AI Salesforce Career
~10 Minuten Lesezeit

Dual studieren bei COViS: Machine Learning für Kundenserviceprozesse

Unsere dualen Studenten sind längst zu festen Bestandteilen des COViS-Projektgeschäfts geworden. Auf dem Weg dahin bildeten praxisnahe Beispiele den Inhalt ihrer Abschlussarbeiten. Diese Artikelserie gibt Einblick in die tägliche Arbeit unserer COViS-Nachwuchstalente. Jonas Werner untersuchte als dualer Student im COViS Salesforce-Team in seiner Masterarbeit die Chancen beim Einsatz von Data Science und Machine Learning für aktuelle Kundenprojekte.

Jonas Werner startete 2021 bei COViS als dualer Student im Bereich Salesforce-Beratung. In unterschiedlichen Projekten bei namenhaften Kunden beschäftigt er sich vor allem mit den Bereichen Salesforce Consulting und Entwicklung. Im Rahmen seiner Masterarbeit analysierte er 2022 das Potential von Data Science und Machine Learning für die Anliegenbearbeitung und das Management gesamter Kundenserviceprozesse. Das von ihm dokumentierte Vorgehen und die dabei gewonnenen Erkenntnisse, welche Vorteile KI in der Prozessoptimierung bietet, dienen als Blaupause für die KI-Implementierung in Folgeprojekten.

Kundenservice mit Hilfe von Machine Learning

Fast alle IT-Produkte benötigen regelmäßig Support von fachkundigem Personal. Je nach Anliegen, muss dieser Support im Zweifel sehr schnell oder von besonders geschulten Personen ausgeführt werden. Gleichzeitig gehen in Service Centern noch immer viele Supportanfragen ein, die mit einer geringeren Priorität bearbeitet werden können. Entsprechend ist die Ordnung und Definition der Anliegen nach Priorität und Zweck entscheidend für effiziente Prozesse innerhalb eines Servicesystems.

Die eingesetzten IT-Systeme müssen so verlässlich sein, dass die Kritikalität aller Serviceanfragen einwandfrei erkannt wird. Um Fehlern vorzubeugen und gleichzeitig Kosten gering zu halten, gibt es verschiedene Ansätze, Anliegenklassifizierung mit Hilfe von Machine Learning durchzuführen. Für eine KI-basierte Analyse des Gesamtprozesses eignet sich vor allem sogenanntes „Process Mining“. Dabei werden Ereignisprotokolle verwendet, um die Leistung von Geschäftsprozessen zu visualisieren und zu analysieren. Das ermöglicht die Identifizierung von Ineffizienzen, Engpässen und verbesserungswürdigen Bereichen, was Unternehmen letztendlich hilft, ihre Prozesse zu optimieren und die Effizienz zu steigern.

Systematische Analyse: Klassifizierung und Priorisierung wesentlicher Optimierungsfaktoren

Die wichtigsten Punkte beim Aufsetzen eines Machine-Learning-Prozesses, sind das Verstehen der Business-Logik hinter den zu optimierenden Prozesse sowie das Verständnis der dazu verwendeten Daten, ihrer Herkunft, ihres Verlaufs und ihrer Beschaffenheit. Nur so können Optimierungspotenziale wirksam identifiziert werden.

Crisp DM Circle

Im Bereich Kundenservice stellte sich die Durchlaufzeit als wesentlicher Faktor zur Verbesserung von Anliegenprozessen heraus. Die Durchlaufzeit beschreibt den Zeitraum zwischen dem Zeitpunkt der Erfassung des Anliegens und dem Zeitpunkt des Abschlusses. Diese muss idealerweise immer passend zur individuellen Klassifizierung und Priorisierung eines Anliegens definiert werden. Eine zu schnelle Bearbeitung kann beispielsweise zu Rückläufern führen. Dadurch entsteht eine längere Bearbeitungszeit pro Anliegen, welche die Kundenzufriedenheit schmälert und den Gesamtaufwand erhöht.

Das untersuchte System basierte auf der CRM-Plattform Salesforce Service Cloud. Für die realistische Durchführung des Process Minings in einem Kundenserviceprozess im Enterprise-Maßstab, wurde auf die Testinstanz eines realen, von COViS betriebenen Systems zurückgegriffen, das alle Funktionen und Voraussetzungen der Produktiv-Instanz bietet. So wurde eine realitätsnahe Umgebung sichergestellt, ohne Betriebsabläufe zu gefährden.

Bei einer vorläufigen Analyse der Echtdaten aus der Produktionsumgebung des betrachteten Systems wurde erkannt, dass die Zuordnung der Anliegen einen der größten Bottlenecks des Prozessablaufs darstellt. Für die Zuordnung muss zunächst eine Incident-Klassifizierung zwischen Serviceanliegen und Störung vorgenommen werden. Zusätzlich wird der Inhalt des Anliegens konkretisiert sowie eine Priorisierung bestimmt. Die Konkretisierung und Priorität entscheiden anschließend, welche Abteilung des Service Managements für das Anliegen zuständig ist. All das beansprucht viele Kapazitäten und verlängert die Prozessdauer der Anliegenbearbeitung erheblich.

Schwachstellenanalyse durch Process Mining

Um eine Auswertung zu erstellen, wurde zunächst ein Datenpool mit den aus Salesforce exportierten Records des Case-Activity-Objekts angelegt. Mit diesem Datensatz wurde die Process-AI-Analyse mit der Durchlaufzeit als zu betrachtende Komponente durchgeführt.

