Produkt & Features

KI, bitte übernehmen!

Seit 20 Jahren befassen uns mit der Idee, dass Software verstehen können soll, was ein Kunde will. Unsere ersten Versuche , das Kategorisieren von Kundenanliegen mit Hilfe von künstlicher Intelligenz zu automatisieren, waren ernüchternd. Die Klassifizierungsfähigkeiten der verfügbaren Algorithmen waren ungenügend und die benötigten Rechenressourcen zu hoch, um Künstliche Intelligenz (KI) produktiv einzusetzen.

Mit der Weiterentwicklung der Technologie und der heute zur Verfügung stehenden Rechenpower war es an der Zeit, diesen Versuch zu wiederholen und auszuprobieren, ob mit Hilfe von Machine Learning (ML) die Aufgabe der Zuordnung von unstrukturierten Kundentexten zu Kategorien automatisiert werden kann.

Während wir in unserem ersten Artikel zu KI und ML die allgemeine Entwicklung und Einsatzmöglichkeiten dargestellt haben, beschreiben wir in diesem Beitrag unsere aktuellen Ansätze, wie die Aufgabe „Kategorisieren von Kundenfeedback“ durch den Computer unterstützt bzw. übernommen werden kann. Bevor wir allerdings auf unsere konkreten Experimente eingehen, möchten wir vorab darstellen, welche Bedeutung das Kategorisieren von Sachverhalten im Kontext „Kundenservice“ hat.

Warum Kategorienbildung?

In jedem Augenblick, in jeder Konfrontation, suchen wir instinktiv nach Wegen, unsere Umwelt zu strukturieren, zu durchschauen oder zumindest einen Überblick über sie zu gewinnen. Hierbei helfen uns Modelle, die die Komplexität reduzieren, indem sie einen Teil der Wirklichkeit ausblenden oder verdrängen und uns so erlauben, dass wir uns auf das Wesentliche konzentrieren. Erst mit Hilfe dieser Modelle, die Simplifizierungen der Realität sind, sind wir in der Lage, in einer an sich chaotischen Umwelt sinnvolle Entscheidungen zu treffen.

Das fundamentalste Modell, zu dem das menschliche Denken fähig ist, ist dabei die Kategorisierung oder Kategorienbildung, bei der Objekte und Situationen in Gruppen, Untergruppen oder Begriffsklassen eingeteilt werden. Im Gegensatz zum bloßen Speichern von einzelnen Erfahrungsinhalten geht dem Kategorisieren ein Denkprozess voraus, der die Ähnlichkeit von Objekten und Situationen untersucht und bewertet. Durch die Kategorisierungsfähigkeit unserer Gehirne erreichen wir eine größere Verhaltensflexibilität bei gleichzeitiger zeitökonomischer Verbesserung des Entscheidungsprozesses.

Was folgt daraus für Ihr Unternehmen: Das organisationale Urteilsvermögen, die Fähigkeit, schnell, zuverlässig und wiederholbare Entscheidungen zu treffen, wird befähigt (und begrenzt) durch die Denkmodelle, die – bewusst oder unbewusst – in Ihrem Unternehmen vorherrschen. Vor diesem Hintergrund ist das zuverlässige Kategorisieren essentiell, um optimale Entscheidungen in Ihrem Unternehmen treffen zu können. Mit diesem Wissen ergibt sich die herausfordernde Aufgabe, ein Kategoriensystem für Ihr Unternehmen mit Bedacht und Weitsicht zu entwickeln und anzuwenden.

Die Notwendigkeit eines solchen umfassenden Kategoriensystems ergibt sich insbesondere im Kundenservice, da hier in besonderem Maße unstrukturierte Informationen aus einer Vielzahl von unterschiedlichen Quellen zusammenlaufen und verarbeitet werden müssen. Ein „energiesparendes“ Entscheiden ist nur möglich, wenn das Zuordnen zu Kategorien schnell, einfach und zuverlässig erfolgen kann.

Anforderungen an ein Kategorisierungssystem

An das im Kundenservice eingesetzte Kategoriensystem ergeben sich damit folgende Anforderungen: Das Kategoriensystem, also das Set an Merkmalen muss benennbar und minimal hinreichend sein, also möglichst wenige Merkmale enthalten und dennoch ausreichend umfangreich sein, um alle Sachverhalte, mit denen der Kundenservice konfrontiert wird, zu beschreiben.

Das Kategoriensystem muss sicherstellen, dass die relevanten Handlungsfelder ausreichend repräsentiert sind, um so eine hinreichende Informationsgrundlage für Entscheidungen der Geschäftsleitung zu ermöglichen. Am Beispiel einer Airline bedeutet dies konkret, dass der Kundenservice auskunftsfähig sein muss zu den „großen“ Themen: Wie viele Fluggäste haben sich bezüglich einer Flugverspätung beschwert? Wie viele Gäste haben einen Kofferschaden erlitten und wie viele Anfragen zu Umbuchungen mussten bearbeitet werden?

Darüber hinaus muss das Kategoriensystem es ebenfalls ermöglichen, „kleinere“ Themen angemessen abzubilden. Bei diesen Kategorien geht es weniger darum, die reine Anzahl der betroffenen Kunden und Vorgänge zu ermitteln, als vielmehr aus der Menge der Vorgänge ohne großen Aufwand diejenigen Vorgänge zu identifizieren, an denen einzelne Stakeholder ein besonderes Interesse haben.

Schließlich muss das Kategoriensystem es ebenso ermöglichen, die Vorgänge zu kennzeichnen, zu denen Unternehmen aufgrund gesetzlicher Vorschriften verpflichtet sind, gesondert Auskunft zu geben. So fordert etwa die kanadische Luftaufsichtsbehörde, dass Airlines Auskunft über die Anzahl von Beschwerden mit Musikinstrumenten geben. Hintergrund für diese kuriose Anforderung ist wohl der Vorfall, bei dem der kanadische Musikers David Carroll die Zerstörung seiner Gitarre während einer Flugreise mit United Airlines selbst mit ansehen musste.

Auch wenn das Kategorisieren primär den Informationsinteressen der Entscheidungsträger im Unternehmen dient, ist ein durchdachtes und gut strukturiertes Kategoriensystem ebenfalls hilfreich für den Mitarbeiter im Kundenservice, der die Aufgabe des Kategorisierens von Vorgängen hat. Beim Reflektieren über die richtige Zuordnung eines Vorgangs zu einer Kategorie, verschafft sich der Mitarbeiter für sich selbst Klarheit und Verständnis über den Vorgang. Dieses „Durchdenken“ erleichtert dem Mitarbeiter die Bearbeitung des Vorgangs und unterstützt das Treffen von angemessenen Entscheidungen. Zusätzlich kann der Mitarbeiter nach Feststellen der Kategorie in der Vorgangsbearbeitung durch targenio entlastet werden, indem targenio den Mitarbeiter etwa auf ähnliche Bearbeitungen hinweist, relevante Informationen zur ausgewählten Kategorie anzeigt oder passende Textbausteine für das Beantworten eines Vorgangs vorschlägt.

Kategoriensystem im Kundenservice

Der Wert eines Kategoriensystems ergibt sich aus der Nützlichkeit der Informationen, die mit Hilfe der Kategorien codiert werden. Allein hieraus ergibt sich, dass es keine allgemeingültigen Aussagen für den Aufbau eines Kategoriensystems geben kann. Allerdings haben wir durch die jahrelange Beschäftigung mit dem Thema „Kundenservice“ Erfahrungen gesammelt, wie ein Kategoriensystem aufgebaut und entwickelt werden sollte, die wir hier gerne teilen:

„Ex ante“ oder „Ex post“

Zunächst stellt sich die Frage, was und wann kategorisiert werden soll. Grob vereinfacht finden wir folgenden typischen Ablauf im Kundenservice:

  •  Input: Der Kunde richtet sein Anliegen an den Kundenservice per E-Mail, über ein Kontaktformular oder per Telefon.
  • Processing: Ein Kundenservicemitarbeiter versucht das Anliegen des Kunden zu verstehen, prüft und validiert die Angaben des Kunden, wägt ab und trifft dann eine Entscheidung.
  • Output: Anschließend führt der Mitarbeiter die getroffene Entscheidung aus, wählt beispielsweise eine Lösung und informiert den Kunden.

Üblicherweise verbessert sich Art, Qualität und Umfang der Informationen, je weiter eine Bearbeitung voranschreitet. Ist die Bearbeitung abgeschlossen, die Entscheidungen vollzogen und vom Kunden akzeptiert, werden die bis dahin fluiden Informationen fix. Daraus könnte abgeleitet werden, dass eine Kategorisierung erst nach der Bearbeitung – also ex post – erfolgen sollte.

Tatsächlich ist es aber so, dass sehr häufig bereits am Beginn einer Bearbeitung eine Kategorisierung erfolgt und diese meistens nur auf Basis der vom Kunden übermittelten Informationen. Das frühe Kategorisieren wird sofort verständlich, wenn man bedenkt, welchen Informationsbeitrag der Kundenservice innerhalb eines Unternehmens leisten kann: Der Kundenservice macht die Stimme des Kunden für das Unternehmen sichtbar. Durch die Besetzung der Schnittstelle Kunde zu Unternehmen bringt der Kundenservice die Kundenwelt in den Entscheidungskosmos des Unternehmens ein.

Zur Verdeutlichung ein anschauliches Beispiel aus der Airline Branche: Ob ein Flugzeug verspätet ist und den Passagieren Ansprüche auf Ausgleichszahlungen nach Fluggastrechte-Verordnung zustehen, weiß eine Airline meist schon bevor das Flugzeug überhaupt gelandet ist. Diese Informationen ergeben sich aus den operativen Systemen (z.B. Fluginformationssystem). Der Impact der Verspätung auf die Passagiere, die Wahrnehmung der Passagiere zum Handeln der Airline bei der Verspätung und ihre Reaktionen darauf – diese Informationen besitzt der Kundenservice exklusiv.

Hinzu kommt, dass eine „frühe“ Kategorisierung zu einer Versachlichung der Bearbeitung im Kundenservice führt. Durch die Kategorien werden die Emotionen aus der Kundenäußerung subtrahiert, so dass eine faktenbasierte, rationale Entscheidung möglich wird. Zusätzlich lässt sich nach dem Zuordnen der Kundenartikulation zu Kategorien die Fallbearbeitung leicht durch IT unterstützen.

Aufgrund dieser Überlegungen erfolgt das Kategorisieren regelmäßig ex ante – also am Anfang der Fallbearbeitung; Gegenstand der Kategorisierung ist dabei die Äußerung des Kunden.

(An dieser Stelle soll nicht unerwähnt bleiben, dass es häufig auch am Ende der Bearbeitung noch Kategorisierungen vorgenommen werden. Hier wird dann festgehalten, ob das Anliegen des Kunden berechtigt war, gelöst werden konnte oder welche Organisationseinheit als Problemverantwortlicher im identifiziert werden konnte. Diese Informationen werden für Qualitätssicherungen oder Root cause analysis benötigt. Das Kategorisieren von Problemursachen bleibt einem eigenen Beitrag vorbehalten).

Entwicklung eines Kategoriensystems für den Kundenservice

Nachdem nun feststeht, welche Informationen überhaupt kategorisiert werden sollen, stellt sich die Frage, wie ein sinnvolles und nützliches Kategoriensystem entwickelt werden kann. In der Theorie werden induktive und deduktive Methoden zur Kategorienbildung beschrieben – in der Praxis zeigt sich jedoch, dass keine der Methoden und Ablaufmodelle streng zur Anwendung kommen. Dieses undogmatische Vorgehen ist nachvollziehbar, da jedes Kategoriensystem im Unternehmen das Ergebnis von Verhandlungen ist, bei dem widerstreitende Interessen ausgeglichen werden müssen.

