Zum Inhalt springen

AI-powered CommerceEntde­cken Sie versteckte Poten­tiale.
Mit Verstand.

Nutzen Sie Arti­fi­cial Intel­li­gence und reali­sieren Sie gemeinsam mit uns bisher unbe­kannte Poten­ziale in Ihren bestehenden Geschäftsprozessen.

Arti­fi­cial Intel­li­gence hilft, Ihren Geschäfts­er­folg durch effi­zi­en­tere Prozesse und ein besseres Kunden­ver­ständnis nach­haltig zu steigern.

Arti¬≠fi¬≠cial Intel¬≠li¬≠gence gilt als Schl√ľs¬≠sel¬≠tech¬≠no¬≠logie in der digi¬≠talen Trans¬≠for¬≠ma¬≠tion. Sie er√∂ffnet einzig¬≠ar¬≠tige, neue Gesch√§fts¬≠po¬≠ten¬≠ziale entlang der gesamten Wertsch√∂pfungskette.

Auch in Marke­ting, Vertrieb und Service gibt es inzwi­schen zahl­reiche Anwendungsmöglichkeiten:

  • AI erm√∂g¬≠licht es Ihnen, Kunden so genau zu kennen wie nie zuvor und Produkte sowie Services pass¬≠genau auf sie zuzuschneiden.
  • Durch daten¬≠ba¬≠sierte Vorher¬≠sagen erkennen Sie Problem¬≠felder und W√ľnsche bereits vor den Kunden und k√∂nnen proaktiv passende L√∂sungen anbieten.
  • Dar√ľber hinaus f√ľhrt eine intel¬≠li¬≠gente Auto¬≠ma¬≠tion Ihrer Prozesse nicht nur zu einer dauer¬≠haften Reduk¬≠tion der Kosten, sondern erh√∂ht auch die Produk¬≠ti¬≠vit√§t Ihrer Mitar¬≠beiter und die Qualit√§t des Kundenkontakts.

Die von Endkunden am häufigsten genutzten AI-Anwen­dungen sind sicher­lich Chat­bots oder soge­nannte Conver­sa­tional-User Interfaces.

Unsere Exper¬≠tise ‚Äď ausge¬≠w√§hlte AI-Referenzen

Chatbot verbes­sert Kunden-Expe­ri­ence & stei­gert Conversions

Auto­ma­ti­sierte Kunden­feedback­analyse durch Natural Language Proces­sing (NLP)

Studie ‚Äď ‚ÄúAkzep¬≠tanz von KI in der Finan¬≠z¬≠¬≠dienst¬≠leis¬≠tungs- und Versicherungsbranche‚ÄĚ

Management­training in Koope­ra­tion mit der Tech­ni­schen Hoch­schule Ingolstadt

Studie ‚Äď ‚ÄúVisual Product Search‚ÄĚ

Studie ‚Äď ‚ÄúChatbot-Akzep¬≠tanz im E‚ÄĎCommerce‚ÄĚ

Auswer­tung von Produkt­be­wer­tungen mithilfe von Natural Language Under­stan­ding (NLU)

Chatbot verbes­sert Kunden-Expe­ri­ence & stei­gert Conversions

Ziel­set­zung

  • Mehr Inter¬≠ak¬≠tion und Dialog, um so eine bessere ‚ÄěCustomer Centri¬≠city‚Äú und h√∂here ‚ÄěSympathy-Werte‚Äú zu realisieren
  • Support von Inter¬≠es¬≠senten durch einen Chatbot, der h√§ufige Fragen beant¬≠wortet und Leads kanalisiert

Vorgehen

  • System- und Tech¬≠no¬≠logie-Evalua¬≠tion und Auswahl
  • Konzep¬≠tion in voll¬≠st√§ndig agilem Set-Up in vier Sprints
  • Nutzer¬≠test in drei Wellen
  • Ongoing: Moni¬≠to¬≠ring, Auswer¬≠tung Logfiles und Optimierung

