KI im Clienteling: Wie Next-Best-Message funktioniert und wo der Datenschutz Grenzen setzt

KI im Clienteling bedeutet meist Next-Best-Message: Ein Modell ordnet, welche Kundinnen und Kunden eine Verkaufsberaterin oder ein Verkaufsberater kontaktieren sollte, welches Produkt, welche Dienstleistung oder welches Trade-in-Angebot jeweils am relevantesten ist, und entwirft eine Nachricht, die die Verkaufsberatung bearbeiten und versenden kann. Der Nutzen liegt in Zeitersparnis und höherer Relevanz. Die Grenzen setzen die Datenqualität, das Recht der Kundschaft, dem Profiling für Marketingzwecke zu widersprechen, sowie die Regeln zu automatisierten Entscheidungen und KI-Transparenz in der EU und der Schweiz.

Was ist Next-Best-Message im Clienteling?

Next-Best-Message (oder Next-Best-Action) ist eine etablierte Technik aus Banken und Telekommunikation, die für den Modehandel angepasst wurde. Statt dass ein Marketingteam eine Kampagne für Tausende von Kundinnen und Kunden plant, bewertet ein Modell für jede Person viele mögliche Aktionen und wählt die vielversprechendste aus. Im Clienteling wird das Ergebnis nicht automatisch versendet. Es erscheint in der App der Verkaufsberatung als Aufgabe: diese Kundin kontaktieren, diesen Artikel erwähnen, diesen Termin vorschlagen.

Typische Nachrichtentypen in der Mode sind Neuheiten der bevorzugten Marken oder Grössen einer Kundin oder eines Kunden, die Nachlieferung eines Artikels, nach dem gefragt wurde, Erinnerungen zu Pflege und Änderungen, Einladungen zu Events und zunehmend Trade-in- oder Resale-Angebote für Artikel, die in früheren Saisons gekauft wurden.

Wie entscheidet KI, wer kontaktiert wird und was gesagt wird?

Die meisten Systeme kombinieren drei Ebenen. Eine Auswahlebene schätzt, welche Kundinnen und Kunden jetzt voraussichtlich reagieren, anhand der Aktualität von Käufen, des Surfverhaltens, früherer Antworten und der Saisonalität. Eine Empfehlungsebene ordnet jeder Person Produkte oder Angebote zu, gestützt auf Kaufhistorie, Grössen, Stilattribute und Bestände. Eine Generierungsebene, oft ein grosses Sprachmodell, entwirft die Nachricht im Ton der Verkaufsberatung und in der Sprache der Kundschaft.

Die Qualität jeder Ebene hängt von der vorherigen ab. Ein flüssiger Entwurf, der auf einer falschen Grösse oder einem gestern ausverkauften Artikel beruht, schadet mehr als gar keine Nachricht; deshalb sind Bestands- und Produktdaten ebenso wichtig wie das Modell.

Lesen Sie auch

Kundendaten und Einwilligung im Clienteling: eine Checkliste zu DSGVO und Schweizer nDSG

Wie passen Trade-in- und Resale-Angebote ins Clienteling?

Marken mit Rücknahme- oder Resale-Programmen können Clienteling nutzen, um zum richtigen Zeitpunkt ein Trade-in vorzuschlagen, etwa wenn eine Kundin einen neuen Mantel kauft und einen älteren aus derselben Linie besitzt. Das funktioniert am besten, wenn das Angebot auf einer verifizierten Kaufhistorie statt auf Vermutungen beruht, wenn die Verkaufsberatung Zustandskriterien und den Wert einer Gutschrift erklären kann und wenn die Kundin oder der Kunde zugestimmt hat, solche Angebote zu erhalten. Ein Trade-in-Vorschlag einer persönlichen Beraterin kann sich eher nach Service als nach Werbung anfühlen, rechtlich ist er aber dennoch Direktwerbung.

Welche Grenzen setzen DSGVO und Schweizer Recht beim Datenschutz?