Zum einem erfordern die oben skizzierten Interessen („große“ und „kleine“ Themen, Erfüllung gesetzlicher Anforderung), dass Informationen mit unterschiedlicher Granularität zu Kategorien verdichtet und zusammengefasst werden. Zum anderen bewerten die verschiedenen Stakeholder im Unternehmen die Nützlichkeit der Aggregationen unterschiedlich. Zum Beispiel: Wenn es für das Bearbeiten eines Kundenanliegens im Kundenservice keinen Unterschied macht, ob der Kunde das Produkt A oder B gekauft hat – weil die Bearbeitung bei beiden Produkten identisch abläuft, so macht es für die Produktmanager von A und B doch einen erheblichen Unterschied, ob „ihr“ Produkt Gegenstand eines Kundenanliegens ist.

Hinzu kommen weitere Aspekte: Der Kundenservice benötigt ein Kategoriensystem, das schnell, einfach und zuverlässig das Kategorisieren der verschiedenen Kundenanliegen erlaubt. Da die Kategorien aus der Kundenartikulation abgeleitet werden müssen, ist es einfacher ein System zu nutzen, das aus Kundenperspektive heraus aufgebaut ist. Ein anderes Interesse hat unter Umständen das Management, das die Kundenanliegen aus Sicht der Aufbau- oder Ablauforganisation kategorisiert haben möchte.

Ein Kategoriensystem im Kundenservice ist ein Kompromiss: Ein Kategoriensystem, dass die „Order to Cash“ Kette abbildet oder entlang einer Customer Journey orientiert, hat sich nach unserer Wahrnehmung bewährt. Ein solches System lässt sich leicht erlernen (wichtig für den Kundenservice) und jeder Stakeholder findet sich ausreichend repräsentiert.

Daneben hat sich bewährt, die Sicht der Kunden mit der Wertschöpfungskette des Unternehmens zu „kreuzen“. So lassen sich die Kundenperspektive und die Unternehmenssicht zur Deckung bringen.

Struktur eines Kategoriensystems im Kundenservice

Für targenio haben wir für das Kategorisieren von Kundenanliegen – insbesondere für das Beschwerde- und Reklamationsmanagement – eine Methodik entwickelt, die den oben genannten Aspekten ausreichend Rechnung trägt und sich in der Praxis bewährt hat: Für das Kategorisieren sehen wir einen mehrstufigen Baum vor, der in vier Entitäten gruppiert ist:

  • Art des Kundenanliegens
  • Ort des Problemauftritts
  • Bezugsbereich
  • Kundenartikulation

Jede Entität kann wiederum mehrere Ebenen haben, damit auch umfangreiche Kategoriensysteme abgebildet werden können. „Art des Kundenanliegens“, „Bezugsbereich“ und „Kundenartikulation“ sowie die einzelnen Ebenen sind miteinander verkettet, so dass ausgehend von einem Blattelement alle vorhergehenden Knoten rekursiv ermittelt werden können. targenio ermöglicht es, eine Kundenartikulation mehreren Kategorien zuzuordnen. Dies vereinfacht die Pflege und Handhabung des Kategoriensystems und berücksichtigt, dass Kunden in ihrer Nachricht mehrere Themen an den Kundenservice adressieren können.

Bei „Art des Kundenanliegens“ wird der Wunsch, das Ersuchen oder Antrag des Kunden erfasst. Im Beschwerdemanagement sind dies die klassischen Anliegenarten: „Beschwerde“, „Wiederholungsbeschwerde“ und „Folgebeschwerde“. In anderem Kontext können dies beispielsweise die Anliegen „Anfrage“, „Bestellung“ oder „Lob“ sein.

Beim „Ort des Problemauftritts“ wählt der targenio Anwender die Organisationseinheit aus, die vom Anliegen des Kunden betroffen ist. Diese Entität ist optional, empfiehlt sich aber bei Flächenorganisationen bzw. Dienstleistungsunternehmen, wenn Zuordnungen von Anliegen zu Kunden-Touchpoints relevant sind. Alternativ kann an dieser Stelle ein konkretes Produkt oder eine Dienstleistung angegeben werden.

Der „Bezugsbereich“ repräsentiert die Wertkette des Unternehmens und kennzeichnet die konkrete Aktivität, auf die sich das Kundenanliegen bezieht. Gerade hier empfiehlt sich eine Nachbildung der Tätigkeiten in der Reihenfolge „Order to Cash“, da dies die Verortung im Kundenservice erheblich vereinfacht.

Nach dem „Bezugsbereich“ wird die Kategorisierung mit der Erfassung der „Kundenartikulation“ abgeschlossen. Hier wird das Kondensat des Kundenfeedbacks in konkreten Kategorien dokumentiert.

Kategorisierung eines Fluges mit targenio bei einer Airline
Kategorisierung eines Fluges mit targenio bei einer Airline

Diese Struktur erlaubt eine schnelle und einfache Zuordnung von Kundenfeedback und berücksichtigt die Auswertungs- und Informationsinteressen der verschiedenen Stakeholder im Unternehmen.

Anwendung des Kategoriensystems

Nachdem das Kategoriensystem entwickelt worden ist, bleibt die herausfordernde Aufgabe, das Kategoriensystem auch in der täglichen Praxis anzuwenden. Selbst wenn Kunden ihr Anliegen unterschiedlich artikulieren, sollen Sachverhalte durch die Mitarbeiter im Kundenservice einheitlich und neutral kategorisiert werden. Hierbei helfen Ankerbeispiele und ausführliche Kodierregeln, die zu einem Kodierleitfaden zusammengefasst werden. Mit Hilfe von Stichprobenauswertungen und qualitativen Analysen muss die Genauigkeit bzw. Verlässlichkeit der Kategorisierung durch die Mitarbeiter im Kundenservice kontinuierlich überwacht werden. Durch Schulungen und Anpassungen des Kategoriensystems sind ständige Nachjustierungen notwendig.

Um den Kundenservice beim Kategorisieren von Kundensachverhalten zu unterstützen und gleichzeitig weitere Automatisierungspotentiale zu realisieren, beschäftigen wir uns intensiv mit Machine Learning. Die Überlegungen dabei sind, dass die artikulierten Kundenanliegen mit Hilfe von künstlicher Intelligenz analysiert werden und mittels trainierter Algorithmen dem definierten Kategoriensystem zugeordnet werden.

Welche Erfahrungen wir hierzu gemacht haben, werden im folgenden Kapitel dargestellt.

Forschungsfrage und Versuchsaufbau

Damit wir beim Experimentieren mit Machine Learning fokussiert bleiben und aussagekräftige Ergebnisse erarbeiten, haben wir zunächst eine konkrete Forschungsfrage formuliert. Diese diente uns während unseres Forschungsprojekts als Leitfaden und als Gradmesser für Erfolg und Misserfolg.

Folgende Forschungsfrage haben wir formuliert: In welcher Qualität lassen sich Kundenschreiben mit Hilfe mithilfe von überwachtem Maschinellem Lernen kategorisieren?

Ausgangspunkt unseres Versuchsaufbaus sind Schreiben von Fluggästen, die an den Kundenservice einer unserer Airline-Kunden gerichtet worden sind. Diese Texte werden von Kunden über ein Kontaktformular im Internet eingegeben. Zusätzlich wählt der Kunde aus einer Liste aus, welches Anliegen er hat (zum Beispiel „Flugstornierung“ oder „Überbuchung / Nichtbeförderung“). Der Text sowie die getroffene Auswahl werden in unserer Kundenserviceanwendung targenio übernommen und an einen zuständigen Sachbearbeiter geleitet. Ein Mitarbeiter liest den Sachverhalt und kategorisiert das Anliegen im Kategoriensystem von targenio, das in Summe circa 230 Ausprägungen hat – bestehend aus Anliegenart, zwei Ebenen Bezugsbereich und zwei Ebenen Artikulation.

Damit liegen also zwei aufeinander bezogene Entitäten vor: Zum einen der unstrukturierte Kundentext, in dem der Kunden sein Anliegen artikuliert hat, zum anderen die durch einen Sachbearbeiter vorgenommene Klassifizierung dieses Textes. Der Sachbearbeiter hat also aufgrund seiner Erfahrungen und seines Expertenwissens den unstrukturierten Text in ein strukturiertes System überführt.

Auf Aufgabenstellungen dieser Art wird bei KI-Systemen üblicherweise überwachtes Maschinelles Lernen angewandt. Durch das Trainieren der KI „lernt“ die die Maschine, die Gesetzmäßigkeiten nachzubilden und das Expertenwissen aufzubauen, so dass die KI dieses Wissen auch auf unbekannte Texte anwenden und eine passende Kategorisierung finden kann.

Beim Machine Learning spricht man dabei von Features (hier: Kundentexte) und Labels (Kategorisierung).  Dem Machine Learning Algorithmus werden beim Training Paare aus Features and Labels “gezeigt” und der Algorithmus erlernt das zugrunde liegende Mapping. Er lernt also die Kategorien, die in den Texten stecken, zu generalisieren und nutzbar zu machen. Dieses generalisierte Mapping von Feature auf Label ist dann die eigentliche KI. Die Menge an Feature-Label Paaren, die einem ML Algorithmus zur Verfügung gestellt werden, um davon zu lernen, werden Lerndaten genannt. Nach dem Training kann die KI auf neue, ungesehene Features angewandt werden und ermittelt so das passende Label.

Lerndaten bereitstellen

Das Bereitstellen von Lerndaten für das ML Modell durchlief mehrere Arbeitsschritte: Zunächst haben wir festgelegt, mit welchen Daten wir den Algorithmus trainieren wollen. Um bereits in den Lerndaten möglichst wenig „Rauschen“ zu haben, wurden Kundentexte extrahiert, die von Fluggästen in deutscher Sprache verfasst worden sind und durch die Sachbearbeiter lediglich mit einer Kategorie klassifiziert worden sind (monothematische Kundenanliegen).

Nach Prüfung, ob für verschiedene Versuchsreihen eine ausreichend große Anzahl von Daten vorhanden ist, wurden die Daten in der Datenbank selektiert und anonymisiert und um schützenswerte Kunden- und Mitarbeiterdaten bereinigt. Ebenso wurden interne Bearbeitungsvermerke gelöscht, um für das Training möglichst unverfälschte Daten zu erhalten. Anschließend wurden die Daten aus der Datenbank im CSV-Format exportiert und an einem sicheren Speicherort für das Training der ML-Modelle bereitgestellt.

Das Kundenfeedback vor verarbeiten

Computer und Algorithmen arbeiten grundsätzlich mit Zahlen. Bevor die Kundenschreiben von der KI verarbeitet werden können, müssen die Texte vor-verarbeitet und in Vektoren umgewandelt werden (“preprocessing). Ein Vektor kann vereinfacht als eine Liste fixer Länge, die Nummern enthält, beschrieben werden. Beispielsweise lassen sich Ortsangaben als zweidimensionaler Vektor, bestehend aus Längen- und Breitengrad in einem Koordinatensystem, definieren. Ein Datenpunkt (ein Sample) fürs Machine Learning ist also ein Vektor, der den Datenpunkt mithilfe numerischer Werte möglichst gut beschreibt.

