Was ist AMD (Anrufbeantwortererkennung)?

Die Anrufbeantwortererkennung (auch bekannt als AMD) ist eine Technologie in ausgehenden Wählgeräten, die innerhalb der ersten Sekunden eines eingehenden Anrufs erkennt, ob ein Mensch oder ein Anrufbeantworter den Anruf entgegennimmt. Je nach dieser Klassifizierung leitet das Wählgerät den Anruf entweder an einen Mitarbeiter weiter (menschlicher Gesprächspartner) oder bearbeitet ihn automatisch (automatisch – typischerweise durch Abspielen einer vorab aufgezeichneten Nachricht oder durch Trennen der Verbindung).

Die Genauigkeit der Agentenauslastung (AMD) klingt simpel, ist aber eine der wichtigsten Komponenten jeder Outbound-Telefonie-Strategie. Sie beeinflusst direkt zwei entscheidende Unternehmenskennzahlen: die Agentenauslastung (wie viel Zeit Agenten mit echten Kunden verbringen) und die Kontaktrate (wie viele Live-Gespräche Ihre Kampagne pro Stunde generiert). Schon wenige Prozentpunkte Unterschied in der AMD-Genauigkeit können für ein mittelständisches Unternehmen Tausende von verlorenen oder gewonnenen Gesprächen pro Woche bedeuten.

Wie die traditionelle AMD-Technologie funktioniert

Die traditionelle AMD-Methode – seit über zwei Jahrzehnten Standard bei ausgehenden Wählgeräten – basiert auf der Analyse des Audiosignals in den ersten Momenten nach Verbindungsaufbau. Es gibt zwei Hauptverfahren:

Energie- und Daueranalyse

Sobald eine Verbindung hergestellt ist, analysiert das AMD-System die Audiowellenform. Es misst zwei Dinge: die Dauer des ersten Sprachsegments und dessen Energiemuster. Die zugrunde liegende Annahme ist, dass menschliche Begrüßungen kurz sind – „Hallo?“, „Ja?“, „Ich spreche“ – typischerweise unter 1,5 Sekunden, gefolgt von einer Pause, in der die Person auf eine Antwort wartet. Voicemail-Begrüßungen hingegen sind in der Regel länger (3–10 Sekunden ununterbrochene Sprache) und enthalten keine natürliche Pause, da es sich um einen vorab aufgenommenen Monolog handelt.

Das System wendet einen Entscheidungsschwellenwert an: Dauert die Sprache ohne Pause über eine voreingestellte Dauer hinaus an, wird der Anruf als Anruf einer Maschine eingestuft. Ist die Sprache kurz und folgt Stille, wird der Anruf als Anruf eines lebenden Menschen eingestuft.

Pieptonerkennung

Die zweite herkömmliche Methode erkennt den charakteristischen Ton – den „Piepton“ –, der das Ende der Voicemail-Begrüßung und den Beginn der Aufnahme signalisiert. Sobald das System einen Ton erkennt, der der erwarteten Frequenz und Dauer eines Voicemail-Pieptons entspricht (typischerweise ein 1-kHz-Ton von 0,5 bis 1 Sekunde Dauer), klassifiziert es den Anruf als Maschinenanruf.

Die Pieptonerkennung war ursprünglich als sekundäre Bestätigung nach der Energieanalyse gedacht. In einigen älteren Systemen wurde sie zur primären Erkennungsmethode. Der Anruf wurde in einem Erkennungspuffer gehalten, bis entweder ein Piepton ertönte (Maschine) oder ein Timeout ablief (angenommener Mensch).

