Wie die semantische Suche den Benutzern hilft, sich selbst zu helfen

Wenn es um das Abrufen von Informationen in der digitalisierten Welt geht, wird die Erfüllung des Bedürfnisses der Benutzer nach Selbstbedienung zum neuen Maßstab. In Justin Sears‘ aktueller Beitraggeht er der Frage nach, wie wir während der COVID-19-Pandemie persönliche Erfahrungen durch digitale Erfahrungen ersetzen können. Einer der fünf Schritte, auf die er eingeht, ist der Einsatz von digitalen Assistenten, um Kapazitätsprobleme zu lösen. Da Kundenbindung und Kostenkontrolle für das Überleben von Unternehmen immer wichtiger werden, wird auch die Selbstbedienung immer wichtiger.

Die Benutzer möchten auf möglichst natürliche und bequeme Weise mit der Technologie interagieren können. Sie erwarten, dass Sie Ihre Anfragen in natürlicher, freier Form eingeben oder vokalisieren können und dass die Technologie nicht nur Ihre Worte, sondern auch Ihre Absicht versteht und relevante Informationen empfiehlt.

Dies geht über das hinaus, was die einfache Stichwortsuche in der Vergangenheit leisten konnte. Das Betrachten von Suchanfragen und das Verstehen des (expliziten oder impliziten) Kontexts erfordert den Einsatz ausgefeilter Methoden, die auf Deep Learning Techniken. Die semantische Suche als übergreifende Methode hat sich als erfolgreiche Ergänzung zur Stichwortsuche erwiesen und verbessert das maschinelle Verständnis von Benutzerabsicht und Kontext.

So funktioniert die semantische Suche

Die semantische Suche ist der Prozess der Interpretation der Absicht und der kontextuellen Bedeutung von Abfragen und Inhalten. Im Gegensatz zur herkömmlichen Stichwortsuche, bei der nur Dokumente gefunden werden, die diese Stichwörter explizit enthalten, unterstützt die semantische Suche in der Regel vollständige Abfragen in natürlicher Sprache mit einem höheren Maß an menschlichem Verständnis.

Eine der aufkommenden und leistungsstärksten Techniken zur Implementierung der semantischen Suche basiert auf der Verwendung mathematischer Darstellungen (Einbettungen) von Text, um dessen semantische Bedeutung zu verstehen. Texteinbettungen können auf Wörter, Sätze und sogar Phrasen angewendet werden. Methoden der natürlichen Sprachverarbeitung (NLP), die Vektoren zur Darstellung von Text verwenden, werden schon seit geraumer Zeit erforscht und angewendet. Diese Methoden ermöglichen es, die mathematische Ähnlichkeit von Suchanfragen mit potenziellen Ergebnissen zu verstehen und die Ergebnisse auf der Grundlage dieser Ähnlichkeit zu ordnen.

Anwendungen der semantischen Suche

Aufgrund ihrer Vielseitigkeit wird die semantische Suche zur Erweiterung einer Vielzahl von Szenarien eingesetzt:

• Verbesserungen der traditionellen Textsuche: Sprachinterpretation, kontextuelle/personalisierte Interpretation, Disambiguierung, Erkennung von Phrasen und Rechtschreibfehlern usw. sind mit der semantischen Suche möglich.
• Systeme zur Beantwortung von Fragen: Wenn ein Wissensfundus in Form von häufig gestellten Fragen (FAQ), bestehenden Frage-Antwort-Paaren oder einfach nur Dokumenten zur Verfügung steht, können wir mit semantischen Suchmodellen die Ähnlichkeit einer Frage (die auf viele verschiedene Arten semantisch gestellt wird) mit den richtigen Antworten abgleichen.
• Inhaltsbezogene Empfehlungen: Wenn Benutzer bestimmte Ergebnisse (z.B. ein Produkt) auswählen, wird die semantische Ähnlichkeit angewandt, um Empfehlungen für Produkte zu geben, die ähnliche Produktdefinitionen aufweisen.
• Erweiterte Bildsuche: Einzelhändler können die Vorteile der semantischen Suche nutzen, indem sie eine Reihe von Methoden einsetzen, um die Präsentation von Produkten zu optimieren: Bildinhalte (Objekt- und Farberkennung), Produktbeschreibungen (semantische Suche), vorhandene Tags und historische Klicks (kollaborative Filterung). Wenn all diese Methoden zusammenkommen, wird die Relevanz der Suchergebnisse erheblich gesteigert und kann zu einem Anstieg der Konversionen führen.

Der Wert der Selbstbedienung bei der Informationsbeschaffung

Der Kern der Definition von Selbstbedienung ist, dass die Benutzer sich selbst helfen. Wenn wir uns den digitalen Kanal (Mobile und Web) ansehen, ist die gesamte disruptive Prämisse, dass sich die Benutzer durch den Einsatz von Technologie mehr „selbst helfen“, und das Abrufen der richtigen Informationen zur Unterstützung der nächsten Entscheidung ist entscheidend.

Unternehmen, die bisher stolz darauf waren, hervorragende Erfahrungen in der Interaktion von Mensch zu Mensch zu bieten, müssen nun neu erfinden, wie sie eine ähnliche Erfahrung in größerem Umfang über ein Medium anbieten können, das den Nutzern erlaubt, sich selbst zu bedienen auf eine einfache und intuitive Weise. Dies setzt voraus, dass automatisierte intelligente Systeme entwickelt werden, die es den Benutzern ermöglichen, eine Frage zu stellen, so wie sie mit einem Menschen am Telefon sprechen würden, und die richtige Antwort zu erhalten.

Neben einer verbesserten Benutzererfahrung gibt es auch eine Kostenkomponente, die für die meisten Unternehmen ein Faktor sein wird. Es gibt mehrere Studien, darunter dieses von IBMdie versuchen, die Kostenbelastung durch den personalintensiven Kundenservice bei eingehenden Anfragen sowie den Vorteil der Automatisierung und Demokratisierung der Informationsbeschaffung durch Selbstbedienungssysteme zur Beantwortung von Fragen anzugleichen. Um die Ergebnisse von IBM zusammenzufassen:

• Unternehmen geben jedes Jahr 1,3 Billionen Dollar für 265 Milliarden Anrufe beim Kundendienst aus
• Telefonische Interaktionen kosten etwa $35-$50
• Text-Chat kostet etwa $8-$10 pro Sitzung
• Es ist realistisch anzustreben, zwischen 40% – 80% der üblichen Kundendienstanfragen an automatisierte Systeme weiterzuleiten.
• Ein Rückgang der Kosten pro Anfrage von $15-$200 (menschliche Agenten) auf $1 (virtuelle Agenten)

Das ultimative Ziel ist es, ein Gleichgewicht zwischen Kundenerlebnis und Kosten herzustellen. Im Falle der Informationsbeschaffung kann dies durch Automatisierung und Intelligenz bei der Suche in Ihren Anwendungen erreicht werden.

Liefern Sie intelligentere Antworten mit Lucidworks Fusion

Bei Lucidworks arbeiten wir mit Kunden zusammen, die die Art und Weise, wie sie Chatbots und virtuelle Assistenten einsetzen, verbessern möchten. Durch den Einsatz eines Systems zur Beantwortung von Fragen, das auf semantischer Suche und Deep Learning basiert, können unsere Kunden das Benutzererlebnis verbessern und die Kosten für die Bereitstellung dieses Erlebnisses senken, die durch den Einsatz von Menschen verursacht werden.

Um mehr über Lucidworks Fusion für den Kunden- und Mitarbeitersupport zu erfahren, kontaktieren Sie uns noch heute.