Von der Idee zur Forschungsfrage
Immer mehr Unternehmen setzen Künstliche Intelligenz bzw. Large Language Models (LLMs) an verschiedenen Touchpoints der Customer Journey ein, um das Erlebnis der Kunden zu steigern und diese langfristig an das Unternehmen zu binden. Immer mit dem Ziel der Umsatzsteigerung. Betrachtet man jedoch die Forschungen von Pangaro (zum Beispiel: Luigi’s Pizza: A Parable) stellt sich schnell die Frage, wie nachhaltig und ethisch bzw. moralisch vertretbar diese neuen Customer- Journeys überhaupt sind. Diese Frage hat uns zu einer komplett neuen Forschungsidee gebracht. Wir wollten herausfinden, wie der Einsatz von LLMs in der Customer Journey ethisch nachhaltig sein kann. Während ersten Recherchen zu diesem Thema ist uns der Zusammenhang zwischen einem ethisch- konformen Einsatz von LLMs und dem allgemeinen Erfolg von LLM- gestützten Kampagnen aufgefallen, sodass wir unsere Forschung nicht nur als sinnvollen Beitrag im Bereich der Ethik- Forschung betrachten, sondern auch als relevant für die gesamten Forschungen im Bereich Customer Service, Customer Experience und Customer Centricity.
(Das Projekt wurde über einen Innovationscheck in Zusammenarbeit mit dem Swiss Inisights Verband finanziert).
Der Usecase
Für die Bearbeitung unserer Forschungsidee, brauchten wir einen konkreten Usecase. Diese Usecase sollte sowohl technisch einfach umsetzbar sein und gleichzeitig anschliessend auch für möglichst vielen Unternehmen out-of-the-box nutzbar gemacht werden können. Weiter war es wichtig, dass es sich bei dem Usecase tatsächlich um einen Austausch von Dialogen zwischen einem LLM und einem Menschen geht. Wir haben uns dieses Mal nicht für Chat- oder Voicebots entschieden, sondern für eine Newsletter-Kampagne. Klassische Chats wären aber auch denkbar gewesen.
Die technische Umsetzung
Für die technische Umsetzung haben wir die AI Suite von BSI genutzt. Das Team von BSI, sowie vor allem ihre technische Lösung sind sehr flexibel und lassen sich mit Hilfe der BSI AI- Experten sehr einfach an verschiedene Usecases anpassen. So konnten wir den ersten Prototypen innerhalb wenigen Wochen technisch umsetzen.
Unsere Expertengespräche haben bestätigt, dass wir zusätzlich zu den geplanten Methoden der Conversational Theory, die Penetration-Theorie unbedingt anwenden sollten. Diese besagt, dass ein Kunde oder User, erst im Laufe der Beziehung mit dem Unternehmen Vertrauen gewinnt und so auch erst im Laufe der Zeit bereit ist immer mehr persönliche Daten von sich bekannt zu geben. Wir haben diese Ergebnisse genutzt und unser LLM dazu trainiert schrittweise mehr Details des Kunden zu erfragen, aber niemals alles auf einmal.
Konkret haben wir mit BSI eine Sequenz von verschiedenen Newslettern generiert, bei denen der Content mehrheitlich von einer Generative AI erzeugt worden ist.
Während der erste Newsletter im Grundsatz keine Conversion-Ziele hatte, sondern lediglich erste Präferenzen des Kunden einsammeln sollte, folgten anschliessend individuell generierte Newsletter-Sequenzen mit weiteren Conversion Zielen. Dabei diente der vorherige Newsletter immer dazu mehr und tiefe Informationen über die User-Präferenzen herauszufinden. Diese Findings wurden dann zum Training des LLMs genutzt und zur weiteren Verfeinerung der Newsletter Inhalte. Die Individualisierung der Newsletter passierte mehrheitlich automatisch durch das LLM. Die Erstellung bzw. Definition der Conversion Ziele entstand im Hinblick auf den Absender des Newsletters, also das Unternehmen, was die Newsletter Sequenz schliesslich für sich selbst nutzen wird.
Im folgenden einige Bilder unserer Newsletter, sowie die grafische Darstellung der LLM- Sequenzen im Hintergrund.
Das Ergebnis
Die User bzw. die Newsletter- Empfänger werden individuell angesprochen, was im Allgemeinen zu einem grösserem Erfolg der Newsletter Kampagne führt. Diese Individualisierung der User-Ansprache erfolgt jedoch gemäss der Penetrations-Theorie nur schrittweise. User sollen durch das Einholen von zu vielen Informationen auf einmal nicht abgeschreckt werden. Unser LLM bzw. unsere Newsletter Kampagne fragt pro Mailing nur wenige Merkmale ab und geht dabei von unwichtigen Merkmalen zu wichtigen Merkmalen weiter.
In unserem Beispiel wurde eine Newsletter Sequenz verwendet. Dies ist nur eines von vielen Beispielen. Es ist auch möglich unsere Ergebnisse auf Chatbot oder Voicebot Dialoge zu übertragen oder anstelle von Newsletter Kampagnen auch Social Media Kampagnen umzusetzen.
Wie können andere Unternehmen das nutzen?
Aktuell befinden wir uns noch in der Prototypen- Phase und möchten unsere Ideen vertiefen und mit weiteren Zielgruppen, Medien und Absendern testen. Dabei arbeiten wir branchen- unabhängig. Gerne würden wir testen wie sich unterschiedliche Absender, Usecases oder Medien auf den Erfolg unseres LLMs auswirken. Falls ihr also Lust habt mitzumachen, bitte einfach auf den Button klicken und euer Interesse bei mir äussern.