Im Zuge der Prozesserfassung konnten durch die Nutzung von Process Mining erfolgreich ein Prozessbild sowie die jeweiligen Durchlaufzeiten der Anliegen erfasst werden. Nach Vereinheitlichung der Daten wurde sichtbar: Besonders die Kundenzuordnung nach der Anliegenerstellung sowie die Erstellung eines Arbeitsauftrags nach der Prüfung des Haftungsanliegens bei Erstellung waren die Prozessschritte, die Verzögerungen auslösten.

Damit lagen die ersten Schritte zur Prozessoptimierung bereits auf der Hand: Eine automatisierte Klassifizierung und Priorisierung von Anliegen aufgrund des Inhalts, einer Zusammenfassung und dem Initiator des Anliegens wäre nicht nur grundsätzlich möglich, sondern würde den zeitlichen Ablauf von Serviceanliegen signifikant beschleunigen.

Beim Vorgehen zur Ermittlung und Auswertung der Durchlaufzeiten handelte es sich um eine exemplarisch und generisch anwendbare Analyse des im Testsystem vorliegenden Anliegenprozesses über alle Eingangskanäle. Das Vorgehen wurde dabei so generisch aufgearbeitet und in einer Dokumentation festgehalten, dass die daraus resultierenden Erkenntnisse vollständig auf weitere Auswertungen angewendet werden können. Das verkürzt die Analysephase bei künftigen Projekten, in denen eine KI-gestützte Prozessoptimierung durchgeführt werden soll.

Projektdurchführung – Modelling

Für das Modelling wurde Data Mining, beziehungsweise Machine Learning angewendet. Hierzu wurden zunächst die Methode sowie der anzuwendende Algorithmus bestimmt. Es ist üblich, mehrere Auswertungen zu testen, da die Ausgangslage nicht zwingend auf den akkuratesten Algorithmus hinweisen kann.

Als Ergebnis der Modelling Phase entstand pro angewendeten Algorithmus ein Modell, welches mittels Supervised Learning auf das vorliegende Problem angewendet werden konnte.

Nach Tests verschiedener Herangehensweisen im Data Modelling, fand Jonas heraus, dass die höchste Accurancy für das vorliegende Problem durch die Anwendung des k-Nearest-Neighbor-Algorithmus sowie durch den Einsatz von Neuralen Netzen erreicht werden kann.

Durch dieses Vorgehen konnten die Durchlaufzeiten des Testsystems erfolgreich ermittelt werden.

Die Chancen von KI in CRM-basierten Servicestrukturen

Mit seiner Arbeit konnte Jonas beweisen, dass sowohl eine Erfassung als auch eine Verbesserung von Anliegenprozessen durch Data Science und Machine Learning möglich ist. Die Durchführung der Arbeit wurde zwar auf Testdaten eines Kundensystems sowie auf den internen Anliegen der Dr. Glinz COViS GmbH aufgebaut. Dennoch wurde ein hoher Fokus darauf gelegt, das Vorgehen für Folgeprojekte im Kundenumfeld generisch zu dokumentieren. Für ein Beratungsunternehmen wie COViS, das den Anspruch hat, Expertise in verschiedensten Bereichen der Informatik anbieten zu können, ist dies ein absolut wesentlicher Aspekt.

Weiterhin wurde in dieser Arbeit bewiesen, dass eine Klassifizierung und Priorisierung von Anliegen aufgrund des Inhalts, einer Zusammenfassung und dem Initiator des Anliegens grundsätzlich möglich ist. Zu beachten gilt, dass die Ergebnisse in starker Abhängigkeit zur Qualität und Quantität der vorliegenden Trainingsdaten stehen.

“Durch meinen Hintergrund im Maschinenbau durfte ich mich bereits seit einigen Jahren mit den Möglichkeiten der Künstlichen Intelligenz beschäftigen. So waren bereits in meinem Bachelorstudium die Teilbreiche der Predictive Maintanace sowie Klassifizierungsprobleme Themen, die mich besonders interessiert haben.

Ich bin der COViS sehr dankbar, dass ich dieses Wissen im Zuge meines 2-jährigen Dualen Masterstudiums neben dem operativen Projektgeschäft vertiefen und um viele Bereiche erweitern konnte.

Die Geschwindigkeit, in der sich Künstliche Intelligenz entwickelt, ist sehr beeindruckend und heute weitgehend bekannt. Für den Erfolg eines KI-Projekts ist es allerdings meiner Meinung nach essentiell, den Business Case sowie die Datenlage im Vorfeld noch genauer zu analysieren.”

Jonas Werner, Entwickler bei COViS

Weitere Informationen, was COViS Studenten bietet, und offene Stellen findet ihr in unserem Karrierebereich.

Bleiben Sie informiert!

Jetzt Newsletter abonnieren und regelmäßige Updates aus unserer Produktentwicklung und der Tech-Welt erhalten.

Wir haben Ihre Anfrage zur Anmeldung für unseren Newsletter erhalten. Bitte folgen Sie den nächsten Schritten in der zugesendeten E-Mail, um die Anmeldung zu bestätigen und sich anzumelden.

microsoft teams
microsoft teams cpre platinum partner
Dr. Glinz COVIS GmbH
Heerdter Sandberg 32
40549 Düsseldorf Deutschland
Tel +49 (0) 211 - 55726-0
Fax +49 (0) 211 - 55726-26
info@covis.de
© 2023-24 Alle Rechte vorbehalten