Warum herkömmliche Signaltonerkennung versagt

Die traditionelle AMD-Technologie wurde für eine Telefonielandschaft entwickelt, die es heute nicht mehr gibt. Mehrere strukturelle Änderungen haben die auf Pieptönen und Energie basierende Erkennung zunehmend unzuverlässig gemacht:

Uneinheitliche Signaltöne bei verschiedenen Mobilfunkanbietern

Die Annahme, dass jedes Voicemail-System nach der Begrüßung einen standardisierten Signalton abspielt, ist nicht mehr zutreffend. Google Voice verwendet ein anderes Tonmuster als herkömmliche Voicemail-Systeme von Mobilfunkanbietern. Einige VoIP-Anbieter verzichten ganz auf den Signalton und beginnen nach einer kurzen Pause direkt mit der Aufnahme. Visuelle Voicemail-Systeme auf modernen Smartphones spielen möglicherweise gar keinen Signalton mehr ab, da das klassische Begrüßungs- und Aufnahmeverfahren durch eine visuelle Benutzeroberfläche ersetzt wurde. Anbieterspezifische Voicemail-Systeme im Nahen Osten, in Südasien und in Afrika verwenden andere Tonfrequenzen, -dauern und -muster als nordamerikanische oder europäische Systeme.

Grußvielfalt

Die energiebasierte Spracherkennung geht davon aus, dass langes Sprechen auf maschinelles und kurzes Sprechen auf menschliches Sprechen hindeutet. Diese Annahme trifft jedoch in vielen realen Situationen nicht zu. Manche Menschen antworten mit langen Begrüßungen – „Hallo, Sie haben John erreicht. Ich bin an meinem Schreibtisch. Wie kann ich Ihnen helfen?“ – was fälschlicherweise als maschinelles Sprechen eingestuft wird. Einige Voicemail-Systeme verwenden sehr kurze Standardbegrüßungen – „Bitte hinterlassen Sie eine Nachricht“ –, die als menschliches Sprechen interpretiert werden. In mehrsprachigen Märkten variieren die Begrüßungskonventionen je nach Sprache und Kultur. Arabische Begrüßungen enthalten beispielsweise häufig längere Grußformeln („As-salamu alaykum wa rahmatullahi wa barakatuh“), die den Schwellenwert für die Gesprächsdauer überschreiten und zu einem Fehlalarm führen können.

Netzwerkvariabilität

Internationale Anrufe, VoIP-zu-PSTN-Überbrückungen und Mobilfunknetzübergaben führen zu variabler Latenz und Beeinträchtigungen der Audioqualität. Paketverluste können Lücken im Audiostream erzeugen, die wie Pausen zwischen menschlichen Sprachsegmenten wirken. Jitter kann die scheinbare Dauer von Sprachsignalen verlängern oder verkürzen. Codec-Transkodierung kann die Frequenzcharakteristik von Pieptönen verändern. All diese Effekte fügen dem Signal Rauschen hinzu, auf das sich herkömmliche AMD-Algorithmen zur Klassifizierung stützen.

Das Problem mit der Standardbegrüßung des Mobilfunkanbieters

Viele Mobilfunkanbieter, insbesondere in Schwellenländern, spielen eine vom Anbieter bereitgestellte Standardansage ab, wenn der Teilnehmer keine persönliche Begrüßung aufgenommen hat. Diese Ansagen sind oft kurz, werden von einem professionellen Sprecher gesprochen und klingen sehr ähnlich wie ein echter Mensch, der den Anruf entgegennimmt. Herkömmliche automatische Spracherkennungssysteme (AMD) können nicht zwischen der Standardansage „Der Anrufer ist nicht erreichbar“ und dem echten „Hallo, hier ist Sarah“ unterscheiden – beides sind kurze, deutliche Ansagen mit anschließender Pause.

Wie KI-basierte AMD funktioniert

KI-basierte AMD verfolgt einen grundlegend anderen Ansatz für das Klassifizierungsproblem. Anstatt die Eigenschaften des Audiosignals (Dauer, Energie, Frequenz) zu analysieren, transkribiert es die ersten Sekunden der gesprochenen Sprache und klassifiziert sie anschließend. semantischer Inhalt was gesagt wurde.