Für das Umwandeln von Texten in Vektoren werden verschiedene Verfahren angewandt und miteinander kombiniert: Eine Möglichkeit besteht darin, die Häufigkeit jedes Wortes des gesamten Vokabulars im umzuwandelnden Text zu zählen. Zusätzlich lassen sich die Worte noch nach ihrer umgekehrten, relativen Häufigkeit gewichten. Bestimmte und unbestimmte Artikel, Konjunktionen und häufig gebrauchte Präpositionen (sog. Stopwords), die in vielen Texten vorkommen und wenig Relevanz für das Textverständnis haben, werden dabei schwach gewichtet während seltenerer Begriffe (z.B. Fachbegriffe) höher gewichtet werden. Diese Gewichtung erleichtert dem Machine Learning Algorithmus, die wirklich relevanten Charakteristiken des Textes zu erkennen und zu verwenden. Dieses Verfahren nennt man TF-IDF (kommt von term frequency und inverse document frequency). Zusätzlich werden verbleibende Worte auf ihren Wortstamm beschränkt (Stemming). Durch das Einschränken des Vokabulars wird das ML-Modell weniger von sogenanntem Noise abgelenkt, und “kann sich darauf konzentrieren, was wirklich wichtig ist“.

CountVectorizer: Ein Text wird in eine Vektor durch Zählen der enthaltenen Worte in einen Vektor umgewandelt.

Diese Verfahren sind robust und liefern regelmäßig brauchbare Ergebnisse. Allerdings geht durch das einfache Zählen der Wörter die Reihenfolge der Wörter, Grammatik und Kontext verloren. Für anspruchsvolle Natural Language Processing Aufgaben wie Übersetzung oder Question-Answering kommen andere Methoden zur Anwendung. Bei modernen Deep Learning Modellen, die auf der Transformers-Architektur basieren, kommen sog. Tokenizer zum Einsatz. Dabei wird jedem möglichen Wort im Vokabular ein fester Ganzzahlwert (das Token) zugeordnet. Diese Modelle verarbeiten den Eingabetext dann in seiner Ursprungsform, nur dass Wort-Teile durch ihre jeweiligen Tokens ersetzt sind. Auf diese Weise wird die Reihenfolge bewahrt und der Sinn erhalten. Modelle, die solche Sätze aus Tokens verarbeiten und verstehen können, müssen allerdings ziemlich groß und leistungsfähig sein. Sie benötigen erhebliche Rechenleistungen sowei eine große Mengen an Lern- und Trainingsdaten.

Bei der Wahl des passenden Vektorizers und dem eigentlichen Machine Learning Modell muss zwischen Kosten und Nutzen abgewogen. Bei unserem Forschungsvorhaben, dem Mapping von Texten auf Kategorien – eine Aufgabe, die zu den einfacheren NLP-Task gezählt werden kann –, haben wir uns entschieden, das Vektorisieren durch Zählen in Kombination mit einem Nicht-Deep-Learning ML-Algorithmus zu verproben.

Auswahl eines ML Algorithmus

Sind die Daten exportiert, bereinigt und vektorisiert kann man einen geeigneten ML Algorithmus darauf trainieren. Die Auswahl eines geeigneten ML Algorithmus erfordert eine Erfahrung. Diese Erfahrungen kann man durch Ausprobieren sammeln oder man nutzt hierzu Entscheidungshilfen, mit denen eine Vorauswahl getroffen werden kann. Mit zahlreichen Programmier-Bibliotheken (z.B. diese Erweiterung für scikit-learn) lässt sich der Auswahl-Prozess auch automatisieren.

So nützlich solche automatisierten Auswahlverfahren auch sind, sollte nicht übersehen werden, dass möglicherweise Lernerfahrungen über die Daten und das Verhalten der einzelnen Algorithmen verloren gehen können. Erst beim mühevollen Ausprobieren der verschiedenen Algorithmen sammelt man die Erfahrung, welcher Algorithmus für die Aufgabenstellung und die eigenen Daten besser oder schlechter geeignet ist.

Für das Kategorisieren von Texten haben sich u.a. Naive Bayes und Support-Vector-bewährt. Oftmals werden auch sog. Ensembles verwendet. Dabei werden mehrere unterschiedliche ML Modelle trainiert und der Durchschnitt über deren einzelne Ausgaben gebildet, um die Ausgabe des Ensembles zu erhalten. Dadurch sollen die Vorhersagen robuster werden.

Grundsätzlich gilt: keine noch so gute Wahl des Modells kann schlechte Datenqualität kompensieren. Umgekehrt – das zeigen auch unsere Versuche – können bei guter Datenqualität mit mehreren verschiedenen ML Algorithmen brauchbare Ergebnisse erzielt werden können.

Wir haben uns nach mehreren Iterationen entschieden, unser Forschungsprojekt mit (lineare) Support-Vector-Machine fortzuführen, da diese gut performt und gleichzeitig noch relativ effizient ist. Für das Trainieren der Modelle fiel unsere Wahl auf scikit-learn. Das ist eine open-source Programmierbibliothek für die Programmiersprache Python. Python gilt als der quasi Standard unter ML Entwicklern und bietet eine sehr große und gute Palette an Frameworks und Toolkits für Maschinelles Lernen.

Das Training der Support Vector Machine

Support-Vector-Machines erlernen das Kategorisieren (im ML Kontext würde man sagen zu Klassifizieren), indem sie die optimale “Trennung” zwischen Datenpunkten (dargestellt als Vektoren) verschiedener Kategorien in den Trainingsdaten errechnen. Diese Trennung kann dann nach dem Training benutzt werden, um neue, zuvor ungesehene Datenpunkte einzuordnen.

Wir haben für jede der Kategorienebenen (Art des Anliegens, Bezugsbereich und Artikulation) ein eigenes Modell trainiert, also insgesamt fünf Stück. Damit haben wir bessere Ergebnisse erzielt als mit unserem zunächst gewählten Ansatz, ein Modell für alle Ebenen zu bauen.

Ergebnisse quantitativ auswerten

Um die Qualität der fünf Modelle bewerten zu können, haben wir ausführliche Tests gemacht, wobei das erste Testszenario aus ca. 100.000 Datensätzen bestand. Dazu haben wir 30% der Daten beim Trainieren zunächst zurückgehalten und als das Training mit den übrigen Datensätzen (ca. 70%) beendet war, konnten wir diese zum Testen heranziehen. Durch dieses Vorgehen konnten wir überprüft, ob das ML Modell wirklich die den Trainingsdaten zugrundeliegenden Konzepte erlernt hat und nicht bloß die Trainingsdaten auswendig gelernt hat (dieser Effekt würde als “Overfitting” bezeichnet)

Die Tabelle zeigt anhand eines Ausschnitts beispielhaft wie die Auswertung der Testdaten vereinfacht aussehen.

Jede Zeile gehört zu einer Kategorie und die Spalte Support enthält die Anzahl der Testdaten zur jeweiligen Kategorie. Die unterste Zeile gibt die Metriken für die Kategorien gemeinsam an. Diese exemplarische Auswertung bezieht sich auf das Modell, das wir für die Kategorisierungsebene Bezugsbereich 1 trainiert haben.

Mit den Metriken Precision und Recall lässt sich die Qualität von vorhergesagten Kategorisierungen quantifizieren. Precision ist ein Maß für die Genauigkeit und wird definiert als die relative Häufigkeit, dass eine Klasse richtig ist, wenn sie vorhergesagt wird. Recall hingegen ist die Trefferquote. Sie gibt die relative Häufigkeit an, dass ein Klasse auch als solche vorhergesagt wird. Der F1-Score ist eine Art Kombination von Precision und Recall. Gemeinsam geben diese Metriken soliden Aufschluss über die Performance bei Klassifikatoren.

                  precision    recall  f1-score   support

         Airport       0.81      0.82      0.81      4060
Customer Service       0.74      0.83      0.78       118
          Flight       0.81      0.75      0.78      8670
     Reservation       0.61      0.72      0.66      2416
     ...               ...       ...       ...       ...
     
        accuracy                           0.68     19145
    weighted avg       0.69      0.68      0.68     19145

Zudem sind beispielsweise 81% der Texte, die von der KI mit Label “Airport“ versehen wurden, auch tatsächlich (also vom Sachbearbeiter klassifiziert) “Airport”. Recall von 82% bei “Airport” bedeutet, dass 82% aller Texte, die tatsächlich “Airport” sind von der KI auch als solche erkannt worden.

Nachdem wir beobachten konnten, dass die Modelle gute Ergebnisse liefern, haben wir die Menge der Lerndaten vervierfacht und die Schritte von oben wiederholt. Dadurch wurden die Modelle besser und vor allem robuster gegenüber Sonderfällen.

Leistungsfähigkeit der KI nachvollziehbar machen

Für Menschen, die sich nicht täglich mit den Themen Künstliche Intelligenz und Automatisierung beschäftigen, ist Machine Learning „Voodoo“. Um Vertrauen in die Leistungsfähigkeit des ML Systems aufzubauen und die Ergebnisse nachvollziehbar und persönlich testbar zu machen, haben wir ein kleines Programm erstellt, mit dem

  • der Text des Kunden und die erfasste Kategorisierung eingefügt,
  • das ML Modell mit den Daten ausgeführt,
  • die Kategorisierung durch das Modell und vom Sachbearbeiter ausgegeben und
  • das Ergebnis kommentiert

werden kann.

Zu Beginn wird der Kundentext und die vom Sachbearbeiter in targenio erfasste Kategorisierung in das Feld „Sachverhalt“ kopiert. Der ML Algorithmus wendet dann sein antrainiertes Wissen an und es wird in der linken Spalte die Kategorisierung des ML angezeigt. In der rechten Spalte wird diese die vom Sachbearbeiter erfasste Kategorisierung gegenübergestellt, so dass ein unmittelbarer Vergleich zwischen Mensch und Maschine möglich ist:

Dieses Video zeigt einen Ausschnitt aus unserem Frontend zum Erkennen von Kundenanliegen aus Text, mit einem Beispiel, in dem die Vorhersage und die menschliche Kategorisierung identisch sind.

Da wir dieses Programm auch für unsere qualitativen Tests verwendet haben, kann zusätzlich zu jedem Testlauf der Name des Testers, das Testergebnis und eine Referenz auf den Original-Vorgangsdatensatz dokumentiert werden.

Das komplette Testsetup ist in folgendem Architekturbild dargestellt:

Die Architektur des KI Systems

Nach einigen Testläufen hat sich für uns folgendes Bild herauskristallisiert: Das von uns trainierte Modell kategorisiert einen Großteil der Kundentexte genauso wie die Sachbearbeiter im Kundenservice. Bei einem geringen Anteil der Testdatensätze ermittelte die KI eine fehlerhafte Kategorie. Und bei einem weiteren Großteil der getesteten Sachverhalte wich das Ergebnis der KI zwar von der Kategorisierung des Kundenservicemitarbeiters ab, war aber fachlich nicht falsch, sondern nur anders.

Als Ursachen für fehlerhaft klassifizierte Sachverhalte haben wir eine zu geringe Anzahl an Testfällen in den Lerndaten und redundante Einträge im Kategoriensystem identifiziert; daraus haben wir zwei Optimierungsschritte abgeleitet: Signifikante Erhöhung der Lerndaten und Priorisierung der Ergebnisse anhand der Struktur des Kategorienbaums in targenio.

ML Anwendung optimieren

Wie oben beschrieben hatten wir uns entschieden, für jede Ebene der Kategorisierung ein eigenes Modell zu trainieren. Dadurch war es möglich, dass der Algorithmus Kombinationen von Kategorien erlernen konnte, die in der Baumstruktur des Kategoriensystems von targenio gar nicht auswählbar sind.

Um dieses Problem zu heilen, haben wir uns eine Funktion der Modelle zunutze gemacht, dass nämlich die Modelle eine Wahrscheinlichkeit für alle möglichen Kategorien der jeweiligen Kategorienebene ausgeben. Diese Wahrscheinlichkeitsangaben habe wir einfließen lassen, indem wir für Gesamtvorhersagen diejenige Kategorisierung wählen, die größtmögliche Gesamtwahrscheinlichkeit (das Produkt der fünf einzelnen Wahrscheinlichkeiten) hat und gleichzeitig mit dem Kategorienbaum konsistent ist. Durch diesen Abgleich der Vorhersagen mit dem Kategoriensystem wurde die KI als Ganzes robuster.

Nach dieser Optimierung des Modells durch den Abgleich mit dem targenio Kategorienbaum und der Ausweitung der Lerndaten haben wir ein Modell realisiert, mit dem weit über 80% der Kundentexte richtig (in Sinne: entspricht der vom Sachbearbeiter vorgenommenen Kategorisierung) klassifiziert werden kann:

Beantwortung der Forschungsfrage, Lessons learned und Perspektive

Unser Projekt hat gezeigt, dass mit der heute verfügbaren Machine Learning Technologie unstrukturierte Kundentexte auf ein umfangreiches Kategoriensystem gemappt werden können und hierbei die Ergebnisse der KI zu mehr als 80 % mit den von Sachbearbeitern erfassten Kategorisierung übereinstimmen.

Sind > 80 % Übereinstimmung ausreichend, um ML produktiv im Kundenservice einzusetzen und die Mitarbeiter bei der Bearbeitung von Kundenanliegen zu entlasten? Ist die Qualität der ML Algorithmen also hoch genug?

Nach unserer Meinung ein eindeutiges JA!

Dieses “JA” stützt sich auf Überlegungen und Erkenntnissen, die wir im Laufe des Projekts und mit der intensiven Beschäftigung der Daten gesammelt haben:

  • Der verwendete Kategorienbaum ist in sich nicht eindeutig und widerspruchsfrei. Zudem ist er nicht ausreichend ausgewogen und “überbetont” bestimmte Sachverhalte bei gleichzeitigem Negligieren ganzer Bereiche.
  • Die Anwendung des Kategorienbaums erfolgt durch eine große Anzahl von Sachbearbeitern mit unterschiedlichen Skills und Erfahrungen. Von daher ist nicht anzunehmen, dass ein- und derselbe Kundentext durch verschiedene Mitarbeiter identisch klassifiziert wird.
  • Selbst bei gleich hoher Qualifikation und Motivation der Mitarbeiter verbleiben Zweifelsfälle, die legitimerweise unterschiedlich interpretiert und ausgelegt werden können.

Stellt man diese Überlegungen der aktuell ermittelten Übereinstimmung von 80 % gegenüber, dann ergibt sich ein akzeptables Niveau, zumal die KI Texte neutral, reproduzierbar und in gleichförmig klassifiziert.

Welche sonstigen Erkenntnisse haben wir durch unser Projekt gewonnen?

Wie zu erwarten, bestimmt die Menge und Qualität der Daten die Leistungsfähigkeit der KI. So konnten wir durch eine Erhöhung der Lerndaten von 100.000 auf 400.000 Datensätze eine signifikante Verbesserung der Ergebnisse erzielen. Die eingesetzten, frei verfügbaren open source Modelle erlauben einen wirtschaftlichen Einsatz von künstlicher Intelligenz für Aufgabenstellungen im Kundenservice. Durch geeignete Maßnahmen können die Ansprüche des Datenschutzes eingehalten werden.

Wie sind nun die Perspektiven?

Künstliche Intelligenz und Machine Learning sind bereit für den produktiven Einsatz. Die Treffsicherheit unseres ML Modells ist ausreichend hoch, um damit die nächste Ebene der Automatisierung zu erreichen und neue Use Cases umzusetzen. Welche das sind, zeigen wir in unserem nächsten Artikel dieser Serie auf.

Takeaway

  • Das Entwickeln eines Kategoriensystems, das zugleich nützlich und einfach ist, ist eine herausfordernde Aufgabe.
  • Unsere Versuche zeigen, dass KI-Algorithmen heute sehr gut und treffsicher unstrukturierte Texte zu Kategorien zuordnen können.
  • Mit dem Einsatz von Open Source Modellen kann KI heute leicht in Anwendungen integriert werden und die Effizienz bei der Bearbeitung von Kundenanliegen steigern.

targenio für Versicherer

targenio für Versicherungsunternehmen (auch VU-Template) ist speziell auf die Anforderungen und Arbeitsweisen von Versicherern für die Bearbeitung von Reklamationen und Beschwerden konzipiert.

Im Unterschied zum Workflow-Ansatz zur Bearbeitung von Kundenanliegen liegt der Schwerpunkt des VU-Templates auf der sorgfältigen Dokumentation eines Vorgangs, um Compliance-Anforderungen zu erfüllen und Daten für Auswertungen zur Verfügung zu stellen. Die eigentliche Bearbeitung findet – wie bei Versicherungsunternehmen üblich – direkt in den Bestandssystemen statt. targenio wird hier vorrangig zur Protokollierung einer ordnungsgemäßen Bearbeitung eingesetzt.

Auch wenn das konkrete Ausführen von Tätigkeiten in den zentralen Systemen des Versicherers stattfindet, erlaubt das VU-Template dennoch die Planung und Dokumentation von einzelnen Aufgaben. Ebenso ist es möglich, Aufgaben an andere Mitarbeiter über targenio zu delegieren und die Erledigung der überwiesenen Aufgaben zu protokollieren.

Die Funktionsweise des targenio VU-Template ist in folgendem Video dargestellt:

  • Vorgang: Bei unserer targenio Lösung für Versicherungsunternehmen werden Aktivitäten, wie zum Beispiel die Kategorisierung des Kundenanliegens oder die Erfassung einer Lösung, auf Vorgangsebene konsolidiert. Damit wird dem Bedürfnis Rechnung getragen, die Dokumentation eines Beschwerde-/Reklamationsvorgangs möglichst flexibel und einfach durchführen zu können.
  • Spezifische Felder: Das VU-Template sieht bereits typische Felder und Daten vor, die bei einem Versicherungsunternehmen bei der Bearbeitung von Kundenanliegen erfasst werden müssen, wie zum Beispiel Vertragsdaten und Vermittlerdaten oder Felder zum Protokollieren von Ombudsmann-Entscheidungen.
  • Bearbeitungsschritte: Der Anwender kann in beliebiger Reihenfolge die notwendigen Bearbeitungsschritte in targenio planen und erfassen. Diese Aufgaben können mit einem Termin versehen werden und an einzelne Mitarbeiter zur Bearbeitung übergeben werden. Das Erledigen dieser Aufgaben wird ebenfalls in targenio protokolliert.
  • Vorgang bleibt offen: Bis zum Erledigen des Vorgangs können alle Informationen inklusive der Kategorisierung und der erfassten Lösungen jederzeit geändert werden. Die Bearbeiter haben damit die vollständige Flexibilität für eine angemessene Dokumentation der Beschwerde- und Reklamationsbearbeitung.

Takeaway

  • Das targenio VU-Template unterstützt optimal die Anforderungen von Versicherungsunternehmen an eine Reklamations- und Beschwerdelösung.
  • Das VU-Template ist flexibel und einfach zu bedienen.
  • Mit dem targenio VU-Template erfüllen Versicherer alle Anforderungen der BaFin hinsichtlich Dokumentation und Auswertungen zu Beschwerden und Reklamationen der Versicherten.

Termine, Termine, Termine

Beim Designen von Prozessen muss nicht nur der Inhalt der Aufgabe und der Aufgabenträger bestimmt werden, sondern auch der Termin, bis zu dem die Aufgabe erledigt werden soll. Die Notwendigkeit, Aufgaben und Prozesse mit Terminen zu versehen, kann aus unterschiedlichen Gründen bestehen:

  • Gesetz: Es sind gesetzliche oder regulatorische Vorgaben einzuhalten. So sehen etwa die europäischen Fluggastrecht vor, dass Passagiere innerhalb von sieben Tagen die Kosten für ihr Flugticket erstattet werden muss, sollte die Verbindung von der Fluggesellschaft storniert werden.
  • Prozesse: Wertschöpfungsketten und interbetriebliche Abläufe kommen zum Stillstand, wenn Aufgaben nicht zu vereinbarten Terminen erledigt werden.
  • Kunde: Gegenüber Kunden gegebene Serviceversprechen („Sie erhalten Ersatzlieferung innerhalb von 24 Stunden“) können ansonsten nicht eingehalten werden.
  • Steuerung: Die Performance von Dienstleistern soll gemonitort werden. So erfolgt beispielsweise die Abrechnung von Leistungen externer Service- oder Call-Center auf Basis von Zeitvorgaben, die in Service Level Agreements geregelt sind.
  • Produktivität: Termine sind auch Ansporn für die Anwender und helfen ein hohes Produktivitätsniveau zu halten.
  • Verbesserung: Informationen zu Bearbeitungszeiten sind Grundlage für Prozessoptimierungen und helfen Verschwendung zu identifizieren.

Abhängig vom verfolgten Zweck und dem konkreten Einzelfall ist festzulegen, „was“ überhaupt mit einem Termin versehen und wie das Einhalten von Terminen bzw. Zeiträume gemessen werden sollen. Hierbei muss zunächst bestimmt werden, ob für

  • eine Aufgabe,
  • einen Teilprozess,
  • oder für den gesamten Vorgang

ein Termin definiert werden soll.

In unserer Praxis haben sich einige Grundlinien für die Festlegung von Terminen herausgebildet, die bezüglich dieser schwierigen Fragen eine erste Orientierung geben:

  • Soll mit einem Termin ein Serviceversprechen gegenüber den Kunden sichergestellt werden, dann ist es sinnvoll, einen Termin für den Abschluss des Gesamtprozesses zu definieren. Hier kann etwa festgelegt werden, dass mit Eingang des Anliegens im Kundenservice die Zeit zu laufen beginnt und sich danach der Termin für die abschließende Bearbeitung berechnet. Ein besonderes Augenmerk ist dabei darauf zu legen, dass der Abschluss der Bearbeitung aus Kundensicht bestimmt wird. Ansonsten besteht die Gefahr, dass Vorgänge vorschnell „zugemacht werden“, nur um den gesetzten Termin einzuhalten. Dieses Vorgehen provoziert in der Regel Folgekontakte, da das Anliegen aus Sicht den Kunden nicht zufriedenstellend gelöst worden ist.
  • Ist hingegen beim Bearbeiten eines Vorgangs immer eine bestimmte Organisationseinheit einzubeziehen (z.B. Einholen einer Stellungnahme bei Produktionsstätte A, B oder C), dann hat es sich bewährt, diese konkrete Aktivität (Stellungnahme abgeben durch Produktionsstätte) mit einem Termin zu versehen. So kann sichergestellt werden, dass die Bearbeitung nicht ins Stocken gerät, weil die Rückmeldung aus Produktion nicht vorliegt.
  • Sind die Vorgänge sehr unterschiedlich und weicht die Bearbeitung der Einzelfälle sehr stark voneinander ab, dann empfiehlt es sich den Bearbeitungsworkflow zu abstrahieren und für jeden Abschnitt dieses Metaprozesses Termine festzulegen. Dieses Vorgehen ist insbesondere dann immer richtig, wenn unterschiedliche Organisationseinheiten an einem Vorgang arbeiten und die Verantwortung für die Bearbeitung wechselt.
  • Bei Prozessanalyse sollen Schwachstellen und Ineffizienzen identifiziert werden. Hier liegt der Schwerpunkt in Regel auf der Messung von Liege- und Bearbeitungszeiten, um hieraus Optimierungen ableiten zu können.

Termine bei (länderübergreifenden) Zusammenarbeit

Wenn das Festlegen von Terminen schon schwierig ist und gut überlegt werden muss, ergeben sich weitere komplizierte Fragen, wenn die Bearbeitung durch verschiedene Akteure erfolgt – insbesondere, wenn diese in verschiedenen Zeitzonen arbeiten.

Was passiert mit einem Termin, wenn ein Mitarbeiter in einem Service-Center an der amerikanischen Westküste feststellt, dass für die Bearbeitung zwingend die Stellungnahme eines Kollegen aus Deutschland erforderlich ist? Findet in diesem Fall eine Neuberechnung des ursprünglichen Termins statt oder erfolgt eine Berücksichtigung erst im Reporting? Diese und weitere Fragen können auch nur mit Blick auf den verfolgten Zweck beantwortet werden. Liegt der Fokus auf dem Einhalten eines Serviceversprechens gegenüber einem Kunden, dann wird die Zeitverschiebung keinen Einfluss auf den Termin haben – denn: dem Kunden ist es egal, ob die internen Abläufe eine Einbindung eines Kollegen aus einer anderen Zeitzone erfordert. Sollen mit der Terminsetzung schwerpunktmäßig die internen Abläufe koordiniert werden, dann ist eine Neuberechnung des Termins sinnvoll.

Reporting: in-time/out-of-time und Zeiträume 

Das Einhalten von Terminen ist regelmäßig Bestandteil von Performance-Reports. Hier wird häufig angegeben, wie viele Vorgänge,  Prozessabschnitte oder Aktivitäten den definierten Termin eingehalten haben oder nicht (in-time/out-of-time).

Diese binäre Betrachtung wird häufig erweitert, indem zum Beispiel in-time/out-of-time des Gesamtprozesses in Beziehung gesetzt wird zu in-time/out-of-time eines Prozessabschnitts. Auswertungen dieser Art haben ein hohes Konfliktpotential, da sie leicht finger-pointing ermöglich („Ich konnte den Termin nicht halten, weil Du den Termin nicht gehalten hast“). Die hierbei zu lösende Herausforderung ist es, allen Beteiligten verständlich zu machen, dass bei ineinandergreifenden Aufgabenverteilungen jeder in der Verantwortung für das Einhalten der Termine ist.  

Neben Reports zu in-time/out-of-time treten Reports über die Bearbeitungsdauer. Die Definition der auszuwertenden Messstrecken kann sehr komplex werden und bedarf der Beantwortung vieler Fragen, wie zum Beispiel:

  • Sollen Wochenenden / regionale Feiertage bei der Berechnung der Dauer berücksichtigt werden?
  • Erfolgt die Berechnung unter Berücksichtigung von definierten Kernarbeitszeiten oder rein kalendarisch?  (Beispiel: Kunde schickt spätabends eine E-Mail. Ist der Startpunkt für die Messung der Eingang der E-Mail oder der Beginn der Regelarbeitszeit am nächsten Tag?)
  • Wie erfolgt die Berechnung, wenn die Art der Bearbeitung eines Vorgangs sehr stark von der modellierten Soll-Bearbeitung abweicht (Soll-Prozess sieht lediglich das Einholen einer Stellungnahme vor; im konkreten Vorgang mussten zwölf Stellungnahmen eingeholt werden)?
  • Wie wird mit „Langläufern“ umgegangen, die die Werte bei einer Durchschnittsbetrachtung erheblich beeinflussen? Langläufer können etwa entstehen, wenn für den Abschluss eines Vorgangs das Feedback des Kunden notwendig ist, der allerdings nicht reagiert.
  • Welche Auswertungscluster (0 bis 2h, >2h bis 6h etc.) sollen gebildet werden?

Auch diesen Fragen können nur unter Berücksichtigung der konkreten Auswertungsinteressen entschieden werden. Ihre Beantwortung sind Voraussetzung, damit der gesamte Komplex „Termine“ durch Software optimal unterstütz werden kann.

Takeaway

  • Aufgaben, Teilprozesse, Gesamtprozesse brauchen Termine, um eine ordnungsgemäße Bearbeitung sicherzustellen.
  • „Was“ mit einem Termin zu versehen ist, muss aus den übergeordneten Zwecken abgeleitet werden.
  • targenio ermöglicht eine effektive Steuerung über differenzierte Termine und erzeugt die Messpunkte, für durchdachte Auswertungen und Reports.

Vorgänge kollaborativ und parallel bearbeiten

Die Bearbeitung von Kundenanfragen in einer globalen Supply Chain erfordert die zeitgleiche Zusammenarbeit von mehreren Fachleuten in den verschiedenen Vertriebs- und Logistikstufen. Das folgende Praxisbeispiel beschreibt einen Bearbeitungsablauf mit parallelen Teilprozessen.

Ein Mitarbeiter in einer Vertriebsniederlassung wird von seinem Kunden mit der dringenden Bitte zur Beschleunigung seiner Lieferung angesprochen. Der Vertriebsmitarbeiter startet in seinem Auftragssystem einen targenio Vorgang zur Klärung eines neuen Liefertermins.
Mit Klick auf einen Button im Auftragssystem wird ein Teilprozess für die Eingangsprüfung in targenio gestartet. Dabei öffnet sich ein Dialog, der die relevanten Daten zum Auftrag anzeigt und mit Eingaben zum Wunschtermin und dem Grund der Anfrage angereichert wird. Im nächsten Schritt werden die erfassten Daten automatisch plausibilisiert und auf Vollständigkeit geprüft, beispielsweise ob zu dem Auftrag bereits ein Vorgang erfasst wurde oder ob dieser Mitarbeiter aus dem Vertrieb für diesen Kunden eine Beschleunigung des Liefertermins initiieren darf.
Bei erfolgreichem Durchlaufen der Eingangsprüfung wird regelbasiert der verantwortliche Supply Chain Agent (SCA) ermittelt und jeweils für den Mitarbeiter im Vertrieb und den SCA ein Teilprozess zur Bearbeitung dieser Kundenanfrage gestartet.
Der SCA prüft anhand einer Checklisten-Funktion den Vorgang und entscheidet damit über die weitere Bearbeitung.
Für die Beschleunigung einer Lieferung kann je nach Sachlage die Einbindung verschiedener Fachabteilungen erforderlich sein, wie z.B. das Lieferantenmanagement für die Beschaffung von noch ausstehenden Lieferungen, der Wareneingang für eine priorisierte Wareneingangsprüfung, die Montage/Fertigung, das Qualitätsmanagement, die Verpackung, der Zoll und/oder das Versandlager.

Über das Collaboration-Cockpit wählt der SCA die einzubindenden Ansprechpartner der Fachabteilungen aus, informiert diese und startet deren Teilprozess zur Bearbeitung der Anfrage. Zusätzlich setzt der SCA sein Wiedervorlagedatum.
Mit dem Collaboration-Cockpit behält der SCA jederzeit einen detaillierten Überblick zum Bearbeitungsfortschritt der Kundenanfrage.

Die eingebunden Fachabteilungen erhalten automatisiert eine E-Mail mit einem Link auf ihren Teilprozess; die Fachleute prüfen und bearbeiten anhand der für sie hinterlegten Checklisten die Anfrage zur Lieferpriorisierung. Bei Bedarf können die Fachabteilungen selbst weitere Fachleute über ihr Collaboration-Cockpit in die Bearbeitung einbeziehen.
Im Grundsatz verläuft die Bearbeitung in den Teilprozessen autark, jedoch beeinflussen sich die Prüf- und Bearbeitungsergebnisse der verschiedenen Teilprozesse wechselseitig.
Die Recherche- und Bearbeitungsergebnisse in den Teilprozessen lösen „Ereignisse“ aus, die den Bearbeitern in den anderen Teilprozessen angezeigt werden. Da verschiedene Ereignisse zeitgleich auftreten können und unterschiedliche Relevanz für die Bearbeitung eines Vorgangs haben, sind die Ereignisse logisch geordnet. Das wichtigste Ereignis bestimmt den Status eines Teilprozesses und bildet damit die Basis für eine priorisierte Bearbeitung.

So sind alle Bearbeiter über die verschiedenen Teilprozesse hinweg stets informiert und können über ihre weitere Bearbeitung mit den aktuellsten Informationen entscheiden.
Anhand der Bearbeitungsergebnisse der Fachabteilungen entscheidet der SCA ob er weitere Experten einschalten muss oder ob er dem Mitarbeiter im Vertrieb eine verbindliche Rückmeldung für seinen Kunden geben kann.

Takeaway

  • Der Nutzen der kollaborativen Bearbeitung mit parallelen Bearbeitungsprozessen für die Prozessteuerung liegt in der massiven Reduktion der Komplexität in den Workflows und erleichtert so die Automatisierung und Auswertung.
  • Zudem können Veränderungen und Anpassungen an den Workflows schneller und einfacher umgesetzt werden, da nur betroffene Teilprozesse und nicht ein komplexer Workflow geändert werden.
  • Im Tagesgeschäft erfolgt die Bearbeitung schneller durch die Parallelisierung von Aufgaben anstatt einer sequentiellen Bearbeitung.
  • Zusätzlich werden Bearbeitungsaufwände reduziert, da die Arbeitsergebnisse aus anderen Teilprozessen genutzt werden.
  • Für die Anwender verbessert sich die Usability erheblich, weil nur die Aufgaben im Teilprozess zu sehen sind, die konkret zu bearbeiten sind und nicht alle anderen Aufgaben, so wie dies bei komplexen linearen Workflows der Fall ist.

Geschäftsprozesse länderübergreifend automatisieren – Multicountryfähigkeit

Unternehmerischer Erfolgsfaktor Internationalisierung

Deutschland ist eine der führenden Exportnationen und die Internationalisierung ist einer der zentralen Erfolgsfaktoren für die deutsche Wirtschaft. Der Wikipedia Artikel benennt die unternehmerischen Vorteile: „Internationalisierung heißt die geografische Dezentralisierung der Unternehmenstätigkeit auf internationalen Märkten. Motive für Internationalisierung sind die Sicherung des Absatzes durch größere Marktnähe, die Senkung der Lohn- und Lohnnebenkosten, Umgehen von Importrestriktionen, Realisierung von Transportkostenvorteilen, Investitionsfördermaßnahmen durch die ausländischen Staaten sowie Unabhängigkeit von der Entwicklung der Devisenkurse.“

Anforderungen an Geschäftsprozesse

Die unternehmerischen Vorteile der dezentralen Organisation werden realisiert, wenn die Abläufe in den Geschäftsprozessen länderübergreifend abgebildet und automatisiert werden. Typische Komplexitätstreiber sind hier beispielsweise Unterschiede in der lokalen Aufbauorganisation, länderspezifische Regulatorien oder heterogene IT- und Datenversorgung.

Use Case multicountry Vorgangsbearbeitung

Daraus entsteht eine typische Aufgabenstellung für die länderübergreifende Automatisierung von Geschäftsvorgängen, wie in diesem Use Case aus unserer Praxis:

  • Ein B2B Kunde aus Japan löst einen Geschäftsvorgang per API Schnittstelle aus seiner Anwendung im targenio System aus.
  • Die Bearbeitung des Geschäftsvorgangs eines Kunden aus Japan erfolgt zunächst durch den zentralen Kundenservice für die Asia Pacific Region in Malaysia.
  • Der Bearbeiter im APAC Kundenservice benötigt für eine Entscheidung zum Geschäftsvorgang eine Bewertung des Lagers für APAC die Region in Singapur.
  • Die Rückmeldung mit der Bewertung des APAC Lagers übersteigt die Wertgrenze, über die der Kundenservice in Malaysia entscheiden kann und der Gesamtprozessverantwortliche in der Zentrale in Deutschland muss die Entscheidung freigeben.
  • Der Kunde und die an der Bearbeitung beteiligten Anwender erhalten mit der Freigabe automatisiert die Antwort.
  • Die Lösung des Geschäftsvorgangs wird im ERP System automatisiert verarbeitet und verbucht.

An der Bearbeitung dieses Vorgangs sind Anwender in vier unterschiedlichen Ländern, in unterschiedlichen Zeitzonen und mit unterschiedlichen Sprachen beteiligt. Der Kunde und die Bearbeiter des Geschäftsvorgangs erfassen und sehen die Daten zum Vorgang in ihrer Landessprache, in ihrer Landeswährung und Termine werden für ihre Zeitzone ermittelt.

multicountry Anforderungen an Business Software

Für die automatisierte Bearbeitung von multicountry Geschäftsvorgängen ermöglicht targenio

  • die Anzeige der Bedienoberfläche und der Katalogwerte in verschiedenen Sprachen,
  • im Kontaktmanagement die Verwendung von Vorlagen und Textbausteinen in den Kommunikationssprachen der Kunden,
  • die Umrechnung und Anzeige von Beträgen in der Konzern- und Landeswährung und
  • die Ermittlung und Anzeige von Terminen für die Zeitzone des Anwenders.

Die Screenshots zeigen die Sicht auf die gleichen Geschäftsvorgänge, die in unterschiedlichen Sprachen angezeigt und bearbeitet werden können:

Herausforderungen bei Implementierung von Lösungen

targenio ist von Grund auf für multicountry Geschäftsvorgänge ausgelegt. Nach unserer Erfahrung erfordern drei Aufgaben bei der Implementierung besonderes Augenmerk:

  • Begriffe in Masken und Meldungen werden gemäß den im Konzern üblichen Begriffen einheitlich übersetzt und hinterlegt. Mit einer Funktion im targenio Customizer werden alle Begriffe in eine Excel Tabelle exportiert, die nach Bedarf sortiert und übersetzt werden. Im Anschluss werden die übersetzten Begriffe wieder ins System importiert und können unmittelbar getestet werden.
  • Bei der Aggregation von mehrsprachigen Daten z. B. in der Aufgabenliste oder im Reporting entstehen durch das Verdichten von Daten aus mehreren Businessobjekten (z. B. Kontakt, Vorgang, Aufgabe) und den verschiedenen Sprachen große Datenmengen die dem Anwender sehr schnell angezeigt und bereitgestellt werden. Die Performanceoptimierung dieser Funktionen ist eine kontinuierliche Aufgabe während der Implementierung.
  • Neben der Anpassung der Oberfläche sind auch länderspezifische Anforderungen als Varianten im Prozess zu berücksichtigen. Beispielsweise erfordert jede Weblösung in China die Anzeige der ICP Lizenz oder in den Ländern sind verschiedene Zahlungsmethoden üblich (Scheck statt Überweisung). Der Behandlung von länderspezifischen Anforderungen in den Workflows wollen wir einen eigenen Blog Beitrag widmen.

multicountry Geschäftsvorgänge erfolgreich ausrollen und betreiben

Die Automatisierung von multicountry Geschäftsvorgängen geht über die technische Umsetzung hinaus. In weitere Blogbeiträgen befassen wir uns mit Themen wie dem Abbilden von länderspezifischen Abläufen und Anforderungen, mit Rolloutstrategien, der Sicherstellung von Stabilität und Performance in einer globalen IT-Infrastruktur sowie dem Access- / Usermanagement.

Takeaway

  • Die dezentrale internationale Organisation ist ein zentraler Erfolgsfaktor für Unternehmen.
  • Geschäftsvorgänge können länderübergreifend automatisiert werden.
  • targenio ermöglicht die übergreifende Bearbeitung mit Sprachen, Währungen und Zeitzonen.

Alle Daten auf einen Blick

Gute Entscheidungen gründen auf guten Informationen. Die Aufgabe der Informationsbeschaffung umfasst dabei Tätigkeiten wie die Suche nach Informationen, die Abfrage von Daten in verschiedenen Systemen, das Lesen und das Ermitteln von Antworten zu aufgeworfenen Fragen.
Nach unserer Erfahrung verwendet ein typischer Wissensarbeiter rund 15 Prozent seiner Zeit darauf, Informationen zu beschaffen, die er für das Treffen einer Entscheidung benötigt. Gleichzeitig ist der Informationsbeschaffungsprozess auch die höchste Quelle für Frustration und Verschwendung. Die Gründe hierfür sind unter anderem:

  • Benötigter Zeitaufwand für das Beschaffen der Informationen
  • Benötigter Zeitaufwand für das Validieren und Überprüfen von Informationen
  • Fehlende Standards, wie Informationen erfasst und vorgehalten werden
  • Identifikation der Kollegen, die die benötigten Informationen besitzen
  • Keine oder unvollständige Historie

Dies ist eine Herausforderung bei all unseren Kunden, für die wir mit targenio eine Lösung umsetzen. Unsere Zielsetzung hierbei ist, dem Sachbearbeiter möglichst umfassend alle vorhandenen Informationen, die üblicherweise über verschiedenen IT-Systemen verstreut sind, bedarfsgerecht aufzubereiten und in übersichtlicher Form darzustellen. Damit ersparen wir dem Sachbearbeiter die mühsame Recherche in diversen Systemen und das „Zusammenklauben“ von Informationsbruchstücken. Der Anwender hat so alle Informationen “auf einen Blick”, aufbereitet in einer Oberfläche, ohne zwischen Anwendungen hin- und herwechseln zu müssen.

Erreicht wird dies durch die Anbindung der relevanten Systeme, die entweder direkt über Schnittstellen (via Webservices oder XML-Datenimport) angesprochen werden, oder – falls vorhanden – über eine Middelware (z.B. MQ Series) angebunden werden. Dabei beschränkt sich targenio nicht darauf, die Informationen aus den Umsystemen lediglich 1:1 zu übernehmen und anzuzeigen, sondern es erfolgt eine Verarbeitung, Zusammenführung und Verdichtung der Daten

So gelingt es beispielsweise, Widersprüche in den Ausgangsdaten, wie sie durch ungenügende Datenpflege in verschiedenen Systemen immer wieder entstehen können, dem Anwender durch entsprechende Kennzeichnung aufzuzeigen. So weist targenio beispielsweise einen Anwender darauf hin, wenn Informationen in verschiedenen Versionen bzw. mit unterschiedlichen Ständen in Umsystemen verfügbar sind.

Das Sammeln der Informationen aus den verschiedenen Systemen erfolgt dabei automatisch im Rahmen einer Dunkelverarbeitung, so dass im Idealfall ein Sachbearbeiter direkt in die fachliche Prüfung eines Vorgangs einsteigen kann und keine Zeit mit der Datenrecherche verliert.

Praxisbeispiel targenio AIR

Das Bearbeiten von Kundenfeedback einer Airline, insbesondere zu Flugverspätungen, Annullierungen und Kofferschäden, ist anspruchsvoll und erfordert im Kundenservice Zugriff auf verschiedene Systeme.

Die speziell für Airlines entwickelte Lösung, die die spezifischen Prozesse einer Airline end-to-end unterstützt, unterhält Schnittstellen zu allen relevanten Systemen, wie zum Beispiel Ticket- und Buchungssystem, PNR und WorldTracer. Mit Eingang eines Kundenfeedbacks erfolgt eine Abfrage gegen die Systeme und die Informationen werden den Sachbearbeitern in übersichtlichen Dialogen angezeigt.

Screenshot targenio AIR
Anzeige Flugdaten in targenio AIR

Nutzung der Informationen 

targenio beschränkt sich jedoch nicht darauf, die Informationen aus den verschiedenen Systemen abzufragen und anzuzeigen: Die Informationen werden in targenio zum Kunden und zum Case verknüpft und stehen so für Automatisierungen und die Bearbeitung zur Verfügung, wie in diesen Beispielen:

  • Die von einer Schnittstelle übernommene PLZ des Kunden wird für die automatische Ermittlung der zuständigen Produktionseinheit herangezogen.
  • Der Reisepreis von einem Reiseauftrag, der über eine Schnittstelle mit einem targenio-Vorgang verknüpft wird, wird zur Prüfung der maximalen Kompensationshöhe verwendet.
  • Die Debitoren-Daten aus einer Dienstleisterdatenbank werden benutzt, um automatisch Regressforderungen gegen den Debitor aufzubauen.
  • In Schreiben an Kunden wird auf die Auftragsnummer referenziert, die aus einer Vertragsdatenbank übernommen worden sind.

Durch die vollständige Integration der Informationen in die targenio Abläufe entfallen im Kundenservice „lästige“ Routineaufgaben, so dass die Effizienz weiter gesteigert werden kann. 

Anzeigen und/oder Speichern der Informationen 

Bei jeder Implementierung von targenio ist neu zu entscheiden, in welchem Umfang die Informationen, die aus den Umsystemen abgefragt werden, auch in der targenio Datenbank selbst gespeichert werden sollen. Üblicherweise wird in targenio nur ein kleiner Ausschnitt der Daten aus dem Schnittstellensystem gespeichert, um Aufrufe gegen das Umsystem auf das notwendige Maß zu reduzieren. Ebenso werden die übernommenen Daten in targenio genutzt, um Automatisierungen zu realisieren bzw. um eine solide Datenbasis für Auswertungen zu schaffen. Die hierdurch entstehende “leichte” Datenredundanz ist regelmäßig unproblematisch, da festgelegt wird, welches System das “führende” System ist und unter welchen Bedingungen Datenbestände geändert werden dürfen. 

Informationen in targenio integrieren 

Die Architektur von targenio ist darauf ausgelegt, Informationen und Daten leicht aus verschiedenen Systemen abzufragen und zu übernehmen. Die Integration der Daten in das generische Datenmodell erfolgt dabei mit den targenio Designer, mit denen entsprechende Business Objekte und Masken und Dialoge modelliert werden. Für die Einbeziehung der Informationen in die Vorgangsbearbeitung werden Low-Code Regeln angewendet. 

Das Eingliedern der Informationen und Daten aus verschiedenen Systemen mit Hilfe der targenio Designer erfordert keine Programmierung und ist updatesicher. 

Takeaway

Der Nutzen der kollaborativen Bearbeitung mit parallelen Bearbeitungsprozessen für die

  • Prozessteuerung liegt in der massiven Reduktion der Komplexität in den Workflows und erleichtert so die Automatisierung und Auswertung.
  • Zudem können Veränderungen und Anpassungen an den Workflows schneller und einfacher umgesetzt werden, da nur betroffene Teilprozesse und nicht ein komplexer Workflow geändert werden.
  • Im Tagesgeschäft erfolgt die Bearbeitung schneller durch die Parallelisierung von Aufgaben anstatt einer sequentiellen Bearbeitung.
  • Zusätzlich werden Bearbeitungsaufwände reduziert, da die Arbeitsergebnisse aus anderen Teilprozessen genutzt werden.
  • Für die Anwender verbessert sich die Usability erheblich, weil nur die Aufgaben im Teilprozess zu sehen sind, die konkret zu bearbeiten sind und nicht alle anderen Aufgaben, so wie dies bei komplexen linearen Workflows der Fall ist.

Kundenservicevorgänge collaborative und sicher bearbeiten

Komplexität und Automatisierung im Kundenservice

Der Kundenservice bearbeitet kundenspezifische Vorgänge, die von den standardisierten Geschäftsprozessen abweichen. Einerseits müssen Kundenservicevorgänge schnell und effizient bearbeitet werden, andererseits ist die Komplexität sehr hoch: steigende Anzahl an Produkten und Tarifen, spezifische Kundensituation, Fehler/Abweichung in den Standardprozessen, dezentrale Organisationsstrukturen, heterogene Anwendungslandschaft. Dazu kommt die Erwartung und Anforderung, Kundenvorgänge kundenorientiert, d. h. sicher, schnell und freundlich, zu bearbeiten. Diese Gemengelage aus hohen Anforderungen und Komplexität lässt sich mit dem traditionellen Automatisierungsansatz auf Basis standardisierter Geschäftsprozesse nicht erfüllen.

Aufgabenstellung

Häufig schwanken der Aufwand und die Qualität der Bearbeitung für Kundenservicevorgänge sehr stark. Neben der Motivation von Mitarbeitern, ergeben sich die Unterschiede aus der Bandbreite im Fachwissen und der Erfahrung der Sachbearbeiter. Zudem fehlt die Transparenz, um Automatisierungspotentiale für die Steigerung der Produktivität systematisch und nachhaltig zu ermitteln.
Die Flexibilität bei der Auslastung von Bearbeitungskapazitäten ist stark eingeschränkt, wenn das Wissen nur in den Köpfen einzelner Mitarbeiter liegt. Bei Lastspitzen können die Vorgänge nur schwer unter den Sachbearbeitern verteilt oder die Vorgangsbearbeitung an Dienstleister ausgelagert werden.
Zielsetzung ist, alle Kundenservicevorgänge kundenorientiert und effizient zu lösen. Dazu werden sie strukturiert und sicher bearbeitet. Die Bearbeitungsaufwände in der Organisation werden minimiert und die Bearbeitungsschritte soweit als möglich automatisiert.
Die fachliche Lösung besteht aus einer vorgangsbezogenen Führung der Sachbearbeiter und der vollständigen Dokumentation der Prüf- und Bearbeitungsergebnisse. Auf dieser Basis erfolgt die Automatisierung von Aufgaben mit Funktionen (z. B. das Erstellen, Versenden und Dokumentieren einer E-Mail mit einem Klick) oder von Prozessen mit Workflows.

targenio Lösungsansätze

Je nach Vorgangsart, Reifegrad im Prozess, Aufbauorganisation und Mengen kommen verschiedene Module und Funktionen zum Einsatz. Wir unterscheiden drei Formen der Vorgangsbearbeitung nach Automatisierungsgrad:

Vorgänge bei denen die Anwender aus vorgegebenen Aufgaben auswählen und dabei selbst entscheiden, ob und in welcher Reihenfolge Aufgaben ausgeführt werden („Dynamic Case Management“).

Vorgänge, bei denen der Anwender durch vordefinierte Aufgaben geführt wird („Human Workflow“).

Und Vorgänge und Aufgaben, die automatisiert durch das System ausgeführt werden und bei denen die Sachbearbeiter nur für wenige Entscheidungen einbezogen werden („Workflow Driven Application“).

targenio unterstützt alle drei Formen der Vorgangsbearbeitung, wobei je nach Vorgangsart festgelegt wird, mit welchem Muster die Vorgangsbearbeitung begonnen wird. Je nach Konfiguration kann innerhalb eines einzelnen Vorgangs die Bearbeitungsart mehrfach gewechselt und angewandt werden. Für ein agiles Vorgehen kann beim Design der Bearbeitungsabläufe zunächst mit Case Management begonnen und die Automatisierung über human Workflow und vollautomatisierte Workflows schrittweise gesteigert werden.

Zusätzlich zur Automatisierung der Aufgaben unterstützt targenio bei der Erfassung oder Bearbeitung von Vorgängen mit spezialisierten Funktionen.

Anzeigen von Wissensartikeln
Bei der Erfassung oder dem erstmaligen Aufrufs eines Vorgangs durch einen Sachbearbeiter, können Artikel aus der targenio Wissensdatenbank angezeigt werden. Dazu werden Wissensartikel mit Kriterien wie der Kategorisierung oder z. B. Produkten/Tarifen verknüpft und automatisch aufgerufen, wenn ein Datensatz mit dem jeweiligen Kriterium erfasst wird.

Der Inhalt der Wissensartikel kann dediziert für eine Aufgabenstellung hinterlegt sein oder auf externe Quellen / Portale verweisen, wie z. B. auf eine Prozessdokumentation oder das Intranet.

Anzeigen von ähnlichen Vorgängen

Eine Funktion ermittelt zu einem aktuell geladenen Vorgang ähnliche Vorgänge, die sich der Sachbearbeiter anzeigen und an der Bearbeitung oder Lösung orientieren kann. Die Kriterien, nach denen ähnliche Vorgänge angezeigt werden, sind frei definierbar und werden in einer Regel hinterlegt.

Checklisten

Bei der Erfassung und insbesondere der Bearbeitung eines Vorgangs kommen Checklisten zum Einsatz, wenn die Bearbeitungsschritte außerhalb der targenio Anwendung erfolgen und/oder wenn die Bearbeitungsschritte kleinteilig sind und unmittelbar hintereinander ausgeführt werden. Die Ergebnisse der Checklisten-Aufgaben können in Form von Text oder eingefügten Screenshots dokumentiert werden.

Takeaway

Der Nutzen der kollaborativen Bearbeitung mit parallelen Bearbeitungsprozessen für die

  • Prozessteuerung liegt in der massiven Reduktion der Komplexität in den Workflows und erleichtert so die Automatisierung und Auswertung.
  • Zudem können Veränderungen und Anpassungen an den Workflows schneller und einfacher umgesetzt werden, da nur betroffene Teilprozesse und nicht ein komplexer Workflow geändert werden.
  • Im Tagesgeschäft erfolgt die Bearbeitung schneller durch die Parallelisierung von Aufgaben anstatt einer sequentiellen Bearbeitung.
  • Zusätzlich werden Bearbeitungsaufwände reduziert, da die Arbeitsergebnisse aus anderen Teilprozessen genutzt werden.
  • Für die Anwender verbessert sich die Usability erheblich, weil nur die Aufgaben im Teilprozess zu sehen sind, die konkret zu bearbeiten sind und nicht alle anderen Aufgaben, so wie dies bei komplexen linearen Workflows der Fall ist.

„automatisiere die Eingangsprüfung, halbiere die Bearbeitung“

Kundenservicevorgänge werden dezentral durch Mitarbeiter im Vertrieb und Kundenservice erfasst und kollaborativ mit zentralen Service Centern und Fachabteilungen bearbeitet.

Fehler, die bei der Erfassung eines Vorgangs gemacht werden, wie zum Beispiel fehlende, unvollständige oder gar falsche Informationen, verursachen erhebliche Bearbeitungsaufwände bei den mit der Bearbeitung befassten Stellen und führen zu Fehlentscheidungen mit erheblichen Folgekosten.

Zudem muss die Anlage von mehreren Vorgängen zum gleichen Sachverhalt, entweder als Dublette oder als Folgevorgang, dringend vermieden werden.

Zielsetzung ist, kundenspezifische Sachverhalte dezentral im Vertrieb und Kundenservice strukturiert zu erfassen und eine effiziente Bearbeitung zu ermöglichen.

  • Der Erfassungsaufwand ist dabei so gering wie möglich zu gestalten und auf ein zusätzliches Erfassungsool ist idealerweise zu verzichten.
  • Der Bearbeitungsaufwand bei den eingebundenen Stellen, wie einem zentralen Kundenservice und den Fachabteilungen, ist durch vollständige und richtige Daten so weit als möglich zu reduzieren.
  • Eine Rückmeldung zur Verarbeitung an den Erfasser soll durch das System oder nach manueller Prüfung automatisiert erfolgen.
  • Die Bearbeitung eines Kundenservicevorgangs erfolgt schnell und sicher end-to-end, d.h. mit dem betroffenen Kunden wird rechtzeitig und freundlich kommuniziert.
  • Aus der Erfassung und Bearbeitung von Kundenservicevorgängen werden Daten für die kontinuierliche Automatisierung mit Regeln und KI abgeleitet.

Bei der dezentralen Erfassung von Servicevorgängen muss zunächst die eindeutige Identifikation des Kunden und der relevanten Auftrags-/Vertragsdaten sichergestellt sein.

  • Bei B2B Geschäftsbeziehungen und bei Geschäftsmodellen, die auf Dauerschuldverhältnissen basieren (wie z. B. Bank, Versicherung, Energieversorgern, Krankenkasse) ist diese Aufgabe oft unkritisch.
  • Sehr viel schwieriger sind B2C Geschäftsvorgänge, die über unabhängige Vertriebspartner abgewickelt werden (wie z. B. Konsumgüter, Systemgastronomie oder Airlines). Bereits hier beginnt dann die Recherche in verschiedenen Systemen; wir das verhindert werden kann, wir in diesem Beitrag beschrieben.

Nach der Identifikation des Kunden und des Geschäftsvorgangs werden alle Informationen zum Sachverhalt, wie Angaben aus dem Kundengespräch oder Recherchen durch den Servicemitarbeiter, vollständig dokumentiert und erfasst. Dabei treten verschiedene Problemstellungen auf:

  • Zeitproblem: die Erfassung von Kundenanliegen im persönlichen oder telefonischen Kundenkontakt erfolgt unter hohem Zeitdruck; daher muss die Erfassung sehr schnell und einfach möglich sein.
  • KnowHow Problem: für eine effiziente Bearbeitung von kundenindividuellen Sonderfällen benötigen die dafür zuständigen Experten Detailinformationen; generalistisch ausgebildete Mitarbeiter im Service und Vertrieb können kaum über das Detailwissen für alle Produkte und Tarife verfügen.
  • Mengenproblem: für einen Mitarbeiter im Vertrieb/Service, der eher im Ausnahmefall einen Servicevorgang zur Bearbeitung erfasst und weiterleitet, hat der Aufwand für die Erfassung und Bearbeitung kaum Relevanz, bei den Mitarbeitern im zentralen Kundenservice oder in den Fachabteilungen, wo Vorgänge zentral zusammenlaufen, sehr wohl.

Eine professionelle Softwarelösung muss schnell und einfach bedienbar sein, leitet einen Agenten durch den Prozess und dabei situationsgerecht die richtigen Daten erheben.

targenio Lösungsansätze

targenio Lösungen ermöglichen mit einem dreistufigen Konzept die Erfassung von Servicevorgängen einfach und sicher.

  • Idealerweise können die Servicemitarbeiter einen targenio Vorgang aus ihren Auftrags-/Bestandssystemen heraus anlegen. Dabei werden alle relevanten Daten zum Mitarbeiter selbst, zum Kunden sowie zum Auftrag/Vertrag automatisch übergeben. Die Anlage eines Vorgangs in targenio erfolgt dazu über eine Schnittstelle via Webservice oder Middleware.
  • Im Anschluss wird dem Mitarbeiter ein intelligenter Dialog angeboten, in dem auf Basis der übergebenen Daten weitere Angaben systematisch erfasst werden. Die Erfassung von Zusatzdaten erfolgt möglichst einfach durch Auswahlfelder und wird durch Checklisten unterstützt. Zwingend erforderliche Daten werden durch Pflichtfelder sichergestellt, fehlerhafte Eingaben können unmittelbar während der Eingabe durch Prüfroutinen erkannt werden.
  • Im letzten Schritt durchläuft der Vorgang nochmal eine Prüfroutine, mit der die Eingaben überprüft und abgeglichen werden. Falls hier Fehler und Unstimmigkeiten erkannt werden, bekommt der Mitarbeiter diese unmittelbar angezeigt.

Für die Erstellung der Dialoge und Prüfroutinen werden die targenio Designer für Dialoge, Workflows und Businesslogik genutzt und können so immer wieder an neue Anforderungen angepasst werden.

Takeaway

Der Nutzen der kollaborativen Bearbeitung mit parallelen Bearbeitungsprozessen für die

  • Prozessteuerung liegt in der massiven Reduktion der Komplexität in den Workflows und erleichtert so die Automatisierung und Auswertung.
  • Zudem können Veränderungen und Anpassungen an den Workflows schneller und einfacher umgesetzt werden, da nur betroffene Teilprozesse und nicht ein komplexer Workflow geändert werden.
  • Im Tagesgeschäft erfolgt die Bearbeitung schneller durch die Parallelisierung von Aufgaben anstatt einer sequentiellen Bearbeitung.
  • Zusätzlich werden Bearbeitungsaufwände reduziert, da die Arbeitsergebnisse aus anderen Teilprozessen genutzt werden.
  • Für die Anwender verbessert sich die Usability erheblich, weil nur die Aufgaben im Teilprozess zu sehen sind, die konkret zu bearbeiten sind und nicht alle anderen Aufgaben, so wie dies bei komplexen linearen Workflows der Fall ist.

targenio launched Release 7

Das neue targenio Release 7 hat sich bereits im ersten Praxiseinsatz bewährt und kommt ab sofort allen Kunden zugute. Die Inhalte des Release 7 lassen sich in drei Gruppen zusammenfassen: Technologie & Sicherheit, Benutzerfreundlichkeit & Geschwindigkeit und No- & Low Code-Eigenschaften.

Technologie & Sicherheit

Die Unterstützung von aktuellen Technologien ist Voraussetzung, um die Anwendung sicher, schnell und funktional modern zu halten. Folgende Technologien werden jetzt mit targenio durchgehend unterstützt:

Benutzerfreundlichkeit & Geschwindigkeit

Die Verbesserung der Benutzerfreundlichkeit und der Bediengeschwindigkeit ist eine Aufgabe, an der wir kontinuierlich arbeiten. Im aktuellen Release haben wir folgendes erreicht:

  • Einführung der Kommunikationsübersicht
    Im Verlauf der Bearbeitung von end-to-end Geschäftsvorgängen entsteht eine Vielzahl an Kommunikationsaktivitäten und Dokumenten; diese sind je nach Eingang oder Erstellung auf verschiedene Workflowaktivitäten und die Dokumentenakte verteilt. Die Kommunikationsübersicht stellt die relevanten Kommunikationsschritte zum Vorgang übersichtlich dar. Die Suche nach Dokumenten oder die Sorge, etwas zu übersehen, entfällt.
  • Neu-Implementierung der Vorgangssuche
    Mit der targenio Vorgangssuche kann flexibel über verschiedene Businessobjekte (Kunde, Vorgang, …) hinweg gesucht werden; diese Suche ist technisch sehr anspruchsvoll und kann bei sehr großen Datenmengen und vielen Suchkriterien lange dauern. Um die Anzeige der Suchergebnisse zu beschleunigen, haben wir die Vorgangssuche von Grund auf neu implementiert.
  • Externes Speichern von Bildern im Vorgang
    Bei der Vorgangsbearbeitung wird in verschiedenen IT-Systemen recherchiert. Wenn die Systeme nicht per Schnittstelle integriert sind, können Screenshots erstellt und in den targenio Vorgang eingefügt werden. Wenn bei intensiver Nutzung dieser Funktion sehr viele Screenshots und mit hoher Auflösung gespeichert werden, entstehen große Datenmengen, die den Vorgangsdatensatz unnötig „aufblähen“. Die Screenshots werden wie bisher zum Vorgang angezeigt, aber an einem externen Speicherort abgelegt.
  • Filtermöglichkeit und Mehrfachauswahl für Listenfelder
    Bei sehr großen Stammdatenkatalogen mit hundert oder mehr Einträgen dauert das Scrollen/Blättern zum gewünschten Eintrag zu lange und ist fehleranfällig; daher können jetzt die anzuzeigenden Katalogwerte mit Hilfe einer Texteingabe gefiltert werden. Bestehende Listfelder können dazu einfach mit der Eigenschaft „Filter“ ausgestattet werden. Bei der Gestaltung von Tabellen oder Reports können mehrere Katalogwerte (zum Beispiel mehrere Benutzer bei einem Report oder mehrere Felder für eine Tabelle) markiert und übernommen werden.
  • Performance-Verbesserung in der Task List
    In der Task List werden die durch die Anwender zu bearbeitenden Aufgaben angezeigt. Um das Filtern und Sortieren von Aufgaben zu erleichtern, werden zu den Aufgaben auch Daten aus anderen Businessobjekten, wie dem Vorgang oder Kunden, angezeigt. Die Anzeige von mehrsprachigen Daten in einer Zeile über mehrere Businessobjekte hinweg ist sehr aufwendig und wurde optimiert. Während bisher die Werte für die Stammdaten-ID bereits bei der Suchabfrage ermittelt wurden, erfolgt dies jetzt zur Laufzeit bei der Anzeige der Suchergebnisse.
  • Überarbeitung der Oberfläche
    Die Farben wurden dem neuen targenio Corporate Design angepasst, die Maskenlayouts und einzelne GUI Komponenten optimiert.

Vereinfachung der Projektimplementierung
Für das Erstellen von Anwendungen durch Projektentwickler und Administratoren wurden über zehn Verbesserungen und Vereinfachungen für die Konfiguration und die Programmierung im Rahmen von Projekten umgesetzt. Damit können Entwickler in den targenio Projekten schneller implementieren, was unseren Kunden zugutekommt.

Dynamic Case Management
Bisher wurden targenio Anwendungen im Grundsatz auf Basis eines modellierten Workflows geplant und umgesetzt. Damit war der Mindestaufwand für die Implementierung einer Lösung relativ hoch. Zukünftig unterstützt targenio auch Lösungen nach den Prinzipien des Dynamic Case Management, dabei werden die Aufgaben durch den Anwender ausgewählt und bearbeitet. Damit können auch kleinere Aufgabenstellungen schnell abgebildet werden bzw. größere Lösungen agil implementiert werden.

No- & Low Code Eigenschaften

Damit Kundenlösungen einfacher und schneller implementiert und gepflegt werden können, ist die Weiterentwicklung und Verbesserung der No- & Low Code Eigenschaften von targenio ein funktionaler Schwerpunkt in diesem Release. Unsere grundsätzlichen Überlegungen zu den Begriffen No- und Low Code beschreiben wir in einem gesonderten Blog Beitrag. Mit der Version 7 führen wir dazu folgende Neuerungen und Verbesserungen ein:

  • Mit der Version 7 führen wir den targenio Business Objekt Designer ein, mit dem die targenio Business Objekte (Kunde, Vorgang, Aktivität) updatesicher erweitert oder neue Businessobjekte angelegt werden können.
  • Ebenfalls neu eingeführt ist der Business Logik Designer, mit dem einfache Business Logik ohne Programmierung implementiert werden kann. Typische Anwendungsfälle sind zum Beispiel die Erstzuordnung eines Vorgangs zum Bearbeiter oder die Erledigung von Workflowaktivitäten in Abhängigkeit von anderen Aktivitäten.
  • Die bestehenden Designer für Workflows, Masken, Katalogwerte wurden verbessert und mit den neuen Designern unter einer Oberfläche integriert, was die Anwendung deutlich vereinfacht und beschleunigt.

Flieger verspätet? Kosten trotzdem im Griff.

Flugverspätungen, Annullierungen und Kofferschäden – diese drei Probleme verursachen im Kundenservice einer Airline mit Abstand die höchsten Bearbeitungsaufwände, Kompensationskosten und gegebenenfalls Anwaltskosten. Mit targenio AIR verfügen Airlines über eine Lösung, die Ansprüche von Fluggästen bei Verspätungen automatisch prüft, entscheidet und die Antwort und Auszahlungen an den Gast übernimmt. Dies führt zu deutlichen Entlastungen des Kundenservice und zu erheblichen Einsparungen bei den Bearbeitungskosten.

Airlines in der EU müssen ihre Passagiere bei Flugverspätungen von mehr als drei Stunden mit 250 bis 600 Euro pro Person entschädigen, wenn die Fluggesellschaften selbst und nicht außergewöhnliche Umstände dafür verantwortlich sind. Grundlage hierfür ist die EU Fluggastrechteverordnung (EG) Nr. 261/2004 des europäischen Parlaments, verabschiedet am 11. Februar 2004.

Ist eine Flugverspätung erstmal eingetreten, dann lässt sich zwar eine Entschädigungszahlung nicht mehr vermeiden, jedoch können mit targenio AIR zumindest die Bearbeitungskosten reduziert werden – und die sind beachtlich, wie eine Überschlagsrechnung zeigt: Eine mittelgroße Airline befördert etwa 5 Mio. Paxe im Jahr und die Verspätungsquote liegt bei 1,5%. Rechnet man mit 20 Euro Bearbeitungskosten pro Vorgang, dann ergibt sich ein Aufwand von 1,5 Mio. Euro – pro Jahr. Mit targenio AIR sind Automatisierungen von 60% bis 80% möglich, so dass sich eine Investition innerhalb weniger Monate amortisiert.

targenio AIR besteht aus drei Komponenten:

Customer-Self-Service Portal – Über ein interaktives, smartes Webformular erfasst der Gast in strukturierter Form sein Anliegen. Ebenfalls wird über das Portal die gesamte Kommunikation mit dem Fluggast abgewickelt.

targenio AIR Prüf-Algorithmus – Das Herzstück von targenio AIR ist der Prüf-Algorithmus. Mit Rückgriff auf das Fluginformationssystem der Airline prüft targenio die Forderung des Kunden und trifft eine Entscheidung, ob der Anspruch berechtigt ist und in welcher Höhe er besteht.

Zahlungsabwicklung – Über das Self-Service Portal erfolgt auch die Zahlungsabwicklung. Hier bietet targenio AIR eine Wahl zwischen Überweisung und Gutschein-Codes an.

targenio AIR wird in der Cloud bereitgestellt, hat offene und standardisierte Schnittelle und kann nahtlos in bestehen Kundenservice- und ERP-Systeme einer Airline integriert werden.

Die Automatisierung der Bearbeitung von Flugverspätungen mit targenio AIR hat sowohl für die Fluggäste als auch die Airlines deutliche Vorteile.

Fluggäste erhalten meist sofort verlässliche Auskunft darüber, ob sie einen Anspruch aufgrund einer Verspätung haben. Besteht ein solcher Anspruch, dann erhalten sie auch sofort ihr Geld – und zwar den vollen Entschädigungsbetrag ohne Bearbeitungsgebühren an eine Claim Factory abdrücken zu müssen. targenio AIR hilft Fluggesellschaften ihre Bearbeitungskosten im Kundenservice zu senken. Durch die schnelle, unkomplizierte Abwicklung schaffen ein positives Kundenerlebnis und bleiben in der Hoheit der Daten. Da targenio AIR ständig weiterentwickelt wird, schaffen Airlines die Grundlage für weitere Automatisierungen im Kundenservice.

Takeaway

  • Flugverspätungen sind ein großes Ärgernis – sowohl für die betroffenen Passagiere als auch für die Airlines.
  • Mit targenio AIR können Airlines die Kosten für die Bearbeitung von Anliegen zu 3-Stunden Delays erheblich reduzieren.
  • Weitere Informationen zu targenio AIR finden Sie hier.