Analyse Kundenkorrespondenz
von Frank Habiger
In unserem Use Case identifizieren wir datenbasierte Informationen über Kundenwünsche und Kundenkritik.
Kundenkorrespondenz beherbergt viele unterschiedliche Informationen, die oft nur im Textzusammenhang verständlich werden. Um Informationen schnell und fehlerfrei extrahieren zu können, widmet sich ein großer Teil des Natural Language Processing der Information Extraction. Dabei werden wertvolle Informationen aus großen Mengen digitaler Textdaten extrahiert. Wünsche und Kritik der Kunden können so schneller identifiziert und kundenspezifisch darauf reagiert werden.
Die Kundenkorrespondenz wird anonymisiert und in eine geeignete digitale Form gebracht. Dabei werden die Texte numerisch dargestellt, sodass sie mit mathematischen und statistischen Methoden analysiert werden können.
Anschließend werden die Texte durch die Anwendung von Data Science Modellen wie Neuronale Netze oder Bag-Of-Words Modelle in numerischen Input übersetzt. Durch Anwendung von Clustering, Klassifizierung und Maschine Learning werden die Wünsche und Kritik der Kunden identifiziert. Diese Informationen werden an die entsprechenden Abteilungen weitergeleitet und kundenspezifische Aktivitäten angestoßen.
Die automatisierte Zuordnung der Dokumente und die Erfassung der darin vorkommenden Schlüsselwörter versetzt Sie in die Lage, unmittelbar auf Kundenwünsche und Kundenkritik zu reagieren. Diese Informationen können im Kundenservice, in der Kundenkommunikation und im Vertrieb gewinnbringend eingesetzt werden. Zusätzlich können die Informationen für interne Projekte und Prozesse genutzt werden.
Einsatzbereiche
- Branche: Versicherung
- Sparten: Spartenübergreifend
- Thema: Customer Analytics
- Tools: Java, Python, R
Ergebnisse
- Kundenindividuelle Angebote: Kundenansprache und bedarfsorientierte Angebote
- Next Best Action - Echtzeitentscheidung
Möglicher Projektablauf
- Analyse der Daten
- Umwandlung der Verträge
- Einlesen der Inhalte
- Vorverarbeitung der Textkomponenten, Aufbereitung in numerische Daten
- Anwendung der Clustering- und Klassifizierungsalgorithmen
- Ermittlung und Ableitung der Attribute von Interesse
- Nutzung der Ergebnisse bei der Sachbearbeitung und im Vertrieb