Aus Fehlern klug werden: Erkenntnisse aus CX Text Analytics auf generative KI anwenden
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, werden die Lehren aus 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. Sie kann bei der Identifizierung und Quantifizierung von Schlüsselthemen und Stimmungen angewendet werden, bei angefordertem (z. B. offene Fragen) und unaufgefordertem (z. B. soziale Medien) Feedback.
Auch wenn wir uns in einer neuen Umgebung befinden, werden unsere Erkenntnisse aus der Textanalyse sicherstellen, dass wir keine Fehler wiederholen und das volle Potenzial dieser neuen Tools nutzen können.
In diesem Paper skizzieren unsere CX-Expert:innen auf Grundlage der Erkenntnisse der Textanalyse aus den letzten 15 Jahren und unter Verwendung unseres KI-Frameworks „Truth, Beauty, and Justice“ fünf wichtige Lektionen, die Teams bei der Anwendung LLM-gestützter generativer KI-Tools beachten müssen:
- 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 die Sicherheit sensibler Daten und Informationen zu gewährleisten.
- 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.
- 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.
- Denken Sie an das Erwartungsmanagement. Genau wie bei der Textanalyse in der Vergangenheit müssen wir die Erwartungen der Endnutzer an die von LLMs erstellten Kommentare berücksichtigen. Diese Kommentare sollten nicht ungeprüft rausgehen.
- 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 User 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 hier das Whitepaper herunter
Erfahren Sie mehr über Customer Experience, Voice of the Customer, Customer Experience Analytics und Customer Experience Advisory bei Ipsos. Für ein Gespräch darüber, wie Ipsos Ihnen und Ihrem Unternehmen helfen kann, wenden Sie sich an Ihre lokalen Ipsos CX-Ansprechpartner:innen.
