glawe und Eva Ramuschkat von der tecRacer Group präsentieren, wie Large-Language-Modelle (LLM) bei komplexen Versicherungsanfragen eingesetzt werden, um Kundeninteraktionen zu optimieren.

Sie betonen, wie LLMs die Effizienz steigern, indem sie Textverständnis, Semantik-Suche und Volltextanalyse nutzen. Wichtige Punkte sind Datenbereinigung, Prompt Engineering und kontinuierliche Evaluation. Der Vortrag endet mit der Erkenntnis, dass Anpassungen an spezifische Branchenanforderungen und individuelle Lösungen nötig sind.

  • Einsatz von Generative AI im Kundenservice: Das Thema umfasst komplexe Anfragen, nicht nur einfache Knowledge-Base-Informationen.
  • Nutzung von generativer KI in Versicherungsanfragen: Der Fokus liegt auf der Einbindung von generativer KI in Kundenservice-Prozesse und Dialoge.
  • Unterscheidung von Wissensarten in der KI: Es wird zwischen Wissen aus Wikipedia, Sprachverständnis und Semantik-Suche differenziert.
  • Effizienzsteigerung durch Textverständnis: Textverständnis wird genutzt, um Texte zusammenzufassen und einzuhaltende Versicherungsbedingungen darzustellen.
  • Optimierung der Kundenservice-Qualität: Der Einsatz von Generative AI erfordert kontinuierliches Erwartungsmanagement und iterative Optimierung.
  • Vergleich zwischen Fulltext und RAG: Die Suche in der gesamten Produktbeschreibung versus traditionelle Suchmethoden wird diskutiert.
  • Wichtigkeit von Prompt Engineering: Die exakte Formulierung von Anfragen ist entscheidend für die Qualität der Antworten.
  • Schlüsselfaktoren für den Erfolg: Kuratiertes Wissen, regelmäßige Bewertung der Korrektheit und arbeitsintensive Datenbereinigung sind entscheidend.
  • Bedeutung von Personalisierung und Aktualisierung: Individuelle Anpassungen und regelmäßige Datenaktualisierungen sind essenziell für die Anwendbarkeit von AI-Technologien.
  • Anwendung von AI in komplexen Szenarien: Die verbesserte Leistung von Generative AI bei komplexen Anfragen führt zu präziseren und schnelleren Antworten im Kundenservice.

Gernot Glawe von der tecRacer Group spricht im Vortrag über die Effizienzsteigerung im Kundenservice durch den Einsatz generativer KI, besonders im Versicherungsbereich. Zusammen mit Freshworks zeigt er, wie diese Technologie genutzt wird, um komplexe Kundenanfragen effizienter zu bearbeiten und den Service zu verbessern.

Er erklärt, wie Large Language Models (LLMs) zur Bearbeitung von komplexen Versicherungsanfragen eingesetzt werden können und stellt ein konkretes Projekt vor, das bereits Erfolge erzielt hat. Dabei betont er die Wichtigkeit des Erwartungsmanagements, um realistische Einschätzungen zu den Fähigkeiten der KI zu vermitteln. Auch Komponenten wie Textverständnis und die Integration von Wissensdatenbanken werden erläutert, um zu zeigen, wie generative KI die Customer und Agent Experience positiv beeinflusst.

Der Zugriff auf das Video umfasst eine textuelle Aufarbeitung, die bereits mit einem Freemium-Account zugänglich ist.

back-to-top