Herausforderung.
Energieversorger erhalten pro Jahr eine Vielzahl an Kundenanfragen. Dabei erstrecken sich die Kundenanfragen inhaltlich über das gesamte Leistungsspektrum der Unternehmen. Unter anderem geht es darum, Zählerstände entgegenzunehmen, Rechnungen zu korrigieren, Abschläge anzupassen oder sich Beschwerden anzunehmen. Da kommen eine Menge Anfragen aus den verschiedensten Bereichen zusammen.
Diese vielfältigen Kundenanfragen werden dementsprechend von Mitarbeitern mit unterschiedlichen Skills bearbeitet. Hierfür greift das Unternehmen auf Ressourcen bei externen Dienstleistern und Call Center zurück. Diese Ressourcen müssen allerdings passgenau bestellt werden. Werden nämlich zu viele Ressourcen bestellt, bezahlt der Auftraggeber zu viel Geld. Werden jedoch zu wenig Ressourcen bestellt, können Kundenanfragen nicht zeitnah bearbeitet werden. Die Folge: Weitere Anfragen, unzufriedene Kunden. Und die Gefahr einer Kündigung wird erhöht. Unser Kunde beauftragte uns, dieses Problem mit Hilfe von Daten zu lösen.
Herangehensweise.
Zunächst haben wir alle Faktoren bestimmt, die einen Kunden zu einer Anfrage an unseren Auftraggeber beeinflussen. Außerdem identifizierten wir Wechselwirkungen und Prozessabhängigkeiten. In einem passenden Forecasting-Modell haben wir all diese Einflussfaktoren so modelliert, dass die prognostizierte Menge an Kundenanfragen möglichst genau ist. Dabei berücksichtigt das Forecasting-Modell nicht nur Vergangenheitswerte, sondern vor allem zukünftige Einflussfaktoren und Wechselwirkungen. Diese können sein: Preisanpassungen, saisonale Unterschiede oder die bloße Rechnungsstellung und deren Versand – um nur einige zu nennen. Der Clou: Mit Einsatz von Künstlicher Intelligenz (KI) kann das so erstellte Modell in jedem Planungszyklus dazulernen und sukzessive die Lücke zwischen Soll und Ist schließen.
Ergebnis & Nutzen.
Mit dem KI-basierten Modell wurde es für unseren Kunden möglich, die Güte des Forecasts auf ein Maximum zu erhöhen. Die Lücke zwischen prognostizierten Volumina an Kundenanfragen und tatsächlich eintretenden Kundenanfragen konnte bis auf wenige Prozente reduziert werden. Für unseren Kunden wurde der Forecast mit einer Vorhersagekraft von 95% bestimmt. Gleichzeitig konnte das Unternehmen die gesetzten Service-Levels einhalten und steigerte somit signifikant die Kundenzufriedenheit.