Hier ist der Ablauf Schritt für Schritt:

Schritt 1: Audioaufnahme. Sobald die Verbindung hergestellt ist und die Audioübertragung beginnt, zeichnet das AMD-System die ersten 2-4 Sekunden der Sprache des Gesprächspartners auf.

Schritt 2: Spracherkennung und Texttranskription. Die aufgezeichneten Audiodaten werden von einem Spracherkennungsmodell verarbeitet und in Text umgewandelt. Dieses Modell muss die gesprochene Sprache unterstützen – eine entscheidende Voraussetzung für mehrsprachige Anwendungen.

Schritt 3: Textklassifizierung. Der transkribierte Text wird mithilfe eines Klassifizierungsmodells analysiert, das feststellt, ob der Inhalt mit Mustern übereinstimmt, die mit Reaktionen von Live-Menschen oder Voicemail-Begrüßungen in Verbindung stehen.

Beachten Sie den Unterschied, wie die einzelnen Antworttypen typischerweise in schriftlicher Form klingen:

• Menschliche Verhaltensmuster: "Hallo?" / "Ja?" / "Hier spricht jemand?" / "Wer ist da?" / "Alo?" (Türkisch) / "Haan bolo" (Hindi) / "Naam" (Arabisch) — kurze, fragende, erwartungsvolle Antworten.
• Voicemail-Muster: „Die Person, die Sie anrufen, ist nicht erreichbar. Bitte hinterlassen Sie eine Nachricht nach dem Signalton.“ / „Hallo, Sie haben [Name] erreicht. Ich kann Ihren Anruf momentan nicht entgegennehmen…“ / „Al-shakhs alladhi tattasil bihi ghayr mutah…“ (Standardansagen des arabischen Anbieters) – längere, informative Ansagen.

Schritt 4: Konfidenzbewertung und Entscheidung. Der Klassifikator liefert einen Konfidenzwert. Überschreitet dieser den konfigurierten Schwellenwert, wird die Klassifizierung sofort angewendet. Liegt der Wert darunter, kann das System zusätzliches Audiomaterial aufzeichnen, bevor es eine endgültige Entscheidung trifft. Dieses gestaffelte Verfahren reduziert sowohl Fehlalarme als auch die Erkennungsverzögerung.

KI-AMD vs. traditionelles AMD: Vergleich

Dimension	Traditionell (Piepton/Energie)	KI-basiert (Transkriptklassifizierung)
Nachweismethode	Audiosignalanalyse: Dauer, Energie, Pieptonfrequenz	Spracherkennung und anschließende semantische Inhaltsklassifizierung
Sprachunterstützung	Theoretisch sprachunabhängig, aber auf englischsprachige Begrüßungsmuster und die Pieptöne von US-amerikanischen/britischen Mobilfunkanbietern abgestimmt.	Erfordert sprachspezifische Transkriptionsmodelle; die Genauigkeit skaliert mit der Sprachabdeckung.
Genauigkeit bei englischen Anrufen	Angemessene Qualität bei US-Festnetzanschlüssen mit Standard-Voicemail. Deutliche Unterschiede bei VoIP, Mobilfunk und nicht standardmäßigen Begrüßungen.	Durchgehend höhere Genauigkeit, da die Klassifizierung auf der Bedeutung und nicht auf Audioeigenschaften basiert.
Genauigkeit bei Anrufen in anderen Sprachen.	Mangelhaft. Dauer- und Energieschwellenwerte, die für englische Begrüßungsmuster kalibriert wurden, führen bei Arabisch, Hindi, Türkisch und anderen Sprachen mit abweichenden Begrüßungskonventionen zu hohen Fehlalarmraten.	Hohe Genauigkeit, wenn das Transkriptionsmodell die Zielsprache unterstützt. Die Begrüßungsmuster jeder Sprache werden unabhängig voneinander erlernt.
Falsch-Positiv-Rate	5–15 % abhängig vom Markt und dem Anbietermix	Unter 3 % in internen Pilotbedingungen über alle unterstützten Sprachen hinweg
Variante der Mobilfunk-Voicemail	Reagiert empfindlich auf Unterschiede im Trägersignal. Pieptonfrequenz, -dauer und -häufigkeit variieren. Erfordert fortlaufende manuelle Feinabstimmung.	Weitgehend unempfindlich gegenüber Trägerschwankungen, da das System Inhalte und nicht Tonmuster klassifiziert.
Erkennungslatenz	1-3 Sekunden (wartet auf Erreichen einer bestimmten Sprachdauer oder auf einen Signalton)	2-4 Sekunden (wartet auf ausreichend Sprachmaterial für die Transkription und Klassifizierung)
Anpassung	Manuelle Anpassung der Schwellenwerte durch das Betriebsteam	Mieterbezogene Optimierung durch Agenten-Feedbackschleifen – Agenten können Fehlklassifizierungen melden, die zu Modellanpassungen führen.

