Anwenden von Erkenntnissen aus CX Text Analytics auf generative KI

Die generative KI hat die Leistungsfähigkeit der textbasierten künstlichen Intelligenz schnell demokratisiert . Im Grunde kann jetzt jeder, der Zugang zum Internet hat, Fragen stellen und Antworten von diesen superintelligenten Bots erhalten.

KI-Tools – insbesondere Large Language Models (LLMs) – können für viele praktische Anwendungsfälle der Textanalyse genutzt werden . Auch wenn wir uns in einer neuen Umgebung befinden, wird das Lernen aus der Vergangenheit der Textanalyse sicherstellen, dass wir keine Fehler wiederholen und das volle Potenzial dieser neuen Tools nutzen können.

Von einem Nischenangebot vor über einem Jahrzehnt hat sich die Textanalyse mittlerweile zum Standard in den meisten großen oder laufenden Customer Experience (CX)-Programmen entwickelt. Es kann verwendet werden, um Schlüsselthemen und Stimmungen bei angefordertem (z. B. offene Fragen) und unaufgefordertem (z. B. soziale Medien) Feedback zu identifizieren und zu quantifizieren.

Auch wenn wir uns in einer neuen Umgebung befinden, wird das Lernen aus der Vergangenheit der Textanalyse sicherstellen, dass wir keine Fehler wiederholen und das volle Potenzial dieser neuen Tools nutzen können.

In diesem Papier skizzieren unsere CX-Experten, gestützt auf die Erkenntnisse der Textanalyse aus den letzten 15 Jahren und unter Verwendung unseres KI-Frameworks „Wahrheit, Schönheit und Gerechtigkeit“ , fünf wichtige Lektionen, die Teams bei der Anwendung von LLM-gestützter generativer Technologie berücksichtigen müssen KI-Tools:

1. Fordern Sie Transparenz . Stellen Sie sicher, dass Sie sich über die Fähigkeiten des LLM im Klaren sind, über die Art der Daten, die zum Trainieren des Modells verwendet werden, und darüber, ob es in der Lage ist, zu lernen und sich an neue Daten anzupassen. Transparenz bedeutet auch, Verträge, Governance und Infrastruktur einzurichten, um die Privatsphäre und Sicherheit sensibler Daten und Informationen zu schützen.
2. Vergessen Sie die Daten nicht . Wenn die betreffenden Daten für Ihre Geschäftsfrage nicht repräsentativ oder relevant sind oder nicht genügend Details zur Beantwortung dieser Fragen enthalten, werden die Ergebnisse Ihren Zielen nicht gerecht.
3. Die formale Bewertung ist immer noch wichtig . Um den größtmöglichen Nutzen aus der Textanalyse zu ziehen, muss die Qualität spezifischer Anwendungsfälle systematisch bewertet werden. Wenn Sie bei LLMs die gleiche Strenge anwenden wie bei der herkömmlichen Textanalyse, erhalten Sie den größtmöglichen Nutzen.
4. Denken Sie daran, mit den Erwartungen umzugehen . Genau wie bei der Textanalyse in der Vergangenheit müssen wir die Erwartungen der Endbenutzer an die von LLMs bereitgestellten Kommentare berücksichtigen. Die bereitgestellten Ausgaben sollten nicht deaktiviert bleiben.
5. Richten Sie einen Berichts-/Nutzungsmechanismus ein, der den Geschäftsanforderungen entspricht . LLMs und generative KI knüpfen dort an, wo Textanalysen bereits vorhanden sind – mit vorhandenen, konfigurierbaren Schnittstellen für Live-Interaktionen. Diese Schnittstellen müssen zusammen mit Modellen, die die richtigen Funktionalitäten unterstützen, in die Hände der richtigen Benutzer gelegt werden.

Wenn wir LLMs mit dem Respekt behandeln, den sie verdienen, aus der Vergangenheit lernen und die Zukunft annehmen, werden sie zweifellos zu besseren, loyaleren und profitableren Kundenbeziehungen führen.

Laden Sie das Whitepaper herunter

Weitere Informationen zur umfassenderen Sichtweise von Ipsos finden Sie in unserer neuesten Ipsos CX-Denkweise.

Erfahren Sie mehr über Voice of the Customer , Customer Experience Analytics und Customer Experience Advisory bei Ipsos. Um zu besprechen, wie Ipsos Ihnen und Ihrem Unternehmen helfen kann, wenden Sie sich an Ihren lokalen Ipsos CX-Ansprechpartner oder einen der globalen Experten von Ipsos.