Ausgangssituation

BAUR Versand (GmbH & Co KG) ist Teil der Otto Group und im Online-Handel tätig. Das Unternehmen ist vor allem in den Sortimenten Mode, Schuhe und Möbel breit aufgestellt. Ein exzellenter Kundenservice ist für BAUR ein wichtiges Standbein des Erfolges. Mitarbeitende im Call-Center kümmern sich um die zahlreichen Kundenanfragen. Dabei kommt es häufig vor, dass Anfragen von einem*r Agent*in des Call-Centers gelesen und dann an eine*n andere*n Agent*in weitergeleitet werden – je nachdem welche*r Mitarbeitende für den jeweiligen Bereich zuständig ist. Das ist für den Kundenservice eine Doppelbearbeitung und oftmals ineffizient. Es entstehen dadurch Mehraufwände, die durch eine automatisierte und bessere Kategorisierung der eingehenden Anfragen reduziert werden könnten.

Lösungsansatz

Es soll eine KI-Anwendung entwickelt werden, die selbstständig und automatisiert E-Mail-Anfragen von Kund*innen vorsortiert und an die für das Thema qualifiziertesten Mitarbeitenden zuweist. Dabei wird ein Klassifizierungsansatz entwickelt, bei dem im Idealfall Anfragen weniger oft zwischen den Call-Center-Agent*innen weitergeleitet werden müssen und somit schneller bearbeitet werden können. BAUR erhofft sich dadurch eine Steigerung der Effizienz und damit einhergehend eine Verbesserung der Wirtschaftlichkeit. Auch die Kund*innenzufriedenheit soll durch eine schnellere und kompetente Antwort gesteigert werden.

Beteiligte Interessengruppen

An der Entwicklung der Anwendung sind alle relevanten Stakeholder beteiligt:

• Entwickler der KI-Anwendung (Team Data Science)
• Externe Dienstleisterfirma für die Anbindung der KI-Anwendung
• Führungsebene des einsetzenden Geschäftsbereichs
• Betriebsrat (in dem auch Agent*innen und damit die Nutzenden vertreten sind)

Über das Entwicklungsteam wird der Kontakt zur externen Dienstleisterfirma hergestellt, die bei der Produktivsetzung der KI-Anwendung unterstützt.

Technologie

Zur Entwicklung eines KI-Modells, das eingehende E-Mail-Anfragen unserer Kund*innen kategorisiert, mussten die Trainingsdaten zunächst in eine interne Datenbank eingespielt werden. Im Anschluss konnte das Modelltraining auf einem Server in den eigenen Räumlichkeiten und in der Programmiersprache Python durchgeführt sowie evaluiert werden. Das vorliegende Modell kann später über eine Cloud-Schnittstelle von der Anwendung des externen Dienstleisters, mit dem unser Call-Center-Team arbeitet, angefragt werden (Input: Kunden-E-Mail, Output: Kategorie).

Herausforderungen

Nachdem die Entwicklung der Anwendung fortgeschritten war, bot der externe Dienstleister – der die Trainingsdaten zur Verfügung stellt – an, die Funktion selbst als Produkt umzusetzen. Nun stellte sich die Frage, ob die eigene KI-Anwendung fertig entwickelt werden, oder die Lösung vom Dienstleister eingekauft werden sollte.

Ergebnis

Es wurde von den beteiligten Stakeholdern gemeinschaftlich ein Vorgehen beschlossen, wie die Entscheidung „make or buy” getroffen werden sollte. Entscheidungskriterien sind dabei u.a. die Leistungsfähigkeit der beiden Anwendungen, die gegeneinander getestet werden, aber auch Rahmenbedingungen wie die Abgabe von Verantwortung an ein anderes Unternehmen. Die Entscheidung fiel zu Gunsten der selbst entwickelten Lösung aus, mit deren Leistung die internen Auftraggeber*innen zufrieden waren. Zum aktuellen Zeitpunkt befindet sich die KI-Anwendung in der Implementierung, d.h. eine Anbindung für den produktiven Betrieb wird aufgebaut.

Learnings

Die am Einführungsprojekt beteiligten Personen treffen Entscheidungen gemeinsam und tauschen sich regelmäßig zu Projektfortschritten aus. Dies geschieht auf der Grundlage einer Vertrauens- und Kooperationskultur. So kann das Team sein Vorgehen effizient an neue Begebenheiten wie dem Angebot des Dienstleisters anpassen.