Ergeb­nisse

  • Abschluss: 100% in Time und in Scope
  • Bishe¬≠riges KI-Trai¬≠ning erzeugt klar posi¬≠tive Effekte
  • >90.000 Inter¬≠ak¬≠tionen seit Go-live
  • Hohe √Ėffnungs¬≠rate (>16 %) durch kunden¬≠freund¬≠liche Einbindungsoptionen
  • Itera¬≠tive Opti¬≠mie¬≠rungen f√ľhren zu posi¬≠tiven User Ratings (>75 %)
  • Time-on-Site- (+71 %) und Conver¬≠sion-Rate-Uplift (+223 %)

Erfahren Sie mehr zu Chatbots

Auto­ma­ti­sierte Kunden­feedback­analyse durch Natural Language Proces­sing (NLP)

Ausgangs­lage

F√ľr die Tele¬≠f√≥¬≠nica Deutsch¬≠land ist das Feed¬≠back der Kunden ein wich¬≠tiger Baustein f√ľr die kunden¬≠zen¬≠trierte Weiter¬≠ent¬≠wick¬≠lung des Unter¬≠neh¬≠mens. Durch eine syste¬≠ma¬≠ti¬≠sche Abfrage von Kunden¬≠mei¬≠nungen werden t√§glich gro√üe, unstruk¬≠tu¬≠rierte Daten¬≠mengen gene¬≠riert. Eine manu¬≠elle Harmo¬≠ni¬≠sie¬≠rung und anschlie¬≠√üende Analyse ist √§u√üerst zeit- und ressour¬≠cen¬≠in¬≠tensiv und liefert meist nur limi¬≠tierte Erkenntnisse.

Lösungs­an­satz

Gemeinsam mit Tele¬≠f√≥¬≠nica setzen wir Natural Language Proces¬≠sing ein, um unstruk¬≠tu¬≠rierte Customer Insights schnell und effektiv durch¬≠suchbar zu machen. Auto¬≠ma¬≠ti¬≠sierte Senti¬≠ment, also Stim¬≠mungs- sowie Keyword-Analysen helfen, einen Einblick in das Stim¬≠mungs¬≠bild der Kunden zu geben. Neben intel¬≠li¬≠genten Filter¬≠m√∂g¬≠lich¬≠keiten lassen sich die Daten zudem schnell und themen¬≠ab¬≠h√§ngig per nat√ľr¬≠lich¬≠sprach¬≠li¬≠cher Abfrage durchsuchen.

Ergebnis

Tele¬≠f√≥¬≠nica kann nun Customer Insights f√ľr jeden Mitar¬≠beiter im Unter¬≠nehmen einfach durch¬≠suchbar bereit¬≠stellen und hat damit eine weitere Basis f√ľr die kunden-zentrierte Ablei¬≠tung von Hand¬≠lungen im Unter¬≠nehmen gelegt.

Studie ‚Äď ‚ÄúAkzep¬≠tanz von KI in der Finan¬≠z¬≠¬≠dienst¬≠leis¬≠tungs- und Versicherungsbranche‚ÄĚ

Ziel­set­zung

Was muss die Versi¬≠che¬≠rungs- und Finanz¬≠dienst¬≠leis¬≠tungs¬≠branche beachten, wenn Sie ihren Kunden Produkte oder Services mit K√ľnst¬≠li¬≠cher Intel¬≠li¬≠genz anbieten will? In einer umfang¬≠rei¬≠chen Markt¬≠studie unter¬≠sucht elabo¬≠ratum zum einen die Empfindung/‚ÄčGrundeinstellung der Kunden zu KI insge¬≠samt und zum anderen die Wich¬≠tig¬≠keit von Akzep¬≠tanz¬≠kri¬≠te¬≠rien aus Themen¬≠be¬≠rei¬≠chen der Branche, in denen zum Teil bereits heute K√ľnst¬≠liche Intel¬≠li¬≠genz zum Einsatz kommt.

