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. Was auf den ersten Blick nach gut organisiertem Kundenservice aussieht, war für die Analyseabteilung von Mazda Motor Europe in Wahrheit ein zeitraubendes Puzzle: Rückmeldungen kamen fragmentiert und unübersetzt an, mussten manuell gesichtet und eingeordnet werden. Ein Prozess, der Trends erst mit spürbarer Verzögerung sichtbar machte.
„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, war aber nicht automatisiert und wurde nicht kontinuierlich mit Daten versorgt. Bevor an Automatisierung zu denken war, brauchte es also zunächst eine verlässliche Datenpipeline: die Grundlage, um die Plattform überhaupt sinnvoll nutzen und in der Fläche skalieren zu können.
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, inklusive einheitlicher Definitionen von Schlüsselbegriffen und Kategorien. Diese Sorgfalt bei der Datenqualität zahlte sich aus: Sie schuf die Vertrauensbasis, auf der die spätere Automatisierung im Unternehmen akzeptiert wurde.
Nach dem Aufbau einer stabilen, automatisierten Datenversorgung ging es an die Identifikation eines geeigneten Use Cases, eingebettet in einen strukturierten Use-Case-Governance-Prozess. Die Wahl fiel bewusst auf ein Thema, das sich auch nicht-technischen Stakeholdern leicht erklären lässt: die automatisierte Übersetzung, Klassifizierung und Sentimentanalyse von mehrsprachigem Kundenfeedback.
Das daraus entstandene KI-Tool übersetzt das in den zwölf Kundeninformationszentren gesammelte Feedback automatisch in ein einheitliches Format, klassifiziert Anfragen standardisiert nach Themen und legt eine Sentimentanalyse darüber. So wird sichtbar, wie Kundinnen und Kunden tatsächlich über die Fahrzeuge sprechen – positiv, negativ oder neutral – und zwar marktübergreifend vergleichbar und nahezu in Echtzeit.
„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 und schafft Raum für das, was zählt: die Interpretation der Erkenntnisse und darauf aufbauende Entscheidungen. Weil Trends und Stimmungsveränderungen nahezu in Echtzeit erkennbar sind, kann Mazda deutlich schneller auf Marktveränderungen reagieren als zuvor.
Ein weiterer Effekt: Die standardisierten, klassifizierten Daten lassen sich mit anderen Datentöpfen verknüpfen (z.B. Verkaufsdaten), um frühzeitig zu erkennen, an welcher Stelle im Vertriebs- oder Produktprozess nachgesteuert werden sollte, um Kundinnen und Kunden am Ende ein besseres Produkt anzubieten.
„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 ist zudem von Grund auf skalierbar konzipiert: über verschiedene Märkte, Teams und Datenquellen hinweg lassen sich 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: jeder erkennt sofort den Aufwand, den manuelle Übersetzung bedeutet, und damit den Wert der Automatisierung.
Als nächstes rückt strukturiertes Vertriebsdatenmaterial in den Fokus: Lead-Scoring, um Vertriebsteams gezielt auf die vielversprechendsten Kontakte zu lenken, sowie 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