Warum die Genauigkeit von AMD wichtig ist: Die Mathematik der falsch positiven Ergebnisse

Die geschäftlichen Auswirkungen der Genauigkeit von AMD werden oft unterschätzt, da die Fehlerraten prozentual gesehen gering erscheinen. Bezogen auf das Anrufvolumen einer typischen Outbound-Kampagne summieren sich diese kleinen Prozentsätze jedoch zu großen absoluten Zahlen.

Betrachten wir ein konkretes Beispiel:

Angenommen, ein Team von 50 Mitarbeitern im Bereich Predictive Dialing arbeitet in 8-Stunden-Schichten. Jeder Mitarbeiter bearbeitet ca. 150 Anrufe pro Tag. Das Team verbindet insgesamt ca. 7.500 Anrufe täglich. Davon erreichen ca. 35 % einen Mitarbeiter (2.625 Anrufe), während 65 % auf der Mailbox landen oder anderweitig nicht zielführend sind (4.875 Anrufe).

Betrachten wir nun die Fehlalarmrate – die Rate, mit der AMD einen lebenden Menschen fälschlicherweise als Voicemail einstuft und das Gespräch beendet:

• Bei einer Fehlalarmrate von 10 % (typisch für die traditionelle AMD bei nicht-englischsprachigen Anrufen): Täglich werden 263 Menschen von der Außenwelt getrennt. Hochgerechnet auf einen 22-tägigen Arbeitsmonat sind das 5.786 verlorene Gespräche. Bei jedem dieser Anrufe ging eine Person ans Telefon, hörte kurz Stille und wurde dann aus der Leitung geworfen.
• Bei einer Fehlalarmrate von 5 % (traditionelle AMD bei gut abgestimmten englischen Anrufen): Täglich gehen 131 Menschen von der Verbindung ab. Monatlich: 2.882 verlorene Gespräche.
• Bei einer Falsch-Positiv-Rate von 3 %: Täglich gehen 79 Menschen von der Verbindung ab. Monatlich: 1.738 verlorene Gespräche.

Die Differenz zwischen diesen beiden Zinssätzen beträgt 4.048 zusätzliche Live-Gespräche pro Monat Für dasselbe Team, dieselbe Liste, dieselben Arbeitszeiten. Die oben genannten Raten dienen lediglich der Veranschaulichung und stellen keine Anbieter-Benchmarks dar. Fragen Sie jeden Anbieter, auch uns, nach Zahlen, die auf einem Traffic basieren, der Ihrem ähnelt. Im Inkassobereich, wo jeder Kontakt mit dem richtigen Ansprechpartner einen messbaren Wert für die Beitreibung hat, oder im Vertrieb, wo jedes Gespräch einen Pipeline-Wert generiert, sind die Auswirkungen auf den Umsatz erheblich.

