• Durch Machine Learning zu mehr Kundenzufriedenheit

    Erhöhung der Kundenzufriedenheit durch die Vorhersage von Beschwerdewahrscheinlichkeiten

    Durch Machine Learning zu mehr Kundenzufriedenheit

Das Projekt

Kundenbindung und Kundenzufriedenheit sind für Unternehmen heutzutage ein zentraler Baustein für eine nachhaltige Strategie und das langfristige Bestehen am Markt. Um wettbewerbsfähig zu bleiben, muss der Unzufriedenheit gezielt entgegengewirkt werden.

Damit es gar nicht erst zu unzufriedenen Kunden kommen kann, haben wir ein Machine Learning-Modell entwickelt, das die Beschwerdewahrscheinlichkeit vorhersagt. Auf Grundlage dieser Informationen kann der Personenkreis dann gezielt und proaktiv angesprochen werden, um potenzielle Probleme aus dem Weg zu schaffen. Der Kunde fühlt sich beachtet, da die persönlichen Bedürfnisse für das Unternehmen von Bedeutung sind.

Kundenzufriedenheit

Auf einen Blick

Hohes Frustrationslevel

Herausforderung

Unzufriedene Kunden können dem Unternehmen nicht nur den Rücken kehren, sie können im schlimmsten Fall auch über negative Darstellungen in der Öffentlichkeit das Firmenimage schädigen.

Lösung des Problems

Lösung

Mithilfe von Machine Learning Algorithmen haben wir ein Modell entwickelt, das aufgrund von Interaktionen zwischen Unternehmen und Kunde vorhersagt, wie wahrscheinlich eine Beschwerde ist.

Unzufriedenheit entgegenwirken

Nutzen

Mit diesen gewonnenen Informationen kann das Unternehmen gezielt auf den Kunden zugehen und der Unzufriedenheit entgegenwirken, bevor diese einen negativen Höhepunkt erreicht.

Unsere Lösung

Welche Probleme können wir mit diesem Vorgehen lösen?

Kundenbeschwerden rund um Themen Kundenservice, Produkte oder Lieferzeiten gehören heutzutage leider zur Beziehung zwischen Unternehmen und Kunden dazu. Diese Beschwerden führen zu einer negativen öffentlichen Meinung, was zu einem Rückgang der Neukunden und einer steigenden Abwanderungsrate führt. Die negativen Auswirkungen auf das Unternehmen sind ein schlechtes Image, ein Anstieg der Kundengewinnungskosten und ein Rückgang der Einnahmen.

Kundenbeschwerden wirken sich negativ auf das Unternehmen aus
Verbesserte Kundenzufriedenheit durch Machine Learning

Wie sieht die Lösung konkret aus?

Im Projekt haben wir für die vorhandenen Sachbearbeitungs-Prozessdaten ein erweitertes Datenmanagement konzipiert. Dazu gehört neben verschiedenen Transformationen auch eine nachhaltige Datenplattform. Angebunden an die Datenschnittstellen wurden speziell trainierte Klassifikations- und Clusteringalgorithmen, die eine konkrete Liste mit potenziell unzufriedenen Kunden liefert. Die Funktionen der Machine Learning-Modelle wurden der Fachabteilung mittels Cloud-Infrastruktur zur Verfügung gestellt.

Welchen Mehrwert bietet die Lösung?

Durch das Projekt konnten wir dem Kunden helfen, einen erheblichen Mehrwert in Form einer verbesserten Kundenzufriedenheit zu erzielen. Durch die proaktive Ansprache von Kunden mit hoher Beschwerdewahrscheinlichkeit kann der Versicherungskonzern potenzielle Probleme frühzeitig erkennen und beheben, bevor sie zu Beschwerden führen. Das bedeutet, dass der Kundenservice insgesamt verbessert wird. Darüber hinaus konnten wir dem Unternehmen helfen, einen wertvollen Mehrwert in Form von Zeitersparnis und Effizienz zu verzeichnen. Der Fachbereich kann nun mit einer klaren Prioritätenliste arbeiten und somit Ressourcen optimal einsetzen. Insgesamt trägt die erarbeitete Lösung zur Steigerung des Unternehmenserfolgs bei, indem es die Kundenzufriedenheit erhöht und gleichzeitig die internen Arbeitsprozesse optimiert.

Ein technischer Einblick in unser Projekt

Das Projekt umfasst die Vorhersage von Beschwerden durch den Einsatz von Machine Learning-Techniken auf mehr als 100 GB Prozessdaten. Hierbei wurden Daten aus Sachbearbeitungsprozessen extrahiert und einer Datenvorverarbeitung zugeführt (Preprocessing). Die Vorgehensweise im Projekt folgte dem CRISP-DM-Modell, welches eine systematische Vorgehensweise im Datenanalyseprozess vorgibt. Für das Machine Learning wurde das Scikit-Learn-Framework genutzt.

Aufgrund der vorhandenen ungleichmäßigen Verteilung der Zielvariable (Class Imbalance) muss darauf geachtet werden, dass die eingesetzten Modelle robust gegenüber dieser Herausforderung sind. Zur Datenanalyse kommen sowohl Unsupervised Clustering-Methoden als auch Supervised-Learning-Methoden für die Klassifikation zum Einsatz. Für die Analyse großer Datenmengen wird Spark eingesetzt, um eine schnelle und effiziente Verarbeitung zu gewährleisten.

Diese Technologien hatten wir im Einsatz

Haben Sie Fragen zu diesem Data Science Projekt?

Haben Sie einen ähnlichen Anwendungsfall in Ihrem Unternehmen? Lassen Sie uns in einem unverbindlichen Gespräch über die Anforderungen in Ihrem Unternehmen sprechen und gemeinsam erste Handlungspotenziale ableiten.

Persönliches Gespräch vereinbaren
Niclas Hörmann: Business Development Manager esentri AG

Niclas Hörmann
Business Development Manager