So lief es früher:

Sollen wir einen Chatbot im Service einsetzen? Oder lieber eine in Smart-Speaker integrierte Voice-Lösung für das Bestellen entwickeln? Oder überzeugen unsere Kunden eher hyperpersonalisierte, automatisch erstellte Inhalte? Unternehmen können KI-Technologien in unterschiedlichen Anwendungsszenarien einsetzen. Die Auswahl des richtigen Ansatzes und des richtigen Anwendungsfalls ist entscheidend für den Erfolg von KI-Projekten. Noch fehlt den Beteiligten die Erfahrung, um einzelne Anwendungsszenarien und Technologiepotenziale richtig einschätzen zu können. Die Gefahr ist gegeben, dass Entscheider nicht auf die richtigen KI-Themen setzen.

Dann kommt der adesso-Workshop ins Spiel:

Schlüssel zum Erarbeiten von KI-Anwendungsfällen sind Workshops im sogenannten Interaction Room (IR). Beim Interaction Room handelt es sich um eine an der Universität Duisburg-Essen entwickelte Projektmethode. Mit ihrer Hilfe visualisieren Beteiligte Zusammenhänge und identifizieren Risiken, Aufwands- oder auch Werttreiber in Projekten.

Gemeinsam mit unseren IR- und KI-Experten ermitteln wir auf Ihr Unternehmen und Ihre Ziele zugeschnittene Use Cases. Egal, ob bei Ihnen die Optimierung bestehender Geschäftsprozesse, der Ausbau des Geschäftsmodells oder die Erschließung neuer Geschäftspotenziale im Vordergrund steht, der IR passt sich an Ihre aktuelle Situation an. Von ersten Denkanstößen über das Analysieren der vorhandenen Datenquellen bis hin zum Gestalten und Priorisieren von Use Cases: Dafür benötigen wir dank des erprobten Workshop-Konzeptes nur zwei Tage. Dann wissen Sie, in welche Richtung Sie KI in Ihrem Unternehmen weiterentwickeln sollten.

So ist es jetzt:

Vom Verstehen der Potenziale bis hin zum Integrieren von KI-Anwendungen in bestehende Prozesse und IT-Strukturen: Am Ende des Workshops haben die Teilnehmer ein Verständnis für die Möglichkeiten, welche KI eröffnet.

Für wen eignet sich dieser Ansatz?

Alle Unternehmen, die auf der Suche nach KI-Anwendungsfällen sind

Für wen im Unternehmen ist der Anwendungsfall interessant?

Alle Beteiligten an KI-Projekten, insbesondere Vertrieb, Marketing, Kundenservice und IT

So lief es früher:

Die Mitarbeitereinsatzplanung ist einer der entscheidenden Faktoren für die Qualität der Service-Hotline. Zu wenig besetzte Plätze sorgen für Wartezeiten und unzufriedene Kunden; zu viele für unnötige Kosten. Die unbekannte Grösse ist die Anzahl der Anrufe, die an einem Tag eingehen werden. Bisher überliessen Unternehmen das Schätzen dem Bauchgefühl der Verantwortlichen oder verliessen sich auf einfache Durchschnittswerte. Mit all der Unzuverlässigkeit und der schwankenden Qualität, die damit verbunden sind.

Dann kommt KI ins Spiel:

Das Optimieren von Telefon-Serviceangeboten durch eine bessere Prognose der Zahl der Anrufer ist ein Auftrag, bei dem sich KI-Anwendungen wohlfühlen: grosse Datenmengen, eine klar umrissene Aufgabe – und ein einfaches Kriterium zur Erfolgsmessung: Die auf KI-basierenden Schätzungen müssen besser sein als die zuvor gewählten Verfahren.

Die Datengrundlage bilden die Anruferzahlen der letzten Jahre. Auf dieser Basis sucht ein Machine-Learning-System Muster und findet Zusammenhänge zwischen der Anzahl der Anrufe und Faktoren wie Wochentag, Uhrzeit, Urlaubszeit, Feiertage, Wetter oder Werbeaktivitäten. Die Prognose der Aktivitäten an der Service-Hotline wird laufend mit den realen Werten verglichen und die Parameter werden angepasst.

So ist es jetzt:

Kunden erreichen Servicemitarbeiter schneller und klären ihre Anfragen zügiger. Dies sorgt für mehr Zufriedenheit und reduziert die Wechselwahrscheinlichkeit. Gleichzeitig bietet die Arbeitsorganisation mit Machine Learning eine verlässlichere Planungsgrundlage sowohl für die Mitarbeiter als auch für die Führungskräfte im Call-Center. Dies hilft beispielsweise bei der aufwandsorientierten Urlaubsplanung.