Vorgehen & Methodik

In einer breit ange¬≠legten empi¬≠ri¬≠schen Unter¬≠su¬≠chung mit Probanden aus Deutsch¬≠land und der Schweiz werden anhand von beispiel¬≠haften Use Cases aus der Banken- und Versi¬≠che¬≠rungs¬≠branche die Akzep¬≠tanz¬≠kri¬≠te¬≠rien f√ľr den Einsatz von K√ľnst¬≠li¬≠cher Intel¬≠li¬≠genz unter¬≠sucht. Die Use Cases umfassen zum Beispiel Szena¬≠rien mit Chat¬≠bots oder auto¬≠ma¬≠ti¬≠schem Claim-Hand¬≠ling und sind aus den vier Bereichen

  • Service und Customer Care
  • Bera¬≠tung und Vertrieb
  • Produkt und Portfoliozusammenstellung
  • auto¬≠ma¬≠ti¬≠sierte Prozesse

Ergebnis

Die Studie zeigt: Die posi¬≠tive Einstel¬≠lung der Nutzer gegen¬≠√ľber KI steigt signi¬≠fi¬≠kant nach erst¬≠ma¬≠liger Nutzung. Unter¬≠nehmen sollten die Erst¬≠nut¬≠zung von KI daher einfach gestalten und die Kunden dabei begleiten. 

Weitere Infor¬≠ma¬≠tionen finden Sie unter www‚Äč.elabo‚Äčratum‚Äč.de/‚Äčs‚Äčt‚Äču‚Äčd‚Äči‚Äče‚Äč-‚Äča‚Äčk‚Äčz‚Äče‚Äčp‚Äčt‚Äča‚Äčn‚Äčz‚Äč-‚Äčk‚Äči‚Äč-‚Äčf‚Äči‚Äčn‚Äča‚Äčn‚Äčz‚Äč-‚Äčv‚Äče‚Äčr‚Äčs‚Äči‚Äčc‚Äčh‚Äče‚Äčrung/

Management­training in Koope­ra­tion mit der Tech­ni­schen Hoch­schule Ingolstadt

Gemeinsam mit der Tech¬≠ni¬≠schen Hoch¬≠schule Ingol¬≠stadt haben wir ein praxis¬≠nahes Manage¬≠ment¬≠trai¬≠ning geschaffen, welches F√ľhrungs¬≠kr√§ften das notwen¬≠dige Hand¬≠werks¬≠zeug vermit¬≠telt, um Arti¬≠fi¬≠cial Intel¬≠li¬≠gence erfolg¬≠reich in ihrem Unter¬≠nehmen einzu¬≠setzen. Das inno¬≠va¬≠tive Lern¬≠kon¬≠zept verbindet On-Site-Trai¬≠ning mit E‚ÄĎCoaching und erm√∂g¬≠licht so ein H√∂chstma√ü an zeit¬≠li¬≠cher und √∂rtli¬≠cher Flexibilit√§t.

Begleitet von unserem kompe¬≠tenten Exper¬≠ten¬≠team erar¬≠beiten die Teil¬≠nehmer in konstruk¬≠tiven Diskus¬≠sionen konkrete Einsatz¬≠m√∂g¬≠lich¬≠keiten, bewerten den Nutzen und planen die Umset¬≠zung im Unter¬≠nehmen. Ziel ist es, die Teil¬≠nehmer f√ľr den Einsatz von AI zur r√ľsten und die neuen Gesch√§fts¬≠po¬≠ten¬≠ziale durch Arti¬≠fi¬≠cial Intel¬≠li¬≠gence zu erschlie√üen.