Die Kosten beschränken sich nicht nur auf verlorene Gespräche. Jeder Fehlalarm stellt einen negativen Kontaktpunkt mit der Marke dar – eine Person, die den Anruf entgegennahm und dann einfach aufgelegt wurde. In regulierten Branchen können übermäßig viele abgebrochene Anrufe Compliance-Prüfungen auslösen. In Märkten, in denen Verbraucherbeschwerden zur Sperrung von Rufnummern führen, beschleunigen Fehlalarme die Verschlechterung des Rufs der Anruferkennung.

Die mehrsprachige AMD-Herausforderung

Die Genauigkeit von AMD-Systemen ist nicht sprachübergreifend einheitlich. Traditionelle AMD-Systeme wurden primär für englischsprachige Märkte entwickelt – insbesondere für US-amerikanische und britische Mobilfunkanbieter mit standardisierten Voicemail-Systemen. Bei der Nutzung in anderen Märkten verschlechtert sich ihre Genauigkeit aufgrund mehrerer Faktoren deutlich:

Konventionen zur Länge von Begrüßungen. Arabische Begrüßungen können länger als drei bis vier Sekunden dauern und daher leicht zu Fehlalarmen führen. Hindi-Begrüßungen variieren stark je nach Region und Formalitätsgrad. Türkische Begrüßungen weisen andere prosodische Muster als das Englische auf. Jede Sprache hat ihre eigene „normale“ Begrüßungsdauer und -struktur.

Anrufbeantwortersysteme von Mobilfunkanbietern. Die Implementierung von Voicemail variiert je nach Land und Anbieter. Die Anbieter im Golf-Kooperationsrat (GCC) (Etisalat, STC, Ooredoo, du, Zain) verwenden jeweils unterschiedliche Standardbegrüßungen, Tonmuster und Verhaltensweisen. Ähnliche Unterschiede gibt es bei den südasiatischen Anbietern (Jio, Airtel, PTCL, Jazz). Europäische Anbieter (Vodafone, Orange, Deutsche Telekom) haben ihre eigenen Muster. Ein System, das für die Voicemail von AT&T und Verizon trainiert wurde, funktioniert bei du und Etisalat schlecht.

Code-Switching. In vielen Märkten wechseln Sprecher innerhalb einer einzigen Begrüßung zwischen verschiedenen Sprachen – Englisch und Arabisch in den GCC-Staaten, Hindi und Englisch in Indien, Urdu und Englisch in Pakistan. Herkömmliche automatisierte Begrüßungssysteme (AMD) bieten keine Möglichkeit, solche mehrsprachigen Begrüßungen zu verarbeiten. KI-basierte AMD mit mehrsprachiger Transkription kann Sprachwechsel hingegen auf natürliche Weise erkennen und verarbeiten, da sie Inhalte unabhängig von der verwendeten Sprache klassifiziert.

Wie sich die KI von DialerBee von AMD unterscheidet

DialerBee , entwickelt von BroadNet mit 22 Jahren Erfahrung im Telekommunikationsbereich, betrachtet AMD als ein Problem, das Mehrsprachigkeit in den Vordergrund stellt. Das bedeutet in der Praxis Folgendes:

Transkription und Klassifizierung in neun Sprachen. DialerBee AMD unterstützt Englisch, Arabisch, Spanisch, Französisch, Deutsch, Italienisch, Türkisch, Hindi, Urdu, Portugiesisch und Indonesisch. Jede Sprache verfügt über eine eigene Transkriptionsfunktion und sprachspezifische Klassifizierungsmuster. Es handelt sich nicht um ein einheitliches englisches Modell für alle Anrufe – jede Sprache wird durch Modelle verarbeitet, die die jeweiligen Begrüßungskonventionen, Netzbetreibermuster und kulturellen Normen berücksichtigen.

Die Klassifizierung basiert auf dem Transkript und nicht auf dem Piepton. DialerBee KI-gestützte Anruferkennung AI AMD erzielt in internen Pilotprojekten für alle unterstützten Sprachen eine Falsch-Positiv-Rate von unter 3 %. Die Ergebnisse variieren je nach Kampagne, Listenqualität, Anbieter, Region, Gesprächstempo und Workflow. Dies stellt eine deutliche Verbesserung gegenüber den für herkömmliche Systeme zur Pieptonerkennung typischen Falsch-Positiv-Raten von 5–15 % dar, insbesondere bei Anrufen in anderen Sprachen als Englisch.

Mandantenbezogene Optimierung. In einer Multi-Tenant-Umgebung (z. B. BPOs, die Kampagnen für mehrere Kunden durchführen, oder Reseller, die mehrere Endkunden bedienen) lässt sich das Verhalten des AMD-Systems mandantenspezifisch anpassen. Feedbackschleifen für Agenten ermöglichen es diesen, falsch klassifizierte Anrufe zu melden. Dieses Feedback fließt in die Modellanpassungen ein, die auf die spezifischen Verkehrsmuster des jeweiligen Mandanten zugeschnitten sind. Dies ist besonders wertvoll für Unternehmen, die sich in Nischennetze von Mobilfunkanbietern oder in bestimmte regionale Märkte einwählen.

Keine Abhängigkeit vom Signalton. DialerBee AMD verzichtet in keiner Phase auf die Erkennung von Pieptönen. Die Klassifizierung basiert ausschließlich auf dem transkribierten Inhalt der gesprochenen Sprache. Dadurch ist es immun gegen die anbieterspezifischen Pieptonvariationen, die herkömmliche Systeme beeinträchtigen – kein Piepton, ein nicht standardmäßiger Piepton, ein verzögerter Piepton oder mehrere Pieptöne führen alle zur gleichen korrekten Klassifizierung, da das System den Piepton von vornherein nicht benötigt.

Konfigurierbare Dispositionsaktionen. Wenn AMD einen Anruf als maschinellen Anruf erkennt, können Kampagnenmanager die Folgeaktion konfigurieren: Anruf stillschweigend beenden, eine vorab aufgezeichnete Voicemail-Nachricht abspielen (Voicemail-Ablage) oder an einen bestimmten IVR-Ablauf weiterleiten. Diese Aktionen sind pro Kampagne und pro Mandant konfigurierbar, sodass der Betrieb die volle Kontrolle über die Behandlung von als maschinell erkannten Anrufen hat.

Integration mit Predictive Dialing. Die Genauigkeit der AMD-Methode hat direkten Einfluss auf die Effektivität von Predictive DialingWenn AMD Voicemail-Anrufe korrekt herausfiltert, erhält der Vorhersagealgorithmus präzisere Informationen über die tatsächlichen Verbindungsraten und kann die Wählgeschwindigkeit genauer anpassen. Eine fehlerhafte AMD liefert dem Vorhersagealgorithmus falsche Daten, was zu einer Kaskade von Effizienzverlusten führt. Dank der engen Integration der KI-gestützten AMD und der Vorhersage-Engine von DialerBee verstärken sich beide Systeme gegenseitig.

Häufig gestellte Fragen

Wofür steht AMD in einem Callcenter?

AMD steht für Anrufbeantwortererkennung. Es handelt sich um eine Komponente eines ausgehenden Wählgeräts, die feststellt, ob ein eingehender Anruf einen Mitarbeiter oder eine Voicemail erreicht. Die Klassifizierung erfolgt innerhalb der ersten zwei bis vier Sekunden nach Verbindungsaufbau und entscheidet, ob der Anruf an einen Mitarbeiter weitergeleitet oder automatisch bearbeitet wird.

Wie genau ist die Anrufbeantwortererkennung?

