NLP-Framework zur Analyse von Callcenter-Gesprächen bei congstar
In diesem spannenden KI-Use-Case durften wir für einen der größten deutschen Mobilfunkanbieter, congstar, ein Natural Language Processing (NLP)-Modell implementieren, um Kundenanrufe im Callcenter zu transkribieren und anschließend automatisch zu kategorisieren und in einem Pyramid Dashboard zu visualisieren.
Auf einen Blick:
- Branche: Telekommunikation
- Projektziel: Enwicklung von NLP Modellen zur Kategorisierung und Sentimentanalyse von Sprachanrufen im Call-Center
- Tools: AWS, Data Lake, StepFunctions, OpenAI Whisper, Sagemaker
Das sagt der Oliver Kelz von congstar über unsere Arbeit
Der Aufbau eines zentralen Lakehouses auf Azure sowie die strategische Beratung durch Datasolut schaffen die technologische Basis für unsere KI-Initiativen. So verbessern wir die Customer Experience messbar und treiben unsere digitale Transformation nachhaltig voran."
Was war die Herausforderung?
congstar ist einer der erfolgreichsten Mobilfunkanbieter in Deutschland mit über 250 “congstars” und mehr als 7 Millionen Vertrags-und Prepaidkunden. Insgesamt 400 Agenten arbeiten in einem externen Call Center, um Kundenanfragen bestmöglich zu bearbeiten, Cross- und Upselling zu betreiben und Kunden vor der Abwanderung zu bewahren. Für congstar ist es wichtig, die Bedürfnisse der Kunden besser zu verstehen, um die Angebote kontinuierlich zu verbessern und eine langfristige Kundenbindung zu gewährleisten.
Ein ungenutzter Datenschatz liegt hier in den Inhalten der Kundengespräche, die die Agenten täglich führen. Würden die Gesprächsinhalte strukturiert ausgewertet, könnten sie wichtige Hinweise für mögliche Prozessverbesserungen liefern. Bei rund 1,8 Millionen Anrufen pro Jahr und 9 Millionen Gesprächsminuten haben die Agenten keine Möglichkeit, Notizen zu erstellen, in denen die Probleme beschrieben werden. Um Kosten zu sparen, ist congstar auch daran interessiert, die Zeit für die Kategorisierung der Gesprächsinhalte so kurz wie möglich zu halten, um die Arbeitszeit der Agenten effizient zu nutzen.
congstar verspricht sich von diesem Use Case, tagesaktuell in einem Dashboard über wichtige Kundenanliegen informiert zu werden und ein allgemeines Stimmungsbild über alle Kunden zu erhalten.
Vor diesen Herausforderungen stand unser Kunde
Ungenutzter Datenschatz
Gesprächsinhalte aus rund 1,8 Millionen Anrufen pro Jahr wurden nicht strukturiert ausgewertet.
Hoher manueller Aufwand
Agenten hatten keine Kapazität, Gesprächsinhalte zu dokumentieren oder systematisch zu kategorisieren.
Fehlende Transparenz
Wichtige Erkenntnisse zu Kundenanliegen und Stimmungslagen blieben verborgen und konnten nicht für Optimierungen genutzt werden.
Alle im Callcenter eingehenden Anrufe, die der Verarbeitung ihrer personenbezogenen Daten zugestimmt haben, werden in Form einer MP3-Datei aufgezeichnet und getrennt nach Anrufer und Agent in der Landing Zone auf AWS S3 gespeichert.
Die Audiodateien müssen in einem ersten Schritt transkribiert werden, um sie in ein Textformat umzuwandeln. Alle personenbezogenen Daten werden von einer KI erkannt und entfernt, bevor mit der Transkription begonnen werden kann. Für die Transkription wurde Whisper von OpenAI verwendet.
1.
Alle aufgezeichneten Anrufe werden mithilfe von OpenAI Whisper in Textform überführt und personenbezogene Daten vorab entfernt.
2.
Ein feinjustiertes Transformer-Modell klassifiziert die Gesprächsinhalte in 15 vordefinierte Kontaktgründe.