Weitere Infor¬≠ma¬≠tionen erhalten Sie unter www‚Äč.ai‚Äč-powered‚Äč-commerce‚Äč.de

Studie ‚Äď ‚ÄúChatbot-Akzep¬≠tanz im E‚ÄĎCommerce‚ÄĚ

Ziel­set­zung

In einer umfang¬≠rei¬≠chen Markt¬≠studie unter¬≠sucht elabo¬≠ratum gemeinsam mit ‚ÄěDiePro¬≠dukt¬≠ma¬≠cher‚Äú, ob die Hypo¬≠these, dass Chat¬≠bots im E‚ÄĎCommerce bei rich¬≠tiger Distri¬≠bu¬≠tion und korrekter Erwar¬≠tungs¬≠hal¬≠tung Mehr¬≠werte stiften, empi¬≠risch unter¬≠mauert werden kann. Dabei wird die Nutzer¬≠ak¬≠zep¬≠tanz √ľber das Testing eines realen, praxis¬≠be¬≠zo¬≠genen Cases ermit¬≠telt. Dar√ľber hinaus gehen wir der Frage nach, ob Chat¬≠bots die Shop¬≠ping-Expe¬≠ri¬≠ence verbes¬≠sern, wenn sie kontext¬≠be¬≠zogen richtig inte¬≠griert werden.

Vorgehen & Methodik

Die Studie umfasst zwei Test¬≠phasen: Phase 1 unter¬≠sucht, welche Szena¬≠rien zum Einsatz von Chat¬≠bots im E‚ÄĎCommerce aktuell von Nutzern als rele¬≠vant einge¬≠stuft werden und beant¬≠wortet die Frage, inwie¬≠weit eine Nutzung akzep¬≠tiert wird. Phase 2 liefert Ergeb¬≠nisse aus einem A/‚ÄčB‚ÄĎTest, der einen eigens entwi¬≠ckelten Chatbot-Proto¬≠typen einer stati¬≠schen Website gegen¬≠√ľber¬≠stellt und zeigt damit, wie die Wahr¬≠neh¬≠mung und der Umgang mit einem Chatbot das Einkaufs¬≠er¬≠lebnis beeinflusst.

Ergebnis

Auswer­tung von Produkt­be­wer­tungen mithilfe von Natural Language Under­stan­ding (NLU)

Ausgangs­lage

Thomann ist Europas gr√∂√ütes Musik¬≠haus und vertreibt mehr als 75.000 Produkte √ľber ein Laden¬≠ge¬≠sch√§ft sowie vor allem √ľber einen sehr starken Online-Bereich. 

F√ľr die verschie¬≠denen Kate¬≠go¬≠rien wie Gitarren, Drums oder Tasten¬≠in¬≠stru¬≠mente gibt es jeweils zehn¬≠tau¬≠sende von Kunden-Bewer¬≠tungen. Ein riesiger Daten¬≠schatz, der nicht einfach auszu¬≠werten ist.

Ziel des Projektes war es, nach¬≠zu¬≠weisen, dass die Kunden¬≠mei¬≠nungen durch den Einsatz von k√ľnst¬≠li¬≠cher Intel¬≠li¬≠genz auto¬≠ma¬≠ti¬≠siert ausge¬≠wertet werden k√∂nnen. Im Spezi¬≠ellen wollte Thomann erfahren, welche Anmer¬≠kungen die Kunden zu Qualit√§t, Preis oder Klang der Produkte abgeben und die M√∂glich¬≠keit bekommen, diese quan¬≠ti¬≠tativ und quali¬≠tativ einfach auszuwerten.

Lösungs­an­satz

Wir haben zun√§chst ein Machine Lear¬≠ning-Modell basie¬≠rend auf Natural Language Under¬≠stan¬≠ding aufge¬≠baut, das zwischen Kommen¬≠taren √ľber Produkte (z. B. Gitarren), den Preis und den Klang der Instru¬≠mente unter¬≠scheiden kann.

