Eine automatisierte Produktberatung ermöglicht die zielgerichtete Führung von Nutzer:innen durch ein Sortiment oder Dienstleistungsangebot. Im moinAI Chatbot erfolgt die Beratung über eine strukturierte Vorqualifizierung mit anschließend smarter Empfehlung. Dieser Prozess steigert die Conversion-Rate, indem unpräzise Anfragen durch gezielte Auswahlmöglichkeiten vervollständigt werden, bevor eine finale Empfehlung durch den KI-Agenten erfolgt.
1. Vorqualifizierung
In einem Beratungsgespräch müssen häufig lückenhafte Anforderungen vervollständigt werden. Um eine qualitative Empfehlung ausgeben zu können, wird daher ein vorgeschalteter Prozess zur Datenaufnahme genutzt. Nutzer:innen geben Präferenzen (z. B. Geschmacksrichtung, Budget oder Anwendungsbereich) über ein Formular an. Erst nach Vorliegen aller notwendigen Informationen übernimmt ein spezialisierter KI-Agent die Auswertung und Beantwortung der Anfrage. Dabei nutzt die Lösung LLM-Funktionalitäten, um auch ungenaue Formulierungen oder ähnliche Konzepte sicher zu erkennen (z. B. "erdbeerig" als "Fruchtgeschmack").
Die Nutzung von Formularen stellt die effizienteste Methode dar, um Anfragen flexibel vorzuqualifizieren und so Nutzer:innen strukturiert zu beraten.
- Struktur: Multiple-Choice-Fragen eignen sich für eine gezielte Bedarfsanalyse, während Freitextfelder flexiblen Input ermöglichen.
Hinweis: Die Multiple-Choice-Bäume sollten nicht zu tief verschachtelt werden, um die Übersichtlichkeit für Administrator:innen und Nutzer:innen zu wahren. - Zielführend: Der Gesprächsverlauf bleibt linear und übersichtlich.
- Übergabe: Nach Abschluss wird der gesamte Gesprächskontext an einen KI-Agenten übergeben, der die Daten mittels einer KI-Aktion verarbeitet.
Das Erstellen von Formularen ist in diesem Artikel beschrieben.
Zur Einhaltung eines fest vorgegebenen Gesprächsablaufs kann die Eingabeleiste während der Datenaufnahme gesperrt werden. Da dies die natürliche Gesprächsführung einschränkt, sollte diese Option jedoch bewusst gewählt werden. Wie die Eingabeleiste gesperrt wird, ist in diesem Artikel beschrieben.
2. Technische Anbindung und Datenverarbeitung
Damit der KI-Agent basierend auf der Vorqualifizierung Empfehlungen aussprechen kann, benötigt er Zugriff auf eine Datenquelle. Befindet sich die Quelle in der Knowledge Base, eignet sich eine CSV KI-Aktion. Ist die Quelle eine externe Datenbank, erfolgt der Zugriff mit einem Webhook.
Für den Erfolg der Beratung sind Datengrundlage und die präzise Gestaltung der Instruktionen der KI-Aktion entscheidend:
- Strukturierte Datengrundlage: Die Datenbasis wird als strukturierte CSV-Datei mit sprechenden Spaltentiteln in die Knowledge Base des KI-Chatbots hochgeladen. Was bei einer CSV-Datei zu beachten ist, wird in diesem Artikel beschrieben. Eine saubere Struktur ist ebenfalls Voraussetzung für eine erfolgreiche Anbindung an eine Produktdatenbank.
- Pre- und Post-Prompts: Anweisungen müssen definieren, wie die Daten vor und nach der Ausführung verarbeitet werden.
- Formatierung: Anforderungen für die Ausgabe der Ergebnisse, z. B. als Aufzählungspunkt oder mittels Slides mit Bildern.
- Technische Begriffe: Die Verwendung von Begriffen wie „User Query“ in den Instruktionen für die Angaben der Nutzer:innen und die Nutzung der Spaltentitel der Datenbank unterstützt die KI bei der fehlerfreien Zuordnung.
Eine genaue Anleitung zur Einrichtung der CSV KI-Aktion findet sich in diesem Artikel.
Alternativ zur CSV-Datei erfolgt die Anbindung direkt an eine externe Produktdatenbank oder Integrationen (z. B. Shopify) mittels Webhooks. Dies ermöglicht die dynamische Aktualisierung von Sortimenten oder Verfügbarkeiten in Echtzeit, ohne manuelle Uploads. Die Anwendung eines Webhooks ist in diesem Artikel beschrieben.
