Immer bester Service Level
Optimaler Forecast mit neuronalen Netzen
Je besser Kundencenter das eigehende Kontaktvolumen vorhersagen können, desto besser können sie Einsätze ihrer Mitarbeiter planen. Jetzt machen künstliche neuronale Netze die Vorhersagen treffsicherer. Das erhört die Erreichbarkeit, hält den Service Level hoch und senkt die Kosten. Im Teleshopping-Umfeld kommen die Systeme bereits erfolgreich zum Einsatz.
Normalerweise läuft die Mitarbeiterplanung in Kundencentern über ein Workforce-Management-Modul oder über Excel. Die Basis bilden historische Daten etwa aus der Telefonanlage. Weil besondere Vorfälle wie kurzfristig angesetzte Kampagnen oder Systemausfälle das Anrufvolumen schon mal ungeplant nach oben oder unten drücken, müssen diese Daten bereinigt werden, damit sie für Vorhersagen taugen. Der Aufwand für die Recherche, die Ursachenanalyse (Warum war an diesem Tag, zu dieser Uhrzeit das Volumen so ungewöhnlich niedrig/hoch?) und die Dokumentation der Sonderfälle im Logbuch ist erheblich und häufig personenbezogen. Das heißt, sehr viel dieses Spezial-Wissens steckt in den Köpfen einzelner Mitarbeiter oder Führungskräfte.
Die lineare Planung ist ungenau und vergangenheitsbezogen
Weitere Ungenauigkeiten entstehen durch den historischen Bezug. Das heißt, die Vorhersagen erfolgen stets unter der Prämisse, dass sich das Anrufvolumen in Zukunft genauso verhalten wird wie in der Vergangenheit (lineare Funktion). Mit nicht-linearen Zusammenhängen sind die bisherigen Systeme überfordert. Nicht so Tools, die mit künstlicher Intelligenz arbeiten: Künstliche neuronale Netze erkennen auch komplexe nicht-linearen Muster, lernen daraus und treffen immer bessere Vorhersagen. Besonders in der halbstündigen Intervall-Planung können sie das bestehende Forecasting unterstützen, wenn nicht sogar völlig ablösen.
Wie funktionieren künstliche neuronale Netze?
Seit knapp zehn Jahren werden künstliche neuronale Netze in der Mustererkennung eingesetzt. Bekannte Beispiele sind die Bild- und Spracherkennung (auch Alexa ist nichts anderes als ein riesiges neuronales Netz) oder semantische Textanalysen.
- Ein künstliches neuronales Netz lernt ähnlich wie sein biologisches Vorbild durch die Vernetzung von Neuronen (der Mathematiker spricht auch von einer Verkettung bzw. Komposition von Funktionen).
- Basis dieses künstlichen Hirns ist ein komplexes mathematisches Modell, das über einen Optimierungsalgorithmus dazulernt.
- Dazu wird das System mit Trainingsdaten gefüttert.
- Im Forecasting sind dies zum Beispiel die Intervalldaten eines Tages aus der Telefonanlage.
- Mit jeder zusätzlichen Trainingseinheit, sprich mit den neuen, tagesaktuellen Daten, weiß das System mehr, verbessert seine Fähigkeit der Mustererkennung und liefert immer bessere Ergebnisse
Shoppingkanal nutzt KI in der Bestellannahme
Interessant ist der Einsatz von KI vor allem in der Einsatzplanung für Service Center, die auch innerhalb des Tages in jedem Intervall ihre Ziele in Bezug auf Erreichbarkeit und/oder Service Level erreichen wollen.
So profitiert die Bestellannahme eines Teleshoppingsenders von einem KI-Tool zur Unterstützung der Erreichbarkeit, da hier jedem Anruf eine Bestellung (= Umsatz) folgt. Die künstlichen neuronalen Netze werden in diesem Fall mit den Informationen des Forecasting Teams zu einem Hybrid Forecast zusammengefasst. Kombiniert mit einer guten Mitarbeitereinsatzplanung konnte die Auslastung in diesem konkreten Beispiel um drei Prozentpunkte erhöht werden. Das entspricht einer Einsparung von knapp 300.000 Euro pro Jahr! In diesem Fall hat das Zusammenspiel zwischen Forecast, Ressourcenplanung und Intraday Steuerung zu einer signifikanten Verbesserung der Auslastung ohne Verluste im Service Level geführt.