Für wen eignet sich dieser Ansatz?

Alle Unternehmen mit eigenen Service-Hotlines

Für wen im Unternehmen ist der Anwendungsfall interessant?

Alle Verantwortlichen rund um Kundenservice und Marketing

Für die technisch Interessierten:

• Regressionsproblem mit schwacher zeitlicher Abhängigkeit
• Stand-alone-Lösung mit minimalem Integrationsaufwand in die vorhandene IT-Landschaft (Kommunikation ausschließlich über CSV-Dateien)
• White-Box Modell (Regression Tree): Dieses Modell sorgt dafür, dass die Beteiligten die Entscheidungsfindung der KI-Lösung nachvollziehen können

So lief es früher:

Der Antrag per Fax, die Schadensmeldung inklusive der Belege per Brief: Papier ist aus der Korrespondenz zwischen Versicherten und Versicherung nicht wegzudenken. Irgendwo in den Schriftstücken sind die für die Sachbearbeitung relevanten Informationen versteckt: Adressdaten, Vertragsnummern oder Vorgangsnummern oder auch relevante fachliche Begründungen und Verweise. Diese Daten in unterschiedlichen Briefen, beispielsweise . von verschiedenen Anwälten, zu finden und in ein IT-System zu übertragen, ist ein manueller und monotoner Prozess. Er bindet Zeit von Mitarbeitern – Zeit, die ihnen für die Bearbeitung komplexer Vorgänge fehlt – und er ist fehleranfällig.

Dann kommt KI ins Spiel:

Das automatische Extrahieren strukturierter Informationen aus unstrukturierten Texten ist ein typischer Anwendungsfall für KI-Lösungen. Speziell für den Einsatz in Versicherungen haben wir die Lösung Heuristic Claims Management (HCM) entwickelt. Die Anwendung durchsucht die Eingangskorrespondenz automatisch nach relevanten Informationen, bereitet diese auf und stellt sie den zuständigen Systemen für die Weiterverarbeitung strukturiert und in den passenden Formaten, z.B. XML oder JSON, zur Verfügung.

Die Daten werden vollautomatisch in das bearbeitende System geladen, die manuelle Eingabe entfällt, und das weitere Bearbeiten erfolgt komplett digital.

So ist es jetzt:

HCM hilft dabei, Medienbrüche zu vermeiden, die Bearbeitungsgeschwindigkeit zu erhöhen und die Fehlerquote zu senken. Die automatische Verarbeitung auch unstrukturierter Informationen durch den Einsatz von HCM hilft Unternehmen dabei, gesetzte Digitalisierungsziele zu erreichen. Sachbearbeiter werden von Routinetätigkeiten befreit und können sich auf anspruchsvollere Aufgaben konzentrieren.

Für wen eignet es sich der Ansatz?

Versicherungen, Banken und alle, die papierhafte Prozesse mit manueller Informationsextraktion haben

Für wen im Unternehmen ist der Anwendungsfall interessant?

• Alle Verantwortlichen in Schadensachbearbeitung oder Rechtsschutz
• Alle, die sich mit Prozessautomatisierung und Digitalisierung papierhafter Prozesse befassen

Für die technisch Interessierten:

Kombination aus maschinellen Lernverfahren wie Support Vector Machine, Random Forest und verschiedenen Bayes-Analysen

So lief es früher:

Jede Kontaktaufnahme durch einen Kunden ist für ein Unternehmen eine wertvolle Gelegenheit, zu prüfen, ob die im Marketing angepriesene Servicequalität auch in der Realität bestand hat. Um die Kundenerwartungen an eine individuelle Kommunikation bestmöglich zu erfüllen, investieren Unternehmen hohe Summen, denn der Servicebereich ist das Aushängeschild und Anlaufpunkt Ihrer Kunden. Die Bearbeitung von Anfragen – zügig und zur Zufriedenheit der Kunden – ist eine zeit- und ressourcenintensive Aufgabe. Im schlimmsten Fall werden Ihre Mitarbeiter sogar durch die Bearbeitung der eingehenden Korrespondenz von den primären Aufgaben im Tagesgeschäft abgelenkt. Anstatt ihren fachlichen Tätigkeiten nachzugehen, lesen sie Texte, erkennen das Anliegen und delegieren die Aufgaben an die zuständigen Kollegen. Diese übernehmen dann wiederum die Kommunikation mit dem Kunden und formulieren passende Antworten.

