Het ontrafelen van menselijke interactiepatronen: Leren van geautomatiseerde emotie-detectie in de context van consumentenpensioenen

Kunstmatige intelligentie (AI) maakt zich in steeds meer onderdelen van ons leven kenbaar en verbetert de efficiëntie en effectiviteit van onze dagelijkse activiteiten (AI100 2016). Met name pensioenaanbieders kunnen van deze ontwikkeling profiteren. Ondanks de enorme investeringen in arbeidskrachten en software bij callcenters, weten aanbieders maar ongeveer de helft van de vragen van klanten op een bevredigende manier op te lossen (Upbin 2013). Kennis van emoties is cruciaal voor een succesvolle dienstverlening in het algemeen (Mattila en Enz 2002) en pensioenbeslissingen van consumenten in het bijzonder (Bruine de Bruin 2016). Het niet herkennen van en adequaat reageren op emoties kan in het nadeel werken van zowel de aanbieder als de klant (Grandey 2003, Henkel et al. 2017b).

Het voorgestelde onderzoek komt tegemoet aan herhaalde verzoeken om de kenmerken en processen van emotiecycli in dienstinteracties te analyseren (zie Hareli en Rafaeli 2008). Verder wordt onderzocht hoe de emoties van de ene partij de emoties van de andere partij kunnen beïnvloeden. Een klant kan bijvoorbeeld de pensioenuitvoerder benaderen om zijn/haar bezorgdheid en angst of woede te uiten. Hoe gaat de tussenpersoon daarmee om? Hoe zal het de tussenpersoon en zijn/haar reactie beïnvloeden? Wat is de ideale reactie? Hiertoe wordt in het BISS-instituut een prototype van nieuwe technologie ontwikkeld om emoties te detecteren in mondelinge gesprekken van APG en PGGM met hun klanten. De technologie maakt gebruik van single- en multi-label machine learning-modellen (Bromuri et al. 2014), gecombineerd met op gebeurtenissen gebaseerde waarschuwingssignalen (Bromuri et al. 2016) voor de tussenpersonen.