Dabei wurden die viel¬≠f√§l¬≠tigen Heraus¬≠for¬≠de¬≠rungen der deut¬≠schen Sprache sichtbar. Wie bewertet ein AI-Modell z. B. den Unter¬≠schied der S√§tze ‚ÄúDie Gitarre ist nicht so gut‚ÄĚ und ‚ÄěDie Gitarre ist nicht so gut wie mein altes Modell, aber f√ľr den Preis immer noch ein Wahn¬≠sinns¬≠teil!‚ÄĚ. Diese Fein¬≠heiten wurden u. a. mit Hilfe einer promo¬≠vierten Lingu¬≠istin iden¬≠ti¬≠fi¬≠ziert und speziell daraufhin trainiert.

Ergebnis

In einem Massen­test haben wir die Anwend­bar­keit auf große Daten­mengen nach­ge­wiesen und das Ganze in einem inter­ak­tiven Dash­board aufbe­reitet. Thomann kann damit einfach quan­ti­ta­tive und quali­ta­tive Analysen der Kunden­mei­nungen vornehmen.

Enrico Karg

Die Komple¬≠xit√§t unseres Check¬≠outs, bedingt durch die im Ski-Kontext immer noch ben√∂¬≠tigten physi¬≠schen Skiti¬≠ckets, kann durch den Einsatz eines Chat¬≠bots im Checkout im Sinne einer Customer-Centri¬≠city deut¬≠lich redu¬≠ziert werden. Das Poten¬≠tial des Chat¬≠bots f√ľr eine bessere Perfor¬≠mance, h√∂here Nutzungs-absicht, h√∂here Gesamt¬≠zu¬≠frie¬≠den¬≠heit und bessere Usabi¬≠lity ist enorm und f√ľr die nutzer¬≠zen¬≠trierte Weiter¬≠ent¬≠wick¬≠lung unserer Ski-Platt¬≠form auf der Website und auch in der App sehr interessant.

‚ÄĒ Enrico Karg, Busi¬≠ness Deve¬≠lo¬≠p¬≠ment Manager und verant¬≠wort¬≠lich f√ľr die Ski-Platt¬≠form von Ticketcorner

susanna-hoyer.1024x1024 (1)

Beein¬≠dru¬≠ckend, wie weit elabo¬≠ratum mit dem Projekt¬≠team in so kurzer Zeit gekommen ist. Ein sehr inno¬≠va¬≠tiver Dialog-Flow und ein Bench¬≠mark f√ľr Chat¬≠bots in Deutsch¬≠land! Mich √ľber¬≠zeugt vor allem das vorhan¬≠dene Chatbot Know-How sowie die profes¬≠sio¬≠nelle und mensch¬≠liche Art der Zusammenarbeit.

‚ÄĒ Susanna Hoyer, Inbenta, General Manager DACH

matthias-sifft-foto

Bei elabo¬≠ratum haben mich vor allem die tiefe fach¬≠liche AI Exper¬≠tise und die profes¬≠sio¬≠nelle Art der Zusam¬≠men¬≠ar¬≠beit √ľber¬≠zeugt. Zus√§tz¬≠lich stimmt hier auch mensch¬≠lich die Art der Zusam¬≠men¬≠ar¬≠beit und es gibt eine abso¬≠lute Kunden¬≠ori¬≠en¬≠tie¬≠rung. Von meiner Seite eine eindeu¬≠tige Empfehlung!

‚ÄĒ Matthias Sifft, Tele¬≠f√≥¬≠nica Germany GmbH & Co. OHG, Head of Offer- & Campaign Management

Sven Schoderböck

Ich bin beein¬≠druckt, mit welcher Leiden¬≠schaft und tiefer KI-Exper¬≠tise elabo¬≠ratum hier vorge¬≠gangen ist. Mir wurde sowohl die Methodik als auch die tech¬≠ni¬≠sche Basis anschau¬≠lich gemacht. Durch das Projekt habe ich nun einen sehr klaren Wissens¬≠stand, was KI heute in diesem Kontext leisten kann. Ein weiterer Mehr¬≠wert f√ľr uns war, dass auch unser Entwickler Team geschult wurde und s√§mt¬≠liche Daten und das Modell zur Weiter¬≠ent¬≠wick¬≠lung erhalten hat. So stelle ich mir Bera¬≠tung im KI-Kontext vor.

‚ÄĒ Sven Scho¬≠der¬≠b√∂ck, Vice Presi¬≠dent eCom¬≠merce, Musik¬≠haus Thomann

Unser Ansatz ‚Äď so setzen wir AI erfolg¬≠reich f√ľr Sie ein

Sinn­volle Einsatz­mög­lich­keiten erkennen

Gemeinsam iden­ti­fi­zieren wir sinn­volle Geschäfts­be­reiche in Ihrem Unter­nehmen, die durch eine intel­li­gente Erwei­te­rung Ihrer Prozesse opti­miert werden können. Mach­bar­keit und Wirt­schaft­lich­keit stehen dabei im Vordergrund.

Indi­vi­du­elle AI-Proto­typen entwickeln

Mit Hilfe von schlanken, indi¬≠vi¬≠du¬≠ellen AI-Proto¬≠typen verproben wir L√∂sungs¬≠kon¬≠zepte f√ľr Ihre iden¬≠ti¬≠fi¬≠zierten Problem¬≠stel¬≠lungen bereits in k√ľrzester Zeit. So sind fr√ľh¬≠zei¬≠tige Ergeb¬≠nisse garantiert.

Busi¬≠ness Roadmap f√ľr AI definieren

Wir begleiten Sie bei der Defi¬≠ni¬≠tion und Umset¬≠zung einer Busi¬≠ness Roadmap f√ľr den nach¬≠hal¬≠tigen Einsatz von Arti¬≠fi¬≠cial Intel¬≠li¬≠gence in Ihrem Unter¬≠nehmen, damit Sie wissen, welche AI-Vorhaben zu welchem Zeit¬≠punkt f√ľr Sie realis¬≠tisch, sinn¬≠voll und wirt¬≠schaft¬≠lich umsetzbar sind.

Tools und Dienst­leister auswählen

Mit unserer Erfah¬≠rung unter¬≠st√ľtzen wir Sie bei der unab¬≠h√§n¬≠gigen Auswahl der rich¬≠tigen Tools und Dienst¬≠leister f√ľr die erfolg¬≠reiche Umset¬≠zung Ihrer indi¬≠vi¬≠du¬≠ellen AI-Projekte.

AI-Projekt zum Erfolg f√ľhren

Um Ihre Projekte zum Erfolg zu f√ľhren, unter¬≠st√ľtzen wir Sie mit unserer Erfah¬≠rung in der Steue¬≠rung digi¬≠taler Projekte. Wir arbeiten ergeb¬≠nis¬≠ori¬≠en¬≠tiert und orien¬≠tieren uns an h√∂chsten Projekt¬≠ma¬≠nage¬≠ment- und Quali¬≠t√§ts¬≠stan¬≠dards ‚Äď egal, ob klas¬≠sisch oder agil.

Wissen im Unter­nehmen verankern

Lang¬≠fris¬≠tiger Erfolg wird dadurch erm√∂g¬≠licht, dass ben√∂¬≠tigtes Wissen im Unter¬≠nehmen entsteht. Wir unter¬≠st√ľtzen Sie beim Aufbau von internem Know-How. So bieten wir beispiels¬≠weise in Koope¬≠ra¬≠tion mit der Tech¬≠ni¬≠schen Hoch¬≠schule Ingol¬≠stadt ein zerti¬≠fi¬≠ziertes Trai¬≠nings¬≠pro¬≠gramm an, um AI-Wissen ziel¬≠ge¬≠richtet in Ihr Unter¬≠nehmen zu bringen.

Und wobei k√∂nnen wir Sie unterst√ľtzen?

Oder rufen Sie uns unver¬≠bind¬≠lich an: 089 24 41 28‚Äď700