Wie Mazda mit Datasolut Kunden-Feedback aus zwölf Ländern in Echtzeit auswertet
Automatisierte Übersetzung, Klassifizierung und Sentimentanalyse auf einer skalierbaren KI-Plattform, entwickelt gemeinsam mit Mazda Motor Europe
Auf einen Blick:
- Kunde: Mazda Motor Europe
- Branche: Automotive
- Projektziel: KI-gestützte Plattform zur automatisierten Übersetzung, Klassifizierung und Sentimentanalyse
- Tools: Databricks
Die Ausgangslage: Ein Kundenversprechen in zwölf Sprachen
Zwölf europäische Mazda Kundeninformationszentren, zwölf Sprachen, zwölf getrennte Datenströme. Auf den ersten Blick wirkt das wie gut organisierter Kundenservice. Für die Analyseabteilung von Mazda Motor Europe war es jedoch ein zeitraubendes Puzzle. Denn Rückmeldungen kamen fragmentiert und unübersetzt an. Deshalb mussten sie manuell gesichtet und eingeordnet werden. Trends wurden so erst mit spürbarer Verzögerung sichtbar, und eine schnelle Sentiment-Analyse über alle Märkte hinweg war kaum möglich.
„Wir hatten eine sehr fragmentierte Sicht auf unsere Daten“, beschreibt Thomas Fontaine, Senior Manager Consumer Analytics bei Mazda Motor Europe, den Ausgangspunkt.
Ein erster Proof of Concept mit Databricks existierte bereits. Er war aber nicht automatisiert und wurde nicht kontinuierlich mit Daten versorgt. Bevor an Automatisierung zu denken war, brauchte es also zunächst eine verlässliche Datenpipeline. Sie bildet die Grundlage, um die Plattform überhaupt sinnvoll zu nutzen und in der Fläche zu skalieren.
Der Weg zur Lösung: Erst das Problem verstehen, dann automatisieren
Gemeinsam mit dem Datenspezialisten-Team von Datasolut entwickelte das Analyseteam von Mazda Motor Europe eine Lösung, die genau hier ansetzt. Statt direkt in die Technik einzusteigen, investierten beide Teams zunächst Zeit in ein gemeinsames Verständnis des geschäftlichen Problems. Dazu gehörten auch einheitliche Definitionen von Schlüsselbegriffen und Kategorien. Diese Sorgfalt bei der Datenqualität zahlte sich aus. Denn sie schuf die Vertrauensbasis, auf der die spätere Automatisierung im Unternehmen akzeptiert wurde.
Nach dem Aufbau einer stabilen, automatisierten Datenversorgung ging es an die Auswahl eines geeigneten Use Cases. Dieser Schritt war in einen strukturierten Use-Case-Governance-Prozess eingebettet. Die Wahl fiel bewusst auf ein Thema, das sich auch nicht-technischen Stakeholdern leicht erklären lässt: die automatisierte Übersetzung, Klassifizierung und Sentiment-Analyse von mehrsprachigem Kundenfeedback.
KI-Tool für die Sentiment-Analyse von Kunden-Feedback
Das daraus entstandene KI-Tool übersetzt das in den zwölf Kundeninformationszentren gesammelte Feedback automatisch in ein einheitliches Format. Zudem klassifiziert es Anfragen standardisiert nach Themen. Anschließend legt es eine Sentiment-Analyse darüber. So wird sichtbar, wie Kundinnen und Kunden tatsächlich über die Fahrzeuge sprechen: positiv, negativ oder neutral. Dabei sind die Ergebnisse marktübergreifend vergleichbar und nahezu in Echtzeit verfügbar.
„Dieses Projekt zeigt, was möglich ist, wenn Data Engineering und Geschäftsexpertise Hand in Hand arbeiten“, sagt Susanne Heinrichs, Senior Data & AI Consultant bei Datasolut.
„Die klare Problemstellung durch Mazda und unsere Erfahrung mit skalierbaren KI-Plattformen ermöglichten es uns, gemeinsam eine Lösung zu entwickeln, die komplexes Kundenfeedback innerhalb von Sekunden in verwertbare Erkenntnisse umwandelt.“
Das Ergebnis: Zeitersparnis, Vergleichbarkeit, schnellere Entscheidungen
Die neue Lösung entlastet das Analyseteam spürbar von manueller Arbeit. Dadurch bleibt Raum für das, was zählt: die Interpretation der Erkenntnisse und darauf aufbauende Entscheidungen. Weil Trends und Stimmungsveränderungen nahezu in Echtzeit erkennbar sind, reagiert Mazda deutlich schneller auf Marktveränderungen als zuvor.
Sentiment-Analyse verknüpft mit weiteren Daten
Ein weiterer Effekt: Die standardisierten, klassifizierten Daten lassen sich mit anderen Datentöpfen verknüpfen, zum Beispiel mit Verkaufsdaten. So erkennt Mazda frühzeitig, an welcher Stelle im Vertriebs- oder Produktprozess nachgesteuert werden sollte. Am Ende profitieren Kundinnen und Kunden von einem besseren Produkt.
„KI ersetzt nicht die menschliche Expertise im Kundenservice“, so Thomas Fontaine. „Sie stärkt sie, indem sie die Mitarbeiter von manueller Arbeit befreit und es ihnen ermöglicht, sich auf die Kunden zu konzentrieren und bessere Entscheidungen zu treffen.“
Die Lösung läuft auf der Data Intelligence Platform und ist zudem von Grund auf skalierbar konzipiert. Über verschiedene Märkte, Teams und Datenquellen hinweg lassen sich deshalb bei Bedarf problemlos weitere Sprachen oder Kundenservicekanäle ergänzen.
Ausblick: Vom Kundenfeedback zum Vertrieb
Für Thomas Fontaine ist der Feedback-Case erst der Anfang. Er punktet vor allem durch seine Verständlichkeit. Denn jeder erkennt sofort den Aufwand, den manuelle Übersetzung bedeutet, und damit den Wert der Automatisierung.
Als Nächstes rückt strukturiertes Vertriebsdatenmaterial in den Fokus. Mit Lead-Scoring sollen Vertriebsteams gezielt die vielversprechendsten Kontakte ansprechen. Zusätzlich geht es um Kaufwahrscheinlichkeiten für bestimmte Modelle in bestimmten Kundensegmenten. Auch der Aftersales-Bereich, insbesondere das Ersatzteilgeschäft, gilt als vielversprechendes Feld für weitere analytische Anwendungsfälle.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte