Neue Ansätze zur Kundeneinblickanalyse und ihre Anwendungen in Unternehmen

Tiefgreifende Kundeneinblicke: Einblicke in den Ansatz von NTT zur Kundenanalyse

In einer zunehmend digitalisierten und vernetzten Welt sehen sich Unternehmen mit der Herausforderung konfrontiert, präzise und umfassende Einblicke in das Verhalten ihrer Kunden zu gewinnen. Die traditionellen Methoden der Kundensegmentierung, die oft auf statischen demografischen Daten basieren, erreichen ihre Grenzen, da Kunden sich fließend zwischen verschiedenen Anwendungen, Websites und physischen Geschäften bewegen. Für Führungskräfte, insbesondere CIOs und CMOs, wird es daher entscheidend, Dienstleistungen in großem Maßstab zu personalisieren. Hierbei rücken Modelle in den Fokus, die in der Lage sind, Absichten aus komplexen Verhaltensmustern abzuleiten.

Die Entwicklung des Large Action Model (LAM)

Ein bemerkenswerter Ansatz in diesem Bereich wurde von NTT und NTT DOCOMO entwickelt: das sogenannte "Large Action Model" (LAM). Dieses Modell geht über einfache demografische Klassifizierungen hinaus, indem es die zeitliche Abfolge und den Kontext jeder Kundenaktion detailliert analysiert. Ursprünglich für Marketingzwecke konzipiert, bietet dieser Ansatz vielfältige Anwendungsmöglichkeiten, beispielsweise in der Patientenversorgung oder der Energieplanung, wo die zeitliche und sequentielle Natur von Ereignissen maßgeblich das Ergebnis beeinflusst.

Die Relevanz präziser Kundenaktivitätsanalyse

Die Aktivität der Kunden generiert heutzutage eine Vielzahl unterschiedlicher Datentypen aus diversen Quellen. Mobile Anwendungen protokollieren kontinuierlich Daten, während Systeme im stationären Handel langsamere, strukturiertere Informationen wie Käufe oder Zahlungsmethoden erfassen. Viele Organisationen stehen vor der Schwierigkeit, diese unterschiedlichen Datenströme zu einer kohärenten Gesamtsicht zusammenzuführen, die sowohl fundierte Kundeneinblicke ermöglicht als auch eine personalisierte Kundenansprache unterstützt.

Diese Diskrepanz kann sich negativ auf den Umsatz auswirken, die Betriebskosten erhöhen und dazu führen, dass Teams auf Vermutungen angewiesen sind. LAMs versuchen, dieses Problem zu lösen, indem sie die Reihenfolge und den Kontext jeder Aktion berücksichtigen. Dies ermöglicht schnellere Entscheidungen, eine bessere zeitliche Abstimmung und eine relevantere Kontaktaufnahme mit Kunden.

Funktionsweise des NTT-DOCOMO-Modells

DOCOMO hat eine Plattform entwickelt, die Kundeninformationen nach einer einfachen "4W1H"-Struktur organisiert: Wer hat was wann, wo und wie getan? NTT entwickelte ein Modell, das Muster in Zeitreihendaten erlernt und sowohl numerische als auch kategoriale Informationen verarbeitet. Gemeinsam prognostiziert das System, welche Aktion ein Kunde als Nächstes ausführen könnte, und identifiziert, wer am wahrscheinlichsten auf eine Kontaktaufnahme reagiert.

Das Modell berücksichtigt die Abfolge von Ereignissen präzise. Beispielsweise:

• Ein Anruf, gefolgt von einer Browsing-Sitzung und einem Kauf, deutet darauf hin, dass der Anruf das Bewusstsein geschaffen hat.
• Browsing, dann ein Anruf, dann ein Kauf könnte zeigen, dass der Kunde weitere Klärung wünschte.
• Ein Anruf nach einem Kauf könnte auf einen Supportbedarf hindeuten.

Da das System Aktionen im Kontext interpretiert, wird die Genauigkeit der Absichtsbewertung erhöht.

Das Training des Modells erwies sich als effizient: DOCOMO nutzte acht NVIDIA A100 GPUs und schloss das Training in weniger als einem Tag ab, was etwa 145 GPU-Stunden entspricht. Dies ist deutlich weniger als der Bedarf großer Sprachmodelle und macht es für Organisationen, die eine fortschrittliche Modellierung ohne hohe Infrastrukturkosten wünschen, praktischer.

Anwendungsbeispiele des LAM

DOCOMO testete das Modell im Bereich Telemarketing. Durch die Rangfolge der Kunden nach der potenziellen Nützlichkeit einer Kontaktaufnahme konnte das Unternehmen die Bestellrate für Mobilfunk- und Smart-Life-Dienste im Vergleich zu älteren Methoden verdoppeln.

Kundeninterviews zeigten, dass das Timing entscheidend war. Einige Personen konnten aufgrund von Kinderbetreuung keine Geschäfte besuchen, während andere unsicher waren, ob sie ihre Tarife wechseln sollten. Das Modell half dabei, den richtigen Zeitpunkt für die Kontaktaufnahme zu identifizieren, anstatt sich auf breite Kampagnenzyklen zu verlassen.

Dieser Ansatz hat weitreichende Implikationen:

• Operationen: Mitarbeiter können sich auf weniger, aber bedeutungsvollere Gespräche konzentrieren.
• Effizienz: KI reduziert unerwünschte Kundenansprachen.
• Governance: Konsistente Zeitreihendaten bieten eine klarere Aufzeichnung von Entscheidungen.
• Plattformintegration: Das Modell kann neben Cloud-AI-Plattformen wie AWS Bedrock, Azure AI Foundry oder Google Vertex AI betrieben werden.

Anwendung in Gesundheitswesen und Energiebereich

Die gleiche Methodik ist in anderen Bereichen anwendbar, in denen das Timing eine wichtige Rolle spielt. Im Gesundheitswesen erfassen medizinische Unterlagen lange Muster von Symptomen und Behandlungen. Die Reihenfolge, in der diese auftreten, kann die Behandlungspläne beeinflussen. NTT testet LAMs zur Unterstützung der Diabetesbehandlung, indem es die Progression von Erkrankungen untersucht.

Im Energiesektor beeinflussen Wetterdaten die Solarstromerzeugung. Sensoren am Boden und in Satelliten verfolgen Muster, die sich im Laufe der Zeit verschieben. LAMs könnten Betreibern helfen, Sonneneinstrahlungswerte vorherzusagen und Erzeugungs- sowie Handelsentscheidungen anzupassen.

Diese Beispiele verdeutlichen, warum Chief Data, Operations und Risk Officers in naher Zukunft Tools im LAM-Stil in Betracht ziehen könnten, um Kundeneinblicke zu verbessern und fundiertere Entscheidungen zu treffen.

Strategische Überlegungen für Unternehmen

Die Einführung eines Modells zur Absichtsprognose ist nicht nur eine technische Aufgabe. Sie hängt von der Datenqualität, der Teamausrichtung und einer klaren Aufsicht ab. Häufige Herausforderungen umfassen:

• Datenvereinheitlichung: Viele Organisationen verfügen noch über verstreute Zeitreihendaten, die in eine gemeinsame Struktur überführt werden müssen.
• Modellüberwachung: Da Prognosen Umsatz und Kundenvertrauen beeinflussen, benötigen Teams klare Methoden zur Überprüfung, wie das Modell Entscheidungen trifft.
• Kultur: Mitarbeiter müssen Vertrauen in KI-gesteuerte Priorisierungen haben. Ohne dieses Vertrauen verlangsamt sich die Adoption.
• Infrastruktur: Obwohl LAMs kostengünstiger sind als große Sprachmodelle, erfordern sie dennoch eine Planung bezüglich Training, Speicherung, Cloud-Nutzung und Sicherheit.