Dann kommt künstliche Intelligenz ins Spiel:

Ein KI-gestütztes System kann große Teile dieses Kommunikationsprozesses automatisieren. Zunächst analysiert die Software eingehende Nachrichten aus diversen Quellen. Automatisch erkennt es wichtige Metadaten wie Absenderinformationen, Kunden- oder Rechnungsnummern und kann damit eine Kategorisierung der Informationen vornehmen. Als entscheidenden Faktor identifiziert die Anwendung die Inhalte des Schreibens: Welches Anliegen verfolgt der Absender? Welche Antworten sucht er? Auf Basis dieser Textanalyse ermittelt die Anwendung in einer unternehmensspezifischen Datenbank die fachlich korrekten Bausteine und erstellt eigenständig individuelle Antwortschreiben.

Die Auswahl und Qualität der Antwortbausteine definiert die Qualität der so erstellten Antworten. Ein Team aus Servicemitarbeitern pflegt und erweitert diese Datenbasis laufend. Statt sich mit Einzelfällen zu beschäftigen, nutzen sie ihr Fachwissen zur nachhaltigen Optimierung der Servicequalität über alle Kanäle hinweg.

So ist es jetzt:

Kunden und Interessenten bekommen aussagekräftige und fachlich korrekte Antworten auf ihre Anfragen und die Bearbeitungsdauer ist dabei kürzer denn je. Dank zentral verwalteter Antwortbausteine ist eine konsistente Kommunikation über alle Kanäle hinweg gesichert. Das selbstlernende System verbessert im Hintergrund die Treffsicherheit und damit die Qualität der Antworten kontinuierlich.

Für wen eignet sich der Ansatz?

Alle Unternehmen mit umfangreicher Kundenkorrespondenz

Für wen im Unternehmen ist der Anwendungsfall interessant?

Alle Verantwortlichen rund um Marketing, Kundenservice, Vertrieb

Für die technisch Interessierten:

• Cognitive Services
• Azure Machine Learning
• Logic Apps
• Azure Functions

So lief es früher:

Im B2B-Umfeld verbringen Vertriebsmitarbeiter einen umfangreihen Teil der Arbeitszeit mit der Recherche von Informationen: Wo planen potenzielle Kunden Neueröffnungen? Welche Änderungen im Management gibt es? Wer hat welche Aussagen über strategische Pläne oder Investitionsentscheidungen getroffen? Denn aus diesen und ähnlichen Themen leiten Vertriebsexperten Anknüpfungspunkte für die Ansprache ab: Je individueller diese Kontaktaufnahme erfolgt, desto größer ist die Wahrscheinlichkeit, dass potenzielle Interessenten sich auf den Dialog einlassen. Dieses Wissen ist grundlegend für den Vertriebserfolg, aber jeder einzelne Vertriebler muss viel Zeit in die Informationssuche investieren.

Dann kommt KI ins Spiel:

Für den Vertriebsbereich Firmenkunden einer großen deutschen Bank hat adesso eine KI-basierte Lead-Engine auf Microsoft-Grundlage aufgebaut. Das System nutzt externe Datenquellen wie Webseiten, Social-Media-Inhalte, Suchmaschinen oder kostenpflichtige Unternehmensdatenbanken. Auf Basis von Suchanfragen oder –begriffen, die auf mögliche Verkaufschancen hinweisen, durchsucht das System automatisch alle angeschlossenen Quellen. Die Anwendung bereinigt die Ergebnisse mithilfe von automatisierten Textanalyse-Werkzeugen um nicht zielführende Treffer und Dubletten.

Jeder Vertriebsmitarbeiter hat ein eigenes Dashboard, in dem ihm das System alle passenden Treffer inklusive der Hintergrundinformationen anzeigt werden. Der Vertriebsmitarbeiter bewertet jeden einzelnen Verkaufsimpuls. Diese Rückkopplung sorgt dafür, dass die Qualität der Ergebnisse laufend besser wird.

So ist es jetzt:

Das System erlaubt den Mitarbeitern, Interessenten schneller und systematischer zu finden. Die Vertriebsmitarbeiter können dank der automatisch aufbereiteten Leadinformationen mehr Zeit in die Kontaktaufnahme und –pflege investieren.

Für wen eignet es sich der Ansatz?

Alle Unternehmen mit B2B-Vertriesstruktren

Für wen im Unternehmen ist der Anwendungsfall interessant?

Alle Verantwortlichen rund um Vertrieb

Für die technisch Interessierten:

• Azure Logic Apps für Suchvorgänge und Textanalysen
• Cognitive-Services sowie Azure Machine Learning für die Filterung der Ergebnisse
• Auswertung mit Microsoft Power BI