3.
Ein zweites NLP-Modell bewertet die Stimmung des Kunden und analysiert, ob das Gespräch als fair wahrgenommen wurde.
So sah unser Lösungsansatz aus
Alle im Callcenter eingehenden Anrufe, die der Verarbeitung ihrer personenbezogenen Daten zugestimmt haben, werden in Form einer MP3-Datei aufgezeichnet und getrennt nach Anrufer und Agent in der Landing Zone auf AWS S3 gespeichert. Die Audiodateien müssen in einem ersten Schritt transkribiert werden, um sie in ein Textformat umzuwandeln. Alle personenbezogenen Daten werden von einer KI erkannt und entfernt, bevor mit der Transkription begonnen werden kann. Für die Transkription wurde Whisper von OpenAI verwendet.
Das Ergebnis dieses ersten Schrittes sind Textdaten und Metadaten zu jedem Interview.
Das Transkript liegt in zwei Formen vor:
1. Das zusammenhängende Transkript des Interviews
2. Zwei getrennte Dokumente für die jeweiligen Gesprächsteile
Die Kunden-und Vermittlerdaten werden selbstverständlich anonymisiert und erst danach klassifiziert. In einem ersten Schritt wurden anhand der Transkripte die Kontaktanlässe identifiziert. Insgesamt wurden 22 verschiedene Kontaktanlässe identifiziert, die in Absprache mit der Fachabteilung auf 15 reduziert wurden. Der Datensatz stammt aus dem Testlabor, in dem die Gespräche des Callcenters aufgezeichnet wurden und die Agenten den Grund des Anrufs selbst kategorisierten (d.h. beschrifteten). Wir verwendeten über 1.000 Transkripte mit entsprechenden Labels, testeten die Kategorien und verwendeten diese Daten zur Feinabstimmung des Transformer-Modells.
Im letzten Schritt haben wir eine Sentimentanalyse (d.h. positiv oder negativ) mit dem zusätzlichen congstar-spezifischen Sentiment „Fairness“ durchgeführt und analysiert, ob der Kunde den Anruf als „fair“ bewertet hat. Den Datensatz hierfür haben wir nacheigenen Entscheidungskriterien und interner Abstimmung selbst entwickelt. Wir haben weniger Daten verwendet als beim Kategorisierungsansatz, da unser Ziel eine binäre Ausprägung „fair“ oder „nicht fair“ ist.
Am Ende des gemeinsamen Projekts verfügte Congstar über zwei NLP-Modelle, die wertvolle Informationen über die Anrufe im Callcenter lieferten. Die Stimmungsanalyse ergab, dass insgesamt 10% der Anrufe als negativ empfunden wurden. Davon fühlten sich 1% der Kunden unfair behandelt. Die 22 identifizierten Kontaktanlässe wie Kündigung, Tarifwechsel, Hilfe zur Website/App etc. helfen congstar, die Kundenzufriedenheit zu steigern:
- schneller
- objektiver
- und ressourcenschonender zu arbeiten
Jeder Anrufer hat eine eigene ID und einen Datumswert (Jahr, Monat, Tag, Kontaktanlass, Wahrscheinlichkeit für Kontaktanlass, Wahrscheinlichkeit für Stimmung positiv/negativ).
Die Datenbank kann jederzeit abgefragt werden und wurde in einem Pyramid Dashboard für die Fachseite zur Verfügung gestellt. Die Agenten haben die Möglichkeit, in diesem Dashboard zu arbeiten und Fragen zu stellen.
Es gibt einen Überblick über den Tagesverlauf und die Verteilung der Kontaktgründe wird für eine hohe Interpretierbarkeit in % dargestellt. So kann z.B. analysiert werden, welchen Einfluss der Black Friday auf die Kunden hatte, d.h. wie erfolgreich entsprechende Kampagnen waren. Bei einer negativen Entwicklung der Gesamtzufriedenheit können rechtzeitig operative Maßnahmen zur Prozessverbesserung eingeleitet werden.
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