Durch den Aufbau solider Datengrundlagen und klarer Ziele können Organisationen Modelle dieser Art nutzen, um die Kundenbindung zu verbessern, Kundeneinblicke zu vertiefen und dieselbe Denkweise auf andere Geschäftsbereiche zu übertragen.

Kundenerfahrung im Zeitalter der KI

Die Transformation der Kundenerfahrung durch Konversations-KI und Generative KI ist ein weiterer zentraler Aspekt. Fortschritte in der KI haben die Kommunikation und Zusammenarbeit zwischen Mensch und Maschine grundlegend verändert. Konversations-KI, angetrieben durch Generative KI, ermöglicht es Unternehmen, bedeutungsvolle Beziehungen aufzubauen, indem sie kognitive, soziale und emotional intelligente digitale Erlebnisse bereitstellt. Digitale Assistenten können menschliche Gespräche simulieren, den Self-Service ermöglichen und Prozesse vereinfachen. Avatare und digitale Menschen bieten zudem Möglichkeiten für immersive und emotional verbundene Erlebnisse. Dabei müssen jedoch Herausforderungen wie Datenqualität, Datenschutz, Sicherheit und KI-Regulierungen für einen verantwortungsvollen und ethischen Einsatz bewältigt werden.

Unternehmen, die ihre digitalen Transformationsbemühungen konsequent umsetzen, können im ersten Jahr eine Steigerung des ROI um 17 % erwarten. Neben der Annahme einer Wachstumsmentalität und der Beschleunigung der Digitalisierung müssen Unternehmen auch ihre Geschäftsmodelle kontinuierlich neu erfinden, um für ihre Kunden, Mitarbeiter und Partner relevant zu bleiben.

Fazit

Der Ansatz von NTT und DOCOMO zur Kundenanalyse durch Large Action Models (LAM) demonstriert einen Weg, wie Unternehmen in einer zunehmend komplexen Welt tiefere und präzisere Kundeneinblicke gewinnen können. Die Fähigkeit, die Absicht hinter Kundenaktionen zu verstehen und zeitlich relevante Interaktionen zu ermöglichen, ist ein entscheidender Wettbewerbsvorteil. Die Implementierung solcher fortschrittlichen Analysetools erfordert jedoch eine strategische Planung, Investitionen in Datenqualität und -infrastruktur sowie eine Unternehmenskultur, die den Einsatz von KI unterstützt. Indem Unternehmen diese Aspekte berücksichtigen, können sie nicht nur die Kundenzufriedenheit und -loyalität steigern, sondern auch neue Effizienzpotenziale in verschiedenen Geschäftsbereichen erschließen und sich erfolgreich in die datengesteuerte Zukunft bewegen.

Bibliographie

- Muhammad Zulhusni. "What enterprises can learn from NTT's approach to customer insight". Marketing Technology News, 13. November 2025. - "Technology offers new paths to customer loyalty". NTT DATA Group, 1. Januar 2024. - "NTT DATA | Transform Customer Experience". NTT DATA, 13. November 2025. - "NTT DATA Research Reveals Executives are Challenged with How to Leverage Technology to Respond to Changing Customer Needs". NTT DATA, 18. März 2022. - "How to chart the course toward a conscious enterprise". NTT DATA, 13. November 2025. - "NTT DATA | This Is Your Data-Driven Future". NTT DATA, 13. November 2025. - Roli Agrawal. "Measuring customer loyalty in the age of AI needs a fresh take on NPS". NTT DATA Group, 13. August 2025. - "Data for Businesses: The Critical Path to Leveraging Data for Enterprise Success". NTT DATA Group, 1. Januar 2025. - "Transforming customer experience with Conversational AI harnessing Generative AI". NTT DATA Group, 1. Januar 2025.