Herausforderung:

Die effiziente Bearbeitung von Kundenanfragen und -beschwerden ist für Unternehmen von entscheidender Bedeutung. Unser Kunde stand vor der zusätzlichen Herausforderung, dass eingehende E-Mails über verschiedene Postfächer eingehen, was zu Verzögerungen und ineffizientem Routing führt. Eine manuelle Weiterleitung der Nachrichten an die entsprechenden Abteilungen ist zeitaufwendig und führt zu längeren Antwortzeiten. Daher entschied sich unser Kunde für eine automatisierte Zuordnung und Verteilung der E-Mails mithilfe von KI, um den Kunden die Möglichkeit zu geben, Nachrichten weiterhin an die vertrauten Postfächer zu senden, auch wenn diese möglicherweise nicht zuständig sind.

Ansatz:

In enger Zusammenarbeit mit unserem Kunden analysierten wir die bestehenden E-Mail-Postfächer und untersuchten die KPIs der einzelnen Abteilungen im Detail. Wir verfolgten den Weg einer E-Mail innerhalb der Unternehmensinfrastruktur und evaluierten verschiedene Aspekte, einschließlich des Nachrichtenverlaufs vom Eingang bis zur Antwort. Die automatische Weiterleitung der E-Mails wurde mithilfe von Deep-Learning-Modellen im Bereich Natural Language Processing (NLP) entwickelt. Wir nutzten vorhandene, frei verfügbare Modelle und passten sie an die spezifische Fachsprache unseres Kunden an. Dadurch erzielten wir exzellente Ergebnisse bei gleichzeitig moderatem Ressourceneinsatz. Die richtige Ansprechperson für die Nachrichten wurde automatisch aus dem Nachrichtenverlauf extrahiert, wodurch das Deep-Learning-Modell mit minimaler manueller Intervention auf Kundenseite auf einer umfangreichen Datenbasis trainiert werden konnte.

Ergebnis:

Unser Kunde kann nun mit hoher Genauigkeit die richtige Abteilung automatisch für eine E-Mail ermitteln. Dies verhindert manuelle Weiterleitungen, entlastet die Ressourcen der Kundendienstmitarbeiter und führt zu schnelleren Reaktionszeiten. Darüber hinaus haben wir den Grundstein für eine umfassendere, automatisierte Behandlung eingehender Nachrichten über verschiedene Kanäle hinweg gelegt. Das entwickelte Modell wird nun in den produktiven Betrieb überführt und bildet die Basis für weitere Verbesserungen in der Kundenkommunikation.