Ergebnissteuerung
Für eine optimale Lesbarkeit im Chat-Format wird empfohlen, die Ausgabe auf maximal zehn Ergebnisse zu begrenzen. Eine Ausgabe ausnahmslos aller Ergebnisse oder immer wieder identischer Ergebnisse kann nicht sichergestellt werden, da der KI-Agent jede Empfehlung neu evaluiert und die LLM-Funktionsweise eine Varianz mitbringt. Für solch eine Funktionsweise können alternativ vollständig redaktionelle Inhalte aufgesetzt werden.
Die Qualität der Empfehlung hängt unmittelbar von der Sauberkeit und Vollständigkeit der Datensätze ab.
3. Anwendungsbeispiele
|
Branche |
Anwendungsfall |
Beschreibung |
|
E-Commerce |
Hauttypberatung |
Dermatologische Eigenschaften & Ziele (z. B. Hauttyp, Poren größer wirken lassen) werden auf Pflegeprodukte gemappt, um aus einem umfangreichen Katalog exakte Treffer zu generieren. |
|
Versicherungswesen |
Tarif-Vorqualifizierung |
Durch die Abfrage von Lebensumständen und Risikoabdeckung erfolgt eine präzise Vorqualifizierung für komplexe Tarifstrukturen. |
|
Bildungswesen |
Ausbildungs- & Studienorientierung |
Qualitative Analyse von Interessen und Qualifikationen zur Identifikation passender Ausbildungsberufe, Studiengänge oder Weiterbildungsangebote. |
|
Immobilien |
Objekt-Finder |
Abfrage von Budget, Zimmeranzahl und Lage filtert passende Objekte aus einer CSV-Liste. |
|
Software/SaaS |
Paket-Konfigurator |
Ermittlung der benötigten Funktionen und Nutzer:innenanzahl zur Empfehlung des passenden Tarifs. |
Anwendungsbeispiel: Automatisierte Produktberatung (Tee-Berater)
Am Beispiel des Tee-Beraters lässt sich der Prozess einer strukturierten, KI-gestützten Produktberatung verdeutlichen. Ziel ist die Überführung allgemeiner Nutzerwünsche in präzise Produktempfehlungen auf Basis einer umfangreichen, in der Knowledge Base hinterlegten Datenbank.
Der Beratungsprozess (Ablauf)
- Einstieg/Auslösung: Die Beratung wird gezielt über einen Aktions-Button (z. B. im Teaser oder in der Begrüßung) gestartet, um Nutzer:innen aktiv in den Beratungsprozess zu führen.
- Strukturierte Vorqualifizierung: Ein Formular führt die Nutzer:innen durch einen gezielten Abfragestrang mit Multiple-Choice-Optionen. Hierbei werden Präferenzen wie die Tee-Kategorie (z. B. Früchtetee, Schwarztee), spezifische Geschmacksprofile (z. B. „fruchtig“ oder “Zitrus-Note”) und konkrete Geschmacksrichtungen (z. B. Waldmeister, Melona) ermittelt.
- Kontextübergabe: Nach Abschluss der Abfrage wird der gesamte Gesprächsverlauf als gesammelter Kontext an einen spezialisierten KI-Agenten übergeben.
- Datenabgleich via KI-Aktion: Der KI-Agent nutzt eine CSV KI-Aktion, um die hinterlegte Produktdatenbank (CSV-Datei mit über 300 Artikeln) nach Übereinstimmungen zu durchsuchen.
- Generierte Empfehlung: Auf Basis der zurückgegebenen Fakten erstellt der KI-Agent eine individuelle Antwort, die passgenaue Produkte inklusive Details wie Ziehzeit, Artikelnummer und einem direkten Link zur Produktseite ausgibt.
CSV KI-Aktion für die Tee-Beratung
Für eine präzise Identifikation der Produkte werden in der CSV KI-Aktion spezifische Instruktionen für die Verarbeitung der Datenbankfelder (z. B. Artikelname, Geschmacksrichtung, Bio-Status) hinterlegt.
- Anweisungen vorher (Analyse): „Entnehme Kategorie, Geschmacksbild und Geschmacksrichtung aus dem bisherigen Gesprächsverlauf. Formuliere die user_query so, dass gezielt nach diesen Merkmalen in der Datenbank gesucht wird“.
-
Anweisungen nachher (Ausgabe): „Gib die passenden Tees mit Artikelnummer, Kategorie und Link aus. Formatiere die Antwort in Stichpunkten. Falls die gewünschte Kombination nicht verfügbar ist, teile dies freundlich mit“.