Die Genauigkeit variiert je nach Technologie und Markt erheblich. Traditionelle automatische Anruferkennung AMD mit Piepton-Erkennung erreicht typischerweise eine Genauigkeit von 85–95 % bei englischsprachigen Anrufen in den USA mit Standard-Voicemail. Bei nicht-englischsprachigen Anrufen, Mobilfunknummern und VoIP Anschlüssen sinkt die Genauigkeit jedoch auf 80–90 %. KI-basierte AMD mit Transkription und Klassifizierung erzielt eine höhere Genauigkeit – die KI-basierte AMD von DialerBee arbeitet mit transkriptionsbasierter Klassifizierung. Die Ergebnisse variieren je nach Kampagne, Listenqualität, Anbieter, Region, Anruftempo und Workflow.

Worin besteht der Unterschied zwischen AMD und Voicemail-Erkennung?

Die Begriffe sind im Allgemeinen austauschbar. „Anrufbeantwortererkennung“ ist der branchenübliche Begriff, der von Dialer-Anbietern, Telekommunikationstechnikern und im Rahmen von Compliance-Vorschriften verwendet wird. „Voicemail-Erkennung“ ist ein umgangssprachlicherer Begriff mit derselben Bedeutung. Einige Systeme unterscheiden zwischen „Anrufbeantworter“ (einem physischen Gerät) und „Voicemail“ (einem vom Netzbetreiber bereitgestellten Dienst), aber im modernen Sprachgebrauch umfasst AMD beides.

Verursacht AMD eine Verzögerung, bevor der Anrufer den Agenten hört?

Ja. AMD benötigt eine kurze Audioanalyse, bevor der Anruf klassifiziert werden kann. Traditionelles AMD benötigt dafür in der Regel 1–3 Sekunden. KI-basiertes AMD benötigt typischerweise 2–4 Sekunden. Während dieser Zeit kann der Anrufer kurz Stille hören, bevor er mit einem Agenten verbunden wird. Diese „AMD-Verzögerung“ ist ein bekannter Kompromiss: Kürzere Erkennungsfenster ermöglichen eine schnellere Agentenverbindung, aber eine geringere Genauigkeit, während längere Fenster die Genauigkeit verbessern, aber die Stille für den Anrufer verlängern. Moderne Systeme optimieren dieses Gleichgewicht durch gestaffelte Konfidenzschwellen – Klassifizierungen mit hoher Konfidenz werden schnell angewendet, während unklare Fälle mehr Analysezeit erhalten.

Kann AMD deaktiviert werden?

Ja. Die meisten Dialer, einschließlich DialerBee, ermöglichen die Deaktivierung der automatischen Anruferkennung (AMD) pro Kampagne. Ist AMD deaktiviert, wird jeder eingehende Anruf direkt an einen Agenten weitergeleitet, unabhängig davon, ob ein Mensch oder ein Computer den Anruf entgegennimmt. Dadurch werden Fehlalarme vollständig vermieden. Allerdings müssen Agenten Voicemail-Anrufe manuell bearbeiten – sie hören die Begrüßung ab, erkennen, dass es sich um einen Computer handelt, und legen auf. Bei Kampagnen mit geringem Anrufvolumen, Preview-Dialing-Kampagnen oder Kampagnen, bei denen jeder Kontaktversuch wertvoll ist, kann die Deaktivierung von AMD die richtige Wahl sein.

Wie geht die KI von AMD mit Anrufen um, bei denen niemand spricht?

Wenn ein Anruf zustande kommt, aber innerhalb des konfigurierten Zeitfensters (typischerweise 3–5 Sekunden) keine Sprache erkannt wird, greift das System auf eine alternative Anrufklassifizierung zurück. Dies kann beispielsweise der Fall sein, wenn eine Person den Anruf entgegennimmt und stumm wartet, wenn ein Faxgerät verbunden wird oder wenn der Anbieter vor einer Systemansage eine Stille einspielt. In den meisten Fällen wird der Anruf an einen Agenten weitergeleitet (da davon ausgegangen wird, dass ein stummer Mensch wahrscheinlicher ist als ein stummes Gerät). Diese Konfiguration kann jedoch je nach Kampagne und den Prioritäten des jeweiligen Unternehmens sowie den Eigenschaften der angerufenen Liste angepasst werden.