Wie Morgan Stanley die Erstellung und den Zugriff auf Inhalte mit maschinellem Lernen optimiert hat

Die wertvollste Ressource eines Unternehmens sind seine Mitarbeiter. Das hat Dipendra Malhotra, Head of Analytics, Intelligence, and Data Technologies bei Morgan Stanley, erkannt und in seinem Vortrag „Optimizing Content Once for Search, Chatbot and Voice“ auf der Activate 2020 , der Konferenz für Suche und KI, mitgeteilt .

Da die Zeit der Mitarbeiter knapp bemessen ist, kann die Verringerung von sich wiederholenden Arbeiten für ein Unternehmen große Kosteneinsparungen bedeuten. Bei der Erstellung von Inhalten sparen Unternehmen wertvolle Zeit durch die Wiederverwendung von Dokumentationen, die von den Fachexperten (KMUs) des Unternehmens erstellt wurden. Nachdem die Inhalte für die Wissensdatenbank erstellt wurden, verwendet das Team maschinelles Lernen, um diese Inhalte an den Kanal und die Person, die nach Informationen sucht, anzupassen.

„Es wurde für uns sehr wichtig, uns einmal auf den Inhalt zu konzentrieren, denn dort wird das Humankapital eingesetzt“, erklärt Malhotra. „Ob diese Inhalte über die Suche, einen Chatbot, eine Sprachausgabe oder FAQs wiedergegeben werden, spielt zu diesem Zeitpunkt keine Rolle mehr, da alle diese Kanäle automatisiert werden können.“

Viele Einstiegspunkte, viele Informationen

Bei Morgan Stanley wird der Zugriff auf die Wissensdatenbank durch die Breite des Angebots des Unternehmens (Finanzplanung, Beratungsdienste, Transaktionsunterstützung, Cash Management und Kreditvergabe) und die Vielfalt der Nutzer noch komplexer. Morgan Stanley hat 15.000 Finanzberater, die ein Vermögen von 2,6 Billionen Dollar verwalten und 3 Millionen Kunden betreuen, dazu kommen die Mitarbeiter in den Filialen und die Service-Agenten – sie alle fragen die Wissensdatenbank auf eine etwas andere Art und Weise und zu einem etwas anderen Zweck ab. Auch das Mittel, mit dem die Lösung gefunden wird, kann viele Formen annehmen: ein FAQ-Dokument, ein Chatbot, eine Suche oder eine Sprachausgabe.

Aufgrund der verschiedenen Formate, die für Antworten erforderlich sind, werden Inhalte, die der gleichen Anfrage dienen, in der Regel mehrmals erstellt. Wenn ein KMU eine FAQ schreibt und sogar Synonyme und Geschäftsregeln hinzufügt, um sie zu optimieren, muss der FAQ-Inhalt für den Chatbot neu erstellt werden, weil eine Chatbot-Anwendung Inhalte in einem dialogorientierten Format erfordert. Und so geht es weiter: Inhalte für jedes Fahrzeug neu erstellen, neu kennzeichnen und anpassen. Der Aufwand an Humankapital ist hoch.

Inhalte einmal erstellen, ML zur Anpassung der Antworten verwenden

Malhotras Team baute eine Schnellstraße zu den in der Wissensdatenbank von Morgan Stanley verfügbaren Lösungen, indem es einen getesteten Prozess sowie die Indizierungs- und maschinellen Lernfunktionen einer Chatbot-Plattform und Lucidworks Fusion nutzte .

Angefangen hat alles mit einer Ontologie, in der die Wissensdatenbank untergebracht ist. Wenn ein KMU nun Inhalte erstellt, fügt er auch Synonyme, Tags und Hierarchieregeln hinzu. All diese Inhalte werden zur Indizierung in Fusion geladen, und maschinelles Lernen übernimmt die Aufgabe, die Inhalte für den Kanal, auf dem sie abgefragt wurden, passend zu machen.

Malhotra führte das Beispiel eines Kunden an, der nach Informationen sucht, um ein Konto zu eröffnen. Der Kunde geht vielleicht auf die Suchplattform von Morgan Stanley und gibt ein: „Ich möchte ein Konto eröffnen“ oder „wie bekomme ich ein Konto“. Als erstes muss der Computer interpretieren, was genau gefragt wird.

„Offen“ ist als Absicht und „Konto“ als Entität gekennzeichnet. Ist das „Ich“ in der Anfrage ein Finanzberater, ein Kunde oder ein Dienstleister? So erhält die Maschine den Kontext, den sie braucht, um zu verstehen, wie sich ähnliche Benutzer verhalten haben, oder wenn es sich um einen authentifizierten Benutzer handelt, wie sich genau dieser Benutzer in der Vergangenheit verhalten hat. Gibt es auf dem Kanal, auf dem dieser Kunde anfragt, bereits eine spezielle Antwort, die auf diese Anfrage zugeschnitten ist?

Fusion zeigt relevante Suchergebnisse für dieses bestimmte „I“ an, die mit intent getaggt sind: „öffnen“, Entität: „Konto“, angepasst an den Kanal, auf dem der Benutzer fragt.

Um den Benutzer besser bedienen zu können, können mehr Details aus seiner Anfrage extrahiert werden, um seine Absicht zu verstehen. Um bei dem Beispiel „Konto eröffnen“ zu bleiben: Es gibt viele Arten von Konten. Der Chatbot kann fragen: „Welche Art von Konto möchten Sie eröffnen?“ Wenn der Kunde „IRA“ antwortet, werden die Abfrageergebnisse erklären, wie man ein IRA-Konto eröffnet.

Redundanz reduzieren, Konsistenz verbessern

Dank des maschinellen Lernens in Fusion konnte das Team von Malhotra die sich wiederholende Arbeit der kleinen und mittelständischen Unternehmen reduzieren. Dadurch spart das Unternehmen überflüssige Kosten, die mit der fehlgeleiteten Zeit der Mitarbeiter verbunden sind, und kann seine Kunden besser mit konsistenten Informationen bedienen, die auf jeden Anfragekanal zugeschnitten sind.

„Das teuerste Element in dieser ganzen Tabelle ist das untere Feld für den Inhalt, denn dort haben Sie Ihre KMUs, die den Inhalt erstellen, über die Fragen und Antworten nachdenken, über die Suche nachdenken und darüber, was bei der Suche angezeigt werden muss. Alles andere kann sehr schnell und maschinell erledigt werden.“

Möchten Sie mehr darüber erfahren, wie Lucidworks Unternehmen in den Global 2000 dabei hilft, Menschen mit Erkenntnissen zu verbinden? Lesen Sie dieses Ebook darüber, wie Lucidworks Finanzberatern hilft, Zeit zu sparen, indem es ihnen empfohlene Recherchen an die Hand gibt und ihnen hilft, einen treuen Kundenstamm aufzubauen.