Mehrere Regeln bestimmen, was KI-Clienteling in Europa und der Schweiz darf:

• Widerspruchsrecht (Artikel 21 DSGVO): Werden Daten für Direktwerbung verarbeitet, kann die betroffene Person jederzeit widersprechen, auch dem damit verbundenen Profiling, und die Daten dürfen dann nicht mehr für diese Zwecke verarbeitet werden.
• Berechtigtes Interesse (Erwägungsgrund 47 DSGVO): Direktwerbung kann auf ein berechtigtes Interesse gestützt werden, aber nur, wenn die Kundschaft die Verarbeitung angesichts des Kontexts, in dem die Daten erhoben wurden, vernünftigerweise erwarten kann.
• Automatisierte Entscheidungen (Artikel 22 DSGVO): Personen haben das Recht, keiner ausschliesslich auf automatisierter Verarbeitung, einschliesslich Profiling, beruhenden Entscheidung unterworfen zu werden, die ihnen gegenüber rechtliche Wirkung entfaltet oder sie in ähnlicher Weise erheblich beeinträchtigt. Der automatische Ausschluss von Kundinnen und Kunden von Angeboten oder die automatische Festlegung individueller Preise verdient eine sorgfältige Prüfung.
• Schweizer nDSG: Das revidierte Schweizer Datenschutzgesetz, in Kraft seit dem 1. September 2023, hat das Profiling als Rechtsbegriff eingeführt und verlangt Datenschutz durch Technik und durch datenschutzfreundliche Voreinstellungen.
• Artikel 50 EU AI Act: Ab dem 2. August 2026 müssen KI-Systeme, die für die direkte Interaktion mit Menschen bestimmt sind, diese darüber informieren, dass sie mit einer KI interagieren, sofern dies nicht aus dem Kontext offensichtlich ist.

In der Praxis ist eine KI, die der Verkaufsberatung vorschlägt, wem sie schreiben soll, weniger heikel als eine KI, die der Kundschaft direkt Nachrichten schickt. Je autonomer das System, desto mehr Transparenz, Dokumentation und menschliche Aufsicht braucht es.

Wo geht KI-Clienteling schief?

Die häufigen Probleme sind nicht exotisch. Modelle, die auf vergangenen Kampagnen trainiert wurden, bevorzugen Kundinnen und Kunden, die bereits oft kaufen; dieselben Personen werden also immer wieder kontaktiert, während inaktive Kundschaft übergangen wird. Entworfene Nachrichten wiederholen Produkttexte und verlieren die Stimme der Verkaufsberatung. Empfehlungen versagen, wenn Produktattribute unvollständig sind oder Bestandsdaten nachhinken. Und wenn das Verkaufspersonal nicht sieht, warum eine Person vorgeschlagen wurde, verliert es das Vertrauen in die Liste. Obergrenzen für die Kontakthäufigkeit, Begründungen neben jedem Vorschlag und eine einfache Möglichkeit, eine Aufgabe zu verwerfen, helfen, das Tool glaubwürdig zu halten.

Lesen Sie auch

Wie messen Sie den ROI von Clienteling über Filiale, Chat und Online hinweg?

Wie sieht ein sinnvoller Aufbau aus?

1. Erfassen Sie Einwilligungen und Kanalpräferenzen bei der Datenerhebung und machen Sie sie in der App der Verkaufsberatung sichtbar.
2. Beschränken Sie das Modell auf Daten, bei denen die Kundschaft vernünftigerweise erwarten kann, dass ein Geschäft sie nutzt, und dokumentieren Sie den Zweck.
3. Zeigen Sie für jeden Vorschlag die Begründung an und lassen Sie die Verkaufsberatung Entwürfe bearbeiten oder ablehnen.
4. Legen Sie pro Kundin oder Kunde Obergrenzen für die Kontakthäufigkeit über alle Kanäle fest.
5. Messen Sie die Ergebnisse an einer Kontrollgruppe, bevor Sie skalieren.